एआय व्हेल इशारे संशोधनातून फेरी संचालनात येत आहेत

सॅन फ्रान्सिस्को बे कार्यरत फेर्यांवर एआय-आधारित व्हेल इशाऱ्यांची चाचणी घेत आहे

सॅन फ्रान्सिस्को बेमध्ये, प्रवासी फेरीवर बसवलेला एक टॅब्लेट काही वर्षांपूर्वी विचित्र वाटला असता असे काम करत आहे: व्हेल पुढे आहेत तेव्हा कर्मचाऱ्यांना इशारा देणे. प्रणालीला एखादी व्हेल आढळताच, कॅप्टनला गती कमी करण्यासाठी किंवा मार्ग बदलण्यासाठी पुरेसा लवकर अलर्ट पाठवला जातो. हा एका नवीन पायलटचा पाया आहे, जो प्रदेशातील सर्वात कठीण पर्यावरणीय धडकांपैकी एकाकडे लक्ष देतो, म्हणजे व्हेल स्थलांतर आणि दाट व्यावसायिक वाहतूक यांच्यातील वाढता overlap.

पुरवलेल्या स्रोत मजकुरात वर्णन केलेला हा प्रकल्प, लागू AI मधील एक व्यावहारिक वळण दर्शवतो. सार्वत्रिक मोठ्या breakthrough चा पाठलाग करण्याऐवजी, ही प्रणाली तातडीच्या परिणामांसह असलेल्या एका अरुंद operational कामावर आधारित आहे: एखाद्या जहाजाची व्हेलशी टक्कर होण्याची शक्यता कमी करणे. हवामानामुळे बदलत असलेल्या पर्यावरणीय परिस्थितींमुळे अधिक ग्रे व्हेल्स खाडीत येत असताना, अशा लक्ष्यित इशारा प्रणालीमुळे मोठ्या नियामक किंवा पायाभूत बदलांची वाट न पाहता AI संवर्धनाला कशी मदत करू शकते याचा नमुना तयार होऊ शकतो.

जोखीम का वाढली आहे

पायलटमध्ये सहभागी संशोधकांच्या मते, ग्रे व्हेल्स पूर्वी खाडीत फारच दुर्मिळ होत्या, पण हवामान बदलामुळे समुद्री अन्नस्रोत बदलत असल्याने ते बदलत आहे. अलास्काहून मेक्सिकोपर्यंतच्या दीर्घ स्थलांतरादरम्यान ही प्राणी आता अधिकाधिक या भागात थांबू लागली आहेत. मात्र ही खाडी सुरक्षित थांबा नाही. येथे कार्गो शिप्स, क्रूझ शिप्स, तेल टँकर्स, फेर्या आणि इतर जहाजे यांची गर्दी आहे, ज्यामुळे समुद्री जीव या प्रदेशातील सर्वात गजबजलेल्या वाहतूक मार्गांपैकी एकामध्ये दडपले जात आहेत.

स्रोत मजकुरानुसार, गेल्या वर्षी खाडीत 21 व्हेल्स मृत्युमुखी पडल्या आणि त्यापैकी 40% मृत्यूंचे कारण जहाज धडक होते. त्यामुळे हा प्रश्न पर्यावरणीयही आहे आणि ऑपरेशनलही. फेरी कर्मचारी आणि व्यावसायिक ऑपरेटर आता फक्त हवामान आणि वाहतुकीतून मार्ग काढत नाहीत. ते अधिकाधिक मोठ्या समुद्री सस्तन प्राण्यांसह तेच मार्ग शेअर करत आहेत, ज्यांची उपस्थिती अंदाज करणे कठीण आणि वेळेत पाहणे आणखी कठीण आहे, विशेषतः रात्री किंवा धुक्यात.

युनिव्हर्सिटी ऑफ कॅलिफोर्निया सॅंटा बार्बराच्या बेनिऑफ ओशन सायन्स लॅबमधील रॅचेल रोड्स यांनी स्रोत मजकुरात ही परिस्थिती थेट शब्दांत “recipe for disaster” अशी वर्णन केली. लहान भौतिक जागा आणि जड जहाजवाहतूक यामुळे टक्कर धोका हा भविष्यातील अमूर्त प्रश्न नाही. तो आधीच व्हेल मृत्यूस कारणीभूत ठरणारा मोजता येण्याजोगा स्रोत आहे.

