الذكاء الاصطناعي والتنبؤ بالكوارث الطبيعية: وقاية ممكنة أم وهم تكنولوجي؟

لماذا لم تمنع الذكاء الاصطناعي الفيضانات في ألمانيا؟ بينما تنقذ الخوارزميات الأرواح من خلال التنبؤ بالحرائق في كاليفورنيا والفيضانات في الهند، تبقى عمياء أمام أ

إنه فجر 15 يوليو 2021 في ألمانيا. آلاف الأشخاص ينامون في وادي آهر عندما يجتاح فيضان مدمر المنازل والطرق والأرواح. 184 قتيلاً. كان نظام الإنذار الجوي قد توقع أمطارًا غزيرة، لكنه لم يتوقع نهاية العالم التي تلت ذلك. لقد قللت النماذج من شدة الحدث. فشلت الاتصالات. لم تحدث عمليات الإخلاء. وبينما كانت المياه تغمر الوادي، تساءل البعض: بكل الذكاء الاصطناعي الذي نملكه، لماذا لم نكن قادرين على منع هذه الكارثة؟

يكشف السؤال عن وهم خطير: أن الذكاء الاصطناعي يمكنه "حل" الكوارث الطبيعية. التنبؤ بها بشكل مثالي، ومنعها تمامًا، وحمايتنا بشكل كامل. الواقع أكثر تعقيدًا بكثير. يغير الذكاء الاصطناعي جذريًا كيفية إدارتنا لحالات الطوارئ الطبيعية – إنذارات أسرع، تنبؤات أكثر دقة، استجابات أكثر تنسيقًا – لكن له حدودًا هيكلية لا يمكن التغلب عليها تمنع "الوقاية المثالية" التي يعد بها البعض.

أين يصنع الذكاء الاصطناعي الفرق حقًا

قبل الحديث عن الحدود، يجب الاعتراف بالمكان الذي يعمل فيه الذكاء الاصطناعي بشكل استثنائي جيد. لقد أحدثت أنظمة الإنذار المبكر بتعلم الآلة ثورة في التنبؤ بالأحداث الجوية المتطرفة من خلال تحليل تدفقات هائلة من البيانات في الوقت الفعلي: الأقمار الصناعية، وأجهزة استشعار إنترنت الأشياء، ورادارات الطقس، ومحطات المراقبة.

توقعات الفيضانات من جوجل في الهند وبنغلاديش هي حالة نموذجية. نظام ذكاء اصطناعي يتنبأ بفيضانات الأنهار قبل خمسة أيام، ويغطي أكثر من 200 مليون شخص. إنه ليس تنبؤًا عامًا بل دقيقًا: أي القرى المحددة ستغمر، ومتى، وبأي مستوى مياه. يسمح بعمليات إخلاء مستهدفة بدلاً من عمليات إخلاء جماعي غير منظمة.

في اليابان، تحلل الخوارزميات إشارات زلزالية ثلاثية الأبعاد وتقدر مركز الزلزال وقوته في ثوانٍ قليلة بعد الموجات الأولى. ثوانٍ ثمينة لإيقاف القطارات فائقة السرعة، وإغلاق الشبكات الكهربائية، وإنذار السكان عبر الهواتف الذكية. لا يمنع الزلزال ولكنه يقلل بشكل كبير من الأضرار والضحايا.

كاليفورنيا: يستخدم برنامج AlertCalifornia رؤية حاسوبية على آلاف الكاميرات المنتشرة في الغابات. تكشف الخوارزميات الدخان، والحرارة غير الطبيعية، والتغيرات البصرية التي تشير إلى حريق ناشئ – غالبًا قبل أن يتصل أي شخص بالطوارئ. يبدأ تدخل إدارة مكافحة الحرائق في كاليفورنيا عندما تكون النيران لا تزال صغيرة ويمكن احتواؤها. هذا ينقذ الغابات والمنازل والأرواح.

تستخدم المشاريع المناخية العالمية الذكاء الاصطناعي لرسم خرائط هشاشة البنية التحتية، وتحديد المناطق المعرضة للخطر، وتحسين تخصيص موارد الطوارئ، وتنسيق عمليات الإخلاء. التأثير حقيقي، ويمكن قياسه، وهام.

كما نوقش في مقال الذكاء الاصطناعي الكمي، يمكن للتقارب بين الذكاء الاصطناعي والحوسبة الكمية أن يعزز بشكل أكبر القدرات التنبؤية، من خلال معالجة سيناريوهات الطقس المعقدة في أوقات مستحيلة بالنسبة لأجهزة الكمبيوتر التقليدية.

مشكلة الأحداث النادرة والمتطرفة

لكن هنا تبدأ الحدود الأساسية. الكوارث المتطرفة نادرة بحكم تعريفها. فيضان المائة عام يحدث، كما يوحي الاسم، كل 100 عام. زلزال بقوة 8+ هو حدث غير محتمل إحصائيًا. إعصار من الفئة الخامسة على مسار محدد هو قيمة شاذة.

