โมเดล deep learning ของเดลล์จะช่วยให้เห็นถึงความพยายามในการอนุรักษ์แนวประการัง Great Barrier Reef หนึ่งในสิ่งมหัศจรรย์ทางธรรมชาติที่ยิ่งใหญ่ที่สุดในโลกได้ดียิ่งกว่าเดิม โซลูชันเอดจ์ (Edge) ของเดลล์ที่นำมาใช้บนเรือก่อนหน้านี้จะทำการอัพโหลดข้อมูลอัตโนมัติไปยังโมเดลของ deep learning โดยตรงผ่านเครือข่ายโทรศัพท์เคลื่อนที่สำหรับการถ่ายภาพแบบเรียลไทม์ ซึ่งจะช่วยเพิ่มขีดความสามารถของ GRC ด้วยการเร่งความเร็วในการวิเคราะห์ภาพถ่ายที่ก่อนหน้านี้ต้องใช้อาสาสมัครที่เป็นมนุษย์เพียงอย่างเดียว โดยช่วยให้นักวิทยาศาสตร์ภาคพลเมืองสามารถเข้ามาสนับสนุนความพยายามในการฟื้นฟูพื้นที่ที่ต้องการความช่วยเหลือมากที่สุดได้อย่างรวดเร็ว รวมถึงในช่วงเวลาสำคัญของปี อาทิ ฤดูวางไข่ประจำปี
ปัจจุบัน การวิเคราะห์ของ deep learning ใช้เวลาเพียงไม่ถึงหนึ่งนาทีต่อภาพถ่าย เมื่อเทียบกับการสำรวจในครั้งก่อนๆ ที่ใช้เวลาเจ็ดหรือแปดนาที และจากช่วงแรกเริ่มของ GRC ที่ใช้เวลาถึง 1,516 ชั่วโมงในการตรวจสอบภาพถ่าย 13,000 ภาพ ปัจจุบัน โมเดลสามารถวิเคราะห์ชุดข้อมูลเดียวกันได้ภายในเวลาไม่ถึง 200 ชั่วโมง
แนวคิดริเริ่มนี้สอดคล้องกับความมุ่งมั่นอันแรงกล้าของเดลล์ เทคโนโลยีส์ ในเรื่องสิ่งแวดล้อม สังคม และธรรมาภิบาล (ESG) เพื่อพัฒนาความยั่งยืน ด้วยการสร้างเทคโนโลยีที่ช่วยขับเคลื่อนสู่ความก้าวหน้า พร้อมการทำงานร่วมกับลูกค้า พันธมิตร ซัพพลายเออร์ ตลอดจนชุมชนต่างๆ ในการดำเนินการเพื่อตอบสนองการเปลี่ยนแปลงด้านสภาพภูมิอากาศได้อย่างมีประสิทธิภาพ ทั้งนี้ GRC ถือเป็นความร่วมมืออย่างแท้จริงทั่วทั้งภูมิภาคเอเชียแปซิฟิกและญี่ปุ่น (APJ) ที่ผสานรวมความเชี่ยวชาญของทีมงานจาก Citizens of the Great Barrier Reef จากเดลล์ รวมถึงทีมนักวิจัยจากมหาวิทยาลัยแห่งควีนส์แลนด์ (UQ) และจากมหาวิทยาลัยเจมส์คุค (JCU) ตลอดจน Sahaj Software Solutions และนักวิทยาศาสตร์ภาคพลเมืองที่เข้าร่วมโครงการ นอกจากนี้ เดลล์ยังทำงานร่วมกับทีมนักวิทยาศาสตร์ด้านข้อมูล (data scientists) ในประเทศสิงคโปร์ เพื่อขัดเกลาและดำเนินการทดสอบโมเดล deep learning ที่คัดสรรมาใช้งานร่วมกับชุมชนในวงกว้างอย่างต่อเนื่อง เพื่อให้มั่นใจว่าตรงตามมาตรฐานการเปรียบเทียบ (benchmarking standards) อย่างแท้จริง
สำหรับเป้าหมายต่อไปข้างหน้า แอนดี้ ริดลีย์ ผู้ก่อตั้ง Citizens of the Great Barrier Reef มุ่งหวังที่จะขยายผลการดำเนินงานของ GRC ที่ขับเคลื่อนด้วยโมเดล deep learning และชุมพลังของโซลูชันเอดจ์ (Edge) ของเดลล์ ที่ให้ศักยภาพในการขยายขอบเขตการทำงานและนำมาทำซ้ำ เพื่อใช้กับไซต์แนวปะการังอื่น ๆ ในทั่วโลกได้ โดยไซต์ทดลองแรกที่อยู่นอกประเทศออสเตรเลียจะเริ่มที่ประเทศอินโดนีเซีย
