Πώς η Τεχνητή Νοημοσύνη αλλάζει την προσέγγισή μας στις καταστροφές

Σε έναν κόσμο όπου οι απώλειες από φυσικές καταστροφές αυξάνονται διαρκώς, η τεχνητή νοημοσύνη (ΤΝ) αναδύεται ως ένας ισχυρός σύμμαχος, υποσχόμενη να εντοπίζει τους κινδύνους νωρίτερα, να συντονίζει την ανακούφιση ταχύτερα και τελικά να σώζει ζωές και περιουσίες. Ωστόσο, η ενσωμάτωση της ΤΝ στη διαχείριση κρίσεων δεν είναι μια απλή διαδικασία. Απαιτεί προσαρμογή στις περίπλοκες πραγματικότητες της διαχείρισης εκτάκτων αναγκών και θέτει κρίσιμα ερωτήματα για το ποιος τη χρησιμοποιεί, πότε πρέπει να αντικαθιστά τις παραδοσιακές μεθόδους και πώς διασφαλίζεται ότι δεν θα λειτουργήσει ανεξέλεγκτα.

 
Η αυξανόμενη πίεση και η υπόσχεση της τεχνολογίας

Το πρόβλημα των καταστροφών είναι δαπανηρό και διαρκώς διογκούμενο. Οι παγκόσμιες ασφαλισμένες απώλειες από φυσικές καταστροφές καταγράφουν αύξηση 5-7% ετησίως και αναμένεται να φτάσουν τα 145 δισεκατομμύρια δολάρια το 2025. Στις Ηνωμένες Πολιτείες, το 2025 προβλέπεται να είναι μία από τις πιο δαπανηρές χρονιές στην ιστορία, λόγω των πυρκαγιών στο Λος Άντζελες, των ανεμοστρόβιλων στις Μεσοδυτικές πολιτείες και των πλημμυρών σε Μισισιπή και Τέξας. Σε αυτό το πλαίσιο, οι διαχειριστές εκτάκτων αναγκών, που εργάζονται στον δημόσιο και ιδιωτικό τομέα, καλούνται να αντιμετωπίσουν ένα διευρυμένο φάσμα αποστολών, από βιομηχανικά ατυχήματα και πανδημίες μέχρι τρομοκρατικές ενέργειες. Η ελπίδα είναι ότι η ΤΝ μπορεί να βοηθήσει στη διαχείριση αυτού του αυξανόμενου φόρτου εργασίας.

 
Το οπλοστάσιο της Τεχνητής Νοημοσύνης στη διαχείριση κρίσεων

Η ΤΝ αναφέρεται σε μηχανές που εκτελούν σύνθετες εργασίες, οι οποίες κάποτε θεωρούνταν αποκλειστικό προνόμιο του ανθρώπου, συμπεριλαμβανομένης ενδεχομένως της λήψης ανεξάρτητων αποφάσεων. Η εφαρμογή της εκτείνεται σε όλα τα στάδια μιας καταστροφής: πριν, κατά τη διάρκεια και μετά το συμβάν.

 
-Πριν την καταστροφή (Πρόληψη και προετοιμασία):

Προγνωστικά Μοντέλα: Μοντέλα μηχανικής μάθησης μπορούν να επεξεργαστούν τεράστιους όγκους δεδομένων για να προβλέψουν πυρκαγιές, πλημμύρες και τυφώνες με μεγαλύτερη ακρίβεια από τις παραδοσιακές μεθόδους. Για παράδειγμα, η NASA έχει χρησιμοποιήσει δορυφορικά δεδομένα για την πρόβλεψη σημείων έναυσης δασικών πυρκαγιών, επιτρέποντας την έγκαιρη λήψη προληπτικών μέτρων.

