Ginamit ang AI upang matukoy ang pinsala sa Adıyaman, Turkey, pagkatapos ng lindol noong nakaraang taon. Pinasasalamatan – ILYAS AKENGIN—AFP /Getty Images
Tang bilang ng mga taong naninirahan sa mga urban na lugar ay triple sa nakalipas na 50 taon, ibig sabihin kapag ang isang malaking natural na kalamidad tulad ng lindol ay tumama sa isang lungsod, mas maraming buhay ang nasa panganib. Samantala, tumaas ang lakas at dalas ng mga matinding kaganapan sa panahon—isang trend na nakatakdang magpatuloy habang umiinit ang klima. Iyon ay nag-uudyok sa mga pagsisikap sa buong mundo na bumuo ng isang bagong henerasyon ng mga sistema ng pagsubaybay sa lindol at pagtataya ng klima upang gawing mas mabilis, mas mura, at mas tumpak ang pagtuklas at pagtugon sa mga sakuna kaysa dati.
Sa Nob. 6, sa Barcelona Supercomputing Center sa Spain, ang Global Initiative on Resilience to Natural Hazards sa pamamagitan ng AI Solutions ay magpupulong sa unang pagkakataon. Ang bagong inisyatiba ng United Nations ay naglalayong gabayan ang mga pamahalaan, organisasyon, at komunidad sa paggamit ng AI para sa pamamahala ng kalamidad.
Ang inisyatiba ay binuo sa halos apat na taon ng batayan na inilatag ng International Telecommunications Union, ng World Meteorological Organization (WMO) at ng UN Environment Programme, na noong unang bahagi ng 2021 ay sama-samang nagtipon ng isang focus group upang simulan ang pagbuo ng pinakamahuhusay na kasanayan para sa paggamit ng AI sa disaster management. Kabilang dito ang pagpapahusay ng pagkolekta ng data, pagpapabuti ng pagtataya, at pag-streamline ng mga komunikasyon.
Magbasa pa: Ang mga Lungsod ay Nasa Front Line ng ‘Climate-Health Crisis.’ Nagbibigay ang Bagong Ulat ng Framework para sa Pagharap sa Mga Epekto Nito
“Ang nakikita kong kapana-panabik ay, para sa isang uri ng panganib, napakaraming iba’t ibang paraan na maaaring mailapat ang AI at ito ay lumilikha ng maraming pagkakataon,” sabi ni Monique Kuglitsch, na namuno sa focus group. Kunin ang mga bagyo bilang halimbawa: Noong 2023, ipinakita ng mga mananaliksik na ang AI ay maaaring makatulong sa mga gumagawa ng patakaran na tukuyin ang pinakamahusay na mga lugar upang maglagay ng mga sensor ng trapiko upang makita ang mga pagbara sa kalsada pagkatapos ng mga tropikal na bagyo sa Tallahassee, Fla. At noong Oktubre, ginamit ng mga meteorologist ang mga modelo ng pagtataya ng lagay ng panahon ng AI upang tumpak na mahulaan na ang Hurricane Milton ay lalapag malapit sa Siesta Key, Florida. Ginagamit din ang AI upang alertuhan ang mga miyembro ng publiko nang mas mahusay. Noong nakaraang taon, nag-anunsyo ang The National Weather Service ng pakikipagtulungan sa kumpanya ng pagsasalin ng AI na Lilt upang tumulong sa paghahatid ng mga pagtataya sa Spanish at pinasimpleng Chinese, na sinasabi nitong maaaring mabawasan ang oras upang isalin ang babala ng bagyo mula sa isang oras hanggang 10 minuto.
Bukod sa pagtulong sa mga komunidad na maghanda para sa mga sakuna, ginagamit din ang AI upang i-coordinate ang mga pagsisikap sa pagtugon. Kasunod ng Hurricane Milton at Hurricane Ian, ginamit ng non-profit na GiveDirectly ang mga modelo ng machine learning ng Google upang suriin ang mga pre-at post-satellite na larawan upang matukoy ang mga lugar na pinakamalubhang apektado, at bigyang-priyoridad ang mga cash grant nang naaayon. Noong nakaraang taon, nai-deploy ang AI analysis ng mga aerial images sa mga lungsod tulad ng Quelimane, Mozambique, pagkatapos ng Cyclone Freddy at Adıyaman, Turkey, pagkatapos ng 7.8 magnitude na lindol, upang tumulong sa mga pagsisikap sa pagtugon.
