MIT’de geliştirilen yeni bir yapay zekâ aracı, geçmişte aynı bölgede görülmüş afet örneklerine ihtiyaç duymadan aşırı hava olayları için olası senaryolar üretebiliyor. Kai Chang ile Prof. Themis Sapsis tarafından geliştirilen yöntem, tarihsel kayıtlarda bulunmayan ancak istatistiksel olarak mümkün kabul edilen olayların haritalarını oluşturuyor. Üretilen her harita, olayın olası süresi ve şiddetiyle birlikte etkileyebileceği alan için ayrı bir tahmin de içeriyor.
Yöntem, “Extreme Event Aware” ya da kısa adıyla η-learning olarak tanımlanıyor. Araştırmacıların Nature Communications’ta yayımladığı çalışmanın temel hedefi, özellikle sigorta şirketleri, şehir planlamacıları ve enerji altyapısı işletmecileri gibi kurumların uzun geri dönüş aralığına sahip riskleri daha iyi değerlendirmesine yardımcı olmak. Buradaki ana fikir, yalnızca geçmişte yaşanmış büyük olaylara bakmak yerine, henüz gözlenmemiş ama olasılık açısından mümkün olan daha ağır senaryoları da hesaba katmak.
Bugün kullanılan birçok risk modeli, veri setlerinde zaten bulunan aşırı olaylardan öğreniyor. Başka bir deyişle, sistem önce geçmişte yaşanmış fırtına, sel ya da yoğun yağış örneklerini inceliyor; ardından benzer koşullar oluştuğunda benzer sonuçları öngörmeye çalışıyor. Araştırma ekibine göre bu yaklaşımın temel sınırlaması, modelin ancak daha önce görülen felaketlerin sınırları içinde kalması. Eğer veri setinde yeterince yıkıcı bir örnek yoksa, modelin daha uç senaryoları güvenilir biçimde tarif etmesi de zorlaşıyor.
MIT ekibinin yaklaşımı bu sınıra farklı bir çözüm getiriyor. Algoritma iki ayrı veri türünü birlikte kullanıyor. İlki, belirli bir şiddet seviyesinin ne kadar sık görüldüğünü gösteren nokta istatistikleri. Örneğin bir haritadaki maksimum yağış değerinin veri seti boyunca hangi sıklıkla belirli eşiklere ulaştığı bu gruba giriyor. İkinci veri türü ise mekânsal haritalar; yani bir olayın etkisinin bölge içinde nasıl dağıldığını gösteren detaylı coğrafi desenler.
Algoritma, bu iki veri türü arasındaki istatistiksel ilişkiyi öğrenerek çalışıyor. Böylece eğitim verisinde doğrudan bulunmayan kadar şiddetli olaylar için de mekânsal olarak tutarlı haritalar üretebiliyor. Buradaki kritik nokta, sistemin o tam büyüklükte bir afeti daha önce görmüş olmasına gerek duymaması. Bunun yerine, daha sınırlı örneklerden mekânsal yapıyı öğreniyor; geniş zaman aralığına yayılan istatistikler ise olayın ne kadar uç bir seviyeye çıkabileceğini belirliyor.
Araştırmacılar yöntemi, ABD ana karası genelindeki yağış verileri üzerinde test etti. Çalışmada 25 yıllık saatlik yağış verisi kullanıldı ve bu kayıtlar günlük haritalar halinde toplandı. Ardından, tam veri kaydı boyunca bir haritadaki maksimum yağışın hangi seviyelere ne sıklıkla ulaştığını gösteren nokta istatistikleri hesaplandı. Bu bölüm, modelin olası aşırılık seviyelerini sayısal olarak sınırlayan temel bileşen oldu.
Mekânsal modelin eğitim penceresi ise dikkat çekici biçimde dardı. Araştırmacılar bu kısmı, 25 yıllık veri kaydının yalnızca ilk altı ayından alınan düşük çözünürlüklü ve yüksek çözünürlüklü eşleştirilmiş haritalarla eğitti. Bu kısa dönemde en ağır yağış örneklerinin çok az bulunması, hatta bazı seviyelerde hiç bulunmaması önemliydi. Çünkü amaç, sistemin doğrudan aşırı örnekleri ezberlemeden, daha genel mekânsal ilişkileri öğrenip öğrenemeyeceğini görmekti.
Sonuçta algoritma, düşük çözünürlüklü haritalardaki desenlerin yüksek çözünürlüklü karşılıklarında nasıl detaylandığını öğrenebildi. Daha sonra bu mekânsal öğrenme, 25 yıllık kayıttan elde edilen nokta istatistikleriyle birleştirildi. Böylece üretilen haritalar yalnızca görsel olarak anlamlı kalmadı; aynı zamanda uzun dönem istatistiklerle uyumlu olacak şekilde, ne kadar şiddetli olabilecekleri açısından da kısıtlandı.
Çalışmada verilen örneklerden biri New York City üzerinden anlatılıyor. Kentte şimdiye kadar kaydedilmiş en yüksek yağış değeri 200 millimetre. Yeni yöntem ise gözlemsel kayıtlarda birebir karşılığı bulunmayan, 300 millimetre yağış üreten bir fırtına için makul mekânsal haritalar oluşturabiliyor. Bu, modelin geçmişte yaşanmış olayları kopyalamaktan ziyade, istatistiksel olarak mümkün ama henüz görülmemiş bir senaryoyu tarif edebildiğini gösteriyor.
Sistem, kullanıcıların belirli bir şehir için “yüzyılda bir görülen” türden bir fırtınanın nasıl görünebileceğini sormasına da imkân tanıyor. Çıktı, bu frekansta beklenebilecek istatistiksel olarak makul fırtına haritaları şeklinde sunuluyor. Her senaryoda kapsanan alanın büyüklüğü, etki bölgesinin yayılımı ve yağış şiddetinin bölge içindeki dağılımı değişebiliyor. Araştırmacılara göre algoritma, bu tür senaryolardan büyük miktarda üretebiliyor; bu da altyapı testleri için geniş bir örnek havuzu anlamına geliyor.
Pratik kullanım tarafında yaklaşımın değeri oldukça açık. Şehirler, kayıt altına alınmış en kötü olayın ötesindeki bir fırtına dalgasına karşı deniz duvarlarını sınayabilir. Enerji işletmecileri, daha uzun süren bir sıcak hava dalgasında şebekenin dayanıklılığını test edebilir. Benzer şekilde, tarihsel kayıtlardaki tüm örneklerden daha büyük bir orman yangını senaryosunda mevcut müdahale kapasitesinin yeterli olup olmadığı da incelenebilir.
Bununla birlikte yöntemin mevcut gösterimi belirli sınırlar içinde kalıyor. Yeni bir tehlike türüne uygulanabilmesi için, o tehlikeye özgü nokta istatistikleri ve mekânsal veriler gerekiyor. Araştırmacılar, bu veri sağlandığında yöntemin şiddetli sel ya da büyük orman yangınları gibi, geçmiş kayıtlarda eşdeğeri bulunmayan olayların görselleştirilmesine genişletilebileceğini belirtiyor. Çalışmanın öne çıkardığı ana nokta ise şu: Geçmişte yaşanmamış olması, bir olayın gelecekte mümkün olmadığı anlamına gelmiyor; η-learning bu boşluğu nicel olarak tarif etmeyi amaçlıyor.