อามิต มิธา ประธานภูมิภาคเอเชียแปซิฟิกและญี่ปุ่น (APJ) และโกลบอล ดิจิทัล ซิตี้ เดลล์ เทคโนโลยีส์ กล่าวว่า "เดลล์ เทคโนโลยีส์ ได้ประสานความร่วมมือกับองค์กรที่มีแนวคิดคล้ายคลึงกันเพื่อสร้างผลกระทบทางสังคมในเชิงบวกต่อสภาพอากาศ การนำเทคโนโลยีของเรามาช่วยสนับสนุนด้านการวิจัยในโครงการ Citizens of the Great Barrier Reef นับว่าก้าวมาไกลพอสมควร ตั้งแต่ที่เริ่ม Great Reef Census ครั้งแรกจนมาถึงวันนี้ ซึ่งพลังของ deep learning จะเข้ามาช่วยขยายศักยภาพด้านการอนุรักษ์ของทีม ให้สามารถเข้าถึงข้อมูลที่มีคุณภาพได้อย่างรวดเร็ว พร้อมทั้งช่วยผลักดันความร่วมมือระหว่างทุกฝ่ายที่เกี่ยวข้องให้ประสบความสำเร็จได้ เราเชื่อว่านวัตกรรมต่างๆ เช่นนี้ จะช่วยให้พันธมิตรของเราสร้างความก้าวหน้าให้กับเป้าหมายด้านความยั่งยืน และสามารถนำความพยายามด้านการอนุรักษ์ในลักษณะดังกล่าวไปดำเนินการซ้ำเพื่อต่อยอดโครงการทั้งในระดับภูมิภาคและในระดับโลกได้”
ประเด็นสำคัญหลักจากความร่วมมือ:
· ความร่วมมืออย่างต่อเนื่องกับ Citizens of the Great Barrier Reef คือการยืนยันเจตนารมณ์และพันธสัญญาที่ชัดเจนของเดลล์ เทคโนโลยีส์ ในการขับเคลื่อนความก้าวหน้าด้านความยั่งยืน (sustainability) และเพื่อเปลี่ยนวัตถุประสงค์ก้าวไปสู่การปฏิบัติที่เป็นจริงภายในภูมิภาคเอเชียแปซิฟิกและญี่ปุ่น (APJ)
· โมเดลการเรียนรู้แบบ deep learning ใหม่ของเดลล์ ช่วยต่อยอดความพยายามในการอนุรักษ์แนวปะการัง Great Barrier Reef โดยช่วยลดเวลาในการวิเคราะห์ภาพแนวประการังต่างๆ ซึ่งโมเดลใหม่นี้ ช่วยให้อาสาสมัครสามารถตรวจสอบภาพถ่าย 13,000 ภาพให้เสร็จได้ภายในระยะเวลาแค่เพียงสัปดาห์เดียว ซึ่งในช่วงแรกของ Great Reef Census กระบวนการดังกล่าวใช้เวลานานกว่าสองเดือน
· สำหรับการรณรงค์ในปีนี้ อาสาสมัครในโครงการจะช่วยกันวิเคราะห์ภาพถ่ายจำนวน 42,000 ภาพที่รวบรวมมา จากแนวปะการัง 315 แห่งที่เรียงรายตลอดแนวปะการังของอุทยานทางทะเล (marine park) ที่มีความยาวถึง 2,300 กิโลเมตร
· โมเดลการจำแนกพิกเซลจำนวนหลายล้านพิกเซลในภาพเพื่อแบ่งเป็นพื้นที่สีต่างๆ โดยแต่ละสีมีความหมายถึงลักษณะที่แตกต่างกัน หรือที่เรียกว่า semantic segmentation ของกระบวนการ deep learning ขับเคลื่อนด้วยการประมวลผลระบบคอมพิวเตอร์ที่ใช้ทรัพยากรทุกส่วนเพื่อให้ได้ประสิทธิภาพสูงสุด (HPC: high performance computing) ของเดลล์ร่วมกับหน่วยประมวลผลกราฟิก หรือ GPU จะช่วยเร่งให้ระบบฝึกฝนโมเดลได้เร็ว และใช้ระบบ Dell PowerScale ในการจัดเก็บข้อมูล โดยแพลตฟอร์มการประมวลผลที่อยู่บนฝั่งยังรวมไปถึง Dell PowerEdge เซิร์ฟเวอร์ที่รองรับคลัสเตอร์การฝึกฝน AI ตลอดจนกลไกการเรียนรู้ที่หลากหลายของ AI
