Amazons AI-tjänst SageMaker förändrar hur rymdorganisationer hanterar de enorma datamängder som genereras under rymduppdrag. Företaget meddelade den 26 juni 2025 att dess Random Cut Forest (RCF)-algoritm används av NASA och Blue Origin för att upptäcka avvikelser i dynamiska rymdfarkostdata från månuppdrag.
Samarbetet fokuserar särskilt på att analysera data från NASA:s och Blue Origins demonstration av sensorer för månens deorbit, nedstigning och landning (BODDL-TP). Denna oövervakade maskininlärningsalgoritm identifierar ovanliga mönster i rymdfarkostens positions-, hastighets- och kvaternionorienteringsdata, vilket kan indikera kritiska ögonblick under rymdoperationer.
"Dessa avvikelser representerar med största sannolikhet månlandarens dynamik vid viktiga manöverstadier under demonstrationen av deorbit, nedstigning och landning," enligt Amazons tekniska dokumentation. Tekniken kan upptäcka subtila avvikelser mellan datapunkter samtidigt som den hanterar komplexa samband mellan flera parametrar, vilket gör den särskilt värdefull för övervakning av rymdfarkoster.
Implementeringen använder Amazons molninfrastruktur, där uppdragsdata lagras i S3-buckets och bearbetas i SageMaker AI:s JupyterLab-miljö. Ingenjörer tränar RCF-modellen med historiska uppdragsdata och distribuerar den sedan till en skalbar endpoint för kontinuerlig avvikelseidentifiering.
Partnerskapet kommer vid en viktig tidpunkt för Blue Origin, som förbereder uppskjutningen av sin månlandare Blue Moon Mark 1 senare i år. Insikterna från avvikelseidentifieringen kan bli avgörande för att säkerställa uppdragets framgång när både NASA och kommersiella rymdföretag siktar på allt mer ambitiösa månuppdrag.
Genom att identifiera avvikande datapunkter som annars riskerar att förbises i den exponentiellt växande mängden telemetridata från rymduppdrag, bidrar Amazons AI-teknik till förbättrad övervakning av rymdfarkosters hälsa, ingenjörsdesign och uppdragsplanering för framtida rymdforskning.