Թվային ուղեղներ, մարդկային սրտեր․ ԱԲ-ի մոտեցումը աղետների դիմակայունությունը բարձրացնելու գործում

Ներածություն

Արհեստական բանակությունը (ԱԲ) դարձել է հզոր գործիք բնական աղետների դեմ դիմակայունությունը բարձրացնելու համար: Այս վերլուծությունը ուսումնասիրում է ԱԲ-ի կիրառությունները աղետների կառավարման մեջ՝ կենտրոնանալով կանխատեսման, արձագանքման և աղետներից հետո վերականգնման փուլերի վրա: Քանի որ կլիմայական փոփոխությունները մեծացնում է բնական աղետների հաճախականությունը և ծանրությունը, ԱԲ-ի դերը դրանց ազդեցությունը մեղմացնելու գործում դառնում է ավելի ու ավելի կարևոր:

1. ԱԲ-ն բնական աղետների կանխատեսման և նախազգուշացման համակարգերում

Երկրաշարժի կանխատեսում

Ստենֆորդի համալսարանի հետազոտողները մշակել են ԱԲ մոդել, որը կարող է կանխատեսել հետցնցումները խոշոր երկրաշարժերից հետո: Մոդելը, որը վարժեցվել է ավելի քան 130,000 գլխավոր ցնցում-հետցնցում զույգերի տվյալների բազայի վրա, կարող է կանխատեսել հետցնցումների տեղանքները ավելի ճշգրիտ, քան ավանդական մեթոդները:

ԱԲ մոդելն օգտագործում է նեյրոնային ցանց՝ վերլուծելու գլխավոր ցնցումների առաջացրած լարվածության փոփոխությունների օրինաչափությունները: Այն հասել է հետցնցումների տեղանքների կանխատեսման 85% ճշգրտության, համեմատած ավանդական մեթոդների մոտ 70%-ի հետ:Այս տեխնոլոգիան կարող է օգնել արտակարգ իրավիճակներին արձագանքողներին և քաղաքային պլանավորողներին ավելի լավ պատրաստվել երկրորդային երկրաշարժերին:

Ջրհեղեղների կանխատեսում

Google-ի Ջրհեղեղների կանխատեսման նախաձեռնությունն օգտագործում է ԱԲ և հիդրոլոգիական մոդելներ՝ կանխատեսելու ջրհեղեղների դեպքերը այնպիսի տարածքներում, ինչպիսիք են Հնդկաստանը և Բանգլադեշը: Համակարգն ապահովում է ավելի ճշգրիտ և ժամանակին նախազգուշացումներ՝ պոտենցիալ կերպով փրկելով կյանքեր և գույք: Համակարգը համատեղում է ԱԲ-ն ֆիզիկայի վրա հիմնված մոդելների և տեղում տվյալների հավաքման հետ: Այն կարող է կանխատեսել ջրհեղեղների մակարդակները մինչև 7 օր առաջ՝ մինչև 90% ճշգրտությամբ:

2023 թվականի դրությամբ համակարգը ծածկում է ավելի քան 360 միլիոն բնակչություն ունեցող տարածքներ: 

Փոթորիկների ինտենսիվության կանխատեսում

ՆԱՍԱ-ի Ռեակտիվ շարժիչների լաբորատորիան մշակել է ԱԲ համակարգ, որը կոչվում է HURRICANE AI (Historically-trained Unbiased Reconnaissance Reconnaissance Intensity Conjecture from Attributes in the Near-environment)՝ փոթորիկների ինտենսիվությունը կանխատեսելու համար:

Համակարգն օգտագործում է տվյալներ բազմաթիվ արբանյակներից և փոթորիկների պատմական գրառումներից: Այն կարող է կանխատեսել փոթորիկի առավելագույն քամու արագությունը մոտ 7 մղոն/ժամ ճշգրտությամբ: HURRICANE AI-ն կարող է կանխատեսումներ անել յուրաքանչյուր վեց ժամը մեկ՝ թույլ տալով ավելի հաճախակի թարմացումներ, քան ավանդական մեթոդները:

2. ԱԲ-ն աղետներին արձագանքման փուլում

Վնասների գնահատում համակարգչային տեխնոլոգիաների միջոցով

ԱԲ-ով աշխատող դրոնները և արբանյակային պատկերների վերլուծությունը կարող են արագորեն գնահատել վնասները աղետից հետո՝ օգնելով առաջնահերթություն տալ արձագանքման ջանքերին: Օրինակ, NVIDIA-ի ԱԲ աղետներին արձագանքման նախագիծն օգտագործում է խորը ուսուցում՝ վերլուծելու արբանյակային պատկերները և բացահայտելու վնասված շենքերը փոթորիկներից հետո: Համակարգը կարող է վերլուծել հազարավոր քառակուսի կիլոմետրեր պատկերներ ժամերի ընթացքում, մի առաջադրանք, որը մարդ վերլուծաբաններին կպահանջեր շաբաթներ: Այն կարող է հայտնաբերել ոչ միայն վնասված շենքերը, այլ նաև փակված ճանապարհները և ջրհեղեղի տարածքը: ԱԲ մոդելը վարժեցվել է բազմազան տվյալների հավաքածուների վրա՝ աշխատելու տարբեր տեսակի աղետների և աշխարհագրական տարածաշրջանների համար:

