پیش‌بینی رویداد‌های فاجعه‌بار با کمک یادگیری ماشینی

دانشمندان می‌توانند با استفاده از ترکیبی از یادگیری ماشینی پیشرفته و تکنیک‌های نمونه‌گیری متوالی، رویداد‌های شدید را بدون نیاز به داده‌های گسترده پیش‌بینی کنند.

به نقل از «سای تک دیلی»، زمانی که پیش بینی فجایع ناشی از رویداد‌های بزرگ مانند زمین‌لرزه و پاندمی مطرح می‌شود، مدل‌سازی محاسباتی با یک چالش بزرگ رو به رو می‌شود.

به لحاظ آماری، این رویداد‌ها نادر محسوب می‌شوند و از این رو داده‌های کافی درباره آن‌ها وجود ندارد که بتوان از آن‌ها در مدل‌های پیش بینی کننده استفاده کرد.

با این حال محققان دانشگاه «براون» و موسسه فناوری ماساچوست می‌گویند لازم نیست کار به این صورت انجام شود. این محققان در مطالعه‌ای که در نشریه «ارتباطات طبیعت» منتشر شده است توضیح می‌دهند که چگونه از الگوریتم‌های آماری استفاده کرده‌اند که برای پیش‌بینی صحیح نیازمند داده‌های کمتری هستند.

این الگوریتم‌های آماری در ترکیب با یک تکنیک نیرومند یادگیری ماشینی به کار گرفته شدند. این ترکیب به محققان اجازه داد تا باوجود نداشتن داده‌های تاریخی بتوانند سناریو‌ها، احتمالات و حتی چارچوب‌های زمانی رویداد‌های نادر را پیش بینی کنند.

این تیم تحقیقاتی دریافت این چارچوب جدید می‌تواند راهی برای دور زدن نیاز به حجم عظیم داده‌های مورد نیاز برای این قبیل محاسبات ارائه کند. از این منظر، کار پیش‌بینی رویداد‌های نادر از یک کار کمّی به یک کار کیفی تبدیل می‌شود.

این محققان برای غلبه بر چالش کمبود داده‌های موجود، از یک تکنیک نمونه‌گیری متوالی (sequential sampling technique) موسوم به «یادگیری فعال» استفاده کردند.

این نوع از الگوریتم‌های آماری نه تنها قادر به آنالیز داده‌های ورودی به آن‌ها هستند، بلکه مهمتر اینکه می‌توانند از این اطلاعات ورودی بیاموزند و داده‌های جدید را برچسب‌گذاری کنند و در سطح بنیادی اجازه می‌دهند با (داده) کمتر کار بیشتری انجام شود.

این مدل یادگیری ماشینی موسوم به «دیپ‌وانت» (DeepOnet) نوعی از شبکه عصبی مصنوعی است که از منحنی‌های (nodes) به هم پیوسته در لایه‌های پیاپی مشابه پیوستگی نورون‌ها در مغز انسان استفاده می‌کند.

«دیپ‌وانت» به عنوان اپراتور عصبی عمیق شناخته شده که پیشرفته‌تر و قوی‌تر از شبکه‌های عصبی مصنوعی است؛ چرا که در واقع دو شبکه عصبی در یک شبکه است که داده‌ها را در دو شبکه موازی پردازش می‌کند. این مساله به این مدل اجازه می‌دهد مجموعه‌های عظیم داده را با سرعت بالا آنالیز کند؛ البته پس از آنکه یاد گرفت به دنبال چه چیزی می‌گردد.

این محققان دریافتند مدل ابداعی آن‌ها عملکرد بهتری نسبت به بسیاری از مدل‌های سنتی قبلی داشته است و اعتقاد دارند این مدل چارچوبی ارائه می‌دهد که می‌تواند همه انواع رویداد‌های نادر را بطور موثر کشف و پیش‌بینی کند. این تیم تحقیقاتی در مقاله منتشر شده توضیح می‌دهد که دانشمندان چگونه باید تجربیات و آزمایش‌های آینده را طراحی کنند تا بتوانند هزینه‌ها را به حداقل رسانده و صحت و دقت پیش بینی را افزایش دهند.