AI dự đoán điểm tới hạn của thảm họa

Tuy nhiên, giờ đây, một hệ thống trí tuệ nhân tạo mới có thể sẵn sàng thực hiện công việc này thay con người.

Mang lại cái nhìn chính xác

Các nhà khoa học máy tính đã tạo ra một chương trình trí tuệ nhân tạo (AI) có thể dự đoán sự khởi đầu của những điểm tới hạn thảm khốc. Nhóm nghiên cứu muốn sử dụng công cụ này để dự báo sự sụp đổ sinh thái, khủng hoảng tài chính, đại dịch và… mất điện.

“Nếu có thể dự đoán được một quá trình chuyển đổi quan trọng sắp tới, chúng ta có thể chuẩn bị cho sự thay đổi hoặc thậm chí là ngăn chặn quá trình chuyển đổi. Từ đó, có thể giảm thiểu thiệt hại.

Điều này đã thúc đẩy chúng tôi phát triển một phương pháp AI để dự đoán sự khởi đầu của những quá trình chuyển đổi đột ngột như vậy trước khi nó xảy ra”, tác giả nghiên cứu Gang Yan - Giáo sư khoa học máy tính tại Đại học Tongji (Trung Quốc) cho biết.

Điểm tới hạn là những thay đổi đột ngột mà sau đó một hệ thống cục bộ hoặc môi trường sẽ chuyển sang trạng thái không mong muốn, khó có thể trở lại như ban đầu. Ví dụ, nếu tảng băng Greenland sụp đổ, nó cũng sẽ làm giảm lượng tuyết rơi ở phía Bắc của hòn đảo. Hiện tượng này sẽ làm mực nước biển dâng cao đáng kể và khiến nhiều phần của tảng băng không thể phục hồi được.

Tuy nhiên, các nhà nghiên cứu vẫn chưa hiểu rõ hết hiện tượng khoa học đằng sau những biến đổi mạnh mẽ này. Bởi, họ thường dựa trên các mô hình quá đơn giản, khiến việc dự đoán chính xác trở nên khó khăn.

Trước đây, các nhà khoa học đã sử dụng số liệu thống kê để đánh giá sức mạnh và khả năng phục hồi đang suy giảm của nhiều hệ thống thông qua biến động ngày càng tăng của chúng. Tuy nhiên, kết quả từ các nghiên cứu sử dụng những phương pháp thống kê như vậy còn gây tranh cãi.

Nhằm mang lại một cái nhìn chính xác hơn trong việc dự đoán chuyển đổi nguy hiểm, các nhà khoa học đã kết hợp hai loại mạng nơ-ron khác nhau, hoặc những thuật toán mô phỏng cách thông tin được xử lý trong não. Loại đầu tiên chia nhỏ các hệ thống phức tạp thành những mạng lớn, gồm các điểm nút tương tác trước khi theo dõi kết nối giữa chúng.

Loại thứ hai theo dõi cách các điểm nút riêng lẻ thay đổi theo thời gian. Ví dụ, trong một hệ thống tài chính, một điểm nút có thể là một công ty duy nhất. Trong một hệ thống sinh thái, một điểm nút có thể đại diện cho một loài. Trong một hệ thống truyền thông xã hội, một điểm nút có thể biểu thị một người dùng...

Áp dụng mô hình vào hệ thống khác

Vì các điểm tới hạn khó dự đoán, nên việc biết tìm chúng ở đâu cũng khó khăn không kém. Điều đó khiến dữ liệu thực tế về các chuyển đổi quan trọng đột ngột trở nên khan hiếm.

Do vậy, các nhà nghiên cứu đã chuyển sang điểm tới hạn trong những hệ thống lý thuyết đơn giản. Trong đó, bao gồm các hệ sinh thái mô hình và máy đếm nhịp không đồng bộ. Khi có đủ thời gian, chúng sẽ bắt đầu chuyển động cùng nhau.

