هوش مصنوعی مکانی چگونه نقاط آسیب‌پذیر شهرها را پیش از وقوع طوفان و سیل شناسایی می‌کند؟

توانایی هوش مصنوعی در پیش‌بینی شرایط نامساعد جوی و پدیده‌های آب‌وهوایی، از یک ایده دوردست به واقعیتی ملموس در دنیای امروز تبدیل شده است.

ابزارهایی مانند سامانه GraphCast از تیم Google DeepMind، مدل Pangu-Weather از شرکت هواوی و سیستم AIFS از مرکز پیش‌بینی‌های میان‌مدت اروپا (ECMWF) به میدان آمده‌اند. این سیستم‌ها با پردازش دهه‌ها داده‌های تاریخی جوی و آب‌وهوایی و تکیه بر الگوریتم‌های پیشرفته تشخیص الگو، پیش‌بینی‌های جهانی را با سرعت و دقت بسیار بالا انجام می‌دهند. حتی سازمان‌هایی همچون اداره ملی اقیانوسی و جوی آمریکا (NOAA) و مرکز اروپایی پیش‌بینی‌های میان‌مدت وضع هوا (ECMWF) نیز برای رصد رویدادهای زیست‌محیطی در مقیاس وسیع، از سیستم‌های هواشناسی مبتنی بر هوش مصنوعی بهره می‌برند.

با این حال، ظهور «هوش مصنوعی مکانی» (Spatial AI) گامی فراتر گذاشته است؛ چراکه این فناوری به شهرهای مختلف کمک می‌کند تا پیش از وقوع بلایای طبیعی، برای مقابله با سیل، آتش‌سوزی‌های جنگلی و خرابی‌های اضطراری زیرساخت‌ها آماده شوند.

هانتز فورِی (Hantz Févry)، مدیرعامل استارتاپ Geolava که یک آزمایشگاه فناوری برای توسعه مدل‌های هوش مصنوعی جهان فیزیکی است، نحوه کارکرد هوش مصنوعی مکانی در پیش‌بینی این رویدادها را توضیح داده و کارایی ملموس آن را در ایالت فلوریدا تشریح کرده است.

هوش مصنوعی مکانی چه تفاوتی با ابزارهای فعلی پیش‌بینی آب‌وهوا دارد و چه اطلاعاتی به ما می‌دهد که سیستم‌های سنتی قادر به بیان آن نیستند؟

هوش مصنوعی آب‌وهوا رفتار جو زمین را پیش‌بینی می‌کند، اما هوش مصنوعی مکانی اثر دقیق این پدیده‌ها را روی یک نقطه مشخص پیش‌بینی می‌کند؛ نقطه‌ای مثل یک آب‌گذر خاص، یک قطعه از آسفالت خیابان یا حتی یک بلوک ساختمانی. سامانه‌های هواشناسی سنتی به شما می‌گویند که مثلاً ۱۵ سانتی‌متر باران در شهر خواهد بارید.

ما اما به شما می‌گوییم کدام خیابان‌ها دچار آب‌گرفتگی خواهند شد، کدام شبکه‌های هدایت آب از قبل فرسوده شده‌اند و نخستین نقطه‌ای که دچار خرابی یا سرریز می‌شود کجاست. مدل‌های هواشناسی در تشخیص منشأ و شدت خطر بسیار پیشرفت کرده‌اند، اما نسبت به میزان آسیب‌پذیری فیزیکی سازه‌ها نابینا هستند؛ زیرا از وضعیت واقعی جهان فیزیکی و مقاومت سازه‌ای که طوفان به آن برخورد می‌کند اطلاعی ندارند.

فرضیه اصلی ما در Geolava این است که می‌توان دگرگونی‌های فیزیکی مهم را پیش از آنکه به شکست و تخریب کامل سازه منجر شوند پیش‌بینی کرد؛ درواقع آگاهی از وضعیت فعلی سازه‌های شهری، همان نیمه گمشده این معادله است.

آیا می‌توانید با یک مثال واقعی نشان دهید که هوش مصنوعی Geolava چگونه به یک شهر در پیش‌بینی سیل، آتش‌سوزی یا خرابی زیرساخت‌ها کمک می‌کند؟ این فناوری چه مواردی را می‌بیند که از چشم مدیران پنهان می‌ماند؟

واضح‌ترین نمونه، همکاری ما با اداره حمل‌ونقل ایالت فلوریدا است.