डिटेक्शन प्रणाली कशी काम करते

हा पायलट अनेक सेन्सिंग आणि पडताळणी स्तर एकत्र आणतो. बेनिऑफ ओशन सायन्स लॅब चालवत असलेले WhaleSafe, कळवलेल्या व्हेल sighting चा मागोवा घेऊन जहाजांना अलर्ट देण्यात मदत करते. दक्षिण कॅलिफोर्नियामध्ये, गटाने ध्वनीवरून व्हेल ओळखणारे acoustic buoys यांसह इतर साधनांचीही चाचणी केली आहे. पण स्रोत मजकुरात नमूद केले आहे की ग्रे व्हेल्स फारशा आवाजात नसतात, त्यामुळे या उपयोगासाठी acoustic monitoring मर्यादित ठरते.

सॅन फ्रान्सिस्को बे साठी, भागीदारांनी थर्मल कॅमेरे निवडले. हे कॅमेरे व्हेल पृष्ठभागावर आली की तिच्या श्वासातील उष्णतेचा ठसा ओळखू शकतात. प्रणालीच्या मागे असलेले WhaleSpotter हे स्टार्टअप त्या थर्मल प्रतिमा विश्लेषित करण्यासाठी AI वापरते. त्यानंतर जगभरातील तज्ज्ञांचे नेटवर्क प्रत्येक व्हेल sighting रिअल टाइममध्ये पुष्टी करते आणि मगच अलर्ट पाठवला जातो.

ही workflow महत्त्वाची आहे. ती दाखवते की ही केवळ एक automated vision model नाही जी अनियंत्रित safety decisions घेत आहे. AI जलद image analysis करते, पण detections पडताळण्यासाठी मानवी तज्ज्ञ अजूनही प्रक्रियेत असतात. खोटे positive आणि खोटे negative दोन्हीचे खर्च असलेल्या operational settings मध्ये, पूर्ण automation पेक्षा अशी hybrid रचना अधिक वास्तववादी ठरते.

स्रोत मजकुरानुसार, थर्मल प्रणाली व्हेल्सना चार nautical miles आधी ओळखू शकते. WhaleSpotter CEO Shawn Henry यांनी सांगितले की, जहाजाच्या danger zone च्या पुरेसा पुढे व्हेल दिसणे हा उद्देश आहे, जेणेकरून कॅप्टन सुधारात्मक कृती करू शकेल. प्रत्यक्षात, तंत्रज्ञान कर्मचाऱ्यांना वेळ मिळवून देण्याचा प्रयत्न करत आहे, आणि टक्कर टाळताना वेळ हा बहुधा सर्वात मौल्यवान संसाधन असतो.

फेरी ऑपरेटर आतापर्यंत काय पाहत आहेत

पायलट दोन ठिकाणी कॅमेरे वापरत आहे, त्यापैकी एक अशा फेरीवर आहे जिथे व्हेल हंगामात आधीच एक human lookout होता. त्यामुळे प्रशिक्षित निरीक्षण आणि instrument-assisted detection यांची थेट तुलना शक्य होते. स्रोत मजकुरातील सुरुवातीचा संकेत असा आहे की थर्मल प्रणाली काहीवेळा crew ला डोळ्यांनी किंवा binoculars ने दिसण्यापूर्वीच व्हेल ओळखू शकते.

San Francisco Bay Ferry चे operations director Thomas Hall यांनी स्रोत मजकुरात सांगितले की, alert अनेकदा board वरील लोकांनी स्वतः sighting केले असते त्याच्या अगदी आधी आले आहेत. ही छोटीशी आघाडी चालत्या जहाजावर routine speed adjustment आणि तातडीच्या evasive maneuver यामध्ये फरक निर्माण करू शकते.