Magbasa pa: Paano Ginagamit ng Mga Meteorologist ang AI upang Pagtataya ng Hurricane Milton at Iba Pang Bagyo
Pangunahing responsibilidad ng pamahalaan ang pagpapatakbo ng mga sistema ng maagang babala, ngunit ang pagmomodelo ng klima ng AI—at, sa mas maliit na lawak, ang pagtuklas ng lindol—ay naging isang umuusbong na pribadong industriya. Sinasabi ng Start-up na SeismicAI na nakikipagtulungan ito sa mga ahensya ng proteksyong sibil sa mga estado ng Mexico ng Guerrero at Jalisco upang mag-deploy ng network ng mga sensor na pinahusay ng AI, na makatuklas ng mga lindol sa real-time. Ang mga higanteng tech na Google, Nvidia, at Huawei ay nakipagsosyo sa mga European forecaster at sinasabing ang kanilang mga modelong hinimok ng AI ay maaaring makabuo ng tumpak na mga medium-term na pagtataya nang libu-libong beses na mas mabilis kaysa sa mga tradisyonal na modelo, habang hindi gaanong masinsinang computation. At noong Setyembre, nakipagsosyo ang IBM sa NASA upang maglabas ng isang pangkalahatang layunin na open-source na modelo na maaaring magamit para sa iba’t ibang mga kaso ng climate-modeling, at tumatakbo sa isang desktop.
Pagsulong ng AI
Habang ang mga diskarte sa pag-aaral ng machine ay isinama sa mga modelo ng pagtataya ng lagay ng panahon sa loob ng maraming taon, ang mga kamakailang pag-unlad ay nagbigay-daan sa maraming bagong modelo na mabuo gamit ang AI mula sa simula, na nagpapahusay sa katumpakan at bilis ng pagtataya. Ang mga tradisyonal na modelo, na umaasa sa mga kumplikadong equation na nakabatay sa pisika upang gayahin ang mga pakikipag-ugnayan sa pagitan ng tubig at hangin sa atmospera at nangangailangan ng mga supercomputer na tumakbo, ay maaaring tumagal ng ilang oras upang makabuo ng isang pagtataya. Sa kabaligtaran, natututo ang mga modelo ng panahon ng AI na makita ang mga pattern sa pamamagitan ng pagsasanay sa mga dekada ng data ng klima, karamihan sa mga ito ay nakolekta sa pamamagitan ng mga satellite at ground-based na sensor at ibinahagi sa pamamagitan ng intergovernmental na pakikipagtulungan.
Parehong gumagana ang AI at physics-based na mga pagtataya sa pamamagitan ng paghahati sa mundo sa isang three-dimensional na grid ng mga kahon at pagkatapos ay pagtukoy ng mga variable tulad ng temperatura at bilis ng hangin. Ngunit dahil ang mga modelo ng AI ay mas mahusay sa pagkalkula, maaari silang lumikha ng mas pinong mga grid. Halimbawa, ang modelo ng pinakamataas na resolution ng European Center for Medium-Range Weather Forecasts ay hinahati ang mundo sa 5.5 milyang mga kahon, samantalang ang pagtataya ng startup na Atmo ay nag-aalok ng mga modelong mas pino kaysa sa isang square mile. Ang bump sa resolution na ito ay maaaring magbigay-daan para sa mas mahusay na paglalaan ng mga mapagkukunan sa panahon ng matinding lagay ng panahon, na partikular na mahalaga para sa mga lungsod, sabi ni Johan Mathe, co-founder at CTO ng kumpanya, na mas maaga sa taong ito ay pumirma ng mga deal sa Pilipinas at sa isla na bansa. ng Tuvalu.
