کشف بقایای کشتیهای غرق شده با پردازش تصاویر سونار و هوش مصنوعی
انقلاب در اکتشافات دریایی: چگونه هوش مصنوعی و سونار اسرار کشتیهای غرق شده را برملا میکنند؟
تا به حال به این فکر کردهاید که دنیای زیر آب چقدر با دنیای ما متفاوت است؟ تصور کنید در تاریکی مطلق هستید، جایی که نور خورشید حتی نمیتواند چند متر نفوذ کند و فشار آب چنان زیاد است که هر متری که پایینتر میروید، انگار یک ماشین سنگین روی شانههایتان قرار گرفته است. در این محیط مرموز، هزاران سال تاریخ بشر به شکل کشتیهای غرق شده، گنجهای گمشده و شهرهای زیر آب دفن شده است. اما مشکل اینجاست: چطور میتوانیم چیزی را پیدا کنیم که نمیبینیم؟
برای سالها، باستانشناسان دریایی مجبور بودند با ابزارهای ابتدایی یا غواصیهای پرخطر به دنبال ردپای تاریخ بگردند. اما امروز، یک انقلاب تکنولوژیک در حال رخ دادن است. ترکیب سونار (Sonar) و هوش مصنوعی (AI)، چشمهای ما را در تاریکترین نقاط اقیانوسها باز کرده است. این دیگر فقط یک داستان علمی-تخیلی نیست؛ ما اکنون میتوانیم تصاویر مبهم و نویزدار کف دریا را به نقشههای دقیق تبدیل کنیم تا بفهمیم در اعماق اقیانوس چه میگذرد.
طبق آمارهای غیررسمی، تخمین زده میشود که میلیونها کشتی در سراسر جهان غرق شدهاند، اما تنها بخش کوچکی از آنها کشف شدهاند. دلیل این موضوع، وسعت بیکران اقیانوسها و دشواری شناسایی اشیاء فلزی یا چوبی در میان صخرهها و رسوبات است.
سونار چیست و چرا برای کشف کشتیها حیاتی است؟
بیایید با یک مثال ساده شروع کنیم. تصور کنید در یک اتاق تاریک هستید و میخواهید بفهمید چه چیزی جلوی پای شماست، اما هیچ چراغقوهای ندارید. چه میکنید؟ شاید فریادی بزنید و منتظر بمانید تا صدای آن به دیوار بخورد و برگردد. دقیقاً همین اتفاق در سونار میافتد. کلمه Sonar مخفف "Sound Navigation and Ranging" است. در واقع، سونار از صدا به جای نور استفاده میکند.
در محیطهای آبی، نور به سرعت جذب میشود و ناپدید میگردد، اما امواج صوتی مسافتهای بسیار طولانی را طی میکنند. دستگاه سونار یک پالس صوتی (که ما به آن "پینگ" میگوییم) به سمت کف دریا میفرستد. این موج وقتی به یک جسم برخورد میکند (مثلاً بدنه یک کشتی غرق شده یا یک صخره)، بازمیگردد. با محاسبه زمانی که طول میکشد تا صدا بازگردد، دستگاه میفهمد که جسم در چه فاصلهای قرار دارد.
انواع سونارها: از رادارهای ساده تا نقشههای سهبعدی
همه سونارها یکسان نیستند. برای اینکه درک کنیم هوش مصنوعی کجا وارد بازی میشود، ابتدا باید بدانیم با چه دادههایی سر و کار داریم. در دنیای اکتشافات دریایی، ما معمولاً با دو نوع اصلی روبرو هستیم:
- سونار تکپرتو (Single Beam): این مدل مانند یک چراغقوه است که فقط یک نقطه از کف دریا را میبیند. برای پیدا کردن کشتیها بسیار کند است چون باید کل دریا را سانت به سانت بگردید.
- سونار ساید-اسکن (Side-Scan Sonar): حالا تصور کنید به جای یک نقطه، یک پرتو پهن دارید که مانند اسکنرها، کف دریا را از طرفین میراند. این دستگاه تصاویری شبیه به عکسهای سیاه و سفید قدیمی ایجاد میکند که در آن سایهها و برجستگیها مشخص هستند.
- سونار چندپرتو (Multibeam): این پیشرفتهترین نوع است که میتواند یک مدل سهبعدی (3D) و بسیار دقیق از توپوگرافی کف دریا ارائه دهد.
