Por qué es tan desafiante implementar IA en misiones espaciales

Todo es más difícil en el espacio y el software de aprendizaje no es la excepción. Pero la presión para incorporar IA en todo, como misiones espaciales, no puede ser ignorada.

El operador satelital estadounidense Spire trabajará con Mission Control, una empresa canadiense de software espacial, en una misión de demostración que se lanzará en 2025. En esta misión, un satélite de observación terrestre (EO) construido por Spire utilizará modelos de aprendizaje automático de Mission Control para realizar análisis en órbita.

Fundada en 2015, Mission Control desarrolla software para operaciones espaciales autónomas. La empresa fue una de las primeras en implementar un algoritmo de aprendizaje profundo en la órbita terrestre y la primera en hacerlo en la órbita lunar durante el primer intento de aterrizaje lunar de Ispace.

Hablamos con el director de tecnología de Mission Control, Michele Faragalli, para entender lo que esta misión pretende demostrar.

Esta entrevista ha sido condensada y editada para mayor claridad.

¿Cómo encaja Mission Control en el mundo del desarrollo de IA?

Existen muchas empresas, especialmente en el ámbito terrestre, que realmente lideran el desarrollo de estos modelos [de aprendizaje profundo]. Pero nosotros enfrentamos nuestros propios desafíos en el espacio: podrías tener sistemas electrónicos de baja potencia, por lo que realmente debes enfocarte en modelos más pequeños. Utilizar la infraestructura de software terrestre y la tecnología informática terrestre es un tipo de problema muy diferente al que estamos abordando con procesadores de muy baja potencia que deben adaptarse a un microrover lunar o un CubeSat.

¿Por qué las naves espaciales necesitan modelos avanzados de aprendizaje automático?

La latencia es muy alta, las restricciones de ancho de banda son muy limitadas y, francamente, los costos son tan prohibitivos que necesitas que la nave espacial haga más por sí sola. Digamos que estás monitoreando una inundación o incendios forestales. La velocidad de respuesta podría mejorar si tu satélite procesa los datos recolectados inmediatamente a bordo, en lugar de esperar a que el satélite pase y luego transmita esos datos.

¿Qué hace que usar modelos de IA en las misiones espaciales sea tan desafiante?

Lo que aprendimos rápidamente a través de estas misiones de demostración es que puedes entrenar estos modelos antes del vuelo, pero la realidad es que una vez que están en órbita o en la superficie de la luna, las condiciones de operación son completamente diferentes. ¿Cómo entrenas un modelo de visión por computadora que necesita detectar vida en Marte, por ejemplo? Tienes que construir datos sintéticos o ir a sitios análogos en la Tierra. La realidad es que nunca será perfecto.

¿Cómo intentan resolver ese problema?

El origen de este proyecto que acabamos de anunciar con Spire es analizar cómo manejar la incertidumbre del vuelo espacial. En los sectores de IA en el borde terrestre, usarías un pipeline de operaciones de aprendizaje automático (MLOps). ¿Cómo reentrenas esos modelos usando nuevos datos? ¿Cómo los despliegas en el hardware, en el dispositivo en el borde o, en este caso, en la nave espacial, con una actualización de software por aire, y luego monitoreas su rendimiento para asegurarte de que mantienes ese rendimiento persistente de ese activo?

¿Qué más hace que sea difícil implementar IA en misiones espaciales?

No existe un estándar de certificación para este tipo de software de vuelo. Por ejemplo, una agencia espacial que realice una misión de Clase A probablemente no impondría un requisito de usar técnicas de aprendizaje profundo, porque puede que no haya una manera de validar eso.

Estos son enfoques estadísticos, ¿cierto? Tienen un tipo de salida de rendimiento estadístico, 90% de precisión. Entonces, si tienes 90% de precisión, uno de los desafíos es que no sabes cuándo no va a funcionar. No es un problema basado en la física que puedas validar cuándo va a fallar, y ese es un desafío para confiar en que estos algoritmos funcionarán bajo cualquier condición de operación.