Η διαχείριση κρίσεων αποτελεί μια σύνθετη και πολυδιάστατη πρόκληση για τις σύγχρονες κοινωνίες. Η ανάγκη για έγκαιρη πρόληψη, άμεση ανταπόκριση και αποδοτική αποκατάσταση γίνεται πιο επιτακτική από ποτέ. Η τεχνητή νοημοσύνη (ΤΝ) αποτελεί μια από τις ραγδαία εξελισσόμενες τεχνολογίες του 21ου αιώνα, με διαρκώς διευρυνόμενες εφαρμογές σε κρίσιμους τομείς. Ιδιαίτερα στον τομέα της διαχείρισης κρίσεων αναδεικνύεται σε στρατηγικό εργαλείο που επιτρέπει την Πρόβλεψη, την έγκαιρη ειδοποίηση, την λήψη αποφάσεων σε πραγματικό χρόνο και την αποκατάσταση των ζημιών μετά από μία καταστροφή.
Σε ένα παγκόσμιο περιβάλλον όπου η συχνότητα των σφοδρών φυσικών φαινομένων , των υγειονομικών και οικονομικών κρίσεων , αλλά και των βιομηχανικών ατυχημάτων αυξάνεταΙ, η χρήση της ΤΝ μέσω των αλγορίθμων, της Επεξεργασίας μεγάλων δεδομένων αλλά και τον έξυπνο συστημάτων ενισχύει την ανθεκτικότητα των κοινωνιών και των υποδομών.
Πυρκαγιές και Τεχνητή Νοημοσύνη
Οι δασικές πυρκαγιές αποτελούν μια από τις πιο καταστροφικές φυσικές κρίσεις, με σοβαρές επιπτώσεις στο περιβάλλον, την ανθρώπινη ζωή και την οικονομία. Η (ΤΝ) αναδεικνύεται ως κρίσιμο εργαλείο πρόληψης, ανίχνευσης και διαχείρισης τέτοιων φαινομένων.
Με τη βοήθεια δορυφορικών δεδομένων, τα συστήματα ΤΝ μπορούν να προβλέψουν περιοχές υψηλού κινδύνου ανάλογα με την υγρασία, τη θερμοκρασία, την κατεύθυνση του ανέμου και την κάλυψη καύσιμης ύλης (Chuvieco et al., 2010). Η έγκαιρη ανίχνευση καπνού ή φλόγας μέσα από τεχνολογίες σε πραγματικό χρόνο (real-time image analysis) επιτρέπει την άμεση κινητοποίηση των δυνάμεων πριν την ανεξέλεγκτη εξάπλωση της πυρκαγιάς
Παράλληλα, οι αλγόριθμοι μηχανικής μάθησης έχουν την δυνατότητα προβλέψουν την κατεύθυνση και την εξάπλωσης της πυρκαγιάς, ενσωματώνοντας δεδομένα από αισθητήρες, drones και ιστορικά πρότυπα πυρκαγιών. Αποτέλεσμα αυτών είναι οι επιχειρήσεις κατάσβεσης μπορούν να οργανωθούν , προφυλάσσοντας τις υποδομές και τους πληθυσμούς.
Η πλατφόρμα WIFIRE στις ΗΠΑ, ενσωματώνει συστήματα ΑΙ βλέποντας τον καιρό και GIS για προσομοίωση της πορείας πυρκαγιάς σε πραγματικό χρόνο (Cui et al., 2021). Στην Ευρώπη, η ESA (Ευρωπαϊκή Υπηρεσία Διαστήματος) χρησιμοποιεί AI για την ανάλυση εικόνων Sentinel με στόχο την πρόληψη και παρακολούθηση πυρκαγιών.
Σεισμοί και Τεχνητή Νοημοσύνη
Η ΤΝ προσφέρει νέα εργαλεία για την αναγνώριση προσεισμικών σημάτων, την έγκαιρη ειδοποίηση και την αξιολόγηση ζημιών μετά το σεισμικό φαινόμενο. Εφαρμόζεται σε μεγάλα σεισμολογικά δίκτυα, όπου επεξεργάζεται δεδομένα σεισμογράφων για να εντοπίσει ανωμαλίες που ίσως αποτελούν πρώιμα σημάδια ενός σεισμού. Το σύστημα έγκαιρης προειδοποίησης σεισμών (Earthquake Early Warning System) της Ιαπωνίας, χρησιμοποιεί αλγορίθμους ΤΝ για να στείλει προειδοποιήσεις λίγο πριν χτυπήσει ο κύριος σεισμός, χρόνος όμως που είναι αρκετός για να σταματήσουν τραίνα ή να αποσυνδεθεί το ηλεκτρικό ρεύμα (Perol et al., 2018).