اما اینجا یک مشکل بزرگ وجود دارد: تصاویر سونار، به خصوص ساید-اسکن، برای چشم انسان بسیار گیجکننده هستند. آنها پر از "نویز" یا همان نقاط مزاحمی هستند که شبیه برف روی تلویزیونهای قدیمی است. یک متخصص با تجربه ممکن است ساعتها به یک تصویر خیره شود تا بفهمد آن لکه خاکستری، یک تکه صخره است یا دکل یک کشتی قرن هجدهمی. اینجاست که هوش مصنوعی وارد میدان میشود تا چشمهای خستهی انسان را جایگزین کند.
هوش مصنوعی چگونه تصاویر مبهم سونار را "میبیند"؟
وقتی صحبت از هوش مصنوعی در پردازش تصاویر سونار میکنیم، در واقع درباره بینایی ماشین (Computer Vision) صحبت میکنیم. اما یک تفاوت اساسی وجود دارد: هوش مصنوعی برای تشخیص چهره انسان یا ماشین در خیابان آموزش دیده است (تصاویر نوری)، اما تصاویر سونار (تصاویر صوتی) کاملاً متفاوت هستند. آنها کنتراست پایین، نویز زیاد و اعوجاجهای شدید دارند.
بیایید صادق باشیم؛ هیچ انسانی دوست ندارد هزاران ساعت دادهی بصری خستهکننده را بررسی کند تا شاید یک تکه کوچک از فلز پیدا کند. هوش مصنوعی این کار را در چند ثانیه انجام میدهد. اما چگونه؟
جادوی شبکههای عصبی پیچشی (CNN)
برای شناسایی بقایای کشتی، دانشمندان از معماری خاصی به نام Convolutional Neural Networks یا همان CNN استفاده میکنند. اگر بخواهیم این مفهوم پیچیده را ساده کنیم، تصور کنید هوش مصنوعی مانند یک کارآگاه است که ذرهبین خود را روی تصویر میگذارد و به دنبال "الگوهای تکرار شونده" میگردد.
مثلاً، یک کشتی غرق شده معمولاً الگوهای هندسی خاصی دارد: خطوط موازی (بدنه)، شکلهای منظم (دکلها یا موتورها) و سایههایی که در یک جهت خاص میافتند. هوش مصنوعی با بررسی هزاران تصویر از کشتیهای شناخته شده و صخرههای طبیعی، یاد میگیرد که تفاوت بین یک "تپه ماسهای" و "یک عرشه کشتی" چیست. این فرآیند را یادگیری عمیق (Deep Learning) مینامند.
یک مثال ملموس: فرض کنید میخواهید در یک عکس شلوغ از یک جنگل، یک تکه صندلی قدیمی چوبی را پیدا کنید. شما به دنبال خطوط راست و گوشههای ۹۰ درجه میگردید چون میدانید درختان خطوط راست و منظم ندارند. هوش مصنوعی هم در تصاویر سونار به دنبال "نامنظمیهای منظم" میگردد؛ یعنی چیزهایی که توسط طبیعت ساخته نشدهاند و احتمالاً ساخته دست بشر هستند.
مراحل تبدیل یک "پینگ" ساده به یک کشف تاریخی
مسیر رسیدن از ارسال یک موج صوتی تا اعلام کشف یک کشتی، شامل چندین مرحله پیچیده پردازشی است که هوش مصنوعی در هر کدام نقش کلیدی دارد:
- پیشپردازش و حذف نویز (Denoising): اولین قدم، پاکسازی تصویر است. امواج دریا، حبابهای هوا و تداخلات صوتی باعث ایجاد نقاط سفید یا سیاه مزاحم میشوند. الگوریتمهای AI با استفاده از فیلترهای پیشرفته، این نویزها را حذف میکنند بدون اینکه جزئیات مهم کشتی از بین برود.
- تقویت کنتراست (Contrast Enhancement): تصاویر سونار اغلب خاکستری و کمرنگ هستند. هوش مصنوعی با تغییر هوشمندانه رنگها، مرز بین جسم (کشتی) و محیط (کف دریا) را واضحتر میکند.
- بخشبندی تصویر (Image Segmentation): در این مرحله، AI تصویر را به قطعات کوچک تقسیم میکند و هر بخش را برچسبگذاری میکند: "این صخره است"، "این شن است"، "این احتمالاً فلز است".