ही प्रणाली मानवी निरीक्षणाला सर्वाधिक अडचण येते अशा परिस्थितींमध्येही काम करते. ती रात्री आणि दाट धुक्यात कार्य करते, जेव्हा अनुभवी lookouts देखील पृष्ठभागावर आलेल्या प्राण्यांना चुकवू शकतात. टॅब्लेट interface व्हेलची स्थिती रडारवर दाखवते, क्षणभंगुर दृश्य संकेताला वापरता येण्याजोग्या navigational input मध्ये रूपांतरित करते. हा सूक्ष्म पण महत्त्वाचा टप्पा आहे: साधन फक्त जवळ कुठेतरी व्हेल आहे असे सांगत नाही, तर underway असताना crew वापरू शकेल अशा स्वरूपात detection चे रूपांतर करते.

AI deployment चा वेगळा प्रकार

हा पायलट केवळ संवर्धन उद्देशामुळेच उल्लेखनीय नाही. तो AI deployment च्या स्वरूपामुळेही महत्त्वाचा आहे. AI विषयीच्या अनेक सार्वजनिक चर्चा अजूनही chatbots, image generation, आणि autonomy बद्दलच्या व्यापक दाव्यांवर केंद्रित आहेत. हा प्रकल्प अधिक अरुंद आणि grounded आहे. तो sensors, human verification, आणि स्पष्ट decision pathway सोबत machine analysis वापरतो. यशाचे मोजमापही तितकेच ठोस आहे: जहाजे आणि व्हेल्समधील कमी टक्कर.

याचा अर्थ प्रणाली सोपी आहे असे नाही. ती थर्मल imaging, मजबूत alerting, expert review, आणि operator trust यावर अवलंबून आहे. पण हे आठवण करून देते की AI चे काही सर्वात महत्त्वाचे उपयोग standalone consumer products पेक्षा भौतिक पायाभूत सुविधांना जोडलेल्या माफक interfaces मधून येऊ शकतात. एका फेरी कॅप्टनला general-purpose assistant नको. कॅप्टनला समोरच असलेल्या मोठ्या आणि संवेदनशील गोष्टीबद्दल आधीच मिळालेला इशारा हवा.

पुढे काय

हा पायलट किमान दोन वर्षे चालेल अशी अपेक्षा आहे, ज्यामुळे संशोधक आणि ऑपरेटरना विविध ऋतू आणि परिस्थितींमध्ये प्रणाली कशी काम करते हे मूल्यांकन करण्यासाठी वेळ मिळेल. हा कालावधी सूचित करतो की प्रयत्न अजूनही evidence-gathering टप्प्यात आहे, पूर्ण deployment नाही. तरीही, डिझाईन इतर व्यस्त किनारी मार्गांसाठीही वाढवता येईल अशा scalable model कडे निर्देश करते, जिथे marine mammal traffic commercial shipping सोबत ओव्हरलॅप होते.

जर प्रणाली विश्वासार्ह ठरली, तर ती whale protection च्या व्यापक toolkit ला बळकटी देऊ शकते, ज्यात आधीच reported sightings आणि इतर प्रदेशांमधील acoustic monitoring यांचा समावेश आहे. लक्ष्य प्रजाती शांत असतील, visibility कमी असेल, आणि vessel density जास्त असेल अशा ठिकाणी thermal detection विशेषतः उपयुक्त ठरू शकते.

San Francisco Bay pilot व्हेल्सना अधिक धोकादायक वातावरणात ढकलणाऱ्या मोठ्या climate pressures चे निराकरण करत नाही. मात्र, एक विशिष्ट operational problem काळजीपूर्वक मर्यादित technical system ने कसा हाताळता येतो हे तो दाखवतो. त्या अर्थाने, हा प्रकल्प wild मधील AI चे एक व्यावहारिक उदाहरण म्हणून उभा राहतो: मानवी निर्णयाची जागा घेणे नव्हे, तर गर्दीच्या आणि बदलत्या वातावरणात हानी कमी करण्यासाठी तो थोडा विस्तारणे.

हा लेख Fast Company च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.