لماذا لا يمكن للطائرات بدون طيار و AI العثور بسرعة على ضحايا الفيضانات المفقودين ، حتى الآن

بالنسبة للبحث والإنقاذ ، فإن الذكاء الاصطناعي ليس أكثر دقة من البشر ، لكنه أسرع بكثير.

تشير النجاحات الأخيرة في تطبيق رؤية الكمبيوتر والتعلم الآلي على صور الطائرات بدون طيار لتحديدها بسرعة في البناء والأضرار على الطرق بعد الأعاصير أو خطوط حرائق الغابات المتغيرة إلى أن الذكاء الاصطناعي يمكن أن يكون ذا قيمة في البحث عن الأشخاص المفقودين بعد الفيضان.

عادة ما تستغرق أنظمة التعلم الآلي أقل من ثانية واحدة لمسح صورة عالية الدقة من طائرة بدون طيار مقابل دقيقة إلى ثلاث دقائق للشخص. بالإضافة إلى ذلك ، غالبًا ما تنتج الطائرات بدون طيار صورًا أكثر مما هو ممكن من الناحية الإنسانية في الساعات الأولى من البحث عندما لا يزال الناجون على قيد الحياة.

لسوء الحظ ، فإن أنظمة الذكاء الاصطناعى اليوم ليست على مستوى المهمة.

نحن مغيرون الروبوتات الذين يدرسون استخدام الطائرات بدون طيار في الكوارث. تُظهر تجاربنا في البحث عن ضحايا الفيضانات والعديد من الأحداث الأخرى أن التطبيقات الحالية لمنظمة العفو الدولية تقصر.

ومع ذلك ، يمكن أن تلعب التكنولوجيا دورًا في البحث عن ضحايا الفيضانات. المفتاح هو تعاون AI-Human.

أصبحت الطائرات بدون طيار معدات قياسية للمستجيبين الأوائل ، لكن الفيضانات تشكل تحديات فريدة. إريك سمالي ، CC BY-ND

إمكانات منظمة العفو الدولية

البحث عن ضحايا الفيضانات هو نوع من البحث والإنقاذ البرية التي تمثل تحديات فريدة. الهدف من علماء التعلم الآلي هو تصنيف الصور التي تحتوي على علامات على الضحايا والإشارة إلى المكان الذي يجب أن يركز فيه موظفو البحث والإنقاذ في تلك الصور. إذا رأى المستجيب علامات على الضحية ، فإنهم يمررون موقع GPS في الصورة للبحث في فرق في الحقل للتحقق.

يتم التصنيف من قبل مصنف ، وهو خوارزمية تتعلم تحديد مثيلات مماثلة من الكائنات – القطط والسيارات والأشجار – من بيانات التدريب من أجل التعرف على تلك الكائنات في صور جديدة. على سبيل المثال ، في سياق البحث والإنقاذ ، من شأن المصنف أن يكتشف حالات النشاط البشري مثل القمامة أو حقائب الظهر لتمريرها إلى فرق البحث والإنقاذ البرية ، أو حتى تحديد الشخص المفقود نفسه.

هناك حاجة إلى مصنف بسبب الحجم الهائل من الصور التي يمكن أن تنتجها الطائرات بدون طيار. على سبيل المثال ، يمكن أن تنتج رحلة واحدة لمدة 20 دقيقة أكثر من 800 صورة عالية الدقة. إذا كان هناك 10 رحلات – عدد صغير – سيكون هناك أكثر من 8000 صورة. إذا كان المستجيب يقضي 10 ثوانٍ فقط في النظر في كل صورة ، فسوف يستغرق الأمر أكثر من 22 ساعة من الجهد. حتى لو تم تقسيم المهمة بين مجموعة من “المفرعين” ، يميل البشر إلى تفويت مناطق الصور وإظهار التعب المعرفي.

الحل المثالي هو نظام الذكاء الاصطناعي الذي يقوم بمسح الصورة بأكملها ، ويعطي الأولوية للصور التي لديها أقوى علامات للضحايا ، ويسلط الضوء على مساحة الصورة للمستجيب لتفقده. يمكن أن يقرر أيضًا ما إذا كان ينبغي وضع علامة على الموقع للاهتمام الخاص من خلال أطقم البحث والأنقلة.

حيث تقصر الذكاء الاصطناعي

على الرغم من أن هذا يبدو فرصة مثالية لرؤية الكمبيوتر والتعلم الآلي ، إلا أن الأنظمة الحديثة لها معدل خطأ مرتفع. إذا تمت برمجة النظام للبالغ من تقدير عدد المواقع المرشحة على أمل عدم فقدان أي ضحايا ، فمن المحتمل أن ينتج الكثير من المرشحين الخاطفين. هذا يعني أن الفرق المفرطة في التحميل الزائد أو ، والأسوأ من ذلك ، فرق البحث والإنقاذ ، والتي يجب أن تتنقل من خلال الحطام والموت للتحقق من مواقع المرشحين.