يعمل تعلم الآلة بشكل أفضل عندما يكون لديه جبال من البيانات لتعلم الأنماط. لكن مع الأحداث النادرة، تكون مجموعات البيانات التاريخية شحيحة، وغير متوازنة، ومليئة بالفجوات. خوارزمية مدربة على 50 عامًا من البيانات الجوية ربما شاهدت 2-3 أحداث متطرفة مدمرة حقًا. كيف تتعلم التعرف عليها إذا لم "ترها" بما يكفي؟

الأسوأ: تميل الخوارزميات إلى معاملة القيم الشاذة على أنها ضوضاء إحصائية يجب تجاهلها. يبدو الحدث المتطرف شذوذًا، وانحرافًا عن النمط الطبيعي. يقوم النموذج "بتصحيح" التوقع من خلال توجيهه نحو المتوسط التاريخي. النتيجة: التقليل المنهجي من شدة الأحداث الكارثية تمامًا عندما تكون الدقة أكثر أهمية.

هناك أيضًا مشكلة التوزيع غير الثابت. في مناخ متغير، الماضي لا يتنبأ بالمستقبل. الأحداث التي كانت تعتبر "مئوية" بناءً على بيانات المائة عام الماضية تحدث الآن كل 20-30 سنة. تتغير الأنماط الموسمية. تزداد الشدة إلى ما بعد الحدود القصوى التاريخية. تجد الخوارزمية المدربة على الماضي صعوبة في التعميم على مستقبل مناخي مختلف.

فيضان ألمانيا 2021 هو مثال مثالي: توقعت النماذج أمطارًا غزيرة ولكن ليس تلك الشدة المحددة لأنه لم يكن هناك سابق في قاعدة البيانات. قامت الخوارزمية "بتطبيع" التوقع نحو الأمطار الغزيرة المعروفة. خطأ قاتل.

صحراء البيانات في أكثر المناطق ضعفًا

ثم هناك جغرافيا الضعف. تفتقر العديد من المناطق عالية الخطورة إلى البنية التحتية الرقمية الأساسية للذكاء الاصطناعي: أجهزة استشعار الطقس، والشبكات الزلزالية، والأقمار الصناعية عالية الدقة، والاتصال المستقر.

أفريقيا جنوب الصحراء، وجنوب شرق آسيا، والمناطق الريفية في أمريكا اللاتينية: مناطق ذات تعرض عالٍ جدًا للكوارث المناخية لكن بياناتها شحيحة، ومجزأة، وغير موثوقة. كيف تدرب نموذجًا دقيقًا للتنبؤ بالفيضانات في بنغلاديش إذا كانت البيانات التاريخية الدقيقة لتدفقات الأنهار مفقودة؟ كيف تتنبأ بالجفاف في الساحل دون سلاسل زمنية لعقود من هطول الأمطار؟

النتيجة: تعمل نماذج الذكاء الاصطناعي بشكل أفضل حيث تكون هناك حاجة أقل – الدول الغنية ذات البنية التحتية القوية – وأسوأ حيث تكون هناك حاجة أكبر – الدول الضعيفة ذات الموارد المحدودة. سخرية مأساوية.

هناك أيضًا مشكلة التعميم الجغرافي. النموذج المدرب على سهل فيضاني أوروبي يعمل بشكل سيء عند تطبيقه على سهل آسيوي بتربة وتضاريس وأنماط هطول أمطار مختلفة. نقل التعلم بين المناطق المناخية هو تحدٍ مفتوح. كل نموذج يتطلب معايرة محلية تفترض بيانات محلية... غالبًا غير موجودة.

كما تم تسليط الضوء عليه في مقال التحيزات الخوارزمية، عندما تمثل بيانات التدريب بعض السكان بشكل مفرط وتقلل من تمثيل آخرين، ترث الخوارزميات وتضخم عدم المساواة القائمة. في سياق الكوارث الطبيعية، يخلق هذا "ظلمًا مناخيًا خوارزميًا".

الصندوق الأسود الذي يقرر من يُخلى

هناك أيضًا مشكلة حرجة تتعلق بالقابلية للتفسير. نماذج التعلم العميق هي صناديق سوداء: تعالج ملايين المتغيرات، وتحدد أنماطًا معقدة، وتنتج مخرجات – خريطة خطر، احتمالية فيضان، توصية بالإخلاء – لكنها لا تشرح لماذا.

تتلقى السلطة المحلية تنبيهًا من الذكاء الاصطناعي: "إخلاء المنطقة X خلال 6 ساعات، خطر فيضان 85%". لكن لماذا 85%؟ ما هي العوامل الأكثر تأثيرًا؟ هل الخوارزمية متأكدة أم أنها "تخمن" بناءً على نمط زائف؟ إلى أي مدى يمكن الوثوق بها؟

المشكلة ليست نظرية. الإخلاء مكلف: اقتصاديًا (إغلاق الأعمال)، واجتماعيًا (نقل العائلات)، وسياسيًا (إذا كان التنبيه إنذارًا كاذبًا، تنهار المصداقية). يجب على السلطات أن تقرر بناءً على توصية خوارزمية غير شفافة. إذا أخلوا ولم يحدث شيء، سيتوقف المواطنون عن تصديق الإنذارات المستقبلية. إذا لم يخلوا وحدثت الكارثة، ستكون المسؤولية مدمرة.