Εκπαίδευση και Σχεδιασμός: Συστήματα παραγωγικής ΤΝ (Generative AI) μπορούν να δημιουργήσουν εξατομικευμένα εκπαιδευτικά προγράμματα για στελέχη και πολίτες. Παράλληλα, τα «ψηφιακά δίδυμα» (digital twins) κοινοτήτων προσομοιώνουν τις επιπτώσεις ενός σεισμού ή μιας πλημμύρας, βοηθώντας τους σχεδιαστές να ενισχύσουν τις υποδομές και τα σχέδια δράσης πριν συμβεί η καταστροφή.

 
-Κατά τη διάρκεια της κρίσης (αντίδραση):

Αποτίμηση Ζημιών και Διάσωση: Μοντέλα υπολογιστικής όρασης, χρησιμοποιώντας εικόνες από drones ή δορυφόρους, μπορούν να αξιολογήσουν γρήγορα τις ζημιές και να βοηθήσουν στον εντοπισμό επιζώντων. Μετά τους τυφώνες Helene και Milton το 2024, η ΜΚΟ Give Directly χρησιμοποίησε ένα εργαλείο ΤΝ της Google για να εντοπίσει περιοχές με υψηλή συγκέντρωση ζημιών και φτώχειας, αποστέλλοντας άμεση οικονομική βοήθεια 1.000 δολαρίων στα πληγέντα νοικοκυριά, μια μέθοδος που θεωρήθηκε ταχύτερη από τα παραδοσιακά προγράμματα βοήθειας.

Επικίνδυνες Αποστολές: Drones μπορούν να μετρήσουν τα επίπεδα ραδιενέργειας σε ζώνες που είναι υπερβολικά επικίνδυνες για τον άνθρωπο, ενώ ρομπότ, που βρίσκονται ακόμη σε πιλοτικό στάδιο, έχουν χρησιμοποιηθεί σε προσομοιώσεις για τη διάσωση επιζώντων.

Επικοινωνία: Οι υπηρεσίες έκτακτης ανάγκης ήδη αξιοποιούν την επεξεργασία φυσικής γλώσσας για τη μετάφραση προειδοποιήσεων και ειδοποιήσεων σε πολλές γλώσσες.

 
-Μετά την Καταστροφή (αποκατάσταση):

Διαφάνεια και Υγεία: Συστήματα ΤΝ μπορούν να παρακολουθούν πιθανές απάτες στη διανομή της βοήθειας, διασφαλίζοντας ότι φτάνει σε όσους την έχουν πραγματικά ανάγκη. Αντίστοιχα συστήματα μπορούν να παρακολουθούν τραυματισμούς και να διαχειρίζονται τη μακροχρόνια ιατρική φροντίδα των πληγέντων.

 
Από τη θεωρία στην πράξη: Προκλήσεις και βέλτιστες πρακτικές

Παρά τον ενθουσιασμό, η πραγματική επίδραση της ΤΝ θα κριθεί από τον τρόπο ενσωμάτωσής της στις οργανωτικές διαδικασίες. Αν ένα σύστημα είναι δύσκολο στη χρήση, ακριβό, παράγει λανθασμένα αποτελέσματα, υπόκειται σε μεροληψίες ή στερείται διαφάνειας ως προς τον τρόπο λήψης αποφάσεων, οι χρήστες θα χάσουν την εμπιστοσύνη τους. Ένα κρίσιμο ζήτημα είναι ότι τα συστήματα ΤΝ αντικατοπτρίζουν τα δεδομένα με τα οποία εκπαιδεύονται. Για παράδειγμα, η προτεραιοποίηση της βοήθειας με βάση την αξία των υλικών ζημιών θα ευνοήσει αναπόφευκτα τις πλουσιότερες περιοχές. Η ΤΝ από μόνη της δεν μπορεί να λύσει ηθικές και πολιτικές προκλήσεις.

