Αυτό το γράφημα δείχνει πώς η τεχνητή νοημοσύνη μπορεί να βελτιώσει τις προβλέψεις για τσουνάμι. Το σύστημα αποθηκεύει ιστορικά και προσομοιωμένα χαρακτηριστικά σεισμού και τσουνάμι. Ένα δίκτυο οργάνων παρακολουθεί τα γεγονότα. Οι αλγόριθμοι βασίζονται στα δεδομένα για να προβλέψουν τα κυματικά χαρακτηριστικά μετά από λίγα μόνο λεπτά πραγματικών δεδομένων. (Συνέβαλε)
Ξέρω πολύ λίγα για την τεχνητή νοημοσύνη. Από τους τίτλους των μέσων ενημέρωσης, η τεχνητή νοημοσύνη μπορεί να ακούγεται ως η μεγαλύτερη απειλή για την ανθρώπινη κοινωνία ή η λύση σε πολλά προβλήματα. Σκέφτηκα ότι αξίζει να ψάξω λίγο για να δω πώς μπορεί να λειτουργήσει σε τομείς για τους οποίους γνωρίζω κάτι.
Εάν είστε σαν εμένα, πιθανότατα γνωρίζετε ότι η τεχνητή νοημοσύνη έχει κάποια σχέση με αλγόριθμους και μπορεί να προβλέψει τα αποτελέσματα, αλλά ίσως όχι πολύ περισσότερο. Έσκαψα σε λίγα βασικά στοιχεία της τεχνητής νοημοσύνης για να κατανοήσω καλύτερα πώς εφαρμόζεται στην ανίχνευση σεισμών, την έγκαιρη προειδοποίηση, την πρόβλεψη και την πρόβλεψη για τσουνάμι.
Οι υπολογιστές και οι αλγόριθμοι αποτελούν μέρος της σεισμολογίας για πάνω από μισό αιώνα. Στα πρώτα μου χρόνια στο μεταπτυχιακό στα τέλη της δεκαετίας του ’60, κουβαλούσα κουτιά με κάρτες διάτρησης στο κέντρο υπολογιστών, μαζεύοντάς τις αρκετές ώρες αργότερα, συχνά μόνο για να ανακαλύψω ένα μοιραίο σφάλμα που εμπόδισε την ολοκλήρωση του τρεξίματός μου. Η δική μου ήταν η μόνη νοημοσύνη που εμπλέκεται και συχνά έβρισκα την έλλειψη.
Η κρίσιμη πρόοδος στην τεχνητή νοημοσύνη είναι η ικανότητα του προγράμματος να μαθαίνει και να προσαρμόζεται χωρίς ανθρώπινη παρέμβαση. Για να γίνει αυτό, απαιτούνται τεράστιες ποσότητες πληροφοριών σχετικά με τη συγκεκριμένη εργασία – το μέρος της διαδικασίας μηχανικής εκμάθησης. Ο παραδοσιακός προγραμματισμός, όπως έκανα εγώ με τις στοίβες των καρτών μου, είναι σαν το μαγείρεμα. Ορίζετε προσεκτικά τι περιλαμβάνει η συνταγή, δίνοντας ένα λεπτομερές σύνολο οδηγιών για το τι υποτίθεται ότι πρέπει να κάνει ο υπολογιστής με τα δεδομένα που έχετε παράσχει.
Η μηχανική μάθηση (ML) είναι το «εκπαιδευτικό» μέρος της διαδικασίας τεχνητής νοημοσύνης, η φόρτωση ενός τεράστιου όγκου δεδομένων στο σύστημα και ο εντοπισμός οποιουδήποτε αριθμού μοτίβων. Η αναγνώριση ανεπιθύμητων τηλεφωνικών κλήσεων είναι ένα παράδειγμα που χρησιμοποιεί οποιοσδήποτε με smartphone σε καθημερινή βάση. Το σύνολο δεδομένων είναι αριθμοί τηλεφώνου και προηγούμενη συμπεριφορά. Ορισμένοι αριθμοί μπορούν να αναγνωριστούν ότι ανήκουν σε εταιρείες μάρκετινγκ. Άλλα αναγνωρίζονται από το περιεχόμενο των μηνυμάτων και τη συμπεριφορά των χρηστών. Κάθε φορά που εσείς ή οποιοσδήποτε άλλος επισημαίνει ένα μήνυμα ως ανεπιθύμητο, πηγαίνει στη μεγαλύτερη βάση δεδομένων και την επόμενη φορά που θα χρησιμοποιηθεί, επισημαίνεται ως πιθανό ανεπιθύμητο. Η ML επιτρέπει στο σύστημα να μαθαίνει νέα πράγματα καθώς αποκτά περισσότερα δεδομένα.
Το βήμα AI είναι οι αλγόριθμοι που λένε στους υπολογιστές τι να κάνουν με όλα τα δεδομένα που έχουν αποκτηθεί. Με ανεπιθύμητες τηλεφωνικές κλήσεις ή email, είναι μια σχετικά απλή διαδικασία αναγγελίας της ανεπιθύμητης κλήσης ή αποστολής της σε έναν φάκελο ανεπιθύμητης αλληλογραφίας. Δεν είναι τέλειο σύστημα. Ρίχνω μια γρήγορη ματιά στο φάκελο ανεπιθύμητης αλληλογραφίας μου κάθε εβδομάδα περίπου για να δω αν κάτι σημαντικό έχει καταλήξει εκεί, αλλά τα σφάλματα ήταν λίγα.
Υπάρχουν πολλές άλλες εφαρμογές AI/ML που είναι ήδη μέρος της καθημερινότητάς σας. Η τράπεζά σας ή το χρηματοπιστωτικό ίδρυμά σας χρησιμοποιεί τεχνητή νοημοσύνη για να εντοπίσει δόλιες συναλλαγές και τα συστήματα υγειονομικής περίθαλψης το συμπεριλαμβάνουν στις επιλογές διάγνωσης και θεραπείας. Εάν χρησιμοποιείτε μέσα κοινωνικής δικτύωσης, οι διαφημίσεις που εμφανίζονται στη ροή σας βασίζονται σε αυτό που κάνετε κλικ ή στο οποίο αποκρύπτετε. Μου αρέσουν τα σταυρόλεξα και μερικές φορές η αναζήτησή μου για ένα αστέρι hip-hop ή ασυνήθιστο ρούχο έχει οδηγήσει άμεσα σε ένα κύμα ασυνήθιστων αναρτήσεων διαφημίσεων.
Η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί ως περιγραφικό εργαλείο, για να κατανοήσουμε καλύτερα τι έχει συμβεί στην πραγματικότητα, ως προγνωστικό στοιχείο για το τι είναι πιο πιθανό να συμβεί στη συνέχεια ή για να κάνουμε προτάσεις ως προς τις διαθέσιμες επιλογές στη λήψη αποφάσεων. Όποια και αν είναι η εφαρμογή, η ακρίβεια και η χρησιμότητα είναι συνάρτηση των δεδομένων στα οποία βασίζεται — μετράει ποσότητα και ποιότητα!
Όσον αφορά τη σεισμολογία, μια γρήγορη ματιά μου στον δείκτη αναφοράς GEOBASE καταλήγει σε 400 αναφορές, συμπεριλαμβανομένων AI ή ML τα τελευταία πέντε χρόνια. Καλύπτουν ένα ευρύ φάσμα εφαρμογών όπως ο εντοπισμός μικρών σεισμών και μετασεισμών σε θορυβώδη περιβάλλοντα, οι σχέσεις μεταξύ των χαρακτηριστικών της πηγής και της ρήξης, η πρόβλεψη κινήσεων του εδάφους και ο εντοπισμός προηγουμένως απαρατήρητων σημάτων που θα μπορούσαν να δώσουν εικόνα για τη δυναμική της πηγής.
Το θέμα που έχει τραβήξει τη μεγαλύτερη προσοχή τόσο των μέσων όσο και της έρευνας είναι η χρήση του AI/ML ως εργαλείου πρόβλεψης σεισμών. Η πρόβλεψη της θέσης και του μεγέθους ενός σεισμού μέρες έως εβδομάδες νωρίτερα ήταν το ιερό δισκοπότηρο της σεισμολογίας για περισσότερο από έναν αιώνα. Ένα άρθρο του 1913 Scientific American διακήρυξε, «Πρόβλεψη σεισμών ακριβώς γύρω από τη γωνία». Αυτή η γωνία έχει αποδειχθεί πολύ μεγάλη.
Το σύστημα USGS ShakeAlert κάνει καλή δουλειά στην πρόβλεψη αισθητών σεισμών μέσα σε λίγα δευτερόλεπτα ΑΦΟΥ αρχίσει η ρήξη και προτού φτάσει σε εσάς η ισχυρότερη δόνηση. Αυτή είναι μια μεγάλη πρόοδος που επιτρέπει στα κρίσιμα συστήματα να απενεργοποιούνται και οι άνθρωποι να εγκαταλείπουν, να καλύπτουν και να κρατούν. Ωστόσο, από σήμερα, δεν έχουμε αξιόπιστο τρόπο για την έκδοση ακριβών ειδοποιήσεων για μεγαλύτερο χρονικό διάστημα.
Η ιδέα πίσω από τη χρήση AI/ML είναι ο εντοπισμός λεπτών μοτίβων που θα μπορούσαν να οδηγήσουν σε προβλέψεις με μεγαλύτερο χρόνο παράδοσης. Χρησιμοποιούνται πολλές διαφορετικές προσεγγίσεις, μερικές ακολουθούν μια εργαστηριακή προσέγγιση, άλλες χρησιμοποιούν δεδομένα GPS για ευαίσθητες αλλαγές της στάθμης της γης, ηλεκτρομαγνητικά σήματα, μοτίβα σεισμικότητας ή γεγονότα αργής ολίσθησης.
Η Κίνα είναι παγκόσμιος ηγέτης στην πρόβλεψη σεισμών με γνώμονα την τεχνητή νοημοσύνη. Ένας διεθνής διαγωνισμός που διοργανώθηκε από την Κίνα συγκέντρωσε 600 συμμετέχοντες από όλο τον κόσμο. Μια ομάδα από το Πανεπιστήμιο του Τέξας πήρε την πρώτη θέση, προβλέποντας με ακρίβεια το 70% των σεισμών κατά τη διάρκεια μιας επτάμηνης δοκιμής στην Κίνα. Χρησιμοποίησαν ιστορικά δεδομένα σεισμών και ανέπτυξαν αλγόριθμους αναγνώρισης προτύπων για να εκδώσουν προβλέψεις. Η ομάδα του Τέξας υπολόγισε με ακρίβεια το μέγεθος και τις προβλεπόμενες τοποθεσίες 14 μέτριων σεισμών σε απόσταση 200 μιλίων από το πραγματικό επίκεντρο.
Ενώ το επίτευγμα έλαβε επαίνους και την προσοχή των μέσων ενημέρωσης, δεν είναι σε καμία περίπτωση έτοιμο για την πρώτη στιγμή. Στο ίδιο χρονικό διάστημα, εξέδωσε οκτώ ψευδείς προειδοποιήσεις και έχασε έναν σεισμό εντελώς. Οι προβλέψεις γίνονται ενεργές μόνο με πολύ υψηλότερο επίπεδο ακρίβειας.
Το ενδιαφέρον μου για την AI/ML κορυφώθηκε αφού άκουσα μια ομιλία την περασμένη εβδομάδα σχετικά με τις εφαρμογές για την πρόβλεψη για τσουνάμι. Ο Chris Moore της NOAA εργάζεται για τη βελτίωση των εκτιμήσεων για τα ύψη των κυμάτων τσουνάμι χρησιμοποιώντας τα πρώτα λεπτά του τρένου κυμάτων τσουνάμι σε όργανα βαθιάς ωκεανού. Τα τσουνάμι είναι προβληματικά επειδή η κατανομή του πραγματικού χρόνου και του χώρου είναι τόσο περιορισμένη. Η ομάδα του αύξησε τα πραγματικά δεδομένα δημιουργώντας προσομοιωμένες πηγές από όλο τον Ειρηνικό.
Εκπαιδεύοντας το πρόγραμμα με χιλιάδες προσομοιωμένους σεισμούς, η ομάδα μπόρεσε να πάρει πολύ ακριβείς προβλέψεις για ολόκληρο το συρμό κυμάτων, κοιτάζοντας μόνο 12 λεπτά πραγματικών δεδομένων. Αυτό θα μπορούσε να έχει συνέπειες για εμάς την επόμενη φορά που θα συμβεί ένας μεγάλος σεισμός κάπου στον Ειρηνικό, λέγοντάς μας όχι μόνο την ώρα άφιξης του πρώτου κύματος, αλλά και του δεύτερου, τρίτου, τέταρτου και μεταγενέστερου, και ποιος είναι πιθανό να είναι ο μεγαλύτερη.
Ανεξάρτητα από το πόσο ρόδινο είναι το μέλλον για την τεχνητή νοημοσύνη στις επιστήμες της γης, η δόνηση του εδάφους που διαρκεί πολύ θα εξακολουθεί να είναι η προειδοποίησή μου για να βγω από τη ζώνη κινδύνου για τσουνάμι.
Σημείωση: για μια πιο λεπτομερή επισκόπηση της τεχνητής νοημοσύνης και της μηχανικής εκμάθησης, επισκεφθείτε https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained
Η Lori Dengler είναι ομότιμη καθηγήτρια γεωλογίας στο Cal Poly Humboldt, ειδικός σε κινδύνους από τσουνάμι και σεισμούς. Ερωτήσεις ή σχόλια σχετικά με αυτήν τη στήλη ή θέλετε ένα δωρεάν αντίτυπο του περιοδικού ετοιμότητας «Living on Shaky Ground»; Αφήστε ένα μήνυμα στο 707-826-6019 ή στείλτε email στο Kamome@humboldt.edu.