ประสบการณ์การฟังที่ดีที่สุดอยู่บน Chrome, Firefox หรือ Safari สมัครรับเสียงสัมภาษณ์ประจำวันของ Federal Drive ใน Apple Podcasts หรือ PodcastOneปัญญาประดิษฐ์กำลังมาถึงแนวทางที่ National Oceanic and Atmospheric Administration ตรวจสอบประชากรของสัตว์ใกล้สูญพันธุ์ในบริเวณขั้วโลก ซึ่งรวมถึงวาฬเบลูก้า แมวน้ำน้ำแข็ง และหมีขั้วโลก พวกเขาทำจากเครื่องบินเทอร์โบที่ติดตั้งกล้อง พวกเขามาเป็นพันธมิตรกับ Microsoft
ได้อย่างไรนั้นเป็นเรื่องราวในตัวเอง สำหรับข้อมูลเพิ่มเติม
Federal Drive กับ Tom Temi nได้ยินจาก Dan Morris นักวิทยาศาสตร์หลักการของ Microsoft กับโปรแกรม AI for Earth เอเจนซีจะบรรลุประสบการณ์ลูกค้าที่ยอดเยี่ยมด้วยความปลอดภัยทางไซเบอร์ที่ได้รับการปรับปรุงได้อย่างไร ในระหว่างการสัมมนาผ่านเว็บสุดพิเศษนี้ Jason Miller ผู้ดำเนินรายการจะหารือเกี่ยวกับการเปลี่ยนแปลงสู่ระบบคลาวด์และกลยุทธ์การจัดการข้อมูลประจำตัวและการเข้าถึงกับหน่วยงานและผู้นำในอุตสาหกรรม
ทอม เทมิน: แดน ดีใจที่มีคุณมาร่วมรายการแดน มอร์ริส: ดีที่ได้มาที่นี่ทอม เทมิน; ดังนั้นบอกเราเกี่ยวกับโปรแกรม AI for Earth ที่ Microsoft นี่คือสิ่งที่คุณทำงานด้วย ฉันเดาว่ามีหลายหน่วยงานที่ทำการวิจัยประเภทนี้
แดน มอร์ริส: ถูกต้อง ดังนั้น AI for Earth จึงขับเคลื่อนนวัตกรรมที่จุดบรรจบกันของปัญญาประดิษฐ์และความยั่งยืนของสิ่งแวดล้อม เราทำผ่านการให้ทุน และเรายังทำอย่างนั้นผ่านการพัฒนาเทคโนโลยี โดยความร่วมมืออย่างใกล้ชิดกับองค์กรต่างๆ เช่น NOAA การทำงานเกี่ยวกับปัญหาด้านวิทยาศาสตร์สิ่งแวดล้อมที่เราคิดว่าสามารถเร่งความเร็วได้อย่างมากด้วยเครื่องมือคลาวด์และ AI
Tom Temin:แล้วคุณมาเป็นพันธมิตรกับกลุ่ม NOAA ได้อย่างไร?
แดน มอร์ริส: ความร่วมมือครั้งนี้มีเรื่องราวที่น่าสนใจ เพื่อนร่วมงานของฉันที่ Microsoft บังเอิญทำหน้าที่ตัดสินร่วมกับนักวิทยาศาสตร์คนหนึ่งของ NOAA พวกเขาต้องคุยกัน เธอบอกว่าฉันมีภาพแมวน้ำถึงสองล้านภาพ และมันทำให้ฉันคลั่งไคล้ และเพื่อนร่วมงานของฉันที่ Microsoft คิดว่า ฉันพนันได้เลยว่าเราสามารถช่วยให้ชีวิตของคุณง่ายขึ้นด้วย AI นั่นนำไปสู่โครงการเมื่อสองสามปีที่แล้วที่เราเรียกว่าแฮ็กกาธอนหนึ่งสัปดาห์ที่ Microsoft ซึ่งเป็นงานฤดูร้อนครั้งใหญ่ที่พนักงานมักใช้เวลาสองสามวันในวันหยุดเพื่อทำงานในสิ่งที่พวกเขาหลงใหล หลายคนทำงานเกี่ยวกับปัญหาที่เกี่ยวข้องกับวิทยาศาสตร์สิ่งแวดล้อมในช่วงเวลานั้น จากนั้นเราก็สร้างต้นแบบเบื้องต้นเพื่อช่วยให้นักวิทยาศาสตร์ของ NOAA ใช้ AI เพื่อค้นหาแมวน้ำในภาพนับล้านที่พวกเขาถ่าย
Tom Temin:ดังนั้นพวกเขาจะบินข้ามดินแดนที่พวกเขาพยายามจะนับแมวน้ำและได้ภาพกลับมา จากที่ฉันดู สองสามภาพที่คุณเผยแพร่ และคุณไม่สามารถบอกได้ว่าแมวน้ำมาจากอิรัก ดังนั้นโดยพื้นฐานแล้ว พวกเขากำลังดูภาพทีละภาพ และไม่สามารถนับแมวน้ำได้อย่างแม่นยำ นั่นเป็นวิธีที่ยุติธรรมในการระบุลักษณะหรือไม่?