ما توانستیم خطر وقوع سیل در جاده‌ها و پل‌ها را با دقت حدود ۸۷ درصد پیش‌بینی کنیم. پلتفرم ما به نام Terra، زیرساخت‌هایی همچون جاده‌ها، پیاده‌روها، شبکه‌های تخلیه آب و پوشش گیاهی اطراف آنها را به‌شکل پیوسته رصد می‌کند. این سیستم وضعیت هر سازه را امتیازدهی کرده، سرعت فرسودگی آن را می‌سنجد و پیش‌بینی می‌کند که در صورت ادامه شرایط فعلی چه اتفاقی رخ خواهد داد. آنچه سیستم ما شناسایی می‌کند، تغییرات کند و تدریجی است که هیچ گروه انسانی قادر نیست در طول هزاران کیلومتر جاده آنها را دنبال کند؛ تغییراتی مانند رسوب‌گیری تدریجی یک کانال آب، فرونشست جزئی آسفالت یا پیشروی آرام علف‌های هرز و گیاهان در حریم مسیرها.

کارشناسان شهری این مسائل را از روی سهل‌انگاری نادیده نمی‌گیرند؛ واقعیت این است که هیچ شهری آن‌قدر نیروی انسانی ندارد که بتواند هر ماه تک‌تک سازه‌های شهری را بازرسی کند. ما به آنها یک تصویر اولویت‌بندی‌شده می‌دهیم تا دقیقاً بدانند ابتدا باید کجا را بررسی کنند.

شبیه‌سازی‌های هوش مصنوعی هنگام وقوع بحران‌های واقعی تا چه حد دقیق هستند؟ اگر مدل اشتباه کند چه پیامدی دارد؟ آیا ممکن است پیش‌بینی نادرست باعث غفلت از یک محله آسیب‌پذیر یا صرف بودجه برای خطری اشتباه شود؟

هیچ مدلی بی‌نقص نیست و هر کس چنین ادعایی داشته باشد، نباید مدیریت زیرساخت‌های عمومی را به او سپرد.

رویکرد ما این است که با دریافت هر مشاهده جدید، پیش‌بینی‌ها را دوباره به‌روزرسانی می‌کنیم؛ درست مانند پیش‌بینی هواشناسی که با حرکت و تغییر طوفان به‌روز می‌شود. با این کار، خطاها به‌جای آنکه تثبیت شوند، بلافاصله اصلاح می‌گردند. علاوه بر این، پلتفرم Terra یک ابزار کمکی برای تصمیم‌گیری است و خودش تصمیم‌گیرنده نهایی نیست. مهندسان و کارکنان شهرداری تصمیم نهایی را می‌گیرند و هر پیش‌بینی همراه با یک بازه زمانی مشخص و شواهد پشتیبان ارائه می‌شود. درباره نگرانی از نادیده گرفتن محله‌های آسیب‌پذیر نیز باید بگویم که وضعیت سنتی کنونی ریسک بسیار بالاتری دارد.

امروزه بازرسی‌ها اغلب بر اساس تماس‌های گلایه‌آمیز شهروندان یا فشارهای سیاسی صورت می‌گیرد؛ در نتیجه محله‌هایی که با مراکز تماس شهری تماس نمی‌گیرند معمولاً نادیده گرفته می‌شوند. در مقابل، نظارت سیستماتیک در سطح شهر به همه محله‌ها و بلوک‌ها به یک چشم نگاه می‌کند.

بسیاری از شهرها با زیرساخت‌های فرسوده، داده‌های ناقص و بودجه محدود روبه‌رو هستند. هوش مصنوعی مکانی در چنین شرایطی به چه داده‌هایی نیاز دارد؟ آیا محروم‌ترین جوامع از این فناوری بازمی‌مانند؟

ما پلتفرم Terra را با این پیش‌فرض ساختیم که سوابق و داده‌های موجود ناقص خواهند بود، زیرا در واقعیت تقریباً همیشه همین‌طور است. تکیه اصلی این سامانه بر تصاویر و مشاهدات هوایی، ماهواره‌ای و تصویربرداری در سطح خیابان است، نه یک پایگاه‌داده بی‌نقص از زیرساخت‌ها.

برای مثال در شهر جکسون‌ویل، ما توانستیم اطلاعات پیاده‌روهای شهری را با آنچه واقعاً روی زمین وجود داشت تطبیق دهیم و اصلاح کنیم. داده‌های ناقص معمولاً نقطه آغاز کار ما هستند، نه مانع آن. از سوی دیگر، هزینه پایش و ثبت تصاویر دنیای فیزیکی پیوسته رو به کاهش است و همین مسئله باعث می‌شود که شهرهای کم‌درآمد نیز بتوانند بدون نیاز به نصب شبکه‌های پرهزینه حسگرها، از این فناوری بهره‌مند شوند.

با این وجود، شکاف دیجیتال همواره یک دغدغه جدی است؛ ما و همکارانمان در بخش دولتی وظیفه داریم اطمینان حاصل کنیم که مناطق محروم و کوچک‌تر در انتهای اولویت‌ها قرار نگیرند.

