A Loft Orbital Yam-9 jelű műholdja a földi irányítás közvetlen segítése nélkül találta meg az előre kijelölt, illetve kutatási szempontból érdekes területeket, azzal, hogy fedélzeti mesterségesintelligencia-modellt használt a képek és szenzoradatok értelmezésére. A TechCrunch beszámolója szerint ez lehet az első alkalom, hogy egy látás-nyelv modellt (vision-language model, VLM) alkalmaztak Föld körüli pályán.
Használt rendszerek és módszer
A műholdon a Google DeepMind Gemma 3 nevű modellje futott, amelyet kifejezetten azért fejlesztettek, hogy adatközponti környezettől távol, gyengébb számítási erőforrások mellett is hatékonyan működjön. A Yam-9 a NASA Jet Propulsion Laboratory szoftverével együttműködve azonosította a releváns helyszíneket, és mindehhez csupán természetes nyelvű lekérdezéseket kapott a földről.
A kutatók olyan feladatokat tettek a modellel, mint az érzékelők adataiból történő osztályozás ott, ahol a természetes környezet találkozik az emberi beavatkozással, illetve a vasúti csomópontok körüli infrastruktúra azonosítása. A beszámoló szerint a Gemma 3 a feladatoknak hiánytalanul megfelelt.
Miért jelent ez előrelépést?
A jelenlegi műholdas megfigyelési gyakorlatban a legtöbb adatszolgáltatás nyers formában kerül vissza a földre, ahol emberek vagy gépi tanuló rendszerek elemzik az információt. A fedélzeti VLM-ek használata csökkentheti ezt az adatmennyiséget azáltal, hogy a szenzoroknál már előfeldolgozott, kontextushoz kötött eredményeket küldenek vissza, így hatékonyabbá téve a sávszélesség-kihasználást és a következtetések levonását.
Ezen túlmenően a sikeres próba egy fontos lépés lehet abba az irányba, hogy hosszabb távon az űrben is nagyobb mesterségesintelligencia-infrastruktúra épüljön ki, amely összetettebb, helyben végzett döntéshozatalt és automatizációt tesz lehetővé.
Következtetések
A Yam-9 fedélzetén futó Gemma 3 által végrehajtott feladatok eredményei azt mutatják, hogy a VLM-ek érdemben növelhetik az űrbeli érzékelők hasznosságát, miközben csökkentik a földi elemzési igényt. Ha további tesztek is megerősítik az eredményeket, ez a technológia alapvetően megváltoztathatja, hogyan gyűjtünk és dolgozunk fel adatokkal a Föld körüli pályán.