แดน มอร์ริส: ถูกต้อง และในความเป็นจริงมันแย่กว่านั้นอีกเล็กน้อย หากคุณจินตนาการว่ากำลังบินอยู่เหนือชายฝั่งอลาสก้าและเล็งกล้องไปที่พื้น ไม่ใช่แค่แมวน้ำที่หายากเท่านั้น 99.99% ของภาพเหล่านั้นไม่มีอะไรน่าสนใจเลยตรงกลาง มีเพียงภาพของน้ำและน้ำแข็งบนภาพประมาณสองล้านคู่เพื่อค้นหาสิ่งที่เหมือนแมวน้ำหนึ่งพันตัว
Tom Temin: AI เข้ามาในนี้ได้อย่างไร? เพราะอย่างแรกเลย มีรูปภาพอย่างที่คุณพูด ซึ่งไม่มีอะไรในนั้น แต่แม้กระทั่งในภาพที่มีแมวน้ำ พวกมันค่อนข้างยากที่จะมองเห็นจากอากาศ เพราะมันเป็นแค่ก้อนสีดำๆ
แดน มอร์ริส: ถูกต้อง สิ่งหนึ่งที่ NOAA ได้ผลคือพวกเขาไม่ได้ใช้แค่ภาพสี พวกเขายังจับภาพความร้อนด้วย และแมวน้ำก็เย็น แต่พวกมันก็อุ่นกว่าน้ำแข็งมาก ดังนั้น จึงมองเห็นแมวน้ำได้ชัดเจนกว่ามากในภาพถ่ายความร้อนเหล่านั้น จริงๆ เพื่อดูว่าเกิดอะไรขึ้น คุณต้องดูทั้งภาพความร้อนและภาพสี แต่แม้กระทั่งในภาพถ่ายความร้อนเหล่านั้น ยังมีสิ่งอื่นๆ อีกมากมายที่แสดงออกมาว่าอุ่นกว่าน้ำแข็ง และแม้แต่ในภาพถ่ายความร้อนนี้ ที่คุณต้องการให้ตราประทับปรากฏเป็นจุดสว่างที่สวยงามเมื่อเทียบกับน้ำแข็งที่เย็นจัด มีจุดสว่างมากมายและ AI เปิดโอกาสให้เราให้คอมพิวเตอร์ดูจุดสว่างเหล่านั้นทั้งหมดและภาพสี และพยายามช่วยให้พวกเขาทราบว่าจุดใดเป็นแมวน้ำ
ทอม เทมิน:บางทีสิ่งเริ่มต้นที่คอมพิวเตอร์ทำได้อาจตัดภาพภายนอกทั้งหมดที่ไม่มีสิ่งที่น่าสนใจออกไป
แดน มอร์ริส: ถูกต้อง นั่นอาจเป็นสิ่งสำคัญที่สุดที่เราจะทำให้พวกเขาได้ เพราะในกรณีนี้ มันคือ 99.99% ของรูปภาพ ดังนั้น แม้ว่าการเข้าไปข้างในอาจมีประโยชน์ เช่น จำแนกประเภทของตราประทับที่คุณกำลังมองหาในภาพใดภาพหนึ่ง ประโยชน์ที่แท้จริงและการประหยัดเวลาจริงมาจากการกำจัดภาพที่ว่างเปล่าและไม่น่าสนใจเหล่านั้นทั้งหมด
Tom Temin:ในแง่ของการระบุว่าอะไรคือที่สุด ในผนึกสุดท้าย เมื่อฉันนึกถึงปัญญาประดิษฐ์ ฉันนึกถึงซอฟต์แวร์ที่มีการพัฒนาอย่างต่อเนื่องตามที่ได้รับการฝึกฝนและเรียนรู้ ดังนั้น บอกเราเกี่ยวกับแง่มุมของ AI ในการระบุจุดจากจุดผิด
