Ditt kreditkortsföretag kontaktar dig och frågar om du har köpt något från en återförsäljare som du normalt inte är förmyndare eller spenderat mer än vanligt. En människa identifierade inte den atypiska transaktionen. En dator – utrustad med avancerade algoritmer – taggade det potentiellt bedrägliga köpet och utlöste förfrågan.

Forskare vid NASA:s Goddard Space Flight Center i Greenbelt, Maryland, tror att forskare och ingenjörer kan dra nytta av samma teknik, kallas ofta för maskininlärning eller neurala nätverk.

Betraktas som en delmängd av artificiell intelligens, maskininlärning och neurala nätverk är faktiskt i avantgardet. Istället för att programmera en dator för att utföra alla uppgifter den behöver göra, Filosofin bakom maskininlärning är att utrusta mark- eller rymdbaserade datorprocessorer med algoritmer som som människor, lära av data, hitta och känna igen mönster och trender, men snabbare, mer exakt, och utan partiskhet.

Stort utbud av applikationer

"Fördelarna är många och applikationerna är omfattande, " sa Goddard Senior Fellow och biträdande teknikchef Jacqueline Le Moigne, som har arbetat med artificiell intelligens sedan hennes forskarskoletid i Frankrike för flera år sedan.

"Forskare kan använda maskininlärning för att analysera petabyte av data som NASA redan har samlat in under åren, utvinna nya mönster och nya samband och så småningom leda till nya vetenskapliga upptäckter, " sa hon. "Det kan också hjälpa oss att övervaka hälsan hos en rymdfarkost, undvika och återhämta sig från katastrofala misslyckanden, och förhindra kollisioner. Det kan till och med hjälpa ingenjörer, tillhandahålla ett brett utbud av kunskap om tidigare uppdrag – information de skulle behöva för att utforma nya uppdrag."

Med finansiering från flera NASA-forskningsprogram, inklusive Earth Science Technology Office, eller ESTO, Goddards ingenjörer och forskare undersöker några av dessa applikationer individuellt eller i partnerskap med akademi och privat industri. Deras projekt sträcker sig över hela skalan, allt från hur maskininlärning kan hjälpa till att göra skördeprognoser i realtid eller lokalisera skogsbränder och översvämningar till att identifiera instrumentavvikelser och till och med lämpliga landningsplatser för en robotfarkost.

"Människor hör artificiell intelligens och deras sinnen går omedelbart till science fiction med maskiner som tar över, men egentligen är det bara ytterligare ett verktyg i vår dataanalysverktygslåda och definitivt ett som vi inte bör försumma på grund av förutfattade meningar, sa James MacKinnon, en Goddard dataingenjör som är involverad i flera projekt som involverar artificiell intelligens.

Hitta bränder

Sedan han började med Goddard för ett par år sedan, MacKinnon har framstått som en av teknikens mest inbitna mästare. Ett av de första projekten han tog itu med var att lära ut algoritmer hur man identifierar skogsbränder med hjälp av fjärravkänningsbilder som samlats in av Terra-rymdfarkostens instrument för Moderate Resolution Imaging Spectroradiometer. Hans neurala nätverk upptäckt bränder exakt 99 procent av tiden. Han har sedan dess utökat forskningen till att omfatta data som samlats in av Joint Polar Satellite Systems Visible Infrared Imaging Radiometer Suite.

Hans dröm är att i slutändan distribuera en konstellation av CubeSats, alla utrustade med maskininlärningsalgoritmer inbäddade i sensorer. Med en sådan förmåga, sensorerna kunde identifiera skogsbränder och skicka tillbaka data till jorden i realtid, förse brandmän och andra med aktuell information som dramatiskt kan förbättra brandbekämpningsinsatserna. "Nyckeln här är att bearbeta data ombord, inte bara för skogsbränder utan för översvämningar. Det finns många saker du kan göra med denna förmåga, " han sa.

Han utvecklar också maskininlärningstekniker för att identifiera störningar i enstaka händelser i rymdburna elektroniska enheter, vilket kan resultera i dataavvikelser, och sammanställa ett bibliotek med datormodeller för maskininlärning, verktyg för att generera datauppsättningar, och visualiseringshjälpmedel för att göra det lättare för andra att använda maskininlärningstekniker för sina uppdrag, han sa.

"En stor del av min tid har gått åt till att övertyga forskare om att det här är giltiga metoder för att analysera de enorma mängder data vi genererar, " han sa.

Skär genom bruset

Goddard-forskaren Matt McGill behöver inte övertygas. En expert på lidartekniker för att mäta moln och de små partiklarna som utgör dis, damm, luftföroreningar och rök, McGill samarbetar med Slingshot Aerospace. Detta Kalifornien-baserade företag utvecklar plattformar som hämtar data från många typer av sensorer och använder maskininlärningsalgoritmer för att extrahera information.

