فريق دولي يصمم نظام لاكتشاف الكوارث الطبيعية تلقائيًا باستخدام وسائل التواصل الاجتماعي

صمم فريق بحث دولي نظامًا تعليميًا عميقًا قادرًا على اكتشاف الكوارث الطبيعية باستخدام الصور المنشورة على وسائل التواصل الاجتماعي.

طبق الباحثون أدوات الرؤية الحاسوبية التي أثبتت ، بمجرد تدريبها باستخدام 1.7 مليون صورة، أنها قادرة على تحليل وتصفية واكتشاف الكوارث الحقيقية.

مع تقدم ظاهرة الاحتباس الحراري، فإن الكوارث الطبيعية مثل الفيضانات والأعاصير وحرائق الغابات أصبحت أكثر تواترًا وتدميرًان نظرًا لعدم وجود أدوات للتنبؤ بمكان أو متى ستحدث مثل هذه الحوادث، فمن الضروري أن تتمكن خدمات الطوارئ ووكالات التعاون الدولي من الاستجابة بسرعة وفعالية لإنقاذ الأرواح.

تم نشر الورقة في مجلة IEEE Transactions on Pattern Analysis and Machine Intelligence ، أحد الباحثين في المشروع ، بقيادة معهد ماساتشوستس للتكنولوجيا، كانت اجاتا لابيدريزا، قائد مجموعة أبحاث AIWELL المتخصصة في الذكاء الاصطناعي لرفاهية الإنسان، الملحق بمركز الصحة الإلكترونية، وعضو في كلية علوم الكمبيوتر والوسائط المتعددة والاتصالات في جامعة أوبيرتا دي كاتالونيا (UOC).

وأوضحت لابيدريزا، أنه “لحسن الحظ، يمكن للتكنولوجيا أن تلعب دورًا رئيسيًا في هذه المواقف، يمكن استخدام منشورات وسائل التواصل الاجتماعي كمصدر بيانات منخفض التأخير لفهم تطور وعواقب الكارثة”.

تطوير تصنيف للحوادث وقاعدة البيانات

ركزت الأبحاث السابقة على تحليل المشاركات النصية، لكن هذا البحث ذهب إلى أبعد من ذلك، خلال إقامته في مختبر MIT لعلوم الكمبيوتر والذكاء الاصطناعي، ساهمت لابيدريزا في تطوير تصنيف للحوادث وقاعدة البيانات المستخدمة لتدريب نماذج التعلم العميق، وأجرى تجارب للتحقق من صحة التكنولوجيا.

أنشأ الباحثون قائمة تضم 43 فئة من الحوادث، بما في ذلك الكوارث الطبيعية (الانهيارات الجليدية، والعواصف الرملية، والزلازل، والانفجارات البركانية، والجفاف، وما إلى ذلك) بالإضافة إلى الحوادث التي تنطوي على بعض عناصر التدخل البشري (حوادث الطائرات، وحوادث البناء، وما إلى ذلك)، هذه القائمة، مع 49 فئة مكان ، مكنت الباحثين من تسمية الصور المستخدمة لتدريب النظام.

أنشأ المؤلفون قاعدة بيانات، تسمى Incidents1M ، مع 1،787،154 صورة تم استخدامها بعد ذلك لتدريب نموذج اكتشاف الحوادث. من بين هذه الصور، كان لدى 977،088 علامة إيجابية واحدة على الأقل تربطها بأحد تصنيفات الحوادث، بينما كان 810،066 ملصقات سلبية للفئة، وفي الوقت نفسه، بالنسبة لفئات الأماكن، تحتوي 764124 صورة على ملصقات إيجابية للفئة و1023.030 صورة سلبية.

تجنب الإيجابيات الكاذبة

تعني هذه العلامات السلبية أنه يمكن تدريب النظام على التخلص من الإيجابيات الكاذبة ؛ على سبيل المثال، لا تعني صورة الموقد أن المنزل يحترق، على الرغم من وجود بعض أوجه التشابه البصري، بمجرد إنشاء قاعدة البيانات، قام الفريق بتدريب نموذج للكشف عن الحوادث “بناءً على نموذج تعليمي متعدد المهام واستخدام شبكة عصبية تلافيفية.”

عندما تم تدريب نموذج التعلم العميق على اكتشاف الحوادث في الصور، أجرى الفريق مجموعة من التجارب لاختباره، هذه المرة باستخدام كمية هائلة من الصور التي تم تنزيلها من وسائل التواصل الاجتماعي، بما في ذلك فليكر وتويتر.
قالت لابيدريزا: “كان نموذجنا قادرًا على استخدام هذه الصور لاكتشاف الحوادث وتحققنا من أنها تتوافق مع حوادث محددة ومسجلة، مثل زلازل 2015 في نيبال وتشيلي”.

أداة قائمة على التعلم العميق

باستخدام بيانات حقيقية، أظهر المؤلفون إمكانات أداة قائمة على التعلم العميق للحصول على معلومات من وسائل التواصل الاجتماعي حول الكوارث الطبيعية، والحوادث التي تتطلب مساعدات إنسانية.
وأوضحت: “سيساعد هذا منظمات الإغاثة الإنسانية على معرفة ما يحدث أثناء الكوارث بشكل أكثر فعالية وتحسين طريقة إدارة المساعدات الإنسانية عند الحاجة”.

بعد هذا الإنجاز، يمكن أن يتمثل التحدي التالي ، على سبيل المثال، في استخدام نفس صور الفيضانات أو الحرائق أو غيرها من الحوادث لتحديد خطورة الحوادث تلقائيًا أو حتى مراقبتها بشكل أكثر فعالية بمرور الوقت.

واقترح المؤلفون أيضًا أن المجتمع العلمي يمكنه متابعة البحث من خلال الجمع بين تحليل الصور وتحليل النص المصاحب، للتمكين من تصنيف أكثر دقة.