Ο αριθμός των ανθρώπων που ζουν σε αστικές περιοχές έχει τριπλασιαστεί τα τελευταία 50 χρόνια, πράγμα που σημαίνει ότι όταν μια μεγάλη φυσική καταστροφή, όπως ένας σεισμός, πλήττει μια πόλη, κινδυνεύουν περισσότερες ζωές. Εν τω μεταξύ, η ένταση και η συχνότητα των ακραίων καιρικών φαινομένων έχει αυξηθεί – μια τάση που θα συνεχιστεί καθώς το κλίμα θερμαίνεται. Αυτό ωθεί τις προσπάθειες σε όλο τον κόσμο για την ανάπτυξη μιας νέας γενιάς συστημάτων παρακολούθησης σεισμών και πρόβλεψης του κλίματος, ώστε να γίνει ο εντοπισμός και η αντιμετώπιση των καταστροφών ταχύτερα, φθηνότερα και ακριβέστερα από ποτέ.
Στις 6 Νοεμβρίου, στο Κέντρο Υπερυπολογιστών της Βαρκελώνης στην Ισπανία, θα συνεδριάσει για πρώτη φορά η Παγκόσμια Πρωτοβουλία για την Ανθεκτικότητα σε Φυσικούς Κινδύνους μέσω Λύσεων Τεχνητής Νοημοσύνης. Η νέα πρωτοβουλία των Ηνωμένων Εθνών έχει ως στόχο να καθοδηγήσει κυβερνήσεις, οργανισμούς και κοινότητες στη χρήση της τεχνητής νοημοσύνης για τη διαχείριση καταστροφών.
Η πρωτοβουλία βασίζεται σε σχεδόν τέσσερα χρόνια προεργασίας που έχουν γίνει από τη Διεθνή Ένωση Τηλεπικοινωνιών, τον Παγκόσμιο Μετεωρολογικό Οργανισμό (WMO) και το Πρόγραμμα Περιβάλλοντος του ΟΗΕ, οι οποίοι στις αρχές του 2021 συγκάλεσαν συλλογικά μια ομάδα εστίασης για να αρχίσουν να αναπτύσσουν βέλτιστες πρακτικές για τη χρήση της ΤΝ (AI) στη διαχείριση καταστροφών. Αυτές περιλαμβάνουν την ενίσχυση της συλλογής δεδομένων, τη βελτίωση των προβλέψεων και τον εξορθολογισμό των επικοινωνιών.
«Αυτό που βρίσκω συναρπαστικό είναι ότι, για έναν τύπο κινδύνου, υπάρχουν τόσοι πολλοί διαφορετικοί τρόποι με τους οποίους μπορεί να εφαρμοστεί η τεχνητή νοημοσύνη και αυτό δημιουργεί πολλές ευκαιρίες», λέει η Monique Kuglitsch, η οποία προήδρευσε της ομάδας εστίασης. Πάρτε για παράδειγμα τους τυφώνες: Το 2023, οι ερευνητές έδειξαν ότι η τεχνητή νοημοσύνη θα μπορούσε να βοηθήσει τους υπεύθυνους χάραξης πολιτικής να εντοπίσουν τα καλύτερα σημεία για την τοποθέτηση αισθητήρων κυκλοφορίας για τον εντοπισμό αποκλεισμών δρόμων μετά από τροπικές καταιγίδες στο Tallahassee της Φλόριντα. Και τον Οκτώβριο, οι μετεωρολόγοι χρησιμοποίησαν μοντέλα πρόβλεψης καιρού με τεχνητή νοημοσύνη για να προβλέψουν με ακρίβεια ότι ο τυφώνας Μίλτον θα προσγειωνόταν κοντά στο Siesta Key της Φλόριντα. Η τεχνητή νοημοσύνη χρησιμοποιείται επίσης για την αποτελεσματικότερη ειδοποίηση των μελών του κοινού. Πέρυσι, η Εθνική Μετεωρολογική Υπηρεσία ανακοίνωσε μια συνεργασία με την εταιρεία μετάφρασης AI Lilt για να βοηθήσει στην παροχή προβλέψεων στα ισπανικά και τα απλοποιημένα κινέζικα, η οποία, όπως λέει, μπορεί να μειώσει τον χρόνο μετάφρασης μιας προειδοποίησης για τυφώνα από μία ώρα σε 10 λεπτά.
