چالش گرمای شدید هوش مصنوعی از پیش بینی به سمت محافظت در حال حرکت است

شهرها و محققان از هوش مصنوعی برای نقشه‌برداری و پیش‌بینی خطر گرمای شدید استفاده می‌کنند، اما تحقیقات جدید نشان می‌دهد که این هوش مصنوعی بسیار بیشتر برای شناسایی مکان‌هایی که مردم در معرض خطر هستند استفاده می‌شود تا کمک به مسئولان برای واکنش.

چرا مهم است: از آنجایی که تغییرات آب و هوایی گرمای شدید را تشدید می کند، پیش بینی های بهتر از جوامع آسیب پذیر محافظت نمی کند مگر اینکه دولت ها بتوانند آنها را به عمل تبدیل کنند. بر اساس مطالعه ییل در سال 2025، مرگ و میرهای مرتبط با درجه حرارت بالا در ایالات متحده 53 درصد از میانگین سالانه 2670 در سال 2000-2009 به بیش از 4000 در سال های 2010-2020 افزایش یافت. هدایت اخبار: مطالعه ای که در Climate Risk Management منتشر شده است، تحقیقات موجود در مورد چگونگی استفاده از هوش مصنوعی و یادگیری ماشینی برای مدیریت گرمای شدید را بررسی کرده است. از مقالات پژوهشی بررسی شده، 98.4 درصد بر پیش بینی و 59.2 درصد بر پیشگیری متمرکز بوده اند.

این در مقایسه با تنها 10.4 درصد در پاسخ، 3.2 درصد در بازیابی و 1.6 درصد در آمادگی است - اختلافی که نویسندگان آن را "شکاف تحقیق تا اجرا" می نامند.

این تحقیق به شدت بر روی استفاده از هوش مصنوعی برای پیش‌بینی گرمای خطرناک و شناسایی افرادی که در معرض خطر هستند متمرکز شده است، با توجه کمتری به این که چگونه می‌تواند به مقامات کمک کند تصمیم بگیرند چه کاری انجام دهند.

Karishma V. Patel، محقق سیاست RAND که یکی از نویسندگان این مطالعه است، می‌گوید: «جایی که هوش مصنوعی واقعا می‌تواند ارزش افزوده باشد، جایی است که پیش‌بینی در تصمیم‌گیری مرکزی است، و این در مقیاس یا ارائه جزئیات بیشتر است». وضعیت بازی: تبدیل پیش‌بینی‌های پیچیده گرما به اقدامات دولتی بیش از مدل‌های پیشرفته نیاز دارد. جنا گوسیاک، محقق کرنل، به آکسیوس گفت که داشتن «سیستم‌های داده قوی» که می‌تواند داده‌ها را از منابع مختلف دریافت کند و سپس آن‌ها را برای تمرین‌کنندگان قابل استفاده کند، «بیشترین نبرد در اینجاست». نمونه موردی: گوگل در ماه ژوئن اعلام کرد که قدرت هوش مصنوعی خود را گسترش داده است

داده‌های تاب‌آوری حرارتی را از یک آزمایش اولیه 14 شهر به بیش از 50 شهر در سراسر جهان ارائه کرد و به برنامه‌ریزان شهری داده‌های سطح ساختمان برای کمک به مداخلات گرمایی را هدف قرار داد. این داده‌ها از هوش مصنوعی و تصاویر با وضوح بالا برای ترسیم بازتاب سقف به ساختمان‌های جداگانه استفاده می‌کنند.

گوگل گفت داده‌های خلبان‌ها به تصمیم‌گیری در چندین شهر از جمله قوانین سقف سرد و برنامه‌های سازگاری کمک کرده است. بررسی واقعیت: اطلاعات بهتر لزوما مساوی با نتایج بهتر نیست. گوسیاک، که مدتی را به عنوان همکار فناوری منافع عمومی در مدیریت اضطراری شهر نیویورک گذراند، اخیرا شاخص‌های آسیب‌پذیری گرمایی ساده‌تر را با الگوریتم‌های پیش‌بینی پیچیده‌تر برای تصمیم‌گیری‌های مربوط به گرمای دولت مقایسه کرد.

او یک تمایز مهم را «داده‌های کند در مقابل سریع» توصیف کرد. الگوریتم‌های پیش‌بینی‌کننده ممکن است برای تصمیم‌گیری‌های حساس به زمان «مرتبط با یک رویداد محرک خاص» مفیدتر باشند، در حالی که شاخص‌های ساده‌تر می‌توانند برای برنامه‌ریزی طولانی‌مدت مناسب‌تر باشند.

گوسیاک، دانشجوی دکترا در دپارتمان علوم اطلاعات کرنل، افزود: یکی از مزایای شاخص های ساده تر این است که مقامات می توانند به صراحت انتخاب کنند که کدام جمعیت آسیب پذیر را در اولویت قرار دهند. چه چیزی بعدی: مرز بعدی ممکن است کمتر در مورد بهتر کردن پیش بینی های گرما و بیشتر در مورد اتصال پیش بینی ها به مداخلات باشد. پاتل گفت، ارزش هوش مصنوعی می‌تواند در کمک به مقامات در اتخاذ «تصمیم‌های تقریبا هم‌زمان» با ادغام سیگنال‌های در حال تغییر و ارائه «پیش‌بینی فرامحلی در سطوح دانه‌ای» باشد.

او گفت که این می تواند به مقامات کمک کند تا به خطرات گرما در زمان واقعی پاسخ دهند و تهدیدات ترکیبی شامل گرما، آلودگی هوا، دود آتش سوزی و خشکسالی را بهتر درک کنند. پاتل گفت: «آنچه مهم است فقط این نیست که بتوانیم فناوری مجهز به هوش مصنوعی بسازیم، بلکه در واقع یک مشکل را حل می کند یا یک گلوگاه را برطرف می کند.