Η ομάδα του συνέβαλε στη διαχείριση των φυσικών καταστροφών που σημειώθηκαν στο Μάουι, στον Καναδά, στη Λιβύη και στο Μαρόκο. Οι τεχνικές που χρησιμοποιεί βοηθούν στην καλύτερη λήψη αποφάσεων και στην ορθή χρήση των πόρων από τις κυβερνήσεις. Το AI for Good Lab υποστηρίζει ότι αναπτύσσει μοντέλα που είναι σε θέση να προβλέπουν την πιθανότητα μιας νέας πυρκαγιάς με ακρίβεια έως και 80%, καθώς και τη συμπεριφορά της σε ορίζοντα δέκα ημερών, με βάση την ανάλυση ιστορικών δεδομένων, καιρικών συνθηκών, παραμέτρων του δάσους, εποχικότητας και ανθρώπινης συμπεριφοράς.
Είναι αλήθεια ότι βοηθάτε κυβερνήσεις να σβήνουν, κυριολεκτικά, φωτιές; Πρακτικά, τι ρόλο αναλαμβάνει η τεχνητή νοημοσύνη στη διαχείριση των φυσικών καταστροφών;
Στην πράξη χρησιμοποιούμε την τεχνητή νοημοσύνη σε τρία επίπεδα παρέμβασης. Το πρώτο αφορά αυτό που ονομάζουμε πρόληψη μιας φυσικής καταστροφής, με βάση τα ιστορικά δεδομένα. Πρόκειται για το στάδιο της ετοιμότητας. Αντλείς στοιχεία από δορυφόρους, πηγαίνοντας πίσω 20, 30 χρόνια. Εξετάζεις τι έχει συμβεί στο παρελθόν, καταγράφεις ποιες είναι οι τρέχουσες συνθήκες και προσπαθείς να προβλέψεις τι θα συμβεί τον επόμενο χρόνο. Προσπαθείς δηλαδή να κατανοήσεις τα δεδομένα που έχεις μπροστά σου. Φυσικά, δεν μπορείς να προβλέψεις με απόλυτη ακρίβεια πού και πότε θα έχεις την επόμενη πυρκαγιά. Η φύση ενέχει εξάλλου έναν υψηλό βαθμό μη προβλεψιμότητας. Μπορείς όμως να εκτιμήσεις ότι, για παράδειγμα, έχεις ένα ρίσκο εκδήλωσης πυρκαγιάς της τάξης του 50% στην περίπτωση που ένας άνθρωπος κάνει μπάρμπεκιου στη συγκεκριμένη περιοχή τη συγκεκριμένη περίοδο. Επιπλέον, αποτυπώνοντας τα χαρακτηριστικά ανά περιοχή, διαπιστώνεις πού βρίσκονται περισσότεροι άνθρωποι, δρόμοι και κτίρια. Καταγράφεις, έτσι, πού υπάρχουν μεγαλύτερες πιθανότητες για φωτιά. Βλέπεις επίσης ποιες περιοχές είναι πιο ξηρές, ποια σημεία είναι πιο εκτεθειμένα στην εκδήλωση πυρκαγιάς. Δημιουργούμε με αυτόν τον τρόπο χάρτες οι οποίοι επιτρέπουν στις αρχές να λαμβάνουν αποφάσεις. Η απεικόνιση των δεδομένων τις βοηθά να κατανείμουν πιο αποτελεσματικά τους διαθέσιμους πόρους και το δυναμικό τους. Τους δείχνει πού να καθαρίσουν την περιοχή, πού να εκπαιδεύσουν το κοινό, ιεραρχώντας προτεραιότητες.
Το δεύτερο επίπεδο παρέμβασης αφορά τη διαχείριση κρίσης την ώρα μιας πυρκαγιάς. Για να αντιμετωπίσεις τη φωτιά θα πρέπει πρώτα να την εντοπίσεις − και γρήγορα. Μία λύση είναι οι κάμερες οι οποίες ειδοποιούν μόλις δουν καπνό. Όμως, είναι σημαντικό και το πού θα τοποθετήσεις αυτές τις κάμερες. Αν κοιτάξουμε τις πυρκαγιές που είχαμε στον Καναδά, πρόκειται για εκτάσεις μεγαλύτερες από την Αγγλία. Εδώ είναι λοιπόν που παίζει μεγάλο ρόλο ο δορυφόρος. Και η πρόκληση με τα δεδομένα του δορυφόρου είναι η ταχύτητα της υποδοχής τους. Η τεχνητή νοημοσύνη βοηθά και σε αυτό το επίπεδο, με στόχο να εντοπίζει εστίες πυρκαγιάς σε πραγματικό χρόνο με live τροφοδοσία δεδομένων.