من الصعب تطوير رؤية الكمبيوتر وأنظمة التعلم الآلي للعثور على ضحايا الفيضانات لثلاثة أسباب.

أحدهما هو أنه على الرغم من أن أنظمة رؤية الكمبيوتر الحالية قادرة على تحديد الأشخاص المرئيين في الصور الجوية ، فإن المؤشرات البصرية لضحية الفيضان غالباً ما تكون مختلفة تمامًا مقارنةً بتلك الخاصة بالتجول المفقود أو الهارب. غالبًا ما يتم حجب ضحايا الفيضانات ، مموهة ، متشابكة في الحطام أو المغمورين في الماء. تزيد هذه التحديات البصرية من إمكانية تفويت المصنفات الحالية للضحايا.

ثانياً ، يتطلب التعلم الآلي بيانات تدريب ، ولكن لا توجد مجموعات بيانات من الصور الجوية حيث يتشابك البشر في الحطام ، مغطاة بالطين وليس في المواقف العادية. هذا النقص يزيد أيضًا من إمكانية وجود أخطاء في التصنيف.

ثالثًا ، فإن العديد من صور الطائرات بدون طيار التي يتم التقاطها غالبًا من قبل الباحثين هي طرق عرض مائلة ، بدلاً من النظر مباشرة إلى أسفل. هذا يعني أن موقع GPS لمنطقة المرشح ليس هو نفسه موقع GPS للطائرة بدون طيار. من الممكن حساب موقع GPS إذا كانت زاوية الطائرات بدون طيار وزاوية الكاميرا معروفة ، ولكن للأسف تلك السمات نادراً ما تكون. موقع GPS غير دقيق يعني أن على الفرق قضاء وقت إضافي في البحث.

كيف يمكن أن تساعد الذكاء الاصطناعي

لحسن الحظ ، مع عمل البشر و AI معًا ، يمكن لفرق البحث والإنقاذ استخدام الأنظمة الحالية بنجاح للمساعدة في تضييق الصور وتحديد أولوياتها لمزيد من التفتيش.

في حالة الفيضانات ، قد تتشابك الرفات البشرية بين الغطاء النباتي والحطام. لذلك ، يمكن للنظام تحديد كتل الحطام كبيرة بما يكفي لاحتواء البقايا. تتمثل استراتيجية البحث الشائعة في تحديد مواقع GPS التي تجمعها Flotsam ، لأن الضحايا قد يكونون جزءًا من هذه الودائع نفسها.

منظر جوي للمناظر الطبيعية مع حلقات خضراء متراكبة

حددت خوارزمية التعلم الآلي أكوام من الحطام كبيرة بما يكفي لاحتواء أجسام في صورة جوية لآثار الفيضان. مركز البحث والإنقاذ بمساعدة الروبوت وجامعة ماريلاند

يمكن أن يجد مصنف الذكاء الاصطناعى الحطام المرتبط عادة بالبقايا ، مثل الألوان الاصطناعية وحطام البناء مع خطوط مستقيمة أو زوايا 90 درجة. يجد المستجيبين هذه العلامات أثناء سيرهم بشكل منهجي إلى ضفاف النهر وسهول الفيضان ، لكن المصنف يمكن أن يساعد في تحديد أولويات المناطق في الساعات القليلة والأيام القليلة الأولى ، عندما يكون هناك ناجون ، وبعد ذلك يمكن أن يؤكد أن الفرق لم تفوت أي مناطق ذات أهمية أثناء التنقل في المشهد الصعب على الأقدام.

يتم إعادة نشر هذه المقالة من المحادثة ، وهي مؤسسة إخبارية مستقلة غير ربحية تجلب لك الحقائق والتحليلات الجديرة بالثقة لمساعدتك على فهم عالمنا المعقد. كتبه: روبن ر. مورفي ، جامعة تكساس إيه آند إم وتوماس مانزيني ، جامعة تكساس إيه آند إم

اقرأ المزيد:

يتلقى روبن ر. مورفي التمويل من المؤسسة الوطنية للعلوم. وهي تابعة لمركز البحث والإنقاذ بمساعدة الروبوت.

توماس مانزيني ينتمي إلى مركز البحث والإنقاذ بمساعدة الروبوت (CRASAR) ، ويتم تمويل عمله من قبل المعهد الوطني لاتخاذ القرارات المجتمعية للعلوم العلمية (AI-SDM).