• علماء كاوست يطورون مجموعات بيانات اصطناعية في غياب البيانات الحقيقية للتنبؤ بكيفية انتشار التسربات النفطية في المحيط 

• طورت جامعة الملك عبد الله للعلوم والتقنية ( كاوست) وشركة سارسات إكس (SARsatX)، وهي شركة سعودية متخصصة في تقنيات رصد الأرض وتهدف إلى دمج الذكاء الاصطناعي في مراقبة البيئة، طورت بيانات مولدة بالحاسب الآلي لتدريب نماذج التعلم العميق على التنبؤ بتسرب النفط. ويعد التحقق من صحة استخدام البيانات الاصطناعية (الافتراضية) أمرًا بالغ الأهمية لمراقبة الكوارث البيئية، حيث يؤدي الرصد المبكر والاستجابة السريعة إلى تقليل أخطار الأضرار البيئية بشكل كبير. 

وتعليقاً على ذلك، قال البروفيسور ماثيو مكابي، عميد قسم العلوم والهندسة البيولوجية والبيئية في كاوست، والمؤسس المشارك لشركة  SARsatX، أيضًا المؤلف المشارك لهذه الدراسة "أحد أكبر التحديات في التطبيقات البيئية للذكاء الاصطناعي هو نقص البيانات التدريبية عالية الجودة. وكان حلنا لهذه المعضلة هو استخدام التعلم العميق لإنشاء بيانات اصطناعية (افتراضية) من عينة صغيرة جداً من البيانات الحقيقية وتدريب نماذج الذكاء الاصطناعي التنبؤية على ذلك". 

استخدم ماكابي وزملاؤه طريقة تعلم عميق تُعرف باسم الشبكات التنافسية التوليدية (GANs) لإنشاء بيانات جديدة تحاكي مجموعة التدريب. عادةً ما يتم الكشف عن التسربات النفطية باستخدام صور الرادار ذي الفتحة الاصطناعية  (SAR)، ولكن في هذه الصور، تشبه البقع النفطية سطح المحيط الهادئ أو الأغشية العضوية الطبيعية، مما يجعل من الصعب تمييزها. 

باستخدام خبرة SARsatX المعرفية والتشغيلية في الرصد البيئي، بدأ الباحثون بـ 17 صورة فقط من صور الرادار ذي الفتحة الاصطناعية لإنشاء مجموعة بيانات افتراضية تضم أكثر من 2000 صورة. واستخدمت هذه الصور لتدريب نموذج تعلم عميق ثانٍ يُعرف باسم شبكة الانتباه المتعدد (MANet)، المصمم لاستخراج وتصنيف الأنماط الدقيقة في الصور المعقدة. 

أثبت الباحثون أنه عند التدريب حصريًا باستخدام مجموعة البيانات الاصطناعية التي تم إنشاؤها بواسطة  GAN، يمكن لنموذج MANet تحديد حوالي 75٪ من المساحة المغطاة بالنفط بشكل صحيح، وهو ما يطابق دقة الطرق المماثلة التي تم تدريبها باستخدام مجموعات أكبر بكثير من الصور. تظهر هذه النتيجة أنه يمكن تطوير نماذج الذكاء الاصطناعي والتحقق من صحتها دون الحاجة إلى كميات كبيرة من صور التسرب في العالم الحقيقي. 

ويمكن أن يعزز هذا النهج بشكل كبير جهود حماية البيئة البحرية من خلال تمكين مراقبة أسرع وأكثر موثوقية للتسربات النفطية مع تقليل التحديات اللوجستية والبيئية المرتبطة بجمع البيانات. 

وقال بيتر شولت، مؤلف مشارك آخر ورئيس قسم الهندسة في شركة  SARsatX " باستخدام طريقة تعلم عميق واحدة لإنشاء البيانات وأخرى لتفسيرها، أظهرت هذه الدراسة أن الذكاء الاصطناعي يمكن أن يتعلم بشكل فعال من الأمثلة الاصطناعية. ويوضح هذا النهج أنه يمكن تدريب نماذج الذكاء الاصطناعي للتطبيقات البيئية دون انتظار وقوع كوارث حقيقية".