استفاده گوگل و خدمات وب آمازون از یادگیری ماشینی برای مقابله با سیل و آتش سوزی
بهتازگی گوگل و خدمات وب آمازون (AWS) عملیاتی که تاکنون درباره مدلهای یادگیری ماشینی (ML) انجام دادهاند را برجسته کردهاند. این مدلها میتوانند در نهایت به کشورها برای مقابله با بحرانهای زیستمحیطی که در سرتاسر جهان اتفاق میافتند، کمک کنند.
به گزارش Zdnet، این شرکتها درباره تلاشهای خود برای مقابله با اثرات تغییرات آبوهوایی مانند سیل و آتشسوزیهای جنگلی، همزمان با پایان کنفرانس تغییرات آبوهوایی سازمان ملل متحد در بریتانیا ۲۰۲۱ (COP26) در این هفته، توضیحاتی ارائه کردند.
سیل
گوگل مقالهای درباره سیستم پیشبینی سیل خود با مدلهای یادگیری ماشینی منتشر کرده است. ادعا میشود فناوری این شرکت میتواند «هشدارهای دقیق سیل را در لحظه به اورژانسها و عموم مردم» ارسال کند. این مقاله توسط محققان Google Research و دانشگاه عبری اورشلیم در اسرائیل نوشته شده است.
فناوری پیشبینی سیل گوگل که در سال ۲۰۱۸ راهاندازی شد، هشدارهایی را به گوشیهای هوشمند مردم در مناطق سیلزده ارسال میکند. این بخشی از برنامه واکنش به بحران گوگل است که با کارکنان اورژانس و مراکز ضروری برای توسعه فناوری کار میکند.
از سال ۲۰۱۸، این برنامه گسترش یافته و بخش اعظمی از هند و بنگلادش را در برگرفته و جمعیت ۲۲۰ میلیون نفر را پوشش میدهد. از فصل بارانهای موسمی ۲۰۲۱، پوشش برنامه مذکور گسترش یافته و منطقهای را در برمیگیرد که حدود ۳۶۰ میلیون نفر در آن زندگی میکنند.
یوسی ماتیاس، معاون مهندسی گوگل و مسئول مدیریت شرایط بحرانی، در یک پست وبلاگی میگوید:
به لطف فناوری بهتر پیشبینی سیل، ما بیش از ۱۱۵ میلیون هشدار ارسال کردیم؛ این تقریبا سه برابر مقداری است که پیشتر ارسال شده بود.
هشدارهای گوگل فقط نشان نمیدهد که رودخانهای چند سانتیمتر بالا آمده است. به لطف مدلهای یادگیری ماشینی جدیدی که از شبکههای عصبی عمیق حافظه کوتاهمدت (LTSM) استفاده میکنند، اکنون این سیستم میتواند «نقشههای غرقاب» را ارائه کند که میزان و عمق سیل را به صورت لایهای در نقشههای گوگل نشان میدهد. محققان معتقدند «مدلهای LSTM بهتر از مدلهای مفهومی که برای دادههای طولانی مدتی کالیبره شده بودند، عمل کردهاند». آنها میگویند:
درحالیکه مطالعات قبلی نتایج دلگرمکنندهای ارائه میکردند، به ندرت میتوان سیستمهای عملیاتی واقعی که از مدلهای یادگیری ماشینی به عنوان اجزای اصلی خود استفاده میکردند یافت که قادر به محاسبه هشدارهای سیل بهموقع و دقیق باشند.
آتشسوزیها
علاوهبر تمام تلاشها، خدمات وب آمازون نیز با AusNet، یک شرکت انرژی مستقر در ملبورن استرالیا، برای کمک به کاهش آتشسوزیهای جنگلی در منطقه همکاری میکند. AusNet دارای ۵۴ هزار کیلومتر خطوط برق است که انرژی را میان حدود ۱٫۵ میلیون خانه و کسبوکار در ویکتوریا توزیع میکند. تخمین زده میشود که ۶۲ درصد از شبکه مذکور در مناطق با خطر آتشسوزی بالا قرار دارد.
AusNet از ماشینهای مجهز به دوربینهای لایدار (به سبک گوگل مپس) و یادگیری ماشینی آمازون SageMaker برای ترسیم مناطقی که دارای پوشش گیاهی هستند استفاده میکند. این کار برای جلوگیری از آتشسوزی جنگلی و اعمال اصلاحات لازم انجام میشود. سیستم قبلی آن بر GIS (سیستم اطلاعات جغرافیایی) متکی بود و از ابزارهای سفارشی برای برچسب گذاری نقاط لایدار استفاده میکرد. AusNet با خدمات وب آمازون کار میکند تا مراحل کار خود را با استفاده از مدلهای یادگیری عمیق AWS، اتوماتیک کرده و سرعت ببخشد. AusNet و AWS یک مدل تقسیمبندی معنایی ساختهاند که بهطور دقیق دادههای نقطهای سهبعدی مربوط به هادیها، ساختمانها، قطبها، پوششهای گیاهی و سایر دستهها طبقهبندی میکند.
دانیل پندلبری، مدیر محصول AusNet میگوید:
قابلیت برچسبگذاری سریع و دقیق دادهها، قسمت مهمی از فرایند به حداقل رساندن خطر آتشسوزیهای جنگلی است.
هنگام کار کردن با Amazon Machine Learning Solutions Lab موفق به تولید مدلی شدیم که میتواند با دقت متوسط ۸۰٫۵۳ درصد موارد مختلف را برچسبگذاری کند. انتظار میرود با این روش جدید بتوان نیاز به برچسبگذاری دستی را تا ۸۰ درصد کاهش داد.
به نظر شما همراهان mydtc آیا روزی میتوان با فناوریهای مبتنی بر یادگیری ماشینی مدتها قبل وقایع طبیعی را متوجه شد و جلوی آسیب رسیدن به مردم را گرفت؟