Για την αντιμετώπιση αυτών των κινδύνων, οι οργανισμοί που υιοθετούν επιτυχώς την ΤΝ ακολουθούν συγκεκριμένες στρατηγικές:

• Χρήση πιλοτικών δοκιμών και stress testing στα συστήματα ΤΝ για τον εντοπισμό σημείων αστοχίας.
• Τακτική παρακολούθηση της απόδοσης της ΤΝ, ειδικά σε σύγκριση με την τεχνολογία ή τη διαδικασία που αντικαθιστά.
• Παροχή συγκεκριμένων και περιορισμένων καθηκόντων στην ΤΝ, ώστε να τα εκτελεί με ακρίβεια, και συνεχής βελτίωση της απόδοσής της.
• Χρήση ηθικών κατευθυντήριων γραμμών ώστε ορισμένες αποφάσεις να παραμένουν εκτός των αρμοδιοτήτων της ΤΝ.
• Σύγκριση της απόδοσης της ΤΝ με την ανθρώπινη απόδοση για συγκεκριμένες εργασίες, ώστε να αποφασίζεται πού θα χρησιμοποιηθεί η καθεμία.
• Αξιοποίηση της ΤΝ στον σχεδιασμό ή σε αποστολές υψηλού κινδύνου για τον άνθρωπο.
• Εντοπισμός των κατάλληλων ισορροπιών μεταξύ αποτελεσματικότητας και ανθρώπινης εποπτείας, καθώς η ΤΝ μπορεί να λειτουργεί γρήγορα και σε μεγάλη κλίμακα.

Η πρόκληση της διακυβέρνησης: Ευθυγραμμίζοντας την ΤΝ με τις ανθρώπινες αξίες

Βραχυπρόθεσμα, η πρόκληση είναι τεχνική. Μακροπρόθεσμα, όμως, ανάγεται σε κλασικά ζητήματα διακυβέρνησης: ποιος έχει τη νόμιμη εξουσία να αποφασίζει και πώς λαμβάνονται οι συλλογικές αποφάσεις. Ακόμα κι αν μπορούμε τεχνικά να κάνουμε την ΤΝ να κάνει αυτό που θέλουμε, μπορούμε να συμφωνήσουμε στο τι είναι αυτό που θέλουμε;. Οι ειδικοί αποκαλούν αυτό το δίλημμα «πρόβλημα ευθυγράμμισης» (alignment), αναφερόμενοι στην ανάγκη ευθυγράμμισης των μοντέλων ΤΝ με τις ανθρώπινες αξίες, στόχους και προθέσεις.

Για παράδειγμα, μετά από έναν τυφώνα, η βοήθεια θα μπορούσε εύλογα να κατευθυνθεί πρώτα στις περιοχές με το μεγαλύτερο ύψος κυμάτων, σε εκείνες με τις μεγαλύτερες υλικές ζημιές (που μπορεί να είναι και οι πλουσιότερες) ή στις φτωχότερες περιοχές με λιγότερα κεφάλαια για ανοικοδόμηση. Οι άνθρωποι θα πρέπει να κάνουν τις αξιακές κρίσεις που θα καθοδηγήσουν τα συστήματα ΤΝ. Η ευθύνη, μάλιστα, γίνεται δυσδιάκριτη, καθώς μια απόφαση μπορεί να προκύπτει από τη συνεργασία πολλών διαφορετικών εργαλείων ή «πρακτόρων» ΤΝ, όπου ο καθένας εκτελεί ένα ξεχωριστό βήμα (π.χ. εντοπισμός ζημιάς, αξιολόγηση οδικών δικτύων, πρόταση κατανομής πόρων).

Τελικά, η επιτυχής χρήση της ΤΝ απαιτεί επένδυση όχι μόνο στην τεχνολογία, αλλά και στην κατανόηση και τον σχεδιασμό της χρήσης της. Διαφορετικά, κινδυνεύουμε να επαναλάβουμε μια παλιά ιστορία με νέα εργαλεία: να εμπιστευόμαστε τον χάρτη περισσότερο από την περιοχή και το μοντέλο περισσότερο από την περίπλοκη ανθρώπινη πραγματικότητα που υποτίθεται ότι πρέπει να υπηρετεί.

 
Με πληροφορίες από rand.org

 
mywaypress.gr –Περιεχόμενο αξίας με την υποστήριξη  υβριδικής νοημοσύνης.

Για  αναγνώστες με μεγάλο εύρος προσοχής.