Mga Limitasyon
Ang mga modelong hinimok ng AI ay kadalasang kasing ganda lang ng data kung saan sila sinanay, na maaaring maging isang limiting factor sa ilang lugar. “Kapag ikaw ay nasa isang talagang mataas na sitwasyon, tulad ng isang kalamidad, kailangan mong umasa sa output ng modelo,” sabi ni Kuglitsch. Ang mga mahihirap na rehiyon—kadalasan ay nasa frontline ng mga sakuna na nauugnay sa klima—karaniwang may mas kaunti at mas masahol na pinapanatili na mga sensor ng panahon, halimbawa, na lumilikha ng mga gaps sa meteorolohiko data. Maaaring hindi gaanong tumpak ang mga AI system na sinanay sa baluktot na data na ito sa mga lugar na pinaka-bulnerable sa mga sakuna. At hindi tulad ng mga modelong nakabatay sa physics, na sumusunod sa mga itinakdang panuntunan, habang nagiging mas kumplikado ang mga modelo ng AI, lalong nagpapatakbo ang mga ito bilang mga sopistikadong ‘black box,’ kung saan ang landas mula sa input hanggang sa output ay nagiging hindi gaanong transparent. Ang inisyatiba ng UN ay nakatuon sa pagbuo ng mga alituntunin para sa responsableng paggamit ng AI. Sinabi ni Kuglitsch na maaaring, halimbawa, hikayatin ng mga pamantayan ang mga developer na ibunyag ang mga limitasyon ng modelo o tiyaking gumagana ang mga system sa mga hangganan ng rehiyon.
Susubukan ng inisyatiba ang mga rekomendasyon nito sa larangan sa pamamagitan ng pakikipagtulungan sa Mediterranean at pan-European forecast at Early Warning System Against natural hazards (MedEWSa), isang proyektong lumabas sa focus group. “Ilalapat namin ang pinakamahuhusay na kagawian mula sa focus group at magkakaroon ng feedback loop, para malaman kung alin sa mga pinakamahusay na kagawian ang pinakamadaling sundin,” sabi ni Kuglitsch. Isang pilot project ng MedEWSa ang mag-e-explore ng machine learning para mahulaan ang paglitaw ng mga wildfire sa isang lugar sa paligid ng Athens, Greece. Ang isa pa ay gagamit ng AI upang mapabuti ang mga babala sa pagbaha at pagguho ng lupa sa lugar na nakapalibot sa lungsod ng Tbilisi, Georgia.
Magbasa pa: Paano Gumagawa ang Industriya ng Semento ng Mga Carbon-Negative na Materyales sa Gusali
Samantala, ang mga pribadong kumpanya tulad ng Tomorrow.io ay naghahanap ng mga puwang na ito sa pamamagitan ng pagkolekta ng kanilang sariling data. Ang AI weather forecasting start-up ay naglunsad ng mga satellite na may radar at iba pang meteorological sensor upang mangolekta ng data mula sa mga rehiyon na kulang sa ground-based na mga sensor, na pinagsasama nito sa makasaysayang data upang sanayin ang mga modelo nito. Ang teknolohiya ng Tomorrow.io ay ginagamit ng mga lungsod ng New England kabilang ang Boston, upang tulungan ang mga opisyal ng lungsod na magpasya kung kailan dapat mag-asin ang mga kalsada bago ang pag-ulan ng niyebe. Ginagamit din ito ng Uber at Delta Airlines.
Ang isa pang inisyatiba ng UN, ang Systematic Observations Financing Facility (SOFF), ay naglalayon din na isara ang agwat ng data ng panahon sa pamamagitan ng pagbibigay ng financing at teknikal na tulong sa mga mahihirap na bansa. Sinabi ni Johan Stander, direktor ng mga serbisyo para sa WMO, isa sa mga kasosyo ng SOFF, na nakikipagtulungan ang WMO sa mga pribadong AI developer kabilang ang Google at Microsoft, ngunit binibigyang-diin ang kahalagahan ng hindi pagbibigay ng labis na responsibilidad sa mga sistema ng AI.
“Hindi ka maaaring pumunta sa isang makina at sabihin, ‘OK, nagkamali ka. Sagutin mo ako, anong nangyayari?’ Kailangan mo pa rin ng isang tao na kumuha ng pagmamay-ari na iyon, “sabi niya. Nakikita niya ang papel ng mga pribadong kumpanya bilang “pagsuporta sa mga pambansang serbisyo, sa halip na subukang kunin ang mga ito.”
Makipag-ugnayan sa amin sa letters@time.com.