Sau khi mạng nơ-ron nhận được đủ dữ liệu, nhóm nghiên cứu đã đưa cho nó một vấn đề từ thế giới thực: Sự biến đổi của rừng nhiệt đới thành thảo nguyên. Sử dụng dữ liệu vệ tinh trong hơn 20 năm từ ba khu vực ở Trung Phi đã có sự chuyển đổi đột ngột này, các nhà khoa học đã cung cấp thông tin cho thuật toán về lượng mưa và độ che phủ của cây ở hai khu vực.

Câu trả lời, đúng như dự đoán là lượng mưa hằng năm, nhưng AI có thể làm tốt hơn. Khi lượng mưa hằng năm giảm từ 1.800 mm xuống 1.630 mm, kết quả cho thấy độ che phủ trung bình của cây chỉ giảm khoảng 5%.

Nếu lượng mưa hằng năm giảm từ 1.630 mm xuống còn khoảng 1.620 mm, thuật toán xác định độ che phủ trung bình của cây đột nhiên giảm thêm hơn 30%. Bằng cách dự đoán sự chuyển dịch từ dữ liệu thô, các nhà nghiên cứu cho biết đã có bước đột phá mới trong lĩnh vực này. Công việc trước đây, dù có hay không có sự hỗ trợ của AI, cũng không thể kết nối các điểm một cách tốt như vậy.

Theo nhóm nghiên cứu, từ dữ liệu đó, AI dự đoán chính xác những gì đã xảy ra ở khu vực thứ ba, ngay cả khi 81% các điểm nút của hệ thống (trong trường hợp này là các khối đất) không được quan sát.

Sau khi dự đoán thành công một điểm tới hạn, các nhà nghiên cứu đang tìm cách phân tích hộp đen của thuật toán. Từ đó, tìm ra các mô hình mà thuật toán phát hiện. Sau đó, nhóm nghiên cứu hy vọng có thể áp dụng mô hình của mình vào các hệ thống khác như cháy rừng, đại dịch và khủng hoảng tài chính.

Một thách thức trong việc dự đoán các hệ thống liên quan đến con người là chúng ta tìm hiểu và phản ứng với những dự báo của chính mình. Sau đó, đưa dự đoán của mình trở thành hành vi theo những cách phức tạp.

“Ví dụ, hãy xem xét giao thông đô thị: Chúng ta có thể dễ dàng xác định các tuyến đường tắc nghẽn. Tuy nhiên, việc thông báo thông tin tắc nghẽn theo thời gian thực cho tất cả người lái xe có thể dẫn đến hỗn loạn”, nhà nghiên cứu Gang cho biết.

Trong tình huống đó, người lái xe có thể ngay lập tức thay đổi lộ trình của họ để phản hồi thông tin. Điều này có thể làm giảm tình trạng tắc nghẽn trên một số tuyến đường. Tuy nhiên, điều đó đồng thời lại gây ra tình trạng tắc nghẽn trên những tuyến đường khác.

Để giải quyết vấn đề này, các nhà nghiên cứu cho biết, thay vào đó, họ sẽ tập trung vào những bộ phận của hệ thống con người dường như không bị ảnh hưởng bởi ý định. Trong ví dụ về mạng lưới đường bộ, điều này có thể được thực hiện bằng cách xem xét các tuyến đường bị tắc nghẽn nhiều hơn do thiết kế cơ bản của chúng, thay vì cách người lái xe hành xử trên tuyến đường đó.

“Sử dụng AI để nắm bắt các tín hiệu cơ bản này có thể có giá trị để đưa ra dự đoán. Mặc dù, việc dự đoán các hệ thống như vậy là một thách thức, nhưng điều đó rất đáng giá. Bởi, các quá trình chuyển đổi quan trọng trong những hệ thống có sự tham gia của con người có thể gây ra hậu quả thậm chí còn nghiêm trọng hơn”, nhà nghiên cứu Yan cho biết.