- طبقهبندی و شناسایی (Classification): در نهایت، سیستم اعلام میکند که با احتمال ۸۵٪، این جسم یک کشتی تجاری است و نه یک تکه صخره بزرگ.
این دقت خیرهکننده باعث شده شرکتهای بزرگی مانند مایکروسافت و گوگل در توسعه ابزارهای تحلیل دادههای محیطی سرمایهگذاری کنند. در واقع، ما با ترکیب قدرت پردازش ابری و الگوریتمهای یادگیری ماشین، سرعت اکتشافات زیر آب را هزار برابر کردهایم. اگر میخواهید بدانید چگونه این تکنولوژیها میتوانند در کسبوکار یا پروژههای صنعتی شما به کار گرفته شوند، پیشنهاد میکنم نگاهی به خدمات مشاورههای تخصصی زایراکس بیندازید تا متوجه شوید هوش مصنوعی چگونه میتواند پیچیدهترین دادهها را برای شما تحلیل کند.
چالشهای پیش رو: چرا هنوز همه کشتیها را پیدا نکردیم؟
شاید بپرسید اگر هوش مصنوعی اینقدر قدرتمند است، چرا هنوز کشتیهای مشهوری مثل "تایتانیک" (در بخشهای پیدا نشده) یا کشتیهای گمشده اسپانیایی را به طور کامل پیدا نکردیم؟ پاسخ در پیچیدگی محیط دریاست.
اول اینکه، بسیاری از کشتیها زیر لایههای ضخیم گل و رسوبات دفن شدهاند. سونار میتواند سطح کف دریا را ببیند، اما نمیتواند "داخل" گل را اسکن کند (مگر با استفاده از سونارهای پیشرفتهتر مثل زیرکف یا Sub-bottom Profilers). دوم اینکه، تخریب طبیعی در اثر خوردگی نمک و جریانهای شدید آب، باعث میشود شکل کشتیها پس از صدها سال تغییر کند و دیگر شبیه به یک "کشتی" نباشند. در اینجا، هوش مصنوعی باید بتواند "تکه-تکههای" پراکنده را شناسایی کرده و حدس بزند که اینها زمانی یک کل واحد بودهاند.
تصور کنید تکههای یک گلدان شکسته را در یک اتاق تاریک پیدا کنید و بخواهید بفهمید آن گلدان چه شکلی بوده است. این دقیقاً همان کاری است که مدلهای پیشرفته AI اکنون در حال انجام آن در اعماق اقیانوسها هستند. آنها با تحلیل پراکندگی قطعات فلزی، میتوانند ابعاد تقریبی کشتی غرق شده را بازسازی کنند.
همافزایی هوش مصنوعی و رباتیک: وقتی AI فرمانده زیرآب میشود
تا اینجا متوجه شدیم که هوش مصنوعی چگونه تصاویر مبهم سونار را تحلیل میکند، اما یک سوال اساسی باقی میماند: چه کسی این سونارها را در اعماق تاریک اقیانوس جابجا میکند؟ در گذشته، سونارها به کشتیهای بزرگ متصل بودند و یک اپراتور انسانی باید با دقت تمام، کشتی را در مسیرهای خاصی حرکت میداد. اما امروز، ما وارد عصر AUVها (Autonomous Underwater Vehicles) یا همان وسایل نقلیه زیردریایی خودگردان شدهایم.
تصور کنید یک پهپاد (Drone) دارید، اما به جای آسمان، در اعماق ۵۰۰۰ متری آب حرکت میکند. این رباتها دیگر فقط ابزاری برای جمعآوری داده نیستند؛ آنها اکنون دارای "مغز" هستند. با ادغام پردازش تصاویر سونار در لحظه (Real-time Processing)، این رباتها میتوانند تصمیم بگیرند. یعنی اگر هوش مصنوعی درون ربات، در حین اسکن کردن کف دریا، الگویی شبیه به دکل یک کشتی پیدا کند، دیگر منتظر دستور از کشتی مادر نمیماند، بلکه به طور خودکار سرعتش را کم کرده و شروع به اسکن دقیقتر و با رزولوشن بالاتر از آن نقطه خاص میکند.
این تغییر رویکرد از "جمعآوری داده و تحلیل بعدی" به "تحلیل در لحظه و واکنش سریع"، زمان عملیات جستجو را از چندین ماه به چند روز کاهش داده است. ما دیگر نیازی نداریم ترابایتها داده را به سطح زمین بیاوریم تا بفهمیم چه چیزی پیدا کردهایم.