«Δημιουργούμε χάρτες που επιτρέπουν στις αρχές να λαμβάνουν αποφάσεις. Η απεικόνιση των δεδομένων τις βοηθά να κατανείμουν πιο αποτελεσματικά τους διαθέσιμους πόρους και το δυναμικό τους».
Το τρίτο επίπεδο παρέμβασης έχει να κάνει με την εκτίμηση της καταστροφής. Το κάναμε στη Χαβάη. Μέσα σε λίγες ώρες είχαμε χαρτογραφήσει κάθε υποδομή και κτίριο στη Λαχάινα και τα παρείχαμε σε οργανισμούς όπως ο Αμερικανικός Ερυθρός Σταυρός. Είναι σημαντικό σε τέτοιες περιπτώσεις να κατανοήσεις ποιες τοποθεσίες, κατοικίες και υποδομές επηρεάστηκαν. Και θα πρέπει να το κάνεις γρήγορα, ώστε να δώσεις οδηγίες στο πεδίο. Χρησιμοποιούμε και εδώ τεχνητή νοημοσύνη. Όχι μόνο για πυρκαγιές, αλλά και για σεισμούς, πλημμύρες ή τυφώνες. Χαρτογραφείς την καταστροφή και την παρέχεις στις αρχές ώστε να αναπτύξουν ανάλογα τις δυνάμεις τους. Διασφαλίζεις πληροφορία η οποία μπορεί να βοηθήσει να σωθούν ζωές.
Εναέρια πληρώματα πυρόσβεσης και πυροσβεστική εδάφους κατά τη διάρκεια πυρκαγιάς στη δασική περιοχή Έντσον της Αλμπέρτα στις 14 Ιουνίου 2023
Όταν βοηθάτε μια κυβέρνηση ή έναν οργανισμό στο επίπεδο που συζητάμε, τι προσφέρετε στην πράξη; Τις εφαρμογές σας;
Γινόμαστε εταίροι με τους οργανισμούς με τους οποίους συνεργαζόμαστε. Στην πραγματικότητα, τους δίνουμε χάρτες, με τα δεδομένα που τους αφορούν. Μέσα σε λίγες ώρες. Και δουλεύουμε πάνω σε λύσεις ανοιχτής πηγής − open source. Ιδανικά, θα θέλαμε μεσοπρόθεσμα ο εκάστοτε εταίρος μας να παίρνει την τεχνογνωσία μας και να είναι ανεξάρτητος.
Εκτός από τις φυσικές καταστροφές, ποιους άλλους τομείς θα ξεχωρίζατε, μιλώντας για εποικοδομητικές χρήσεις της τεχνητής νοημοσύνης; Σε ποια άλλα πεδία συνεισφέρει το εργαστήριό σας;
Δραστηριοποιούμαστε σε πολλά αντικείμενα. Δουλεύουμε πολύ πάνω σε μεθόδους ιατρικής απεικόνισης. «Τρέχουμε» σενάρια υπολογιστικής ορατότητας και ανάλυση δεδομένων από αξονικές τομογραφίες. Για παράδειγμα, συνεργαζόμαστε με το John Hopkins University για τον εντοπισμό του καρκίνου στο πάγκρεας. Εργαζόμαστε σε χώρες όπως το Μεξικό, η Κολομβία και η Αργεντινή σε θέματα πρόωρης γέννησης, που είναι η βασική αιτία τύφλωσης στα παιδιά. Βοηθάμε τους γιατρούς στην έγκαιρη διάγνωση του συνδρόμου Ρόμπιν, καθότι έχουν μόλις 24 ώρες στη διάθεσή τους − υπάρχει ένα μικρό χρονικό παράθυρο για να κάνεις το χειρουργείο. Συμβάλλουμε επίσης στη διατήρηση της βιοποικιλότητας, με κάμερες ανίχνευσης και καταγραφής ζώων − εδώ αξιοποιούμε και ακουστικά δεδομένα με αντίστοιχες ηχογραφήσεις.
Δορυφορικές εικόνες εξαιρετικής ευκρίνειας, που αποτυπώνουν το μέγεθος της καταστροφής σε δρόμους και κτίρια από τον σεισμό της Τουρκίας.
