TensorFlow нь хиймэл оюун ухааны загваруудыг хөгжүүлэх, хэрэгжүүлэх хүчирхэг, олон талт платформоор хангаснаар MBARI-ийн эрдэмтэдтэй хамтран Даниэлийн төсөлд чухал үүрэг гүйцэтгэсэн. Google-ийн боловсруулсан нээлттэй эхийн машин сургалтын систем болох TensorFlow нь өргөн хүрээний функцууд, ашиглахад хялбар байдгаараа хиймэл оюун ухааны нийгэмлэгт ихээхэн алдартай болсон.
Даниелийн төсөлд TensorFlow-ийг далайгаас цуглуулсан асар их хэмжээний акустик өгөгдөлд дүн шинжилгээ хийх, боловсруулахад ашигласан. MBARI-ийн эрдэмтэд далайн амьтдын зан төлөв, тархалтын талаархи ойлголттой болохын тулд далайн орчны дуу чимээг судлах сонирхолтой байв. TensorFlow-ийг ашигласнаар Даниел далайн янз бүрийн төрлийн дуу чимээг ангилж, таних чадвартай машин сургалтын нарийн загваруудыг бүтээж чадсан.
TensorFlow-ийн гол онцлогуудын нэг бол том өгөгдлийн багцыг үр дүнтэй зохицуулах чадвар юм. Даниелийн төсөлд TensorFlow нь түүнд түүхий акустик өгөгдлийг урьдчилан боловсруулж, цэвэрлэж, дүн шинжилгээ хийхэд саад учруулж болзошгүй дуу чимээ, олдворуудыг арилгах боломжийг олгосон. TensorFlow-ийн өгөгдлийг нэмэгдүүлэх, хэвийн болгох зэрэг уян хатан өгөгдөл боловсруулах чадвар нь Даниелд өгөгдлийн багцын чанарыг сайжруулж, илүү үнэн зөв, найдвартай үр дүнг баталгаажуулах боломжийг олгосон.
Цаашилбал, TensorFlow-ийн гүнзгий суралцах чадвар Даниелийн төсөлд чухал үүрэг гүйцэтгэсэн. Машин сургалтын дэд салбар болох гүнзгий суралцах нь нарийн төвөгтэй өгөгдлөөс утга учиртай хэв маяг, онцлогуудыг гаргаж авахын тулд олон давхарга бүхий мэдрэлийн сүлжээг сургахад чиглэдэг. TensorFlow-ийн гүнзгий суралцах функцуудыг ашигласнаар Даниел акустик өгөгдлийн нарийн төвөгтэй хэв маягийг автоматаар сурч, таних боломжтой гүн мэдрэлийн сүлжээг зохион бүтээх, сургах боломжтой болсон.
TensorFlow-ийн урьдчилж бэлтгэгдсэн загваруудын өргөн хүрээний цуглуулга нь Даниелийн төсөлд үнэлж баршгүй зүйл болох нь батлагдсан. Том хэмжээний өгөгдлийн багц дээр бэлтгэгдсэн эдгээр урьдчилан бэлтгэгдсэн загваруудыг нарийн тааруулж, тодорхой ажлуудад харьцангуй хялбараар тохируулах боломжтой. TensorFlow дээр байгаа урьдчилан бэлтгэгдсэн загваруудыг ашигласнаар Даниел төслөө эхлүүлж, богино хугацаанд гайхалтай үр дүнд хүрч чадсан.
Түүгээр ч барахгүй TensorFlow-ийн дүрслэх хэрэгслүүд Даниелийн төсөлд чухал үүрэг гүйцэтгэсэн. TensorFlow нь хэрэглэгчдэд загварынхаа дотоод үйл ажиллагааны талаар ойлголттой болох боломжийг олгодог олон төрлийн дүрслэх арга техникийг санал болгодог. Мэдрэлийн сүлжээнүүдийн сурсан шинж чанарууд болон завсрын дүрслэлийг дүрслэн үзүүлснээр Даниел акустик өгөгдлийн үндсэн хэв маягийг тайлбарлаж, ойлгож, цаашдын шинжилгээ, хайгуулыг хөнгөвчлөх боломжтой болсон.
TensorFlow нь AI загваруудыг хөгжүүлэх, хэрэгжүүлэх цогц бөгөөд хүчирхэг тогтолцоог бүрдүүлж, MBARI-ийн эрдэмтэдтэй хамтран Даниел төслийн гол үүрэг гүйцэтгэсэн. Их хэмжээний өгөгдлийн багцтай ажиллах, гүнзгий суралцахад дэмжлэг үзүүлэх, урьдчилан бэлтгэсэн загваруудыг санал болгох, дүрслэх хэрэгслээр хангах чадвар нь түүнийг далайгаас цуглуулсан акустик өгөгдөлд дүн шинжилгээ хийх, боловсруулахад хамгийн тохиромжтой сонголт болгосон. TensorFlow-ийн олон талт байдал, ашиглахад хялбар байдал нь Даниелын дуу чимээний тэнгисийн нууцыг тайлах эрэл хайгуулд үнэлж баршгүй хөрөнгө болгосон.
Сүүлийн үеийн бусад асуулт, хариулт Даниел ба дууны далай:
- Багийнхан халимны дуудлагын спектрограммд дүн шинжилгээ хийснээр ямар ойлголттой болсон бэ?
- Даниелийн программ хангамж цэнхэр халимны бичлэгт хэрхэн дүн шинжилгээ хийсэн бэ?
- Даниелийн хөгжмийн суурь нь түүний дуу авиа, инженерчлэлийн ажилд хэрхэн хувь нэмэр оруулсан бэ?
- Даниел ахлах сургуулиа төгсөөд инженерийн мэргэжлээр суралцахад юу нөлөөлсөн бэ?