Tropas da Guarda Nacional ajudam os residentes afetados pelas enchentes causadas pelo furacão Harvey em 2017. … [+]
Os membros da Guarda Nacional estão a ter os seus empregos cortados. Como socorristas em incêndios florestais, inundações e outras catástrofes cada vez mais comuns, o pessoal de segurança deve ser posicionado com rapidez e precisão onde for necessário.
Isto apresenta um dos desafios mais perigosos imagináveis para o campo da tecnologia da informação. Entre os muitos quilómetros quadrados afectados, que escolas, pontes e bairros necessitam de ajuda mais imediata? Muitas vezes, vidas estão em risco?
A Alphabet, empresa controladora do Google, tem uma fábrica lunar chamada X que visa resolver alguns dos problemas mais importantes e incômodos do mundo. Desenvolvemos uma solução que usa IA preditiva da mesma maneira que. Veja como X fez isso e o que todos os profissionais de negócios deveriam aprender sobre o combate à incerteza e ao risco com aprendizado de máquina.
Problema: Marcando fotos aéreas
Durante e após eventos climáticos severos, drones e aeronaves tripuladas coletam milhares de imagens aéreas das áreas afetadas. Essas imagens podem revelar quais edifícios e outras infraestruturas foram afetados, mas somente depois que cada imagem for marcada exatamente com o local que aparece. Infelizmente, as imagens geralmente não possuem esses metadados.
A marcação manual de fotos retarda significativamente a resposta da Guarda Nacional. Após um incidente, as equipes normalmente levam aproximadamente 12 horas para concluir suas tarefas. Infelizmente, esse processo permaneceu manual até agora. As fotos são tiradas de uma variedade de altitudes e ângulos oblíquos, tornando a automatização uma tarefa difícil.
Mas este é exatamente o tipo de problema para o qual o X foi projetado. Os riscos não poderiam ser maiores, mas avanços tecnológicos ainda são necessários. O esforço de X para enfrentar este e os desafios relacionados é chamado de Bellwether e foi descrito como “o primeiro mecanismo preditivo para a Terra e tudo o que nela existe”.
Sarah Russell, que dirige a Bellwether desde a sua fundação em 2020, afirma isso. “Assumimos este desafio porque percebemos que, se conseguíssemos resolvê-lo, poderíamos reduzir os tempos de resposta aos desastres climáticos e multiplicar o número de vidas salvas.”
Solução: use aprendizado de máquina para combinar fotos
E quanto ao avanço? Combine fotos reais com fotos artificiais. Bellwether sintetizou um banco de dados de fotos de referência simuladas para usar como exemplares. Quando uma foto real corresponde a uma foto no banco de dados, ela é marcada para que o sistema saiba exatamente onde e o que é. Para sintetizar as imagens de referência, X aproveitou os ricos recursos geoespaciais proprietários do Google, que são a base para produtos como o Google Earth e o Maps.
funciona. Poucos anos depois de a Bellwether ter sido fundada e ter começado a trabalhar na solução, a Guarda Nacional já a está a testar e planeia utilizá-la durante a época de incêndios florestais deste verão.
Com esta solução, os membros da equipa da Guarda Nacional podem digitalizar rapidamente as áreas mais afetadas e saber quais os locais que estão a investigar. Eles podem dizer quais pontes estão destruídas. Eles podem pedir à área que estão monitorando que “me mostre todos os hospitais”. Eles podem receber respostas informadas imediatamente, eliminando atrasos no processamento que os atrasaram durante anos.
O ML desempenha um papel central nesses avanços, bem como em sistemas empresariais mais gerais. Afinal, a correspondência de fotos é precisamente o processo impreciso com o qual o ML lida bem. As fotografias aéreas não correspondem exatamente, portanto a correspondência não pode ser garantida. Cada um deles ocorre em suas próprias distâncias, zooms e ângulos, e pode ser obstruído pelas condições climáticas, e as paisagens fotografadas são frequentemente afetadas, às vezes com resultados desastrosos.
O ML elimina a maior parte da incerteza ao atribuir um nível de confiança a cada correspondência. Quando muitas fotos são enviadas, são encontradas fotos suficientes para corresponder com um alto grau de confiança, de modo que o sistema pode remover a maioria das fotos afetadas, mesmo depois de excluir as fotos para as quais não foram encontradas correspondências confiáveis. Forneça à equipe de operações recursos visuais que cubram. todos os locais.
Esta abordagem é extensível. “Além da implantação na Guarda Nacional, nosso objetivo é fundamentalmente tornar este tipo de serviço mais fácil para uma gama mais ampla de equipes de resposta a desastres”, disse Russell. “Isso pode ser aplicado em respostas de resgate e reconstrução a uma variedade de fenômenos relacionados ao clima, como ondas de calor e tornados.”
Universalidade da IA preditiva
Esteja você almejando a lua ou alcançando metas corporativas mais gerais, a principal capacidade do ML de gerar níveis de confiança resolve desafios operacionais universalmente em todos os setores. Quais clientes provavelmente comprarão? Quais transações podem ser fraudulentas? Os bancos irão bloqueá-las. Quais endereços podem receber um pacote amanhã? A UPS tem um plano para eles?
Esse conhecido paradigma de uso de previsões de ML para impulsionar operações em escala tem um nome: IA preditiva. Esta é a prática de eliminar sistematicamente os casos menos fiáveis e tomar medidas sobre os casos mais fiáveis que permanecem.
Então, quanta confiança é suficiente? depende. Cada projeto deve determinar o limite de decisão ideal com base em suas necessidades reais. Por exemplo, a Guarda Nacional exige correspondências fotográficas muito confiáveis. Em contraste, o marketing e a detecção de fraudes podem visar muitos casos que dão errado, o que é uma parte inevitável do jogo de números que esses tipos de operações inevitavelmente jogam.
Em outras palavras, a IA preditiva reduz a incerteza ao quantificá-la. Bellwether está a trabalhar para alargar esta abordagem incrível a outras formas de reduzir os danos causados pelos desastres climáticos. Por exemplo, prevendo onde é provável que sejam salvas mais vidas, ou seja, quais as áreas afectadas que devem ser priorizadas para assistência à evacuação, ou prevendo desastres ambientais. antes que o incidente ocorra.
“O ML se tornou um novo paradigma nas geociências”, diz Russell. “Por exemplo, até recentemente, a hidrologia usava principalmente modelos específicos do local para prever inundações. Agora, o ML está sendo usado para desenvolver modelos ideais usando dados de diferentes locais. O comportamento das inundações na costa leste dos Estados Unidos pode ser usado para prever inundações. na costa oeste dos Estados Unidos. ”
