Novi algoritam može da predvidi buduće katastrofe

Kompjuterski naučnici su kreirali program veštačke inteligencije (AI) koji može da predvidi početak katastrofalnih prelomnih tačaka - i žele da ga koriste za predviđanje ekološkog kolapsa, finansijskih krahova, pandemija i nestanka struje.

„Ako se može predvideti predstojeća kritična tranzicija, onda možemo da se pripremimo za promenu ili možda čak sprečimo tranziciju i na taj način ublažimo štetu”, rekao je autor studije Gang Jan, profesor računarstva na Univerzitetu Tongđi u Kini objašnjavajući da je naučnike posebno motivisalo jer žele da spreče određene kataklizme. Prelomne tačke su iznenadni pomaci iza kojih se lokalizovani sistem, ili njegovo okruženje, menja u nepoželjno stanje iz kojeg se teško vraća. Na primer, ako bi se ledeni pokrivač Grenlanda srušio, to bi takođe smanjilo snežne padavine na severnom delu ostrva, drastično podižući nivo mora i čineći velike delove pokrivača nepovratnim.

Ipak, nauka koja stoji iza ovih dramatičnih transformacija je slabo shvaćena i često se zasniva na previše pojednostavljenim modelima, što otežava tačna predviđanja. Ranije su naučnici koristili statistiku da bi procenili sve manju snagu i otpornost sistema prema njihovim rastućim fluktuacijama. Ali, rezultati studija koje koriste takve statističke metode su kontroverzni.

Da bi potražili precizniji način za predviđanje opasnih prelaza, istraživači koji stoje iza nove studije kombinovali su dva različita tipa neuronskih mreža, ili algoritama koji oponašaju način na koji se informacije obrađuju u mozgu. Prvi je razbio složene sisteme na velike mreže čvorova u interakciji pre praćenja veza između čvorova, a drugi je pratio kako su se pojedini čvorovi menjali tokom vremena.

„Na primer, u finansijskom sistemu, čvor može da bude jedna kompanija, u ekološkom sistemu, čvor može da označava vrstu, u sistemu društvenih medija, čvor može da označava korisnika, i tako dalje”, rekao je Jan.

Pošto je prekretne tačke teško predvideti, podjednako je teško znati gde ih tražiti, zbog čega su podaci iz stvarnog sveta o naglim kritičnim prelazima oskudni. Da bi obučili svoj model, istraživači su se umesto toga okrenuli prelomnim tačkama u okviru jednostavnih teorijskih sistema - uključujući modelne ekosisteme i nesinhronizovane metronome koji, s obzirom na dovoljno vremena, počinju da se menjaju. Kada je njihova neuronska mreža prikupila dovoljno podataka, istraživači su joj dali problem iz stvarnog sveta: transformaciju tropskih šuma u ​​savanu. Uzimajući više od 20 godina satelitskih podataka iz tri regiona u Centralnoj Africi koji su napravili ovu iznenadnu tranziciju, naučnici su dali algoritam informacije o padavinama i pokrivenosti drveća u dva regiona. Iz tih podataka AI je tačno predvideo šta se dogodilo u trećem regionu, čak i kada je 81 odsto procenata čvorova sistema ostalo neprimećeno, rekli su istraživači. Pošto su uspešno predvideli jednu prekretnu tačku, istraživači sada traže načine da dekonstruišu crnu kutiju algoritma kako bi pronašli obrasce koje je uočio. Zatim se nadaju da će primeniti svoj model na druge sisteme kao što su požari, pandemije i finansijski krahovi. Jedan od izazova u predviđanju sistema koji uključuju ljude je da učimo o sopstvenim prognozama i reagujemo na njih, vraćajući svoja predviđanja u naše ponašanje na složene načine.

„Na primer, razmislite o gradskom prevozu. Iako može biti jednostavno identifikovati zakrčene puteve, najavljujući informacije o zagušenjima u realnom vremenu Svi vozači mogu dovesti do haosa“, rekao je Gang, prenosi Live Science dodajući da vozači mogu odmah da izmene rute kao odgovor na informacije, što bi moglo da ublaži zastoje na nekim putevima, ali istovremeno stvori zagušenje na drugim što kao dinamička interakcija čini predviđanje posebno složenim.

Da bi zaobišli problem, istraživači kažu da će se umesto toga fokusirati na delove ljudskih sistema na koje naše namere naizgled ne utiču. U primeru putne mreže, ovo bi se moglo uraditi posmatranjem ruta koje su zakrčene više zbog svog osnovnog dizajna, a ne kako se vozači ponašaju na njima.

„Korišćenje veštačke inteligencije za hvatanje ovih osnovnih signala može biti dragoceno za predviđanje“, rekao je Jan.

Iako je predviđanje takvih sistema izazovno, isplati se jer kritične tranzicije u sistemima u koje su uključeni ljudi mogu imati još teže posledice.