التحقق من صحة النماذج التنبؤية معقد. يجب انتظار أحداث حقيقية للتحقق مما إذا كانت التنبؤات دقيقة. لكن الأحداث النادرة بحكم تعريفها لا تحدث كثيرًا. وبالتالي فإن حلقة التغذية الراجعة بطيئة جدًا. كيف تعرف ما إذا كنت تثق بنموذج لم يتم اختباره على عينة تمثيلية من الأحداث المتطرفة؟

هناك حاجة إلى شفافية خوارزمية، وقابلية تفسير التنبؤات، وفترات ثقة واضحة، وتواصل حول عدم اليقين. لا يكفي القول "احتمال فيضان 85%". يجب أن نقول "85% بناءً على هذه الأنماط، ولكن مع هذه الافتراضات، وهوامش الخطأ هذه، وسجل دقة النموذج هذا على أحداث مماثلة في الماضي".

البنية التحتية الحاسوبية كمختنق

ثم هناك حد عملي قاسٍ: الحوسبة المطلوبة. معالجة تدفقات مستمرة من آلاف الأقمار الصناعية، وملايين أجهزة استشعار إنترنت الأشياء، وشبكات الطقس العالمية تتطلب قوة حوسبة هائلة، ونطاقًا تردديًا ضخمًا، وتخزينًا هائلاً.

يمكن لجوجل تحمل تكاليف ذلك لتوقعات الفيضانات في الهند. لكن دولة نامية بميزانية محدودة؟ منظمة إنسانية محلية؟ ليس لديهم إمكانية الوصول إلى بنى تحتية سحابية قابلة للتوسع، وفريق من علماء البيانات الخبراء، وخطوط أنابيب بيانات معقدة ضرورية.

حتى عندما تكون التكنولوجيا متاحة، يظل هناك فجوة في التنفيذ. تركيب أجهزة استشعار إنترنت الأشياء في قرى نائية. الحفاظ على اتصال ساتلي موثوق. تدريب الموظفين المحليين على استخدام أنظمة الذكاء الاصطناعي. دمج مخرجات الخوارزميات في عمليات صنع القرار الحالية. كل هذا يتطلب استثمارات ضخمة، وسنوات من التنفيذ، ودعمًا مستمرًا.

تؤكد المنظمات الدولية مثل UNFCCC: بدون نقل التكنولوجيا، وبناء القدرات، وتمويل مناسب للدول الضعيفة، فإن الذكاء الاصطناعي يخاطر بتوسيع الفجوة بين من هم محميون ومن هم معرضون.

كما نوقش في مقال الذكاء الاصطناعي واللغة، عندما تنتشر التكنولوجيا المتقدمة بشكل غير متساوٍ، فإنها تخلق أشكالًا جديدة من الاستبعاد والتهميش. الأمر نفسه ينطبق على تقنيات التنبؤ بالكوارث.

مفارقة الاعتماد على التكنولوجيا

هناك أيضًا خطر أكثر دقة: الاعتماد المفرط على أنظمة الذكاء الاصطناعي يمكن أن يؤدي إلى تآكل المرونة المجتمعية التقليدية. المجتمعات الساحلية التي قرأت البحر والرياح وسلوك الحيوانات لأجيال للتنبؤ بالعواصف توكِل الآن الأمر بالكامل لتطبيق على الهاتف الذكي.

عندما يعمل التطبيق بشكل جيد، كل شيء مثالي. لكن عندما تسقط الشبكة، أو تنفد البطارية، أو يتعطل النظام تمامًا أثناء حالة الطوارئ؟ فقد الناس المعرفة التقليدية، ولم يعودوا يعرفون كيفية قراءة العلامات الطبيعية، ويعتمدون تمامًا على الوساطة التكنولوجية.

هذا هو التفريغ المعرفي المطبق على إدارة المخاطر: تفوض الكفاءة التنبؤية للذكاء الاصطناعي حتى تفقد القدرة المستقلة على تقييم الخطر. إنه يزيد الضعف بدلاً من تعزيزه.

هناك حاجة إلى نهج هجين: أنظمة الذكاء الاصطناعي كطبقة معلوماتية إضافية فوق – وليس بديلاً عن – المعرفة المحلية، والخبرة التقليدية، والشبكات المجتمعية. تكنولوجيا تضخم القدرات البشرية دون أن تحل محلها.

الحوكمة، المسؤولية، القرارات في ظل عدم اليقين

من المسؤول عندما يخطئ تنبؤ الذكاء الاصطناعي ويموت الناس؟ مطورو الخوارزمية؟ السلطات التي اتبعت التوصية؟ الحكومة التي نفذت النظام؟

تقترح IEEE والهيئات الدولية إطار حوكمة: بروتوكولات واضحة بشأن المسؤولية، ومراجعات منتظمة للنماذج، وشفافية عمليات صنع القرار، وإشراف بشري مختص حاضر دائمًا.

لكن التوتر