Արհեստական բանականությունը օգնում է քաղաքներին որոշել այն շրջանները, որոնց սպառնում է ծայրահեղ շոգը, և գտնել այն մարդկանց, որոնք ամենախոցելին են բարձր ջերմաստիճանների նկատմամբ։ Սակայն Climate Risk Management ամսագրում հրապարակված հետազոտությունը բացահայտել է լուրջ անհավասարակշռություն․ գիտնականները շատ ավելի հաճախ մշակում են ԱԲ՝ ջերմային ռիսկերը կանխատեսելու համար, քան տուժածներին օգնություն կազմակերպելու։ Հաջորդ քայլը ճշգրիտ կանխատեսումները կոնկրետ որոշումների վերածելն է, որոնք իսկապես պաշտպանում են մարդկանց։

Խնդիրը գնալով սրվում է, քանի որ կլիմայի փոփոխության ֆոնին ծայրահեղ շոգն ուժեղանում է։ Յեյլի համալսարանի 2025 թվականին հրապարակված հետազոտության տվյալներով՝ ԱՄՆ-ում բարձր ջերմաստիճանի հետ կապված տարեկան մահերի միջին թիվը աճել է 2000–2009 թվականների 2670-ից մինչև ավելի քան 4000՝ 2010–2020 թվականներին, այսինքն՝ մոտ 53%-ով, հայտնում է Axios-ը։

Հետազոտությունները կենտրոնացած են կանխատեսումների, ոչ թե օգնության վրա

Աշխատանքի հեղինակները վերլուծել են արհեստական բանականության և մեքենայական ուսուցման կիրառման վերաբերյալ առկա հետազոտությունները՝ ծայրահեղ շոգի ռիսկերի կառավարման համար։ Արդյունքները ցույց են տվել, որ գիտնականների հիմնական ուշադրությունը կենտրոնացած է վտանգի բացահայտման վրա, այլ ոչ թե այն բանի, թե ինչպես գործել կանխատեսումը ստանալուց հետո։

Հետազոտությունների բաշխվածությունը հետևյալն է եղել․

· 98,4% նվիրված է շոգի և դրա հետ կապված ռիսկերի կանխատեսմանը,

· 59,2% անդրադառնում է կանխարգելմանը,

· 10,4% ուսումնասիրում է արտակարգ իրավիճակներին արձագանքելը,

· 3,2% նվիրված է հետևանքներից հետո վերականգնմանը,

· 1,6%՝ վտանգավոր իրադարձություններին պատրաստվելուն։

Հետազոտության կատեգորիաները կարող են հատվել, ուստի այս ցուցանիշները չպետք է գումարել մեկ միասնական բաշխման կառուցվածքի մեջ։ Բայց ընդհանուր եզրակացությունն ակնհայտ է․ շոգին արձագանքելու համար ԱԲ-ի գործնական կիրառությանը զգալիորեն ավելի քիչ ուշադրություն է դարձվում, քան դրա կանխատեսմանը։

Հետազոտողները այս բացը համարում են գիտական մշակումներից իրական ներդրման անցման խնդիր։ Ալգորիթմը կարող է բարձր ճշգրտությամբ ցույց տալ, թե որտեղ է ջերմաստիճանը լինելու հատկապես վտանգավոր, և բնակչության որ խմբերն են ենթարկվում ամենամեծ ռիսկին։ Բայց կանխատեսումն ինքնին չի բացում զովացման կենտրոն, չի կազմակերպում ջրի մատակարարում և չի օգնում արտակարգ ծառայություններին բաշխել ռեսուրսները։

RAND-ի հետազոտող և աշխատանքի համահեղինակ Կարիշմա Պատելի խոսքով՝ ԱԲ-ի առանձնահատուկ արժեքը դրսևորվում է այն իրավիճակներում, երբ որոշումը կախված է տվյալների մեծ ծավալից կամ պահանջում է տարածքի շատ մանրամասն վերլուծություն։

Ինչու ճշգրիտ կանխատեսումը բավարար չէ

Քաղաքային ծառայությունների աշխատանքում կանխատեսումներն օգտագործելու համար պետք են ոչ միայն լավ մոդելներ, այլև տվյալների հուսալի ենթակառուցվածք։ Տեղեկությունը պետք է ստացվի տարբեր աղբյուրներից, ժամանակին թարմացվի և ներկայացվի այնպիսի ձևով, որը հասկանալի է որոշում կայացնող մարդկանց համար։

Քորնելի համալսարանի հետազոտող Ջեննա Գոսչիակը, որը ուսումնասիրում է շոգին արձագանքելիս ԱԲ-ի կիրառումը, կարծում է, որ նման համակարգերի ստեղծումը հաջողության առանցքային պայմաններից մեկն է։ Նույնիսկ ամենաբարդ մոդելը քիչ կօգնի, եթե դրա արդյունքները հնարավոր չէ արագ ներառել քաղաքային ծառայությունների առօրյա աշխատանքում։

Կա նաև մեկ այլ նրբություն․ միշտ չէ, որ ավելի բարդ ալգորիթմն ավելի օգտակար է լինում, քան խոցելիության պարզ ցուցիչը։

Գոսչիակը համեմատել է ավանդական ինդեքսները, որոնք գնահատում են բնակչության խոցելիությունը շոգի նկատմամբ, ավելի բարդ կանխատեսիչ ալգորիթմների հետ, որոնք կարող են օգտագործվել պետական որոշումներ կայացնելիս։ Նրա խոսքով՝ ընտրությունը կախված է խնդրից և այն ժամկետներից, որոնց ընթացքում պետք է գործել։

