۵ راهی که هوش مصنوعی می‌تواند در شرایط اضطراری فاجعه کمک کند

منتشر شده در analyticsinsight به تاریخ ۲۰ ژوئن ۲۰۲۲
لینک منبع 5 WAYS AI CAN HELP IN DISASTER EMERGENCIES

هوش مصنوعی و یادگیری ماشینی به حدی رسیده‌است که می‌توانند پیش‌بینی‌های دقیقی داشته باشند و همچنین وظایف شناسایی و طبقه‌بندی را انجام دهند. همچنین از این برنامه‌های هوش مصنوعی می‌توان برای جلوگیری از بلایای طبیعی و یا پاسخ سریع در مواقع اضطراری استفاده کرد. در اینجا به ۵ روش کمک هوش مصنوعی در شرایط اضطراری اشاره می‌کنیم:

مدیریت کمک‌رسانی در بلایای طبیعی

در صورت وقوع یک فاجعه، اولین گام جمع‌آوری یک تیم واکنش مهم برای کمک به افراد نیازمند است. قبل از اینکه تیم وارد عمل شود، مطالعه و ارزیابی درجه آسیب و اطمینان از اینکه کمک‌های مناسب ابتدا به افراد نیازمند ارائه می‌شود، بسیار مهم است. ابزارهای هوش مصنوعی مانند تشخیص و طبقه‌بندی تصویر، که می‌توانند عکس‌ها را از ماهواره‌ها آنالیز و مشاهده کنند، می‌توانند در تجزیه و تحلیل آسیب بسیار مفید باشند. از این عکس‌ها، هوش مصنوعی می‌تواند چیزها و ویژگی‌هایی مانند ساختمان‌های آسیب‌دیده، آب و بزرگراه‌های مسدود شده را تشخیص دهد. آن‌ها همچنین می‌توانند محل‌های اسکان موقت را پیدا کنند که ممکن است نشان دهد مردم بی‌خانمان هستند و به آن‌ها کمک‌های اولیه مستقیم می‌کنند.

سیستم‌های هوش مصنوعی و یادگیری ماشینی نیز می‌توانند داده‌ها را از بسیاری از منابع مانند داده‌های نقشه‌برداری با منبع جمعیت یا نقشه‌های گوگل ترکیب و تحلیل کنند. برای ساخت نقشه‌های حرارتی، الگوریتم‌های یادگیری ماشینی تمام این داده‌ها را جمع می‌کنند، داده‌های غیرقابل‌اعتماد را حذف می‌کنند و منابع اطلاعاتی پیدا می‌کنند. این نقشه‌های حرارتی به تعیین دقیق مکان‌هایی که نیاز به کمک فوری دارند و تلاش‌های امداد رسانی را در آنجا هدایت می‌کنند، کمک می‌کنند. نقشه‌های حرارتی همچنین می‌توانند به دولت‌ها و دیگر سازمان‌های بشردوستانه در تعیین محل انجام بازرسی‌های هوایی کمک کنند.

نسل بعدی ۹۱۱

در طول بحران، نقطه تماس اولیه ۹۱۱ است. در یک روز معمولی، ۹۱۱ مرکز ارسال تلفنی در حال حاضر بیش از حد پر از تماس هستند. این تعداد در صورت وقوع یک فاجعه یا بحران سه برابر شده‌است، اگر نه بیشتر. این امر خواستار تکمیل مراکز اورژانس ۹۱۱ سنتی با فن‌آوری‌های معاصر برای مدیریت بهبود یافته است. مراکز ۹۱۱ سنتی تنها بر تماس‌های مبتنی بر صدا تکیه می‌کنند.

برای دریافت انواع بیشتری از داده‌‌ها، ارائه‌دهندگان اعزام نسل بعدی در حال بهبود سیستم‌های اعزام اضطراری خود با یادگیری ماشینی هستند.

بنابراین، آن‌ها اکنون می‌توانند داده‌ها را نه تنها از مکالمات بلکه از متن، صوت، ویدئو و عکس‌ها نیز استخراج کنند و آن را برای تصمیم‌گیری‌های سریع ارزیابی کنند.

تحلیل احساسی رسانه‌های اجتماعی

در دنیای امروز، رسانه‌های اجتماعی منبع اصلی اخبار هستند. در طول یک تراژدی، کاربران رسانه‌های اجتماعی برخی از مفیدترین اطلاعات را ارائه می‌دهند. هوش مصنوعی می‌تواند عکس‌ها و نظرات بلادرنگ را از اینستاگرام، فیس‌بوک، توییتر، و یوتیوب ارزیابی و اعتبارسنجی کند تا از مطالب جعلی جدا شوند. این اطلاعات همچنین می‌تواند به خدمه نجات در به حداقل رساندن زمان مورد نیاز برای یافتن قربانیان کمک کند. علاوه بر این، هوش مصنوعی و ابزارهای تحلیل پیش‌بینی می‌توانند اطلاعات دیجیتال توییتر، فیسبوک و یوتیوب را برای ارائه هشدار، داده‌های مکان یاب سطح زمین، و تایید گزارش بلادرنگ ارزیابی کنند.

هوش مصنوعی به مشکلات و فراخوانی‌های کمک پاسخ می‌دهد.

در صورت وقوع یک فاجعه، خدمات امدادی اضطراری با نگرانی و درخواست کمک مواجه می‌شوند. همچنین ممکن است که اطلاعات حیاتی از دست رفته و یا نادیده گرفته شوند. سیستم‌های هوش مصنوعی و دستیاران صدا می‌توانند حجم زیادی از تماس‌ها را تحلیل کنند، نوع حادثه رخ داده را ارزیابی کنند و محل را تایید کنند. آن‌ها نه تنها به طور طبیعی می‌توانند با تماس‌گیرنده و پیام‌های پردازش درگیر شوند، بلکه می‌توانند به سرعت زبان‌ها را ضبط و ترجمه کنند. سیستم‌های هوش مصنوعی می‌توانند صدای اضطراری را ارزیابی کنند، تماس‌های اضافی یا کم‌تر مهم را حذف کنند و آن‌ها را براساس شدت مساله اولویت‌بندی کنند.

تجزیه‌و‌تحلیل پیش‌گویانه برای مدیریت بحران پیشگیرانه

یادگیری ماشینی و دیگر تکنیک‌های علم داده به پشتیبانی از تیم‌های امداد زمینی یا به سادگی پس از وقوع رویداد محدود نمی‌شود. به عنوان مثال، تحلیل‌های پیش‌گویانه می‌توانند رویدادهای تاریخی را بررسی کنند تا روندها و جمعیت‌های در معرض بلایای طبیعی را کشف و استخراج کنند. برای شناسایی مکان‌های در معرض خطر و افزایش پیش‌بینی‌های رویدادهای آینده، طیف گسترده‌ای از الگوریتم های یادگیری نظارت شده و بدون نظارت اعمال می‌شوند. به عنوان مثال، تکنیک‌های خوشه‌بندی می‌توانند داده‌های مربوط به بلایا را براساس شدت دسته‌بندی کنند. آن‌ها می‌توانند بین الگوهای هواشناسی که ممکن است طوفان‌های محلی و شرایط ابری ایجاد کنند که ممکن است به یک طوفان گسترده منجر شود، تمایز قائل شوند.

این متن با استفاده از ربات ترجمه مقالات هوش مصنوعی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.