Μια ερευνητική ομάδα από το Πανεπιστήμιο Brown και το Ινστιτούτο Τεχνολογίας της Μασαχουσέτης, ανέπτυξε μια πρωτοποριακή μέθοδο για την πρόβλεψη επικίνδυνων και καταστροφικών φαινομένων με τη βοήθεια της τεχνητής νοημοσύνης. Όπως επισημαίνει η ομάδα στην οποία συμμετείχαν και Έλληνες επιστήμονες της διασποράς, τα γεγονότα αυτά είναι τόσο σπάνια που δεν υπάρχουν επαρκή δεδομένα ώστε να τους επιτρέπουν να υπολογίσουν τον επερχόμενο κίνδυνο.
Οι επιστήμονες συνδύασαν στατιστικούς αλγορίθμους, οι οποίοι απαιτούν λιγότερα δεδομένα για να κάνουν ακριβείς προβλέψεις, με μια ισχυρή τεχνική μηχανικής μάθησης, προκειμένου να παρακάμψουν την ανάγκη για μεγάλο όγκο προηγούμενων δεδομένων.
«Πρέπει να τονίσουμε ότι πρόκειται για στοχαστικά συμβάντα», αναφέρει ο συγγραφέας της μελέτης Γιώργος Καρνιαδάκης, καθηγητής εφαρμοσμένων μαθηματικών και μηχανικής στο Πανεπιστήμιο Brown, σε ανακοίνωση του πανεπιστημίου.
«Μια πανδημία όπως η Covid-19, μια περιβαλλοντική καταστροφή στον Κόλπο του Μεξικού, οι τεράστιες πυρκαγιές στην Καλιφόρνια- αυτά είναι σπάνια γεγονότα και επειδή είναι σπάνια, δεν έχουμε πολλά ιστορικά δεδομένα. Δεν έχουμε αρκετά δείγματα από το παρελθόν για να μπορούμε να προβλέψουμε τι θα γίνει στο μέλλον. Το ερώτημα που θέτουμε στη μελέτη μας είναι το εξής: Ποια είναι τα καλύτερα δυνατά δεδομένα που μπορούμε να χρησιμοποιήσουμε για να ελαχιστοποιήσουμε τον αριθμό των σημείων δεδομένων που χρειαζόμαστε;»
Η ομάδα διαπίστωσε ότι η χρήση της ενεργούς μάθησης (active learning), μιας τεχνικής διαδοχικής δειγματοληψίας, ήταν ο σωστός τρόπος. Αυτοί οι αλγόριθμοι αναλύουν την εισαγωγή δεδομένων και «εκπαιδεύονται» για να επισημαίνουν νέα σημεία δεδομένων ίσης ή και μεγαλύτερης σημασίας. Το μοντέλο μηχανικής μάθησης που χρησιμοποίησαν ονομάζεται DeepOnet, ένας τύπος τεχνητού νευρωνικού δικτύου που χρησιμοποιεί διασυνδεδεμένους και πολυεπίπεδους κόμβους που μπορούν να μιμηθούν τις νευρωνικές συνδέσεις του ανθρώπινου εγκεφάλου.
Πώς προβλέπει το σύστημα μελλοντικά γεγονότα;
Το σύστημα είναι πιο ισχυρό από τα τυπικά τεχνητά νευρωνικά δίκτυα, καθώς απαρτίζεται από δυο ξεχωριστά δίκτυα που επεξεργάζονται παράλληλα τα δεδομένα. Αυτό επιτρέπει την ταχεία ανάλυση μεγάλων ποσοτήτων δεδομένων, ενώ παράλληλα παράγει εξίσου μεγάλες ποσότητες δεδομένων. Σε αυτή τη μελέτη, οι ερευνητές μπόρεσαν να αποδείξουν ότι το DeepOnet, μαζί με τεχνικές ενεργούς μάθησης, μπορεί να εντοπίσει με ακρίβεια δείκτες ενός καταστροφικού γεγονότος χωρίς πολλά διαθέσιμα δεδομένα.
«Ο στόχος μας δεν είναι να πάρουμε κάθε πιθανό δεδομένο και να το βάλουμε στο σύστημα, αλλά να αναζητήσουμε προληπτικά γεγονότα που θα σηματοδοτήσουν τα σπάνια γεγονότα», εξήγησε ο Καρνιαδάκης.
Η ομάδα διαπίστωσε μάλιστα ότι η μέθοδός της είναι πιο αποτελεσματική από τα συμβατικά μοντέλα και συμφωνεί ότι το πλαίσιό της μπορεί να αποτελέσει προηγούμενο για πιο αποτελεσματικές προβλέψεις σπάνιων φυσικών γεγονότων.
Τα ευρήματα δημοσιεύθηκαν στο περιοδικό «Nature Computational Science».