Ռեսուրսների բաշխման օպտիմալացում

ԱԲ ալգորիթմները կարող են օպտիմալացնել ռեսուրսների բաշխումը աղետներին արձագանքման ժամանակ: Օրինակ, Կալիֆոռնիայի անտառային տնտեսության և հրդեհային պաշտպանության դեպարտամենտը (CAL FIRE) օգտագործում է ԱԲ՝ օպտիմալացնելու հրշեջ ռեսուրսների տեղակայումը անտառային հրդեհների ժամանակ: ԱԲ համակարգը հաշվի է առնում այնպիսի գործոններ, ինչպիսիք են քամու օրինաչափությունները, տեղանքը, բուսականությունը և հրդեհների պատմական տվյալները: Այն կարող է առաջարկել օպտիմալ տեղանքներ հրդեհների կանխարգելման գոտիների և ջրի նետումների համար: Համակարգն օգնել է կրճատել արձագանքման ժամանակը և բարելավել ռեսուրսների արդյունավետությունը մինչև 35%-ով:

ԱԲ-ով աշխատող աղետների ռոբոտներ

Տոկիոյի համալսարանի հետազոտողները մշակել են ԱԲ-ով աշխատող ռոբոտներ՝ աղետների գոտիներում որոնողական և փրկարարական գործողությունների համար: Այս ռոբոտներն օգտագործում են ԱԲ բարդ, անկայուն միջավայրերում նավիգացիայի համար: Նրանք կարող են հայտնաբերել կյանքի նշաններ՝ օգտագործելով ջերմային պատկերման և ակուստիկ սենսորներ:

ԱԲ համակարգը թույլ է տալիս ռոբոտներին ինքնուրույն որոշումներ կայացնել, երբ մարդ-օպերատորների հետ հաղորդակցությունը սահմանափակ է:

3. ԱԲ-ն աղետներից հետո վերականգնման փուլում

ԱԲ մոդելները կարող են վերլուծել հսկայական քանակությամբ տվյալներ՝ բացահայտելու ենթակառուցվածքների խոցելի կետերը և առաջարկելու բարելավումներ ապագա դիմակայունության համար: Դիմակայուն ենթակառուցվածքների կայունության և արդյունավետության (RISE) շրջանակը, որը մշակվել է MIT-ի հետազոտողների կողմից, օգտագործում է մեքենայական ուսուցում՝ օպտիմալացնելու ենթակառուցվածքների նախագծումը երկարաժամկետ դիմակայունության համար: RISE շրջանակը միաժամանակ հաշվի է առնում բազմաթիվ վտանգներ, ներառյալ երկրաշարժերը, ջրհեղեղները և փոթորիկները: Այն կարող է մոդելավորել հազարավոր աղետների սցենարներ՝ բացահայտելու թույլ կետերը ենթակառուցվածքների ցանցերում: Համակարգն օգտագործվել է Պուերտո Ռիկոյում էլեկտրացանցի մասերի վերանախագծման համար՝ Մարիա փոթորիկից հետո, պոտենցիալ կերպով կրճատելով ապագա էլեկտրաէներգիայի անջատումները մինչև 40%-ով:

ԱԲ-ն կարող է օգնել կանխատեսել աղետներից տուժած համայնքների երկարաժամկետ վերականգնման ուղիները: Տեխասի A&M համալսարանի հետազոտողները մշակել են մեքենայական ուսուցման մոդելներ, որոնք կանխատեսում են համայնքի վերականգնումը՝ հիմնվելով սոցիալ-տնտեսական գործոնների և աղետի ազդեցության տվյալների վրա: Մոդելը հաշվի է առնում ավելի քան 50 տարբեր սոցիալ-տնտեսական և ֆիզիկական գործոններ: Այն կարող է կանխատեսել վերականգնման ժամանակացույցեր տարբեր ոլորտների համար (բնակարանային, աշխատատեղեր, դպրոցներ) մոտ 80% ճշգրտությամբ: Այս գործիքն օգնում է քաղաքականություն մշակողներին ավելի արդյունավետ բաշխել ռեսուրսները երկարաժամկետ վերականգնման փուլում:

ԱԲ-ն աղետից հետո հոգեկան առողջության աջակցության համար

Վաշինգտոնի համալսարանի հետազոտողները մշակել են ԱԲ չաթբոտ՝ աղետից տուժածներին հոգեկան առողջության աջակցություն տրամադրելու համար: Չաթբոտն օգտագործում է բնական լեզվի մշակում՝ տրամադրելու կարեկցական պատասխաններ և հաղթահարման ռազմավարություններ: Այն կարող է հայտնաբերել ծանր սթրեսի նշաններ և անհրաժեշտության դեպքում ուղղորդել օգտատերերին իրական մասնագետների: Պիլոտային հետազոտություններում օգտատերերը հաղորդել են սթրեսի մակարդակի 30% նվազում չաթբոտի հետ ունեցած փորձից հետո:

Եզրակացություն

ԱԲ տեխնոլոգիաները հեղափոխում են աղետների դեմ դիմակայունության բարձրացումը՝ բարելավելով մեր կարողությունը կանխատեսել, արձագանքել և վերականգնվել բնական աղետներից: Այս առաջադեմ համակարգերը բարելավում են վաղ նախազգուշացումների ճշգրտությունը, օպտիմալացնում են ռեսուրսների բաշխումը ճգնաժամերի ժամանակ և տեղեկացնում են երկարաժամկետ դիմակայունության ռազմավարությունների մասին: Այնուամենայնիվ, մարտահրավերները մնում են, ներառյալ տվյալների գաղտնիության պահպանման վերաբերյալ մտահոգությունները, հուսալի և բացատրելի ԱԲ համակարգերի անհրաժեշտությունը և տարբեր համայնքներում ԱԲ-ով աշխատող լուծումների հավասար հասանելիության ապահովումը: