به گزارش واحد روابط عمومی سازمان ملی کارآفرینی ایران:
این مطلب، سومین مقاله از مجموعهی ترجمههای اختصاصی ویژهنامهی «هوش مصنوعی ۲۰۲۵» مجلهی تایم (Time Magazine: Artificial Intelligence 2025 Special Edition) و نوشتهی هری بوث و تارین پیلی است.
طی ۵۰ سال گذشته، جمعیت ساکن در مناطق شهری سه برابر شده است. این بدان معناست که وقتی فاجعهای طبیعی همچون زلزله شهری را دربر میگیرد، شمار بیشتری از انسانها در معرض خطر قرار میگیرند. همزمان، قدرت و فراوانی رخدادهای جوی شدید مانند طوفانها، سیلها و امواج گرمایی نیز افزایش یافته و پیشبینی میشود این روند با ادامهی گرمایش زمین شدت گیرد.
همین مسئله موجب شده است پژوهشگران و نهادهای بینالمللی در پی توسعهی نسل جدیدی از سامانههای هوشمند پایش زلزله و پیشبینی اقلیم برآیند؛ سامانههایی که بتوانند تشخیص و واکنش در برابر بلایا را سریعتر، ارزانتر و دقیقتر از هر زمان دیگری ممکن سازند.
در نوامبر ۲۰۲۴، نخستین نشست ابتکار جهانی موسوم به Global Initiative on Resilience to Natural Hazards through AI Solutions در مرکز ابررایانهی بارسلونا (Barcelona Supercomputing Center) برگزار شد. این طرح که با حمایت سازمان ملل متحد شکل گرفته است، هدف دارد تا به دولتها، سازمانها و جوامع محلی کمک کند تا از توان هوش مصنوعی در مدیریت بلایا بهره بگیرند و تابآوری خود را در برابر خطرات طبیعی افزایش دهند.
مونیک کوگلیتش، پژوهشگر هواشناسی:
«وقتی در شرایطی واقعاً حساس و بحرانی مانند وقوع یک بلای طبیعی هستید باید بتوانید به خروجی مدلهای هوش مصنوعی اعتماد کنید.»
توسعهی همکاری جهانی برای استفاده از هوش مصنوعی در مدیریت بلایا
این ابتکار بر پایهی نزدیک به چهار سال فعالیت مقدماتی بنا شده است که توسط اتحادیه بینالمللی مخابرات (ITU)، سازمان جهانی هواشناسی (WMO) و برنامه محیط زیست سازمان ملل متحد (UNEP) انجام گرفت. این نهادها از اوایل سال ۲۰۲۱، گروه ویژهای را تشکیل دادند تا دستورالعملها و الگوهای کاربرد هوش مصنوعی در مدیریت بحران را تدوین کنند؛ دستورالعملهایی که شامل بهبود جمعآوری دادهها، ارتقای دقت پیشبینیها و تسهیل ارتباطات در شرایط اضطراری است.
مونیک کوگلیتش، رئیس این گروه ویژه، میگوید:
«آنچه هیجانانگیز است، این است که حتی برای یک نوع خطر طبیعی، روشهای بسیار متنوعی برای بهکارگیری هوش مصنوعی وجود دارد و همین تنوع، فرصتهای فراوانی ایجاد میکند.»
برای نمونه، در سال ۲۰۲۳ پژوهشگران نشان دادند که هوش مصنوعی میتواند به سیاستگذاران کمک کند تا مناسبترین نقاط برای نصب حسگرهای ترافیکی را جهت تشخیص انسداد جادهها پس از طوفانهای استوایی در شهر تالاهاسی فلوریدا شناسایی کنند. همچنین در اکتبر ۲۰۲۴، هواشناسان با استفاده از مدلهای پیشبینی مبتنی بر هوش مصنوعی توانستند بهدقت محل فرود طوفان «میلتون» در نزدیکی سییستا کی، فلوریدا را پیشبینی کنند.
علاوه بر این، هوش مصنوعی اکنون در سامانههای هشدار عمومی چندزبانه نیز به کار گرفته میشود. برای مثال، در سال ۲۰۲۳، سازمان ملی هواشناسی آمریکا با همکاری شرکت ترجمهی مبتنی بر هوش مصنوعی Lilt اعلام کرد که میتواند زمان ترجمهی هشدارهای طوفان به زبانهای اسپانیایی و چینی سادهشده را از یک ساعت به تنها ده دقیقه کاهش دهد.
هوش مصنوعی تنها به پیشبینی بلایا محدود نمیشود، بلکه در مرحلهی واکنش و امدادرسانی پس از بحران نیز نقشی فزاینده دارد. پس از وقوع طوفانهای یان (۲۰۲۲) و میلتون (۲۰۲۴)، سازمان غیردولتی GiveDirectly با استفاده از مدلهای یادگیری ماشینی گوگل، تصاویر ماهوارهای پیش و پس از حادثه را تحلیل کرد تا مناطق بیشترین آسیب را شناسایی و پرداخت نقدی فوری به آسیبدیدگان را اولویتبندی کند. در سال ۲۰۲۳ نیز از تحلیل هوش مصنوعی بر روی تصاویر هوایی در شهرهای کِلیمِنه (موزامبیک) پس از طوفان فِرِدی و آدییامان (ترکیه) پس از زلزلهی ۷.۸ ریشتری، برای هدایت عملیات امدادرسانی استفاده شد.
در حالی که راهاندازی سامانههای هشدار زودهنگام هنوز عمدتاً وظیفهی دولتهاست، مدلسازی اقلیمی مبتنی بر هوش مصنوعی و تا حدودی تشخیص زلزله به صنعتی نوظهور در بخش خصوصی تبدیل شده است. شرکت SeismicAI اعلام کرده که در همکاری با نهادهای امداد مدنی ایالتهای گوئررو و خالیسکو در مکزیک، شبکهای از حسگرهای تقویتشده با هوش مصنوعی را برای تشخیص بلادرنگ زلزلهها مستقر میکند.
در همین حال، شرکتهای بزرگ فناوری مانند گوگل، انویدیا و هواوی در همکاری با سازمانهای هواشناسی اروپا، مدلهای پیشبینی مبتنی بر هوش مصنوعی را توسعه دادهاند که میتوانند پیشبینیهای میانمدت را هزاران برابر سریعتر از مدلهای سنتی و با مصرف محاسباتی کمتر تولید کنند. افزون بر این، در سپتامبر ۲۰۲۴، شرکت IBM با همکاری ناسا یک مدل متنباز و چندمنظوره برای مدلسازی اقلیم معرفی کرد که حتی روی رایانههای شخصی رومیزی نیز قابل اجراست.
پیشرفتهای هوش مصنوعی در پیشبینی وضعیت هوا
هرچند روشهای یادگیری ماشینی سالهاست در مدلهای پیشبینی هوا به کار گرفته میشوند اما پیشرفتهای اخیر در هوش مصنوعی امکان ساخت نسل تازهای از مدلهای پیشبینی را از پایه با اتکا به هوش مصنوعی فراهم کرده است. نتیجهی این تحول، افزایش چشمگیر سرعت و دقت پیشبینیهای جوی است.
در مدلهای سنتی، شبیهسازی وضعیت جو بر پایهی معادلات پیچیدهی فیزیکی صورت میگیرد که تعامل میان آب و هوا را توصیف میکنند و برای اجرا به ابررایانهها نیاز دارند. چنین مدلهایی گاه ساعتها زمان برای تولید یک پیشبینی واحد صرف میکنند. در مقابل، مدلهای هوش مصنوعی با آموزش بر دادههای اقلیمی چند دهه گذشته که بیشتر از طریق ماهوارهها و حسگرهای زمینی گردآوری و از طریق همکاریهای بیندولتی به اشتراک گذاشته شدهاند، میتوانند الگوهای تغییرات آبوهوا را تشخیص دهند و پیشبینیهایی بسیار سریعتر ارائه کنند.
هر دو نوع مدل فیزیکی و مبتنی بر هوش مصنوعی با تقسیم کره زمین به شبکهای سهبعدی از بلوکها کار میکنند و برای هر بلوک، متغیرهایی چون دما و سرعت باد را تعیین مینمایند. اما از آنجا که مدلهای هوش مصنوعی از نظر محاسباتی کارآمدتر هستند، میتوانند شبکههایی با دقت بالاتر ایجاد کنند. بهعنوان مثال، مرکز اروپایی پیشبینیهای میانمدت جوی (ECMWF) در دقیقترین مدل خود، جهان را به بلوکهایی با ابعاد ۵.۵ مایل تقسیم میکند، در حالی که شرکت Atmo مدلهایی با وضوح کمتر از یک مایل مربع ارائه میدهد.
به گفتهی یوهان ماته، همبنیانگذار و مدیر ارشد فناوری شرکت Atmo، این افزایش وضوح بهویژه برای شهرها اهمیت حیاتی دارد، زیرا امکان تخصیص بهینهتر منابع در شرایط بحرانی ناشی از پدیدههای شدید جوی را فراهم میکند. این شرکت در سال ۲۰۲۴ قراردادهایی با فیلیپین و کشور جزیرهای تووالو برای بهرهبرداری از این مدلهای پیشرفته امضا کرده است.
محدودیتها و چالشهای استفاده از هوش مصنوعی در پیشبینی بلایا
مدلهای هوش مصنوعی معمولاً به اندازهی کیفیت دادههایی که با آنها آموزش دیدهاند، کارآمد هستند و همین مسئله میتواند در برخی مناطق به محدودیت تبدیل شود.
مونیک کوگلیتش، پژوهشگر هواشناسی، میگوید:
«وقتی در شرایطی واقعاً حساس، مانند وقوع بلایای طبیعی قرار دارید، باید بتوانید به خروجی مدل اعتماد کنید.»
با این حال، مناطق فقیرتر که اغلب در خط مقدم بلایای مرتبط با تغییرات اقلیمی قرار دارند معمولاً تعداد کمتری حسگرهای هواشناسی دارند یا این حسگرها بهخوبی نگهداری نمیشوند؛ در نتیجه، شکافهایی در دادههای هواشناسی ایجاد میشود. سیستمهای هوش مصنوعی که بر اساس چنین دادههای ناقص و نامتوازن آموزش میبینند، ممکن است در پیشبینی شرایط بحرانی در همین مناطق آسیبپذیر، دقت پایینتری داشته باشند.
برخلاف مدلهای فیزیکی که از قواعد علمی مشخصی پیروی میکنند، مدلهای هوش مصنوعی هرچه پیچیدهتر میشوند، بیشتر به جعبهسیاه¬هایی پیچیده شباهت پیدا میکنند؛ جایی که مسیر بین دادهی ورودی و نتیجهی خروجی دیگر بهروشنی قابل ردیابی نیست. از همینرو، تمرکز ابتکار سازمان ملل بر تدوین دستورالعملهایی برای استفادهی مسئولانه از هوش مصنوعی است.
کوگلیتش توضیح میدهد که این استانداردها میتوانند توسعهدهندگان را ملزم کنند تا محدودیتهای مدلهای خود را بهصورت شفاف اعلام کنند یا اطمینان دهند که سامانهها در مرزهای جغرافیایی و دادهای مختلف عملکرد قابلاعتماد داشته باشند. این ابتکار قرار است پیشنهادهای خود را از طریق همکاری با پروژهی MedEWSa سامانهی هشدار سریع مدیترانهای و پاناروپایی در عمل بیازماید.
او میگوید:
«قرار است بهترین شیوههای استخراجشده از گروه ویژه را در میدان آزمایش کنیم تا ببینیم کدامیک عملیتر و اثربخشتر هستند.»
یکی از طرحهای آزمایشی MedEWSa، استفاده از یادگیری ماشینی برای پیشبینی آتشسوزیهای احتمالی در اطراف آتن، یونان است؛ پروژهای دیگر نیز به بهبود هشدارهای سیل و رانش زمین در حومهی تفلیس، پایتخت گرجستان اختصاص دارد.
در کنار این تلاشها، شرکتهای خصوصی نیز برای پر کردن شکافهای دادهای وارد عمل شدهاند. استارتاپ Tomorrow.io با پرتاب ماهوارههایی مجهز به رادار و حسگرهای هواشناسی، دادههایی را از مناطقی جمعآوری میکند که فاقد حسگرهای زمینی هستند و سپس این دادهها را با سوابق تاریخی ترکیب کرده تا مدلهای پیشبینی دقیقتری بسازد. فناوری این شرکت در حال حاضر در شهرهایی از نیو انگلند مانند بوستون به کار میرود تا مقامهای محلی بتوانند زمان مناسب برای نمکپاشی جادهها پیش از بارش برف را تعیین کنند.