Εκτός από το να βοηθά τις κοινότητες να προετοιμάζονται για καταστροφές, η ΤΝ χρησιμοποιείται επίσης για τον συντονισμό των προσπαθειών αντιμετώπισης. Μετά τον τυφώνα Μίλτον και τον τυφώνα Ίαν, η μη κερδοσκοπική οργάνωση GiveDirectly χρησιμοποίησε τα μοντέλα μηχανικής μάθησης της Google για να αναλύσει δορυφορικές εικόνες πριν και μετά τον τυφώνα για να εντοπίσει τις χειρότερα πληγείσες περιοχές και να δώσει ανάλογη προτεραιότητα στις χρηματικές επιχορηγήσεις. Πέρυσι, η ανάλυση των αεροφωτογραφιών με τεχνητή νοημοσύνη χρησιμοποιήθηκε σε πόλεις όπως το Quelimane της Μοζαμβίκης μετά τον κυκλώνα Freddy και το Adıyaman της Τουρκίας μετά από σεισμό 7,8 βαθμών, για να βοηθήσει τις προσπάθειες αντιμετώπισης.
Η λειτουργία των συστημάτων έγκαιρης προειδοποίησης αποτελεί πρωτίστως κυβερνητική ευθύνη, αλλά η μοντελοποίηση του κλίματος με τεχνητή νοημοσύνη -και, σε μικρότερο βαθμό, η ανίχνευση σεισμών- έχει γίνει μια αναπτυσσόμενη ιδιωτική βιομηχανία. Η νεοσύστατη εταιρεία SeismicAI δηλώνει ότι συνεργάζεται με τις υπηρεσίες πολιτικής προστασίας στις μεξικανικές πολιτείες Guerrero και Jalisco για την ανάπτυξη ενός δικτύου αισθητήρων ενισχυμένων με τεχνητή νοημοσύνη, το οποίο θα ανιχνεύει σεισμούς σε πραγματικό χρόνο. Οι τεχνολογικοί γίγαντες Google, Nvidia και Huawei συνεργάζονται με Ευρωπαίους προγνώστες και λένε ότι τα μοντέλα τους με βάση την τεχνητή νοημοσύνη μπορούν να δημιουργήσουν ακριβείς μεσοπρόθεσμες προβλέψεις χιλιάδες φορές πιο γρήγορα από τα παραδοσιακά μοντέλα, ενώ είναι λιγότερο εντατικά σε υπολογισμούς. Και τον Σεπτέμβριο, η IBM συνεργάστηκε με τη NASA για να κυκλοφορήσει ένα μοντέλο ανοικτού κώδικα γενικής χρήσης που μπορεί να χρησιμοποιηθεί για διάφορες περιπτώσεις κλιματικής μοντελοποίησης και το οποίο τρέχει σε έναν υπολογιστή γραφείου.
Τα πλεονεκτήματα της Τεχνητής Νοημοσύνης
Ενώ οι τεχνικές μηχανικής μάθησης έχουν ενσωματωθεί στα μοντέλα πρόγνωσης καιρού εδώ και πολλά χρόνια, οι πρόσφατες εξελίξεις έχουν επιτρέψει τη δημιουργία πολλών νέων μοντέλων που χρησιμοποιούν τεχνητή νοημοσύνη από την αρχή, βελτιώνοντας την ακρίβεια και την ταχύτητα της πρόγνωσης. Τα παραδοσιακά μοντέλα, τα οποία βασίζονται σε πολύπλοκες εξισώσεις βασισμένες στη φυσική για την προσομοίωση των αλληλεπιδράσεων μεταξύ νερού και αέρα στην ατμόσφαιρα και απαιτούν υπερυπολογιστές για να τρέξουν, μπορεί να χρειαστούν ώρες για να δημιουργήσουν μια απλή πρόγνωση. Αντίθετα, τα μοντέλα καιρού με τεχνητή νοημοσύνη μαθαίνουν να εντοπίζουν μοτίβα εκπαιδεύοντας δεκαετίες κλιματικών δεδομένων, τα περισσότερα από τα οποία συλλέχθηκαν μέσω δορυφόρων και επίγειων αισθητήρων και μοιράστηκαν μέσω διακυβερνητικής συνεργασίας.
Τόσο η τεχνητή νοημοσύνη όσο και οι προβλέψεις που βασίζονται στη φυσική λειτουργούν διαιρώντας τον κόσμο σε ένα τρισδιάστατο πλέγμα κουτιών και στη συνέχεια προσδιορίζοντας μεταβλητές όπως η θερμοκρασία και η ταχύτητα του ανέμου. Αλλά επειδή τα μοντέλα ΤΝ είναι πιο αποδοτικά από υπολογιστική άποψη, μπορούν να δημιουργήσουν πολύ πιο λεπτομερή πλέγματα. Για παράδειγμα, το μοντέλο υψηλότερης ανάλυσης του Ευρωπαϊκού Κέντρου Μεσοπρόθεσμων Προβλέψεων Καιρού χωρίζει τον κόσμο σε κουτάκια μήκους 5,5 μιλίων, ενώ η νεοσύστατη εταιρεία προβλέψεων Atmo προσφέρει μοντέλα λεπτότερα από ένα τετραγωνικό μίλι. Αυτή η αύξηση της ανάλυσης μπορεί να επιτρέψει την αποτελεσματικότερη κατανομή των πόρων κατά τη διάρκεια ακραίων καιρικών φαινομένων, κάτι που είναι ιδιαίτερα σημαντικό για τις πόλεις, λέει ο Johan Mathe, συνιδρυτής και CTO της εταιρείας, η οποία νωρίτερα φέτος σύναψε συμφωνίες με τις Φιλιππίνες και το νησιωτικό κράτος Τουβαλού.
Περιορισμοί
Τα μοντέλα που βασίζονται στην τεχνητή νοημοσύνη είναι συνήθως τόσο καλά όσο τα δεδομένα στα οποία εκπαιδεύονται, γεγονός που μπορεί να αποτελέσει περιοριστικό παράγοντα σε ορισμένες περιπτώσεις. «Όταν βρίσκεστε σε μια κατάσταση με πραγματικά υψηλό ρίσκο, όπως μια καταστροφή, πρέπει να είστε σε θέση να βασιστείτε στο αποτέλεσμα του μοντέλου», λέει ο Kuglitsch. Οι φτωχότερες περιοχές -που συχνά βρίσκονται στην πρώτη γραμμή των καταστροφών που σχετίζονται με το κλίμα- έχουν συνήθως λιγότερους και χειρότερα συντηρημένους αισθητήρες καιρού, για παράδειγμα, δημιουργώντας κενά στα μετεωρολογικά δεδομένα. Τα συστήματα τεχνητής νοημοσύνης που εκπαιδεύονται σε αυτά τα στρεβλά δεδομένα μπορεί να είναι λιγότερο ακριβή στα μέρη που είναι πιο ευάλωτα στις καταστροφές. Και σε αντίθεση με τα μοντέλα που βασίζονται στη φυσική, τα οποία ακολουθούν καθορισμένους κανόνες, καθώς τα μοντέλα τεχνητής νοημοσύνης γίνονται όλο και πιο πολύπλοκα, λειτουργούν όλο και περισσότερο ως εξελιγμένα «μαύρα κουτιά», όπου η διαδρομή από την είσοδο στην έξοδο γίνεται λιγότερο διαφανής. Η πρωτοβουλία του ΟΗΕ επικεντρώνεται στην ανάπτυξη κατευθυντήριων γραμμών για την υπεύθυνη χρήση της τεχνητής νοημοσύνης. Ο Kuglitsch λέει ότι τα πρότυπα θα μπορούσαν, για παράδειγμα, να ενθαρρύνουν τους προγραμματιστές να αποκαλύπτουν τους περιορισμούς ενός μοντέλου ή να διασφαλίζουν ότι τα συστήματα λειτουργούν πέρα από τα περιφερειακά σύνορα.
Η πρωτοβουλία θα δοκιμάσει τις συστάσεις της στο πεδίο συνεργαζόμενη με το μεσογειακό και πανευρωπαϊκό σύστημα πρόβλεψης και έγκαιρης προειδοποίησης κατά των φυσικών κινδύνων (MedEWSa), ένα έργο που προέκυψε από την ομάδα εστίασης. «Θα εφαρμόσουμε τις βέλτιστες πρακτικές από την ομάδα εστίασης και θα δημιουργήσουμε έναν βρόχο ανατροφοδότησης, για να καταλάβουμε ποιες από τις βέλτιστες πρακτικές είναι πιο εύκολο να ακολουθηθούν», λέει ο Kuglitsch. Ένα πιλοτικό έργο του MedEWSa θα διερευνήσει τη μηχανική μάθηση για την πρόβλεψη της εμφάνισης πυρκαγιών σε μια περιοχή γύρω από την Αθήνα, στην Ελλάδα. Ένα άλλο θα χρησιμοποιήσει τεχνητή νοημοσύνη για τη βελτίωση των προειδοποιήσεων για πλημμύρες και κατολισθήσεις στην περιοχή γύρω από την πόλη Τιφλίδα της Γεωργίας.
Εν τω μεταξύ, ιδιωτικές εταιρείες όπως η Tomorrow.io προσπαθούν να καλύψουν αυτά τα κενά συλλέγοντας τα δικά τους δεδομένα. Η νεοσύστατη επιχείρηση τεχνητής νοημοσύνης για την πρόγνωση του καιρού έχει εκτοξεύσει δορυφόρους με ραντάρ και άλλους μετεωρολογικούς αισθητήρες για τη συλλογή δεδομένων από περιοχές που δεν διαθέτουν επίγειους αισθητήρες, τα οποία συνδυάζει με ιστορικά δεδομένα για να εκπαιδεύσει τα μοντέλα της. Η τεχνολογία της Tomorrow.io χρησιμοποιείται από πόλεις της Νέας Αγγλίας, συμπεριλαμβανομένης της Βοστώνης, για να βοηθήσει τους αξιωματούχους της πόλης να αποφασίσουν πότε να αλατίσουν τους δρόμους πριν από τη χιονόπτωση. Χρησιμοποιείται επίσης από την Uber και την Delta Airlines.
Μια άλλη πρωτοβουλία του ΟΗΕ, η χρηματοδοτική διευκόλυνση για τη συστηματική παρατήρηση (SOFF), στοχεύει επίσης στην κάλυψη του χάσματος των μετεωρολογικών δεδομένων με την παροχή χρηματοδότησης και τεχνικής βοήθειας στις φτωχότερες χώρες. Ο Johan Stander, διευθυντής υπηρεσιών του WMO, ενός από τους εταίρους του SOFF, λέει ότι ο WMO συνεργάζεται με ιδιώτες προγραμματιστές τεχνητής νοημοσύνης, όπως η Google και η Microsoft, αλλά τονίζει τη σημασία του να μην παραδίδεται υπερβολική ευθύνη στα συστήματα τεχνητής νοημοσύνης.
«Δεν μπορείτε να πάτε σε μια μηχανή και να πείτε: ‘Εντάξει, έκανες λάθος. Απάντησέ μου, τι συμβαίνει;« Εξακολουθείς να χρειάζεσαι κάποιον να αναλάβει αυτή την ευθύνη», λέει. Θεωρεί ότι ο ρόλος των ιδιωτικών εταιρειών είναι «να υποστηρίζουν τις εθνικές υπηρεσίες μέτρησης, αντί να προσπαθούν να τις αναλάβουν».
Source: TIME MAGAZINE, Harry Booth and Tharin Pillay