صدها میلیون نفر در نزدیکی آب‌های اقیانوسی زندگی می‌کنند که ممکن است بدون هشدار قبلی طغیان کنند. بلایای طبیعی مانند طوفان‌ها و سیل‌ها اجتناب‌ناپذیر هستند و همواره خطری بزرگ برای مردم و اموال آن‌ها محسوب می‌شوند. اما هشدارهای زودهنگام می‌توانند به انجام اقدامات نجات‌بخش کمک کرده و در هنگام وقوع شرایط سخت، امنیت خانواده‌ها را افزایش دهند.
روش‌های سنتی هشداردهی به قدرت محاسباتی بالایی نیاز دارند. مدل‌های پیچیده معمولاً به ابررایانه‌های گران‌قیمت متکی هستند تا جریان‌های اقیانوسی را شبیه‌سازی کنند، که این فرآیند ممکن است ساعت‌ها طول بکشد. این تأخیر می‌تواند منجر به کند شدن اقدامات امدادی و ایجاد مشکلات بیشتر برای مردمی شود که در مسیر طوفان قرار دارند.
هوش مصنوعی به‌عنوان جایگزینی بهتر برای پیش‌بینی و هشداردهی مطرح شده است. مدل‌های مبتنی بر شبکه‌های عصبی، پس از یادگیری الگوهای باد و جزر و مد، می‌توانند پیش‌بینی‌ها را بسیار سریع‌تر از سیستم‌های قدیمی ارائه دهند. این سرعت جدید به تیم‌های امدادی و مقامات محلی کمک می‌کند تا اطلاعات دقیقی درباره مکان‌های پرخطر دریافت کنند.
در ایالت فلوریدا، پروفسور جه جیانگ و تیمش در حال توسعه ابزارهای پیشرفته یادگیری ماشینی هستند که می‌توانند حرکات اقیانوس را در مدت‌زمانی بی‌سابقه شبیه‌سازی کنند. این فناوری علاوه بر کاهش زمان پردازش، انرژی بسیار کمتری نسبت به مدل‌های عددی سنتی مصرف می‌کند. آزمایش‌های آن‌ها نشان داده است که این روش می‌تواند نتایج را چندین برابر سریع‌تر ارائه دهد، که می‌تواند به تصمیم‌گیری سریع‌تر مقامات پیش از وخیم‌تر شدن شرایط کمک کند.
آیا پیش‌بینی سیل و سونامی با هوش مصنوعی آسان‌تر شده است؟
آب‌های اقیانوس به‌شدت غیرقابل‌پیش‌بینی هستند، به‌ویژه زمانی که رویدادهای لرزه‌ای باعث ایجاد امواج عظیم می‌شوند. سونامی‌ها با سرعتی فوق‌العاده حرکت می‌کنند و به شهرهای ساحلی زمان کمی برای آماده شدن می‌دهند. در اینجا، روش‌های نوین می‌توانند تفاوت چشمگیری ایجاد کنند.
اسامه قدری، محقق دانشگاه کاردیف، سیگنال‌های صوتی اعماق دریا را بررسی کرده است. این امواج صوتی سریع‌تر از امواج سونامی حرکت می‌کنند و می‌توانند نشانه‌ای اولیه از آنچه در زیر آب رخ می‌دهد ارائه دهند. طرح او شامل یک سیستم یادگیری ماشینی همراه با چارچوبی ریاضی است که می‌تواند در عرض چند ثانیه هشدار ارسال کند.
این سیستم دوگانه، داده‌ها را در کسری از ثانیه جمع‌آوری کرده و نوع و شدت زمین‌لرزه را تجزیه‌وتحلیل می‌کند. همچنین تخمین می‌زند که آب بالای منطقه زلزله‌زده چگونه رفتار خواهد کرد. قدری با کمیسیون اقیانوس‌شناسی بین‌دولتی یونسکو همکاری کرده تا این فناوری را در مراکز هشداردهی سراسر جهان آزمایش کند.
یکی از موانع موجود در علم پیش‌بینی سونامی، کمبود داده است، زیرا زمین‌لرزه‌های عظیم به‌ندرت رخ می‌دهند. گروه تحقیقاتی قدری با ترکیب داده‌های واقعی و شبیه‌سازی‌شده، الگوریتم‌ها را اصلاح می‌کند. با گذشت زمان، انتظار می‌رود دقت این سیستم بهبود یابد، حتی برای زلزله‌های نادری که کمتر اتفاق می‌افتند.
هدف نهایی این است که این روش شناسایی صوتی را با روش‌های قدیمی مانند ایستگاه‌های لرزه‌نگاری و شناورها ترکیب کنند. این رویکرد ترکیبی می‌تواند احتمال هشدارهای کاذب را کاهش دهد. بسیاری از جوامع محلی به دلیل دریافت هشدارهای غلط مکرر، نسبت به این سیستم‌ها بی‌اعتماد شده‌اند. اما اگر منابع تأیید چندگانه وجود داشته باشد، اعتبار این هشدارها افزایش می‌یابد.
