Ľudský dohľad stále zlepšuje predpovede povodní, ukazuje nová štúdia

Keď ide o povodne, rýchlosť sama osebe nestačí. Nový výskum naznačuje, že pri predpovedaní záplav zatiaľ neprekonávajú modely strojového učenia systém, v ktorom zostáva v hre aj skúsený človek. Najmä pri extrémnych udalostiach a pri dlhších časových predstihoch sa ukazuje, že ľudský dohľad má stále zásadnú hodnotu.

Keeping Humans in the Loop Improves Flood Forecasting.

Zdroj: https://eos.org/research-spotlights/keeping-humans-in-the-loop-improves-flood-forecasting

Štúdia, o ktorej informuje Eos a ktorá vyšla v Geophysical Research Letters, porovnala modely strojového učenia s reálnym operačným systémom používaným v California Nevada River Forecast Center (CNRFC). Tento systém nestojí len na algoritmoch. Spája tradičné hydrologické modely s profesionálnymi predpovedateľmi, ktorí vedia rozpoznať chyby modelu, zohľadniť nekvalitné vstupné dáta a upraviť výstupy podľa miestnych podmienok.

Výsledok je dôležitý aj preto, že mnohé predchádzajúce porovnania AI a ML v tejto oblasti testovali technológie proti zjednodušeným historickým simuláciám, nie proti skutočnému operačnému systému, ktorý sa používa počas povodňovej situácie. Takéto testy môžu podľa autorov nadhodnocovať účinnosť automatizovaných prístupov.

Tran a kolegovia analyzovali údaje z predpovedí riečnej hladiny na 50 miestach v Kalifornii a Nevade v rokoch 2012 až 2022. Hodnotili aj časové predstihy od 1 do 96 hodín. V porovnaní s modelmi strojového učenia si systém CNRFC vo všeobecnosti viedol lepšie pri predpovedi prietoku aj povodňových vrcholov, najmä pri dlhších predstihoch. ML modely síce dokázali byť lepšie pri veľmi krátkych časoch predpovede, ich presnosť však rýchlo klesala.

Pre prax je to podstatné zistenie. Povodňové predpovede neovplyvňujú len technickú presnosť, ale aj varovania, evakuácie a ochranu majetku. Ak model zlyhá pri extrémnej udalosti alebo pri zlom vstupe, následky môžu byť vážne. Práve preto štúdia pripomína, že automatizácia je užitočná, no zatiaľ nie je plnohodnotnou náhradou ľudskej expertízy.

Čo znamená predpovedanie povodní v reálnom čase

Predpovedanie povodní v reálnom čase zvyčajne spája viac zdrojov informácií: priebežne aktualizované údaje o zrážkach, merania z vodomerných staníc a meteorologické predpovede.

Snímka zobrazuje: Keeping Humans in the Loop Improves Flood Forecasting.

Zdroj: https://eos.org/research-spotlights/keeping-humans-in-the-loop-improves-flood-forecasting

Cieľom je odhadnúť hladinu rieky aj rozsah zaplavenia čo najskôr a čo najpresnejšie.

V praxi ide o disciplínu, kde sa nepracuje len s jedným číslom. Dôležitý je kontext: ako sa správa konkrétna rieka, aké sú miestne podmienky, ako spoľahlivé sú vstupné dáta a či sa situácia nevyvíja neštandardne. Preto sa v tejto oblasti dlhodobo uplatňuje kombinácia výpočtov a ľudskej interpretácie.

Prečo sa do predpovedí zapája človek

Ľudský predpovedateľ môže zachytiť to, čo model nemusí vidieť.

Snímka zobrazuje: Over a dark blue-green square appear the words Special Report: The State of the Science 1 Year On.

Zdroj: https://eos.org/research-spotlights/keeping-humans-in-the-loop-improves-flood-forecasting

Môže si všimnúť, že vstupné dáta sú neúplné alebo podozrivé, že sa správanie rieky odchyľuje od očakávania, alebo že lokálne podmienky menia výsledok výpočtu.

Tento prístup sa v článku označuje ako „forecasters-in-the-loop“. Znamená to, že model a odborník pracujú spolu, nie proti sebe. V inom usporiadaní, ktoré sa nazýva „forecasters-over-the-loop“, človek skôr dohliada na automatizovaný systém a zasiahne len v prípade potreby. Nová štúdia naznačuje, že pri povodniach je prvý prístup zatiaľ spoľahlivejší.

Čo dokáže strojové učenie a kde naráža na limity

AI a ML sú v hydrológii atraktívne najmä preto, že vedia rýchlo spracovať veľké objemy dát a hľadať zložité vzory v historických záznamoch. To je užitočné najmä tam, kde je veľa meraní a kde sa opakujú podobné situácie.

Problém nastáva pri zriedkavých a extrémnych udalostiach. Práve tie sú však pri povodniach najnebezpečnejšie. Ak model nemá dosť kvalitných dát alebo ak sa stretne s javom, ktorý sa v minulosti vyskytol len zriedka, jeho výkon môže prudko klesnúť. Podľa štúdie sa to ukázalo aj pri dlhších časových predstihoch.

Prečo sú dlhšie predstihy také dôležité

Rozdiel medzi predpoveďou na niekoľko hodín a na desiatky hodín nie je len technický detail. Pri povodniach môže rozhodovať o tom, či sa stihne varovanie, presun ľudí alebo ochrana infraštruktúry.

Vo všeobecnosti platí, že čím dlhší je časový predstih, tým ťažšie je udržať presnosť. Preto je zaujímavé, že práve pri dlhších predstihoch si operačný systém s ľudským dohľadom viedol lepšie než modely strojového učenia. To naznačuje, že pri plánovaní zásahov je stále dôležitá kombinácia výpočtu, skúsenosti a miestnej znalosti.

Čo zostáva otvorené a kam sa môže výskum posunúť

Štúdia nehovorí, že AI v predpovediach povodní nemá miesto. Skôr ukazuje, že zatiaľ nie je pripravená nahradiť odborníkov v operačnom prostredí. Ďalší vývoj môže priniesť lepšie dáta, presnejšie modely a systémy, ktoré budú lepšie pracovať s extrémnymi situáciami.

Zatiaľ však zostáva otvorené, ako rýchlo sa podarí tieto limity prekonať. Kým sa tak stane, najbezpečnejším prístupom sa zdá byť spolupráca človeka a stroja, nie úplné odovzdanie rozhodovania algoritmu. Pri povodniach totiž nejde len o presnosť predpovede, ale aj o dôveru, zodpovednosť a schopnosť reagovať na nečakané okolnosti.

Zdroj: Eos

Pôvodný článok: https://eos.org/research-spotlights/keeping-humans-in-the-loop-improves-flood-forecasting