Under den ESTO-finansierade insatsen, McGill förser Slingshot med data som han samlat in med Cloud-Aerosol Transport System, eller KATTER, instrument, som gick i pension i slutet av förra året efter att ha tillbringat 33 månader ombord på den internationella rymdstationen. Där, CATS mätte den vertikala strukturen av moln och aerosoler, som uppstår naturligt under vulkanutbrott och dammstormar eller antropogent genom förbränning av olja, kol, och trä. En Slingshot-utvecklad maskininlärningsalgoritm intar den data så att den kan lära sig och slutligen börja känna igen mönster, trender, och händelser som är svåra att fånga med standardiserade bearbetningsalgoritmer.

McGill är särskilt intresserad av att se om maskininlärningstekniker kan filtrera bort det brus som är vanligt vid lidarmätningar. Även om människor redan tar bort buller från data, nuvarande tekniker är tidskrävande och kan ta dagar att genomföra – motsatsen till målet att distribuera intelligens i realtid. "Tanken är att algoritmer, en gång tränad, kan känna igen signaler i timmar snarare än dagar, " sa McGill.

Lika viktigt, åtminstone för McGill, är behovet av att miniatyrisera CATS-liknande lidarsystem. Medan CATS var ungefär lika stort som ett kylskåp, framtida system måste vara mycket mindre, kan flyga på en konstellation av SmallSats för att samla in samtidigt, flerpunktsmätningar. Dock, när instrumenten blir mindre, data kan potentiellt vara bullrigare på grund av mindre insamlingsöppningar, McGill förklarade. "Vi måste bli smartare i hur vi analyserar vår data och vi måste utveckla förmågan att generera riktiga dataprodukter i realtid."

Delfin strandning

Att bli smartare i dataanalys driver också Goddard-heliofysikern Antti Pulkkinen och ingenjören Ron Zellar.

För ett par år sedan, Pulkkinen började undersöka om solstormar orsakade annars friska valar, delfiner, och tumlare - gemensamt kända som valar - att stranda längs kustområden över hela världen. Även om han och hans team inte hittade någon korrelation, de hittade en koppling mellan strandningshändelser i Cape Cod, Massachusetts, och vindstyrka.

Är det möjligt att starka vindar, som inträffar under vintermånaderna när delfiner är mer benägna att stranda, röra om havets växtplankton och andra näringsämnen som matar fisk? Följer delfinerna helt enkelt sin matkälla? "Vi kan inte anta ett orsakssamband, sa Zellar, WHO, när du inte arbetar med det här projektet, fungerar som en mission-systems engineer på Origins, Spektral tolkning, Resursidentifiering, Säkerhet-Regolith Explorer, eller OSIRIS-REx, uppdrag. "Det är vad vi försöker hitta."

Med finansiering från Goddard Fellows Innovation Challenge, ett program som finansierar utvecklingen av potentiellt revolutionerande teknologier, teamet tillämpar maskininlärningstekniker för att fördjupa sig djupare i miljödata för att se om de kan bevisa en orsak.

Klippning av navelsträngen

I november, OSIRIS-REx-uppdraget är planerat att påbörja en serie komplexa manövrar som tar farkosten närmare asteroiden Bennu så att den kan börja karakterisera kroppen och ta bilder som kommer att informera om den bästa platsen för att samla in ett prov och returnera det till jorden för analys . Detta kommer att kräva tusentals högupplösta bilder tagna från olika vinklar och sedan bearbetade manuellt av ett team av experter på marken.

Forskare vill förenkla och påskynda handläggningstiden. Under en NASA-finansierad forskningssatsning som involverar Goddard-forskare, Dante Lauretta, en professor vid University of Arizona och OSIRIS-REx huvudutredare, och Chris Adami, en maskininlärningsexpert vid Michigan State University, ett team undersöker potentialen hos nätverksbaserade algoritmer. Målet är att lära inbyggda sensorer att bearbeta bilder och bestämma en asteroids form och egenskaper – information som behövs för att autonomt navigera i och runt en asteroid och fatta beslut om var man säkert ska ta prover.

"Poängen är att klippa beräkningsnavelsträngen tillbaka till jorden, sa Bill Cutlip, en Goddard senior affärsutvecklingschef och teammedlem. "Vad vi försöker göra är att träna en algoritm för att förstå vad den ser, efterlikna hur den mänskliga hjärnan bearbetar information."

En sådan förmåga skulle inte bara gynna framtida uppdrag till asteroider, men också de till Mars och de isiga månarna Jupiter och Saturnus, han sa. Med framsteg inom fältprogrammerbara grindmatriser eller kretsar som kan programmeras för att utföra en specifik uppgift och grafikbearbetningsenheter, potentialen är svindlande, han lade till.