Vědci tvrdí, že umělá inteligence dokáže předpovědět „kritické body“ budoucích katastrof, jako jsou pandemie nebo ekologický kolaps

Předpovídání nebezpečných zlomových bodů ve složitých systémech se pro vědce ukázalo být oříškem. Nyní by to za ně mohl udělat nový systém umělé inteligence. Počítačoví vědci vytvořili program umělé inteligence (AI), který dokáže předvídat nástup katastrofických zlomových bodů – a chtějí ho využít k předpovídání ekologických kolapsů, finančních krachů, pandemií a výpadků elektřiny.

„Pokud lze předpovědět blížící se kritický přechod, pak se můžeme na změnu připravit nebo jí možná i zabránit, a tím zmírnit škody,“ řekl pro Live Science hlavní autor studie Gang Yan, profesor informatiky na čínské univerzitě Tongji. „To nás motivovalo k tomu, abychom vyvinuli přístup založený na umělé inteligenci, který by umožnil předvídat nástup takových náhlých přechodů daleko dříve, než k nim dojde.“

Výzkumníci publikovali své výsledky 15. července v časopise Physical Review X.

Zlomové body

jde o náhlé posuny, za nimiž se lokalizovaný systém nebo jeho prostředí změní do nežádoucího stavu, z něhož je obtížné se vrátit. Pokud by například došlo ke zhroucení grónského ledového příkrovu, snížily by se sněhové srážky i v severní části ostrova, což by drasticky zvýšilo hladinu moře a způsobilo, že by se velké části příkrovu nedaly obnovit.

Vědecké poznatky, které stojí za těmito dramatickými změnami, jsou však málo známé a často založené na příliš zjednodušených modelech, což ztěžuje přesné předpovědi. Dříve vědci používali statistiku, aby podle rostoucích výkyvů odhadli klesající sílu a odolnost systémů. Výsledky studií využívajících tyto statistické metody jsou však kontroverzní.

AI s mozkem – ve službách dobra lidem

Při hledání přesnějšího způsobu předvídání nebezpečných přechodů vědci, kteří stojí za novou studií, zkombinovali dva různé typy neuronových sítí neboli algoritmů, které napodobují způsob zpracování informací v mozku. První z nich rozdělil složité systémy na velké sítě vzájemně se ovlivňujících uzlů a poté sledoval spojení mezi uzly; druhý sledoval, jak se jednotlivé uzly mění v čase.

Vzhledem k tomu, že je obtížné předvídat body zvratu, je stejně obtížné vědět, kde je hledat, a proto je údajů o náhlých kritických přechodech v reálném světě málo. Při trénování svého modelu se výzkumníci místo toho zaměřili na body zvratu v rámci jednoduchých teoretických systémů – včetně modelových ekosystémů a nesynchronizovaných metronomů, které se po dostatečném čase začnou houpat dohromady.

Jakmile neuronová síť nasbírala dostatek dat, zadali jí výzkumníci problém z reálného světa: přeměnu tropických lesů na savanu. Vědci využili více než 20 let satelitních dat ze tří oblastí střední Afriky, které prošly touto náhlou proměnou, a algoritmu dodali informace o srážkách a pokrytí stromy ve dvou z těchto oblastí.

Na základě těchto údajů umělá inteligence přesně předpověděla, co se stalo ve třetím regionu, i když 81 % uzlů systémů (v tomto případě kusů půdy) zůstalo nepozorováno, uvedli vědci.

Poté, co úspěšně předpověděli jeden bod zvratu, výzkumníci nyní hledají způsoby, jak dekonstruovat černou skříňku algoritmu, aby našli zákonitosti, kterých si všiml. Doufají, že pak budou moci svůj model aplikovat na další systémy, jako jsou lesní požáry, pandemie a finanční krachy.

„Chladná hlava AI“ je v tomto případě výhodou

Jednou z výzev při předpovídání systémů zahrnujících lidi je to, že se učíme o svých vlastních předpovědích a reagujeme na ně, čímž se naše předpovědi složitým způsobem promítají zpět do našeho chování.

„Vezměme si například městskou dopravu: ačkoli může být jednoduché identifikovat přetížené silnice, oznamování informací o dopravních zácpách v reálném čase všem řidičům může vést k chaosu,“ řekl Gang. „Řidiči mohou v reakci na tuto informaci okamžitě změnit své trasy, což může na některých silnicích zmírnit dopravní zácpy, ale zároveň způsobit zácpy na jiných. Tato dynamická interakce činí předpovídání obzvláště složitým.“

Aby tento problém obešli, zaměří se podle vědců na ty části lidských systémů, které jsou zdánlivě neovlivnitelné našimi záměry. V příkladu silniční sítě by to mohlo být provedeno tak, že se budou zabývat trasami, které jsou přetížené spíše kvůli své základní konstrukci než kvůli tomu, jak se na nich řidiči chovají.

„Využití umělé inteligence k zachycení těchto základních signálů může být cenné pro vytváření předpovědí,“ řekl Yan. „I když je předpovídání takových systémů náročné, vyplatí se, protože kritické přechody v systémech, na kterých se podílí člověk, mohou mít ještě závažnější důsledky.“

Zdroj: Livescience