چگونه هوش مصنوعی در زلزله اخیر ترکیه به امدادگران کمک می‌کند؟

امدادگران داوطلب در ترکیه و سوریه برای واکاوی سریع منطقه زلزله و امداد و نجات به یادگیری ماشینی روی آورده‌اند.

احتمالاً تاکنون داستان‌های زیادی در باب پتانسیل بالای هوش مصنوعی شنیده‌اید؛ اما زمانی که بحث کاربرد هوش مصنوعی در حوزه‌ای همچون عملیات‌های امداد و نجات و کمک به بازماندگان بلایای طبیعی مطرح می‌شود، بسیاری از کارشناسان نگاه خوش‌بینانه‌ای به این فناوری ندارند.

با وجود این، به نظر می‌رسد که یکی از اقدامات اخیر وزارت دفاع ایالات متحده در این حوزه، مفید واقع شده است. این پروژه که xView2 نام گرفته است، هنوز در مراحل اولیه توسعه قرار دارد و با این حال، تا به امروز کمک‌های بسیاری به بُعد لوجیستیکی مأموریت‌های زمینی امداد و نجات در زلزله اخیر ترکیه داشته است.

پشتیبانی مالی xView2 بر عهده واحد نوآوری پنتاگون و مؤسسه مهندسی نرم‌افزار دانشگاه کارنگی ملون است. این پروژه به‌صورت متن‌باز اجرا می‌شود و با شرکت مایکروسافت و دانشگاه برکلی نیز همکاری دارد. در این پروژه از الگوریتم‌های یادگیری ماشینی و تصویربرداری ماهواره‌ای استفاده می‌شود تا آسیب‌های ناشی از زلزله مورد بررسی قرار بگیرد و خسارات واردشده بادقت اندازه‌گیری شود. این فناوری در تشخیص شدت و نوع آسیب‌ها، بسیار دقیق‌تر و اثربخش‌تر از سایر روش‌های موجود عمل می‌کند.

ریتویک گوپتا، متخصص هوش مصنوعی واحد نوآوری وزارت دفاع و یکی از پژوهشگران دانشگاه کالیفرنیا، معتقد است که قابلیت‌های این نرم‌افزار جدید به نیروهای امداد و نجات حاضر در میدان کمک می‌کند تا ارزیابی دقیقی از محل حادثه داشته باشند تا از این طریق، علاوه بر پیداکردن بازماندگان، به بازسازی مناطق آسیب‌دیده نیز کمک شود.

گوپتا عمدتاً با سازمان‌های بزرگ بین‌المللی همچون گارد ملی ایالات متحده، سازمان ملل و بانک جهانی همکاری دارد. طی پنج سال اخیر، xView2 در عملیات‌های گارد ملی و سازمان اطلاعات زمینی استرالیا در پاسخ به آتش‌سوزی‌های گسترده به‌کاررفته است. از دیگر کاربردهای میدانی این فناوری می‌توان به عملیات‌های بازیابی و امدادی که پس از سیل‌های نپال به اجرا درآمدند اشاره کرد.

به گفته گوپتا، دست‌کم ۲ گروه امداد و نجات حاضر در ترکیه از xView2 استفاده کرده‌اند. این سیستم نرخ موفقیت نیروهای حاضر در میدان را به طرز چشمگیری افزایش می‌دهد. دفتر مدیریت مواقع اضطراری و بلایای طبیعی ترکیه، بانک جهانی، صلیب سرخ و سازمان برنامه غذای جهانی سازمان ملل، در مواجهه با زلزله اخیر از این پلتفرم استفاده کرده‌اند.

وی معتقد است: «اگر تنها جان یک انسان را هم بتوانیم نجات دهیم، بدین معنی است که این فناوری ارزشمند بوده است.»

نقش هوش مصنوعی در بررسی مناطق زلزله‌زده

الگوریتم‌های به‌کاررفته در xView2 از تکنیکی به نام قطعه‌بندی معنایی استفاده می‌کنند که مشابه با تکنیک تشخیص اشیا است. این تکنیک تمام پیکسل‌های تصاویر را به‌صورت مجزا ارزیابی می‌کند تا رابطه‌شان با پیکسل‌های مجاور را به دست آورد. تصاویر پایین نحوه کارکرد این الگوریتم را نشان می‌دهند. تصویر سمت چپ تصویر ماهواره‌ای از مناطق آسیب‌دیده است و تصویر سمت راست ارزیابی مدل را نشان می‌دهد. در این تصویر، هرچه رنگ قرمز پررنگ‌تر باشد، آسیب بیشتری به آن منطقه رسیده است.

اتیشی ابهی، متخصص مدیریت ریسک بلایای طبیعی در بانک جهانی، توضیح می‌دهد: «این سطح از ارزیابی معمولاً به چندین هفته زمان نیاز دارد، اما با کمک xView2 تنها در عرض چند ساعت یا حتی چند دقیقه انجام می‌شود.»