مقایسهی روشهای سنتی و مدرن در کشف بقایا
برای اینکه بهتر درک کنید دنیای اکتشافات زیر آب چه تحولی یافته است، بیایید یک نگاه سریع به تفاوتهای این دو روش بیندازیم:
| ویژگی | روش سنتی (انسانمحور) | روش مدرن (AI + AUV) |
|---|---|---|
| سرعت شناسایی | بسیار کند (بررسی دستی تصاویر) | لحظهای و خودکار |
| دقت تشخیص | بسته به تجربه اپراتور (خطای انسانی زیاد) | بالا (تحلیل مبتنی بر الگوهای آماری) |
| هزینه عملیات | بسیار بالا (نیاز به کشتی و خدمه زیاد) | بهینهتر (استفاده از رباتهای خودگردان) |
| دسترسی به نقاط عمیق | محدود و خطرناک | ایمن و گسترده |
این تحول فقط در سرعت نیست، بلکه در "کیفیت" کشفیات است. وقتی یک ربات با هوش مصنوعی، یک کشتی غرق شده را پیدا میکند، او فقط یک نقطه روی نقشه علامت نمیزند؛ بلکه یک مدل دیجیتال از آن ایجاد میکند. این مدلها به باستانشناسان اجازه میدهند پیش از آنکه حتی یک غواص به پایین فرستاده شود، ساختار کشتی را تحلیل کرده و بهترین استراتژی را برای بازیابی آثار تاریخی طراحی کنند.
مطالعات موردی: وقتی تئوری به واقعیت تبدیل میشود
شاید بپرسید "آیا واقعاً این اتفاقات میافتد یا فقط روی کاغذ است؟" بیایید به دنیای واقعی نگاه کنیم. در سالهای اخیر، چندین پروژه بزرگ از ترکیب سونار و AI استفاده کردهاند تا رازهای قرنها پیش را برملا کنند.
یکی از جذابترین مثالها، جستجوی کشتیهای جنگی دوران جنگ جهانی دوم در اقیانوس آرام است. در این مناطق، کف دریا بسیار ناهموار است و صخرههای آتشفشانی زیادی وجود دارند که تصاویر سونار را شبیه به "تودههای نامنظم" میکنند. متخصصان با آموزش یک مدل هوش مصنوعی روی تصاویر هزاران صخره و کشتیهای غرق شدهی شناخته شده، توانستند با دقتی باورنکردنی، بقایای کشتیهای غرق شده را از میان صخرهها تشخیص دهند. چیزی که برای یک انسان ممکن بود هفتهها زمان ببرد، توسط الگوریتمها در عرض چند ساعت شناسایی شد.
یک نکته جالب اینجاست: هوش مصنوعی حتی میتواند "بافت" مواد را تشخیص دهد. امواج صوتی وقتی به فلز برخورد میکنند، بازگشتی متفاوت از زمانی دارند که به چوب یا سنگ برخورد کنند. AI با تحلیل "امضای صوتی" (Acoustic Signature)، میتواند حدس بزند که آیا این جسم یک کشتی آهنی است یا یک کشتی چوبی قدیمی که احتمالاً مربوط به دوران اکتشافات است.
چگونه دادههای سونار به مدلهای سهبعدی تبدیل میشوند؟ (فوتوگرامتری صوتی)
تصور کنید میخواهید از یک مجسمه عکس بگیرید. اگر فقط یک عکس از روبهرو بگیرید، فقط یک نمای دو بعدی دارید. اما اگر دور مجسمه بچرخید و از صد زاویه عکس بگیرید، میتوانید یک مدل سهبعدی از آن بسازید. در دنیای زیر آب، این کار را با "فوتوگرامتری صوتی" انجام میدهند.
رباتهای AUV در حالی که با سرعت کم دور یک جسم غرق شده میچرخند، هزاران پینگ صوتی میفرستند. هوش مصنوعی سپس این نقاط پراکنده (که به آنها Point Cloud یا ابر نقاط میگویند) را جمعآوری کرده و آنها را به هم میدوزد. نتیجه چیست؟ یک مدل سهبعدی فوقالعاده دقیق از کشتی که حتی جای ضربات توپها روی بدنه یا زاویه خم شدن دکل را میتوان در آن دید.