Άλλα πρότζεκτ έχουν ανθρωπιστική διάσταση. Για παράδειγμα, ολοκληρώνουμε τη χαρτογράφηση ενός από τα μεγαλύτερα μεταναστευτικά κέντρα της Κένυας, αποκτώντας πληροφορίες για τα χαρακτηριστικά της υποδομής και τις ανάγκες της σε πόρους. Άλλος τομέας είναι η βιωσιμότητα, με χαρτογράφηση και άντληση δεδομένων σε αιολικά και ηλιακά πάρκα ανά τον κόσμο − είναι απαραίτητο αν θέλουμε να βελτιώσουμε την απόδοση των ανανεώσιμων πηγών ενέργειας, επιταχύνοντας την απεξάρτηση από τα ορυκτά καύσιμα. Μια δράση μας αφορά την ανάλυση δεδομένων για τη διαχείριση του Αμαζονίου.
Πώς ακριβώς δουλεύει ένας επιστήμονας των δεδομένων σε ένα εργαστήριο όπως το δικό σας; Διαβάζει στοιχεία; Φτιάχνει κώδικα; Μπορούμε να το περιγράψουμε;
Πρώτα απ’ όλα, μαθαίνει όλη την ώρα. Προφανώς, δουλεύει κυρίως με τα δεδομένα. Ας πάρουμε ένα πρόσφατο παράδειγμα: τον σεισμό στο Αφγανιστάν. Αφιερώσαμε πολλή ενέργεια για να «κατεβάσουμε» τα δεδομένα από τον δορυφόρο στον server μας. Μιλάμε για πολλά data. Στη συνέχεια, δοκιμάζουμε τα μοντέλα μας, κατά πόσο δουλεύουν ή όχι. Συνήθως παίρνουμε ένα μικρό μέρος από αυτά και τα τεστάρουμε για να δούμε αν χρειάζεται κάποια βελτίωση ή προσαρμογή − fine tuning. Η πρόκληση είναι να φτιάχνουμε μοντέλα τα οποία έχουν εφαρμογή σε όλα τα σημεία του κόσμου ανεξάρτητα από τα χαρακτηριστικά κάθε περιοχής − για παράδειγμα, από το διάστημα ένα σπίτι φαίνεται διαφορετικό στην Ουκρανία, διαφορετικό στο Μαρόκο και διαφορετικό στο Αφγανιστάν, εξ ου και είναι δύσκολο να ενταχθούν στο ίδιο μοντέλο. Αυτός είναι ένας τομέας στον οποίο επενδύουμε − μοντέλα τα οποία μπορούν να προσαρμοστούν. Συχνά χρειάζεται να τροποποιούμε παραμέτρους, να επανεκπαιδεύουμε τα συστήματα και να τα πιστοποιούμε. Αφού προηγηθεί η συγκεκριμένη διαδικασία, αφού δηλαδή αποφασίσουμε ότι το μοντέλο δουλεύει καλά, τότε αρχίζει η παραγωγή της πληροφορίας, η οποία περνάει στους ειδικούς της οπτικοποίησης, δηλαδή στους ανθρώπους που παίρνουν τα δεδομένα και φτιάχνουν τους χάρτες. Από τη στιγμή που έχουν δημιουργηθεί οι χάρτες, τους «συσκευάζουμε» σε αρχεία ,τα οποία τοποθετούμε σε έναν φάκελο. Και έτσι τους χορηγούμε προς αξιοποίηση στους συνεργαζόμενους οργανισμούς. Αυτό είναι μία μόνο περίπτωση. Υπάρχουν άλλες εργασίες, για παράδειγμα στον τομέα της ιατρικής, που απαιτούν περισσότερη έρευνα σε δεδομένα.
Γνωρίζετε καλύτερα από μένα ότι πολλοί άνθρωποι γύρω μας προβληματίζονται για την τεχνητή νοημοσύνη. Για το γεγονός ότι ένας αλγόριθμος θα λαμβάνει αποφάσεις για λογαριασμό των ανθρώπων − για παράδειγμα, στον τομέα της υγείας ή ακόμα και στην απονομή της δικαιοσύνης.
