據(jù)國(guó)外媒體報(bào)道，亞馬遜的云計(jì)算部門亞馬遜云服務(wù)（AWS）預(yù)計(jì)利用人工智能來(lái)幫助NASA預(yù)測(cè)超級(jí)太陽(yáng)風(fēng)暴的到來(lái)。

當(dāng)太陽(yáng)的干擾表面被遺棄在幾百萬(wàn)英里每輻射和帶電粒子爆發(fā)的高爐每小時(shí)的速度，將出現(xiàn)太陽(yáng)風(fēng)暴。足夠強(qiáng)的輻射爆炸將影響地球中大部分的無(wú)線電通信。此外，如果這樣的爆發(fā)（稱為日冕物質(zhì)拋射，或CME）足夠強(qiáng)大，可以直接掃在地上，它可能會(huì)導(dǎo)致衛(wèi)星損壞和電網(wǎng)崩潰。

美國(guó)宇航局正在與亞馬遜云服務(wù)和亞馬遜機(jī)器學(xué)習(xí)解決方案實(shí)驗(yàn)室（Amazon Machine Learning SolutionsLab）合作，開(kāi)展一個(gè)項(xiàng)目，使用人工智能了解更多關(guān)于太陽(yáng)超級(jí)風(fēng)暴的預(yù)警信號(hào)．

為了處理大量的數(shù)據(jù)，并提高未來(lái)的風(fēng)險(xiǎn)評(píng)估，NASA正在使用亞馬遜網(wǎng)絡(luò)服務(wù)分析工具來(lái)了一個(gè)篩選1000分?jǐn)?shù)據(jù)集，和計(jì)算機(jī)模型可以被訓(xùn)練識(shí)別暗流涌動(dòng)的跡象。

亞馬遜博客發(fā)布的文章解釋了NASA的方法，將太陽(yáng)風(fēng)驅(qū)動(dòng)與地球周圍的磁場(chǎng)水平聯(lián)系起來(lái)，以識(shí)別數(shù)據(jù)中的異常。

NASA使用名為亞馬遜SageMaker機(jī)器學(xué)習(xí)工具中內(nèi)置的AWS隨機(jī)切森林異常檢測(cè)算法訓(xùn)練模型。該算法為每組數(shù)據(jù)點(diǎn)提供了一個(gè)“異常分?jǐn)?shù)”。其他AWS工具來(lái)實(shí)時(shí)跟蹤異常數(shù)據(jù)，并跟蹤他們和太陽(yáng)風(fēng)暴之間的聯(lián)系。

異常檢測(cè)指的是通過(guò)數(shù)據(jù)挖掘手段識(shí)別數(shù)據(jù)中的“異常點(diǎn)”，由于深度神經(jīng)網(wǎng)絡(luò)分類器可以將分布外（奇數(shù)）輸入以高置信度在分布內(nèi)分類，因此區(qū)分異常值或顯著不同的數(shù)據(jù)是很重要的。當(dāng)我們使用這些預(yù)測(cè)為實(shí)際決策提供基礎(chǔ)時(shí)，異常數(shù)據(jù)檢測(cè)將特別重要。

異常檢測(cè)還在數(shù)據(jù)中心有廣泛的應(yīng)用，比如可以從一臺(tái)服務(wù)器上提取出一系列特征，如內(nèi)存占用，CPU 使用率，網(wǎng)絡(luò)吞吐量，磁盤訪問(wèn)頻率等等。利用這些特征建立一個(gè)模型。當(dāng)某個(gè)服務(wù)器偏離這個(gè)模型較遠(yuǎn)時(shí)，可能這臺(tái)機(jī)器快要死機(jī)了，就可以進(jìn)一步查看這臺(tái)機(jī)器的情況以便做出相應(yīng)的處理。

該計(jì)劃使美國(guó)宇航局能夠匯總來(lái)自50多個(gè)衛(wèi)星任務(wù)的數(shù)據(jù)，并開(kāi)發(fā)可視化以供進(jìn)一步研究�？茖W(xué)家們已經(jīng)能夠創(chuàng)造必要太陽(yáng)的現(xiàn)象仿真模擬卡林頓超級(jí)風(fēng)暴事件。