Η ΤΝ μετά τον σεισμό μπορεί να αναλύσει εικόνες από δορυφόρους και drones, εντοπίζοντας με ακρίβεια τις περιοχές που έχουν υποστεί σοβαρές ζημιές ή που είναι προσβάσιμες για σωστικά συνεργεία. Μέσω Natural Language Processing (NLP), τα κοινωνικά δίκτυα χρησιμοποιούνται για την εξαγωγή πολύτιμων πληροφοριών από μαρτυρίες πολιτών σε πραγματικό χρόνο.
Επιπλέον, η χρήση της βαθειάς μάθησης (deep learning) έχει αποδειχθεί ικανή να ταξινομεί σεισμικά κύματα, να ξεχωρίζει μετασεισμούς και να βελτιώνει συνεχώς τον ακριβή χρόνο των προβλέψεων μέσω εκπαίδευσης σε μεγάλα σύνολα σεισμικών δεδομένων.
Πλημμύρες και Τεχνητή Νοημοσύνη.
Οι πλημμύρες αποτελούν μια από τις πιο συχνές επικύνδινες και δαπανηρές φυσικές καταστροφές καθώς το κράτος οφείλει να ξαναφτιάξει τις περιοχες και τις υποδομές που καταστράφηκαν . Η ΤΝ προσφέρει δυνατότητες για έγκαιρη πρόβλεψη, παρακολούθηση και διαχείριση των συνεπειών ΤΟΥΣ. Χρησιμοποιώντας τεχνικές μηχανικής μάθησης (machine learning) και επεξεργασίας μεγάλων δεδομένων (big data), οι επιστήμονες μπορούν να αναλύσουν μετεωρολογικά στοιχεία, επίπεδα υδάτων, παλαιότερες πλημμύρες και αστικά δεδομένα για να προβλέψουν με ακρίβεια το πότε και πού υπάρχει υψηλός κίνδυνος.
Τα τεχνητά νευρωνικά δίκτυα που σκοπό έχουν την επίλυση υπολογιστικών προβλημάτων, εκπαιδεύονται ώστε να εντοπίζουν περιοχές που πλημμυρίζουν συχνά και να ειδοποιούν εγκαίρως τους κατοίκους . Τέτοια συστήματα εφαρμόζονται ήδη στην Ολλανδία και στην Ινδία (Mosavi et al., 2018). Μετά την πλημμύρα, η ΤΝ βοηθά στον εντοπισμό εγκλωβισμένων ανθρώπων ή κατεστραμμένων υποδομών με χρήση drones και τεχνολογιών computer vision.
Υγειονομικές Κρίσεις και Τεχνητή Νοημοσύνη
Η πρόσφατη πανδημία COVID-19 ανέδειξε τον κρίσιμο ρόλο της ΤΝ στη διαχείριση υγειονομικών κρίσεων. Μέσω ανάλυσης δεδομένων πραγματοποιείται μοντελοποίηση του εντοπισμού και εξάπλωσης των ασθενών, η ΤΝ συνέβαλε σημαντικά στην καταπολέμηση της κρίσης. Οι Αλγόριθμοι της μηχανικής μάθησης χρησιμοποίησαν στοιχεία όπως κινητικότητα πληθυσμού, επιδημιολογικά μοντέλα και δείκτες υγείας για την πρόβλεψη εξάπλωσης του ιού (Arora et al., 2020). Συστήματα αναγνώρισης φωνής ή και εικόνας εντόπιζαν συμπτώματα όπως βήχας ή πυρετός βρίσκονταν θετικότητα στον ιό .
Παράλληλα, η ΤΝ υποστήριξε την ταχεία ανάπτυξη εμβολίων και τη διαχείριση εμβολιασμών, ενισχύοντας έτσι την ικανότητα των κυβερνήσεων παγκοσμίως να λαμβάνουν τεκμηριωμένες αποφάσεις προκειμένου να ”νικηθεί” ο ιός.
Οικονομικές Κρίσεις και Τεχνητή Νοημοσύνη
Η ΤΝ χρησιμοποιείται ευρέως για την παρακολούθηση χρηματοπιστωτικών δεικτών τόσο των χρηματιστηρίων όσο και των δεικτών νομισμάτων, αγαθών και τη διαχείριση ρίσκου. Κατά τη διάρκεια Κρίσεων, όπως αυτής χρηματοπιστωτικής του 2008 ή της πανδημίας του COVID-19, οι αλγόριθμοι πρόβλεψης (predictive algorithms) αναλύουν την πορεία των αγορών και υποδεικνύουν για την λήψη αποφάσεων.