Το «κλειδί» εδώ είναι η υπευθυνότητα με την οποία αναπτύσσει κανείς τα εκάστοτε μοντέλα. Στη Microsoft ασχολούμαστε με αυτά τα θέματα εδώ και 5-6 χρόνια και έχουμε θεσπίσει μια ολόκληρη διαδικασία για να κατανοούμε τους δυνητικούς κινδύνους. Φροντίζουμε δηλαδή να γνωρίζουμε ό,τι χρειάζεται προτού λειτουργήσουμε τα μοντέλα μας, ώστε να αποφύγουμε φαινόμενα κακής χρήσης. Εξετάζουμε πιθανές προκαταλήψεις που μπορεί να συνοδεύουν τα δεδομένα ή ειδικούς τομείς στους οποίους δεν θα ήταν ηθική η χρήση των μοντέλων. Διασφαλίζουμε επίσης ότι οι εταίροι μας κάνουν επίσης ό,τι χρειάζεται προς αυτή την κατεύθυνση. Η τεχνητή νοημοσύνη παρουσιάζει απίστευτες ευκαιρίες. Υπάρχουν προβλήματα τα οποία μπορείς να λύσεις μόνο με την τεχνητή νοημοσύνη. Αυτό που πάντα συνιστούμε είναι να υπάρχει και ο ανθρώπινος παράγοντας στην αλυσίδα. Να έχεις έναν άνθρωπο ο οποίος θα κοιτάζει τα δεδομένα και το παραγόμενο αποτέλεσμα, και θα λαμβάνει τις αποφάσεις. Τα μοντέλα τα οποία συζητάμε, στην πραγματικότητα, δρουν ως συγκυβερνήτες.
Ερευνήτρια ιατρικής και προγραμματιστής Microsoft συνεργάζονται για την παροχή πληροφοριών, αναλύσεων και εξελίξεων στον τομέα της ιατρικής περίθαλψης στο πλαίσιο του AI for Good Lab.
Έχετε αφιερώσει χρόνο και ενέργεια στο εγχείρημα της τεχνολογικής εξέλιξης, με στόχο να λύνετε προβλήματα. Τι σκέφτεστε όταν ακούτε όσους αμφισβητούν την τεχνητή νοημοσύνη; Όσους επικεντρώνονται περισσότερο στους κινδύνους παρά στα οφέλη; Απογοητεύεστε; Θυμώνετε;
Δεν απογοητεύομαι. Καταλαβαίνω τις ανησυχίες και θεωρώ ότι είναι σημαντικό να δουλεύουμε όλοι μαζί ως σύνολο. Σέβομαι τις αντίθετες απόψεις. Θα πρέπει πάντα να συζητάμε με την κοινωνία και να κατανοούμε τους κινδύνους και τις ανησυχίες. Και στο παρελθόν έχουν υπάρξει μεγάλες αντιπαραθέσεις, για παράδειγμα κατά την εισαγωγή του ηλεκτρισμού. Πάντα υπάρχουν ρίσκα. Σημασία έχει να εργάζεσαι για να τα περιορίζεις. Θα πρέπει να αγκαλιάζεις τη χρήση και να μετριάζεις τους κινδύνους. Όμως, επαναλαμβάνω, υπάρχουν προβλήματα τα οποία δεν μπορούμε να λύσουμε αν δεν χρησιμοποιήσουμε τεχνητή νοημοσύνη. Υπάρχουν περιοχές που δεν έχουν, για παράδειγμα, αρκετούς γιατρούς ή άλλους ειδικούς. Η τεχνητή νοημοσύνη προσφέρει εδώ λύσεις βοηθώντας τις κοινωνίες.
«Υπάρχουν προβλήματα που μπορείς να λύσεις μόνο με την τεχνητή νοημοσύνη. Αυτό που συνιστούμε είναι να υπάρχει ένας άνθρωπος που θα κοιτάζει τα δεδομένα και το παραγόμενο αποτέλεσμα, και θα λαμβάνει τις αποφάσεις».
Τα σόσιαλ μίντια; Θα τα κάνει η τεχνητή νοημοσύνη καλύτερα ή χειρότερα;
Μπορεί να παίξει έναν θεμελιώδη ρόλο σε τομείς όπως η εποπτεία στο περιεχόμενο. Πολλά από τα προβλήματα που αντιμετωπίζουν τα σόσιαλ μίντια σήμερα σχετίζονται με κακή χρήση της επικοινωνίας και του μέσου. Ήδη κάποιες εταιρείες στον χώρο χρησιμοποιούν την τεχνητή νοημοσύνη για την καλύτερη χρήση των σόσιαλ μίντια και την αποτροπή φαινομένων που είναι αρνητικά για την κοινωνία, ιδίως από τη στιγμή που τα χρησιμοποιούν σε μεγάλο βαθμό οι νέες ηλικίες.
