Umjetna inteligencija sve se češće koristi za pronalaženje kratera na Mjesecu, ali nova analiza pokazuje da se njezinim rezultatima ne može uvijek vjerovati bez dodatne provjere. Kada su istraživači osam velikih kataloga lunarnih kratera testirali prema istim znanstvenim pravilima, dio rezultata pokazao se mnogo slabijim nego što su sugerirale ranije objavljene brojke.
Starost Mjesečeve površine čita se iz broja kratera
Krateri su jedan od najvažnijih tragova za razumijevanje povijesti Mjeseca. Budući da Mjesec nema atmosferu, oceane, kišu i aktivnu tektoniku poput Zemlje, tragovi udara na njegovoj površini mogu ostati sačuvani vrlo dugo.
Znanstvenici zato broje kratere kako bi procijenili starost pojedinih područja. U osnovi, površina s više kratera obično je starija od površine s manje kratera, jer je dulje bila izložena udarima manjih asteroida i drugih tijela. Kada se uz broj kratera uzmu u obzir njihova veličina, raspored i očekivana učestalost udara, moguće je rekonstruirati dio geološke povijesti Mjeseca i drugih čvrstih svjetova u Sunčevu sustavu.
Zato katalog kratera nije samo popis kružnih oblika na fotografiji. Svaki zapis mora sadržavati točan položaj i promjer kratera, jer upravo ti podaci ulaze u daljnje izračune. Ako je krater pogrešno označen, premješten, udvostručen ili netočno izmjeren, pogrešan može biti i zaključak o starosti površine.
Tu umjetna inteligencija na prvi pogled ima golemu prednost. Ručno označavanje kratera traje dugo i traži strpljiv rad stručnjaka. Automatizirani sustavi mogli bi znatno ubrzati izradu kataloga i pomoći znanstvenicima da obrade količine podataka koje bi ručno bilo teško pregledati.
No upravo je zato važno znati koliko su takvi katalozi doista pouzdani.
Katalozi su izgledali bolje dok nisu testirani istim pravilima
Novo istraživanje vodio je dr. Stuart J. Robbins iz američkog Southwest Research Institutea u Boulderu, u Coloradu. S kolegicom dr. Rachael H. Hoover provjerio je osam kataloga lunarnih kratera koje su izradili računalni sustavi. Riječ je o katalozima koji pokrivaju cijeli Mjesec ili njegove velike dijelove.
Istraživači su ih zatim usporedili s velikim ručno izrađenim katalogom kratera koji je Robbins sastavljao godinama. Važno je bilo to što su svi katalozi prošli istu provjeru. Nisu se oslanjali na ranije objavljene ocjene uspješnosti, nego su svaki katalog mjerili prema istim pravilima.
Tada se pokazala slabost. Gotovo svi katalozi koji su prije imali objavljene rezultate ispali su lošiji kada su provjereni na jednak način. U nekim slučajevima pojedine su ocjene bile više od deset puta slabije od onoga što su sugerirali raniji podaci.
To ne znači da umjetna inteligencija ne može prepoznati krater. Može. Problem je u tome što prepoznavanje oblika na snimci nije isto što i izrada kataloga na kojem se mogu temeljiti izračuni o starosti Mjesečeve površine. Krater ne smije biti samo “dovoljno blizu”. Mora biti točno smješten, pravilno izmjeren i ne smije se u katalogu pojaviti dvaput.
Robbins zato upozorava da se katalog izrađen umjetnom inteligencijom ne bi smio uzeti zdravo za gotovo samo zato što u objavljenom radu izgleda uspješno. Jedna brojka može sakriti mnogo toga: krivo ucrtane kratere, pogrešne promjere, duplikate i slabosti koje se vide tek kada se svi katalozi stave pred isti test.
Jedan duplikat može promijeniti procjenu starosti
Najveći problem krije se u pitanju što se računa kao podudaranje. Računalni sustav može označiti oblik koji je blizu stvarnog kratera i na temelju toga dobiti dobru ocjenu. Za planetarna istraživanja to često nije dovoljno.
Ako je krater pomaknut u odnosu na stvarni položaj, ako mu je promjer loše određen ili ako ga sustav slučajno zabilježi dvaput, pogreška se prenosi dalje. Takvi se podaci koriste za procjenu starosti površine. Ako se broj kratera umjetno poveća zbog duplikata, model može prikazati površinu starijom nego što bi trebala biti.
Robbins je problem opisao vrlo jednostavno: katalog kratera nije nasumičan popis krugova. Položaj i veličina svakog kratera važni su jer iz njih proizlaze širi zaključci o Mjesecu.
Studija je pokazala i da jedna ukupna ocjena uspješnosti nije dovoljna. Neki katalozi dobro prepoznaju kratere određenih veličina, ali loše rade s drugima. To je važno jer se različita istraživačka pitanja oslanjaju na različite skupine kratera.
Katalog zato može izgledati dobro kada se gleda samo prosječna vrijednost, ali biti nepouzdan za određeni raspon promjera. Za jedno istraživanje može biti koristan, a za drugo neprikladan.
Umjetna inteligencija treba strože provjere prije šire upotrebe
Autori studije ne odbacuju umjetnu inteligenciju kao alat za istraživanje Mjeseca. Naprotiv, ona bi mogla znatno ubrzati posao koji se danas često radi ručno i otvoriti prostor za mnogo opsežnije analize površina Mjeseca, Marsa, Merkura i drugih tijela.
Ali istraživanje pokazuje da takvi alati trebaju jasnije standarde. Hoover ističe da su potrebni ujednačeni testovi, transparentno objašnjenje kriterija prema kojima se određuje podudaranje kratera i neovisna provjera rezultata.
Bez toga postoji opasnost da se znanstvenici oslone na katalog koji na prvi pogled djeluje precizno, ali nije dovoljno pouzdan za određeno pitanje. Umjetna inteligencija može ubrzati rad, ali ne može zamijeniti provjeru kvalitete podataka.
Mjesečevi krateri nisu samo tragovi davnih udara. Oni su test koliko dobro umjetna inteligencija može obavljati posao u kojem pogreška od nekoliko kilometara ili jedan višak u katalogu mogu promijeniti znanstvenu sliku cijelog područja.