دانشمندان امیدوارند که این فناوری بتواند آمادگی مناطق ساحلی را تقویت کند. تهدید سونامی می‌تواند ویرانگر باشد و حتی چند دقیقه هشدار زودتر می‌تواند جان هزاران نفر را نجات دهد. گروه قدری این سیستم را گامی مهم در راستای ایمنی جهانی، به‌ویژه برای مناطقی که در معرض زلزله‌های شدید هستند، می‌داند.
هوش مصنوعی در امدادرسانی طوفان‌ها و مراقبت‌های پزشکی چه نقشی دارد؟
طوفان‌های بزرگ می‌توانند جاده‌ها، خطوط برق و مراکز درمانی را از کار بیندازند. در این شرایط، نیروهای امدادی باید به‌سرعت تشخیص دهند که کدام مناطق بیشترین نیاز را به کمک دارند. هوش مصنوعی، همراه با تصاویر ماهواره‌ای، می‌تواند مناطق سیل‌زده را تقریباً به‌صورت لحظه‌ای شناسایی کند.
تحلیل ماشینی می‌تواند تصاویر محله‌های آسیب‌دیده را اسکن کرده و آن‌ها را بر اساس میزان خسارت دسته‌بندی کند. این کار تصمیم‌گیری درباره محل فرود بالگردها یا اعزام تیم‌های امدادی را سرعت می‌بخشد. همچنین نقشه‌ای واضح از پل‌ها و جاده‌های تخریب‌شده ارائه می‌دهد که دیگر قابل استفاده نیستند.
در زمان سیل، پهپادها دارو و مواد غذایی را به مناطقی که خودروها به آن‌ها دسترسی ندارند، تحویل داده‌اند. دانشمندان در حال آزمایش پهپادهای مجهز به هوش مصنوعی هستند که می‌توانند به‌صورت خودکار در مناطق پرخطر پرواز کنند. این فناوری زمان موردنیاز برای رساندن تجهیزات به افراد گرفتار را کاهش می‌دهد.
در زمینه پزشکی، این سیستم‌های خودکار می‌توانند مشخص کنند که کدام بیمارستان‌ها بیش از حد شلوغ هستند. هدایت آمبولانس‌ها به مسیرهای خلوت‌تر می‌تواند جان بیماران را نجات دهد. برنامه‌ریزان همچنین می‌توانند الگوهای مراجعه بیماران را مشاهده کرده و تجهیزات موردنیاز را پیش‌بینی کنند.
برخی تیم‌های تحقیقاتی حتی در حال تحلیل الگوهای سلامت روان در مناطقی هستند که مکرراً دچار زلزله یا سیل می‌شوند. آن‌ها داده‌هایی درباره سطح استرس مردم جمع‌آوری کرده و از یادگیری ماشینی برای شناسایی جوامعی که بیشترین نیاز به کمک دارند، استفاده می‌کنند. این اطلاعات می‌تواند مشاوران و منابع حمایتی را به مکان‌های مناسب هدایت کند.
همچنین در بحران کرونا، از هوش مصنوعی برای مدیریت توزیع واکسن و ردیابی موارد ابتلا استفاده شد. این تجربه به سازمان‌ها نشان داد که الگوریتم‌ها می‌توانند در سایر بحران‌ها نیز مؤثر باشند.
البته نباید فراموش کرد که گاهی کامپیوترها می‌توانند غیرقابل‌اعتماد باشند. قطع برق یا خرابی حسگرها ممکن است سیستم‌های مبتنی بر هوش مصنوعی را از کار بیندازد. بنابراین، این فناوری نباید جایگزین کامل تجربه انسانی و روش‌های سنتی شود.
آیا هوش مصنوعی راه‌حلی کامل است؟
هوش مصنوعی بسیار هیجان‌انگیز به نظر می‌رسد، اما یک راه‌حل جادویی نیست. این سیستم‌ها به داده‌های گذشته متکی هستند و ممکن است نتوانند فجایع نادر و بی‌سابقه را به‌درستی پیش‌بینی کنند.
مشکل اعتماد نیز وجود دارد. گاهی مقامات نتایج هوش مصنوعی را به دلیل درک ناکافی از فرآیند آن، زیر سؤال می‌برند. اگر یک سیستم هوش مصنوعی دچار یک اشتباه بزرگ شود، جوامع محلی ممکن است به‌طور کلی اعتماد خود را به آن از دست بدهند.
علاوه بر این، تجهیزات پیشرفته مانند پهپادها، ماهواره‌ها و ابررایانه‌ها هزینه‌های زیادی دارند. برخی مناطق که به‌طور مداوم دچار بلایای طبیعی می‌شوند، ممکن است بودجه کافی برای استفاده از این فناوری‌ها را نداشته باشند.
بااین‌حال، بسیاری از متخصصان بر این باورند که هوش مصنوعی پتانسیل بالایی دارد. این فناوری می‌تواند حجم عظیمی از داده‌ها را پردازش کرده و سرعتی را ارائه دهد که انسان‌ها به‌تنهایی قادر به دستیابی به آن نیستند. حتی اگر کامل نباشد، می‌تواند ابزار ارزشمندی برای مدیریت بحران باشد، به‌شرط آنکه در کنار روش‌های سنتی به‌کار گرفته شود.