شما پیش از این مدیر محصول در Google DeepMind بودید. آن تجربه در زمینه فاصله میان دموهای جذاب هوش مصنوعی و فناوری‌های قابل اتکا در دنیای واقعی، به‌ویژه در شرایطی که جان انسان‌ها در میان است، چه درسی به شما آموخت؟

یک دموی تبلیغاتی همیشه بهترین حالت ممکن را نشان می‌دهد. اعتماد واقعی زمانی شکل می‌گیرد که بدانیم سیستم در بدترین شرایط چگونه عمل می‌کند و آیا می‌تواند عدم قطعیت خود را صادقانه اعلام کند یا خیر.

بزرگ‌ترین درسی که آموختم این بود که واقعیت زمینی همه چیز است. ما مدل را در برابر رویدادهای واقعی روی زمین محک می‌زنیم، نه بنچمارک‌های آزمایشگاهی. وقتی جان انسان‌ها در میان است، سیستم باید برای فرد تصمیم‌گیرنده کاملاً قابل فهم و توضیح‌پذیر باشد؛ فردی که معمولاً یک مهندس عمران و زیرساخت است، نه یک متخصص علم داده.

به همین دلیل ما کار را متمرکز آغاز کردیم؛ ابتدا روی بررسی وضعیت و روند فرسودگی چند نوع سازه محدود تمرکز کردیم و سپس دامنه کار را به پیش‌بینی حوادث گسترش دادیم. عرضه یک محصول محدود اما دقیق، بسیار بهتر از عرضه سامانه‌ای وسیع اما پر از اشتباه است.

اداره حمل‌ونقل فلوریدا اخیراً قراردادی چندساله و چند میلیون دلاری با Geolava امضا کرده است. این فناوری دقیقاً چه کمکی به آنها خواهد کرد و چگونه متوجه می‌شوید زیرساخت‌های فلوریدا امن‌تر شده‌اند؟

پلتفرم Terra امکان نظارت مستمر بر وضعیت جاده‌ها، برآورد سرعت استهلاک و سنجش خطرات آینده از جمله آب‌گرفتگی و خرابی را فراهم می‌کند. هدف این است که به‌جای تعمیرات واکنشی، به سمت نگهداری پیشگیرانه حرکت کنیم؛ یعنی یک سازه پیش از آنکه وسط طوفان فرو بریزد تعمیر شود، نه بعد از فاجعه. ما موفقیت پروژه را با معیارهایی کاملاً ملموس ارزیابی می‌کنیم.

این معیارها شامل میزان تطابق پیش‌بینی‌ها با رخدادهای واقعی، مقدار زمان هشداری که پیش از حادثه به مسئولان می‌دهیم، کاهش تعمیرات اضطراری و مسدود شدن جاده‌ها در زمان طوفان، و در نهایت میزان صرفه‌جویی مالی در برابر هزینه‌ها خواهد بود.

تصور کنید سال ۲۰۳۵ است و طوفانی سهمگین به سمت یک شهر حرکت می‌کند. اگر آن شهر به هوش مصنوعی مکانی مجهز باشد، در ساعات و روزهای پیش از وقوع چه کارهایی می‌تواند انجام دهد که امروز میسر نیست؟

چندین روز پیش از رسیدن طوفان، مسئولان شهر به‌جای اتکا به نقشه‌های عمومی سیل، دقیقاً می‌دانند کدام جاده‌ها، کانال‌های آب و محله‌ها تحت تأثیر مسیر و شدت این طوفان مشخص آسیب خواهند دید. در نتیجه می‌توانند پمپ‌های تخلیه آب، نیروهای امدادی و موانع را در حساس‌ترین نقاط مستقر کنند، به‌جای آنکه منابع محدود خود را بی هدف در سراسر شهر پخش کنند. علاوه بر این، مسیرهای تخلیه اضطراری بر اساس خیابان‌هایی انتخاب می‌شوند که گذر از آنها تضمین‌شده است؛ موضوعی که به‌ویژه برای ساکنان فاقد خودرو حیاتی خواهد بود.

پس از پایان طوفان نیز ارزیابی خسارت‌ها به‌جای چند هفته، تنها چند ساعت زمان خواهد برد؛ زیرا وضعیت تمام سازه‌ها از قبل ثبت شده و سیستم دقیقاً مشخص می‌کند چه چیزی تغییر کرده است. امروزه شهرها خود را صرفاً برای خود طوفان آماده می‌کنند؛ اما در سال ۲۰۳۵ قادر خواهند بود پیامدها و خسارت‌های آن را بلوک به بلوک مهار کنند.