فناوری جدید، نسبت به سیستم‌های قدیمی ارزیابی بلایای طبیعی، نقاط قوت فراوانی دارد. در گذشته، نیروهای امداد و نجات با تکیه بر گزارش شاهدان عینی، نیاز مناطق به کمک را اولویت‌بندی می‌کردند. به‌تازگی تجهیزاتی همچون پهپادهای مجهز به دوربین و حسگر برای جمع‌آوری داده از مناطق آسیب‌دیده به کار رفته‌اند؛ این داده‌ها جهت بازبینی و پردازش در اختیار انسان‌ها قرار می‌گیرند. بااین‌حال، همین فرایند نیز به چندین و چند روز زمان نیاز دارد. از سوی دیگر، هر یک از سازمان‌ها و نهادهای امدادگر، داده‌های مخصوص خود را دارند که با فرمت‌های گوناگون در سرورهای خصوصی نگهداری می‌شوند. این عدم یکپارچگی، زمان پاسخ‌دهی به حوادث را افزایش می‌دهد و از دستیابی به تصویر یکپارچه مناطق آسیب‌دیده جلوگیری می‌کند. xView2 تنها در عرض چند دقیقه، تصویری جامع از مناطق موردنظر را آماده می‌کند و بدین ترتیب، به هماهنگی بیشتر عملیات‌ امداد و نجات کمک می‌کند.

موانع پیش رو

با وجود آنچه گفته شد، فناوری جدید را نمی‌توان راه‌حل و علاج تمامی بلایای طبیعی دانست. پلتفرم xView2 مشکلات زیادی دارد که در حال حاضر، توجه پژوهشگرانی همچون گوپتا را به خود جلب نموده‌اند. برجسته‌ترین چالش موجود به این نکته بر می‌گردد که عملکرد مدل، وابسته به تصاویر ماهواره‌ای است و تصاویر ماهواره‌ای تنها در صورتی واضح و قابل استناد هستند که هوا روشن و صاف باشد. نکته مهم‌تر این است که باید جهت تصویربرداری محیطی، ماهواره‌ای در مدار مسلط به منطقه وجود داشته باشد. برای مثال، در زلزله اخیر ترکیه، اولین تصاویر ماهواره‌ای که قابل استفاده بودند، سه روز بعد از وقوع اولین زلزله به دست آمدند. علاوه بر این، در مناطق دور و توسعه‌نیافته همچون سوریه، تصاویر ماهواره‌ای کمتری وجود دارند. گوپتا در حال حاضر مشغول بررسی تکنیک‌های تصویربرداری جدید است؛ یکی از این تکنیک‌ها رادار دهانه-ترکیبی است که تصاویر با استفاده از امواج مایکروویو به دست می‌آیند.

چالش دوم، دقت xView2 در ارزیابی نوع و شدت آسیب بین ۸۵ تا ۹۰ درصد است.همچنین این مدل قابلیت تشخیص آسیب در دیواره ساختمان‌ها را نیز ندارد، چرا که تصاویر ماهواره‌ای از زاویه عمودی گرفته می‌شوند. گوپتا چالش آخر را مربوط به اعتماد سازمان‌ها به هوش مصنوعی می‌داند. وی در این باره توضیح می‌دهد: «نیروهای امداد و نجات رویکردی سنتی دارند. وقتی یک مدل هوش مصنوعی به آن‌ها نشان می‌دهیم که حتی در خود محل هم حضور ندارد و از بالای زمین کار می‌کند، اعتمادشان به‌سختی جلب می‌شود.»

گام بعدی

پلتفرم xView2 در مراحل گوناگون، از تصویربرداری فوری مناطق آسیب‌دیده تا ارزیابی پناهگاه‌ها، به عملیات‌های امداد و نجات کمک می‌کند. ابهی امیدوار است که xView2 جزو ابزارهایی قرار بگیرد که به‌صورت گسترده در ارزیابی آسیب‌های ناشی از زلزله به کار می‌روند. این پلتفرم متن‌باز است و همه می‌توانند به‌صورت رایگان از آن استفاده کنند. گوپتا در انتها اضافه می‌کند: «اصلاً دوست ندارم چنین محصولی را تجاری‌سازی کنیم. به این فناوری‌ها باید به چشم یکی از خدمات عمومی نگریست که باید برای تضمین منفعت عموم استفاده شوند.»

گوپتا مشغول کار روی نرم‌افزار تحت وبی است که به کاربران اجازه می‌دهد ارزیابی‌های مدنظرشان را اجرا کنند. این در حالی است که در حال حاضر، سازمان‌ها برای بهره‌برداری از تحلیل و قابلیت‌های xView2 باید به متخصصان این سیستم روی بیاورند. پژوهشگران باید به‌جای رویکرد صفروصدی نسبت به راهکارهای هوش مصنوعی، از نقاط قوت این فناوری‌های نوظهور در حل مسائل عمده کمک بگیرند و محصولاتی را توسعه دهند که اثرگذاری گسترده‌ای بر جامعه بشری دارند.