این سطح از دقت، برای سازمانهایی مانند سازمانهای میراث فرهنگی یونسکو یا موزههای دریایی حیاتی است. آنها میتوانند بدون دست زدن به بقایای حساس و تخریب آنها، یک نسخه دیجیتال کامل داشته باشند. این یعنی ما میتوانیم تاریخ را "ببینیم" بدون اینکه آن را "نابود" کنیم.
بررسی یک سناریو: فرض کنید یک شرکت اکتشافی به دنبال یک کشتی گمشده از قرن ۱۷ است که حامل مقادیر زیادی نقره بوده. آنها ابتدا یک AUV را برای اسکن کلی منطقه میفرستند. هوش مصنوعی در حین حرکت، متوجه یک "ناهماهنگی هندسی" در کف دریا میشود. ربات به طور خودکار متوقف شده، یک اسکن سهبعدی دقیق میگیرد و تصویر را به سطح میفرستد. تحلیلگران روی زمین، با دیدن مدل سهبعدی، متوجه میشوند که شکل جسم دقیقاً با نقشههای قدیمی کشتیهای اسپانیایی همخوانی دارد. تمام این فرآیند بدون نیاز به غواصی ریسکی و با کمترین هزینه ممکن انجام شده است.
آینده پیشرو: از کشف کشتیها تا پاکسازی اقیانوسها
اگر فکر میکنید کاربرد این تکنولوژی فقط پیدا کردن کشتیهای قدیمی است، سخت در اشتباهید. همان الگوریتمهایی که برای شناسایی بدنه یک کشتی آموزش دیدهاند، اکنون برای شناسایی "زبالههای اقیانوسی" در مقیاس بزرگ به کار گرفته میشوند. شناسایی تودههای پلاستیکی یا کشتیهای رها شده مدرن (Ghost Ships) که باعث آلودگی محیط زیست میشوند، با همین متدها انجام میشود.
ما در حال حرکت به سمتی هستیم که در آن "اینترنت اشیاء زیر آب" (IoUT) شکل میگیرد. تصور کنید هزاران حسگر کوچک در کف اقیانوس مستقر شدهاند و هر زمان که تغییری در توپوگرافی کف دریا رخ دهد یا جسم جدیدی (مثل یک کشتی غرق شده در یک حادثه جدید) شناسایی شود، فوراً یک هشدار به مرکز کنترل ارسال شود. در این دنیای متصل، هوش مصنوعی نقش مترجم را دارد که زبان پیچیده امواج صوتی را به زبان ساده انسانی تبدیل میکند.
در نهایت، باید به این نکته اشاره کنیم که این پیشرفتها تنها زمانی به نتیجه میرسند که دادهها به درستی مدیریت شوند. بسیاری از شرکتها هنوز با چالش "بیشبود داده" (Data Overload) مواجه هستند؛ یعنی دادههای زیادی دارند اما نمیدانند چگونه آنها را تحلیل کنند. استفاده از زیرساختهای مدرن پردازش داده و مشاوره با متخصصان AI میتواند این فاصله را پر کند. برای کسانی که میخواهند در لبه تکنولوژی حرکت کنند و از قدرت تحلیل دادهها برای پروژههای صنعتی یا اکتشافی خود استفاده کنند، مسیرهای متعددی وجود دارد و دسترسی به ابزارهای درست، اولین قدم در این مسیر است.
تأملات نهایی: آیا هوش مصنوعی تمام رازهای دریا را فاش میکند؟
وقتی به مسیر طی شده نگاه میکنیم، از یک عصر "حدس و گمان" به عصر "دقت ریاضی" رسیدهایم. زمانی، پیدا کردن یک کشتی غرق شده بیشتر شبیه به شانس بود تا علم؛ اما امروز، با ترکیب سونار و هوش مصنوعی، ما در واقع در حال ترسیم نقشهای هستیم که هرگز تصورش را نمیکردیم. با این حال، باید بپرسیم: آیا ماشینها میتوانند جایگزین شهود انسانی شوند؟
پاسخ احتمالاً "خیر" است. هوش مصنوعی میتواند یک شکل هندسی را شناسایی کند، اما نمیتواند "داستان" پشت آن کشتی را بفهمد. AI میتواند به ما بگوید که یک جسم فلزی با طول ۲۰ متر در اعماق ۳۰۰۰ متری قرار دارد، اما این باستانشناس انسان است که میفهمد این کشتی متعلق به کدام دوران است، چه کالاهایی حمل میکرده و چرا غرق شده است. در واقع، هوش مصنوعی نه یک جایگزین، بلکه یک "تقویتکننده" برای توانمندیهای انسانی است.