Μοντέλα Τεχνητής Νοημοσύνης χρησιμοποιούνται από τράπεζες, επενδυτικούς οίκους, οίκους αξιολόγησης και κυβερνήσεις για την εκτίμηση της φερεγγυότητας επιχειρήσεων, της ανεργίας και της νομισματικής πολιτικής (Bazarbash, 2019). Επιπλέον, η ΤΝ ανιχνεύει απότομες αλλαγές που ίσως προειδοποιούν για επερχόμενες κρίσεις.
Αυτό επιτρέπει την έγκαιρη λήψη αποφάσεων για μέτρα στήριξης, ή παρεμβάσεις στις αγορές με τρόπο στοχευμένο και αποδοτικό.
Βιομηχανικές Καταστροφές και Τεχνητή Νοημοσύνη
Οι βιομηχανικές καταστροφές, (εκρήξεις, διαρροές χημικών, αποτυχίες εξοπλισμού) μπορεί να έχουν τραγικές συνέπειες για τους ανθρώπους και το περιβάλλον. Η Τεχνητή Νοημοσύνη μπορεί να αποτρέψει ή να μετριάσει τέτοια περιστατικά.
Με συνεχή παρακολούθηση μέσω αισθητήρων και της ανάλυσης δεδομένων σε πραγματικό χρόνο-realtime, η ΤΝ έχει την δυνατότητα να εντοπίσει τυχόν αστοχίες (Zhao et al., 2019), παράλληλα με συστήματα προληπτικής συντήρησης (predictive maintenance) υπάρχει έγκαιρη προειδοποίηση για τυχόν ανάγκες επισκευής.
Επιπλέον, σε περίπτωση ατυχήματος, η ΤΝ μπορεί να καθοδηγήσει την σωστή αντίδραση μέσα στον χώρο που σημειώθηκε η καταστροφή προτείνοντας διαδρομές και τρόπους διαφυγής και όλα σενάρια ασφαλείας.
Συμπερασματικά βλέπουμε πως η ενσωμάτωση της Τεχνητής Νοημοσύνης στην διαχείρηση των πάσης φύσεως κρίσεων και καταστροφών στις ,έδρες μας πια αποτελεί αναγκαιότητα . Μέσα από την ανάλυση διαφορετικών τύπος κρίσεων καταδεικνύεται ότι η ΤΝ προσφέρει σημαντική βοήθεια στην διαχείρηση των σταδίων της κρίσης δηλ στην πρόβλεψη στη, πρόληψη στην παρέμβαση και εν τελεί στην ανάκαμψη της.. Η χρήση των έξυπνων αλγορίθμων και των αυτόνομων συστημάτων ενισχύει την ακρίβεια της πρόγνωσης αλλά και την αμεσότητα στην λήψη αποφάσεων .
Η τεχνητή νοημοσύνη δεν αντικαθιστά τον άνθρωπο στην διαχείρηση των κρίσεων αλλά με «χρηστή» χρησιμοποίηση της τον βοηθά ουσιαστικά συμβάλλοντας ουσιαστικά και καθοριστικά στην οικοδόμηση πιο ανθεκτικών υποδομών και κοινωνιών. Το μέλλον της διαχείρισης των πάσης φύσεως των κρίσεων είναι συνδεδεμένο αναπόφευκτα με την πρόοδο της τεχνητής νοημοσύνης και την αξιοποίηση της που θα πρέπει να γίνεται με υπευθυνότητα διαφάνεια και κυρίως προσέγγιση ανθρωποκεντρική.
Βιβλιογραφία / References
Arora, R. et al. (2020). “Prediction and monitoring of COVID-19 pandemic using machine learning: A review.” Journal of Infection and Public Health, 13(10), 1484-1496
Bazarbash, M. (2019). “Fintech in financial inclusion: Machine learning applications in assessing credit risk.” IMF Working Paper.
Chuvieco, E., Aguado, I., & Yebra, M. (2010). «Development of a framework for fire risk assessment using remote sensing and geographic information system technologies.» Ecological Modelling, 221(1), 46–58.
Cui, Y., et al. (2021). «WIFIRE: An integrated system for real-time and predictive wildfire modeling.» Future Generation Computer Systems, 118, 176-187
Mosavi, A., Ozturk, P., & Chau, K. W. (2018). “Flood prediction using machine learning models: Literature review.” Water, 10(11), 1536.
Perol, T., Gharbi, M., & Denolle, M. (2018). «Convolutional neural network for earthquake detection and location.» Science Advances, 4(2), e1700578.
Zhao, R. et al. (2019). “Deep learning and its applications to machine health monitoring.” Mechanical Systems and Signal Processing, 115, 213-237.
