Machine Learning im All: Erster Satellit wurde trainiert

Neues vom maschinellen Lernen: Forscher aus Oxford haben ein einfaches Modell an Bord eines Satelliten im Weltraum trainiert. Die ML-Technik soll hier die Echtzeit-Überwachung von Waldbränden und anderen Umweltkatastrophen ermöglichen. Das Modell wurde darauf trainiert, Veränderungen in der Wolkendecke zu erkennen. Als Datengrundlage dienten Satellitenbilder. Das Forscherteam um Vít Ruzicka nutzte dafür das Few-Shot-Learning, bei dem nur ein kleiner Datensatz benötigt wird. In diesem Fall waren es 1.300 Bilder. Das Modell war in 1,5 Sekunden mit dem Training durch.

Vít Ruzicka erklärt: "Das von uns entwickelte Modell namens RaVÆn komprimiert zunächst die großen Bilddateien in Vektoren mit 128 Zahlen. Während der Trainingsphase lernt das Modell, nur die informativen Werte in diesem Vektor zu behalten, also die Werte, die sich auf die Veränderung beziehen, die es zu erkennen versucht – in diesem Fall, ob Wolken vorhanden sind oder nicht."

Ein Teil des RaVÆn-Modells, das zur Komprimierung verwendet wird, wurde am Boden trainiert. Projektleiter, Professor Andrew Markham, sieht große Chancen: "Maschinelles Lernen hat ein enormes Potenzial für die Verbesserung der Fernerkundung – die Fähigkeit, so viel Intelligenz wie möglich in Satelliten zu integrieren, wird die weltraumgestützte Sensorik zunehmend autonom machen. Dies würde dazu beitragen, die Probleme zu überwinden, die durch die Verzögerung zwischen Erfassung und Aktion entstehen, indem der Satellit aus den Daten an Bord lernt. Die Arbeit von Vít ist ein interessanter Machbarkeitsnachweis."

Solche Satelliten werden aufgrund der Latenzzeit, die bis zu zwei Tage betragen kann, besonders wichtig sein. Ein ML-getriebener Satellit würde hier eine deutliche Verkürzung der Reaktionszeit bringen. Dies scheint aber erst der Anfang zu sein. Die Auswertung von Wettersatelliten in Echtzeit wäre bestimmt ein solcher Fortschritt und würde die zeitliche Auflösung der Wettermodelle erhöhen. Ob das tatsächlich so kommt, wird sich zeigen. Wer das Paper lesen möchte, es ist hier als Preprint verfügbar.

AngebotBestseller Nr. 1
JUMMICO Höhenverstellbarer Schreibtisch 120 x 60 cm, USB-A-Anschluss | Schreibtisch Höhenverstellbar Elektrisch...
  • Gesundes Arbeiten im Büro: Das stundenlange Sitzen können zu Rücken- und Nackenproblemen führen. Mit...
  • Elektrische Höhenverstellung: Das JUMMICO-Stehpult lässt sich per Knopfdruck einfach in der Höhe...
  • Stabile Konstruktion: Der höhenverstellbare JUMMICO-Stehtisch wird von einem robusten Metallrahmen mit...
AngebotBestseller Nr. 2
ErGear Elektrischer Stehschreibtisch 140x70 cm, 4 Speicher, Splice-Board | Höhenverstellung 72-118 cm, 80 kg...
  • Individuelle ergonomische Höhe: 72-118 cm – Mit einem sanften elektrischen Hubsystem und einem...
  • Erhöhte Stabilität und Sicherheit – Unser Stehschreibtisch ist für bis zu 80 kg ausgelegt und nutzt...
  • Stilvoller und organisierter Arbeitsplatz – Mit einer Größe von 140 x 70 cm bietet unsere geräumige...
AngebotBestseller Nr. 3
HUANUO höhenverstellbarer Schreibtisch 80x48cm mit 4 Memory-Steuerung | Elektrischer Antrieb, stabiler Rahmen...
  • Breiter Höhenverstellbereich: Mit einem Höhenbereich von 72 bis 118 können Sie ganz einfach zwischen...
  • Praktische Speichervorgaben: Mit vier programmierbaren Höheneinstellungen können Sie über das...
  • Multifunktionaler Stehpult: Dieser moderne stilvolle elektrische Stehpult passt zu allen...

Hinweis: Dieser Artikel enthält Affiliate-Links. Kauft ihr darüber ein, erhalten wir eine kleine Provision - ohne Aufpreis für euch und ohne Einfluss auf unsere redaktionelle Meinung.

Fehler im Artikel entdeckt? Hier melden.
Avatar-Foto

Als ehrenamtlicher First-Level-Support und quasi Apple-Jünger, der gerne seine Lebenszeit in Tech-Blogs verbrennt, stehe ich auch gerne für hitzige Diskussionen zur Verfügung.

3 Kommentare

  1. „Ein ML-getriebener Satellit würde hier eine deutliche Verkürzung der Reaktionszeit bringen.“

    Halte ich für wenig überzeugend:
    Die Mustererkennung sollte (near) RT stattfinden, für das Mustertraining sind 2 Tage Verzögerung hingegen Peanuts. Es werden also teure/knappe Ressourcen für Lernen fehlalloziert, statt dass sie das Lernen auf die Erde ‚outsourcen‘ und den Satelliten auf tatsächliche Erkennung (unter Anwendung der auf der Erde ‚erlernten‘ Muster) optimieren.

    Wirklich notwendig wird allgestütztes ML erst für Marsmissionen o.Ä., d.h. wenn die Latenz deutlich grösser wird. Damit verargumentieren sie es aber nicht.

  2. Sind 1300 Bilder zum Trainieren nicht viel zu wenig?

    Damit wird man kaum die richtigen Gewichtungen im neuronalen Netzwerk setzen können. Zudem kann ein 128 dimensionaler Vektor kaum ein Bild repräsentieren. Stable Diffusion mit seinen extrem komprimierten Latent Space verwendet pro 512×512 Pixel Bild eine 4x64x64 Matrix.

    • @FranzDie Forscher verwendeten „Few-Shot Learning“, um Modelle mit begrenzten Beispielen zu trainieren, indem sie Muster und Informationen extrahierten. Die Herausforderung lag im effektiven Erfassen und Nutzen dieser Informationen.

      Die Wahl von 128-dimensionalen Vektoren zur Darstellung von Bilddaten entspricht den Projektanforderungen. Es geht nicht um perfekte Bildreproduktion, sondern um das Erkennen von Wolkendeckenveränderungen. Diese vereinfachte Darstellung genügt, um notwendige Informationen zu extrahieren, ohne Komplexität einzuführen.

Moin! Lass uns respektvoll diskutieren.

Wir freuen uns auf sachliche, konstruktive und gerne humorvolle Beiträge. Da wir hier wie mit real anwesenden Personen umgehen möchten, löschen wir Kommentare, die nur herabwürdigen oder völlig am Thema vorbeigehen. Ein Recht auf Veröffentlichung besteht nicht. Mit dem Absenden stimmst du unserer Datenschutzerklärung und der Speicherung deiner Daten zu.