Нови алгоритам може да предвиди будуће катастрофе
Предвиђање опасних прекретница у сложеним системима показало се као главобоља за научнике. Сада би нови систем вештачке интелигенције могао да уради посао уместо њих и спречи апокалиптичне сценарије
Компјутерски научници су креирали програм вештачке интелигенције (АИ) који може да предвиди почетак катастрофалних преломних тачака - и желе да га користе за предвиђање еколошког колапса, финансијских крахова, пандемија и нестанка струје.
„Ако се може предвидети предстојећа критична транзиција, онда можемо да се припремимо за промену или можда чак спречимо транзицију и на тај начин ублажимо штету”, рекао је аутор студије Ганг Јан, професор рачунарства на Универзитету Тонгђи у Кини објашњавајући да је научнике посебно мотивисало јер желе да спрече одређене катаклизме. Преломне тачке су изненадни помаци иза којих се локализовани систем, или његово окружење, мења у непожељно стање из којег се тешко враћа. На пример, ако би се ледени покривач Гренланда срушио, то би такође смањило снежне падавине на северном делу острва, драстично подижући ниво мора и чинећи велике делове покривача неповратним.
Ипак, наука која стоји иза ових драматичних трансформација је слабо схваћена и често се заснива на превише поједностављеним моделима, што отежава тачна предвиђања. Раније су научници користили статистику да би проценили све мању снагу и отпорност система према њиховим растућим флуктуацијама. Али, резултати студија које користе такве статистичке методе су контроверзни.
Да би потражили прецизнији начин за предвиђање опасних прелаза, истраживачи који стоје иза нове студије комбиновали су два различита типа неуронских мрежа, или алгоритама који опонашају начин на који се информације обрађују у мозгу. Први је разбио сложене системе на велике мреже чворова у интеракцији пре праћења веза између чворова, а други је пратио како су се поједини чворови мењали током времена.
„На пример, у финансијском систему, чвор може да буде једна компанија, у еколошком систему, чвор може да означава врсту, у систему друштвених медија, чвор може да означава корисника, и тако даље”, рекао је Јан.
Пошто је прекретне тачке тешко предвидети, подједнако је тешко знати где их тражити, због чега су подаци из стварног света о наглим критичним прелазима оскудни. Да би обучили свој модел, истраживачи су се уместо тога окренули преломним тачкама у оквиру једноставних теоријских система - укључујући моделне екосистеме и несинхронизоване метрономе који, с обзиром на довољно времена, почињу да се мењају. Када је њихова неуронска мрежа прикупила довољно података, истраживачи су јој дали проблем из стварног света: трансформацију тропских шума у савану. Узимајући више од 20 година сателитских података из три региона у Централној Африци који су направили ову изненадну транзицију, научници су дали алгоритам информације о падавинама и покривености дрвећа у два региона. Из тих података АИ је тачно предвидео шта се догодило у трећем региону, чак и када је 81 одсто процената чворова система остало непримећено, рекли су истраживачи. Пошто су успешно предвидели једну прекретну тачку, истраживачи сада траже начине да деконструишу црну кутију алгоритма како би пронашли обрасце које је уочио. Затим се надају да ће применити свој модел на друге системе као што су пожари, пандемије и финансијски крахови. Један од изазова у предвиђању система који укључују људе је да учимо о сопственим прогнозама и реагујемо на њих, враћајући своја предвиђања у наше понашање на сложене начине.
„На пример, размислите о градском превозу. Иако може бити једноставно идентификовати закрчене путеве, најављујући информације о загушењима у реалном времену Сви возачи могу довести до хаоса“, рекао је Ганг, преноси Live Science додајући да возачи могу одмах да измене руте као одговор на информације, што би могло да ублажи застоје на неким путевима, али истовремено створи загушење на другим што као динамичка интеракција чини предвиђање посебно сложеним.
Да би заобишли проблем, истраживачи кажу да ће се уместо тога фокусирати на делове људских система на које наше намере наизглед не утичу. У примеру путне мреже, ово би се могло урадити посматрањем рута које су закрчене више због свог основног дизајна, а не како се возачи понашају на њима.
„Коришћење вештачке интелигенције за хватање ових основних сигнала може бити драгоцено за предвиђање“, рекао је Јан.
Иако је предвиђање таквих система изазовно, исплати се јер критичне транзиције у системима у које су укључени људи могу имати још теже последице.