Երբ բարդ ԱԲ-ն զիջում է պարզ ինդեքսներին

Կոնկրետ իրադարձությանը կապված օպերատիվ արձագանքման համար այն ալգորիթմները, որոնք մշակում են մշտապես թարմացվող տվյալներ, կարող են հատկապես օգտակար լինել։ Օրինակ՝ դրանք կարող են օգնել որոշել, թե որտեղ է ռիսկը արագ աճում և ուր պետք է առաջին հերթին ուղղել օգնությունը։

Բայց երկարաժամկետ պլանավորման համար խոցելիության պարզ ինդեքսները երբեմն ավելի հարմար են լինում։ Դրանք իշխանություններին թույլ են տալիս հստակ նշել, թե բնակչության որ խմբերին է պետք առաջին հերթին պաշտպանել, փոխանակ ամբողջությամբ հենվելու բարդ մոդելի եզրակացությունների վրա։

Սա կարևոր տարբերություն է․ կանխատեսումը ցույց է տալիս, թե որտեղ է վտանգը հավանական, իսկ ռեսուրսների բաշխման որոշումը կախված է նաև հասարակական առաջնահերթություններից։ Որքան բարդ է ալգորիթմը, այնքան ավելի կարևոր է հասկանալ, թե ինչ տվյալներ է այն օգտագործում և ինչու է առանձնացնում որոշ շրջաններ կամ մարդկանց խմբեր, այլ ոչ թե մյուսները։

Այսպիսով, խնդիրը ոչ թե բոլոր առկա մեթոդները արհեստական բանականությամբ փոխարինելն է, այլ կոնկրետ որոշման համար համապատասխան գործիք ընտրելը։

Google-ը օգտագործում է ԱԲ՝ գերտաքացող քաղաքային շրջաններ գտնելու համար

Նման տեխնոլոգիաների գործնական կիրառման օրինակներից մեկը Google Heat Resilience նախագիծն է։ Հունիսին ընկերությունը հայտնել է շոգի նկատմամբ դիմակայունության վերաբերյալ իր տվյալների համակարգի ընդլայնման մասին՝ 14 քաղաքում իրականացված սկզբնական պիլոտային նախագծից մինչև աշխարհի ավելի քան 50 քաղաք։

Ծառայությունն օգտագործում է արհեստական բանականություն և բարձր լուծաչափով պատկերներ՝ առանձին շենքերի տանիքների անդրադարձման ունակությունը գնահատելու համար։ Այս տվյալներն օգնում են քաղաքային պլանավորողներին որոշել այն հատվածները, որտեղ գերտաքացման նվազեցման միջոցները կարող են առավելագույն օգուտ բերել։

Google-ի տվյալներով՝ պիլոտային նախագծերի արդյունքներն արդեն հաշվի են առնվել մի քանի քաղաքներում որոշումներ կայացնելիս, այդ թվում՝ զովացնող տանիքների պահանջների և կլիմայական հարմարվողականության ծրագրերի մշակման ժամանակ։

Այսպիսի մոտեցումը թույլ է տալիս քաղաքային ջերմաստիճանի ընդհանուր գնահատականներից անցնել կոնկրետ շենքերի ավելի մանրամասն վերլուծության։ Սակայն այստեղ էլ մանրամասն քարտեզի առկայությունը դեռ չի երաշխավորում, որ անհրաժեշտ փոփոխությունները կիրականացվեն․ դրա համար պետք են ֆինանսավորում, վարչական որոշումներ և քաղաքային ծառայությունների համաձայնեցված գործողություններ։

Հաջորդ փուլը կանխատեսումները գործողությունների հետ կապելն է

Պատելի կարծիքով՝ ԱԲ-ի զարգացման հեռանկարային ուղղություններից են այն համակարգերը, որոնք միավորում են փոփոխվող տվյալները և օգնում իշխանություններին որոշումներ կայացնել գրեթե իրական ժամանակում։ Հատկապես օգտակար կարող են լինել բարձր մանրամասնությամբ տեղական կանխատեսումները, որոնք թույլ են տալիս ռիսկերը գնահատել առանձին շրջանների մակարդակով։

Բացի այդ, նման համակարգերը կարող են հաշվի առնել մի քանի սպառնալիքների համակցությունը։ Շոգը հաճախ ուղեկցվում է օդի աղտոտմամբ, անտառային հրդեհների ծխով կամ երաշտով։ Այս գործոնների համատեղ վերլուծությունը կարող է ծառայություններին ավելի ամբողջական պատկերացում տալ այն մասին, թե որտեղ է բնակչությունը պաշտպանության կարիք ունի։

Բայց հաջողության գլխավոր չափանիշը ոչ թե ալգորիթմի բարդությունն է և ոչ էլ կանխատեսման ճշգրտությունն ինքնին։ Կարևոր է, թե արդյոք տեխնոլոգիան օգնում է վերացնել կոնկրետ խոչընդոտը՝ ավելի արագ ուղղել օգնությունը, ավելի արդյունավետ բաշխել ռեսուրսները կամ նախապես պատրաստել առավել խոցելի շրջանները։

Ինչպես ընդգծում է Պատելը, բավարար չէ պարզապես ԱԲ-ի հիման վրա տեխնոլոգիա ստեղծել․ այն պետք է լուծի իրական խնդիր։ Ծայրահեղ շոգի դեպքում հենց դրանից է կախված, թե արդյոք գիտական ձեռքբերումները կվերածվեն մարդկանց գործնական պաշտպանության։