«تکنولوژی ابزاری است برای دیدن نادیدهها، اما تفسیر این دیدهها، هنر انسان است.»
چالشهای اخلاقی و حفاظتی در عصر اکتشافات سریع
با افزایش سرعت کشفیات توسط AI، یک چالش جدید پدیدار شده است: حفاظت از میراث زیر آب. وقتی شناسایی کشتیها سریعتر از توان سازمانهای نظارتی پیش میرود، خطر غارتگران گنج (Treasure Hunters) افزایش مییابد. اگر یک الگوریتم بتواند سریعاً مکان یک کشتی گمشده را پیدا کند، چگونه میتوانیم مطمئن شویم که این مکان تنها در اختیار باستانشناسان است و نه کسانی که میخواهند برای سود شخصی، آثار تاریخی را تخریب کنند؟
اینجاست که مفهوم "امنیت داده" وارد بحث میشود. شرکتهای پیشرو در زمینه هوش مصنوعی اکنون در حال توسعه سیستمهای رمزنگاری شده برای دادههای اکتشافی هستند تا مکانهای حساس تاریخی تنها برای مراکز تحقیقاتی معتبر قابل دسترسی باشد. این نشان میدهد که هوش مصنوعی نه تنها در "پیدا کردن"، بلکه در "حفاظت" از تاریخ نیز نقش حیاتی ایفا میکند.
گامی به سوی آینده: کاربردهای فراتر از باستانشناسی
اگرچه ما در این مقاله بر روی کشتیهای غرق شده تمرکز کردیم، اما الگوریتمهایی که برای پردازش تصاویر سونار توسعه یافتهاند، اکنون در صنایع دیگر معجزه میکنند. از شناسایی لولههای نفت و گاز آسیبدیده در کف دریا گرفته تا پایش تغییرات محیطی و شناسایی گونههای نادر دریایی، همگی از همین منطق "تشخیص الگو" استفاده میکنند.
تصور کنید سیستمی را که بتواند با تحلیل امواج صوتی، لکههای آلودگی نفتی را در مراحل اولیه شناسایی کرده و مسیر حرکت آنها را پیشبینی کند. یا رباتهایی که بتوانند تخریبهای ریز در زیرساختهای ارتباطی زیردریایی (کابلهای اینترنت) را پیش از وقوع قطعی کامل شناسایی کنند. اینها همگی فرزندان همان تکنولوژی هستند که امروز ما را به دنبال کشتیهای قدیمی میبرد.
جمعبندی نهایی برای شما
دنیا به سرعت در حال تغییر است و دادهها، "نفت جدید" قرن بیست و یکم هستند. چه در اعماق اقیانوسها به دنبال تاریخ بگردیم و چه در محیطهای صنعتی به دنبال بهینهسازی، کلید موفقیت در یک چیز نهفته است: توانایی تبدیل دادههای خام و نویزی به اطلاعات معنادار.
بسیاری از کسبوکارها و سازمانها امروز با حجم عظیمی از دادههای پیچیده دستوپنجه نرم میکنند و نمیدانند چگونه از قدرت هوش مصنوعی برای استخراج "طلا" از میان این دادهها استفاده کنند. درست همانطور که یک ربات AUV با کمک AI، یک کشتی گمشده را از میان هزاران صخره پیدا میکند، شما هم میتوانید در میان انبوه دادههای سازمان خود، فرصتهای رشد و نقاط ضعف را شناسایی کنید. اگر به دنبال راهکارهایی هستید تا پیچیدگیهای دادههای خود را به نتایج ملموس تبدیل کنید، میتوانید از طریق بخش تماس با ما در زایراکس با متخصصان ما ارتباط بگیرید تا با هم مسیر تبدیل چالشهای فنی به فرصتهای استراتژیک را طراحی کنیم.
در نهایت، اقیانوسها هنوز بسیاری از رازهای خود را نگه داشتهاند. اما با هر پینگ صوتی جدید و هر لایهی یادگیری عمیق که به مدلهای ما اضافه میشود، ما یک قدم نزدیکتر به درک کامل تاریخ بشر و سیارهای میشویم که در آن زندگی میکنیم. سفرهای اکتشافی دیگر با کشتیهای چوبی و نقشههای کاغذی نیست؛ بلکه با کدهای برنامهنویسی و امواج صوتی است که آینده را میسازند.