MIT انجینئرز نے تاریخی تباہی کے اعداد و شمار سے سیکھے بغیر انتہائی موسم کی پیش گوئی کرنے کے لیے ایک AI ٹول بنایا ہے۔
یہ آلہ مکینیکل انجینئرنگ کے گریجویٹ طالب علم کائی چانگ اور پروفیسر تھیمس سیپسس نے تیار کیا تھا۔ یہ اعداد و شمار کے لحاظ سے ممکنہ واقعات کا نقشہ بناتا ہے جو علاقے کے تاریخی ریکارڈ میں ظاہر نہیں ہوتے ہیں۔ ہر نقشے میں ایونٹ کی متوقع مدت اور شدت کا تخمینہ شامل ہوتا ہے، اس کے ساتھ اس علاقے کے الگ الگ تخمینے بھی شامل ہوتے ہیں جہاں واقعہ متاثر ہو سکتا ہے۔
تاریخی طور پر بے مثال موسمی واقعات کی پیش گوئی کرنا
سیپسس نے MIT میں مکینیکل اور اوشین انجینئرنگ میں ولیم I. کوچ کی پروفیسری حاصل کی ہے۔ دونوں محققین ایم آئی ٹی سینٹر فار کمپیوٹر سائنس اینڈ انجینئرنگ سے وابستہ ہیں، اور سیپسس نے ڈیٹا، سسٹمز اور سوسائٹی کے لیے ایم آئی ٹی انسٹی ٹیوٹ میں بھی ملاقات کی ہے۔ یہ جوڑا 20 اگست کو نیچر کمیونیکیشنز میں شائع ہونے والے ایک مقالے میں ایکسٹریم ایونٹ اویئر، یا ایٹا لرننگ کہلانے والے طریقہ کی وضاحت کرتا ہے۔
روایتی خطرے کے ماڈل مختلف طریقے سے کام کرتے ہیں۔ بیمہ دہندگان، شہر کے منصوبہ ساز اور پاور گرڈ آپریٹرز عام طور پر یہ جاننا چاہتے ہیں کہ صدی میں ایک بار آنے والا طوفان کسی خاص مقام پر کیسا نظر آئے گا۔ موجودہ تخروپن عام طور پر ڈیٹا سیٹس پر انحصار کرتے ہیں جو پہلے سے ہی انتہائی واقعات پر مشتمل ہوتے ہیں، ان حالات کو سیکھتے ہیں جنہوں نے ملتے جلتے نمونوں کی پیشن گوئی کرنے سے پہلے انہیں پیدا کیا تھا۔
چانگ کا استدلال ہے کہ موجودہ نقطہ نظر اس کی حدود پیدا کرتا ہے جو اس طرح کے ماڈل دکھا سکتے ہیں۔ "یہ طریقے فرض کرتے ہیں کہ ایک بہت ہی تباہ کن واقعہ ہے جسے ہم ڈیٹا سیٹ میں دیکھتے ہیں اور اس واقعے کے خطرے کا اندازہ لگانے کے لیے ایک طریقہ بنانے کی کوشش کرتے ہیں، یا پیش آنے والے واقعے کی درست پیشین گوئی کرتے ہیں،” وہ کہتے ہیں۔
سمندری طوفان کترینہ کے ذریعے سیپسس پر بھی وہی پابندیاں ہیں۔ انہوں نے مزید کہا کہ "سمندری طوفان کترینہ جیسے واقعات ہر 30 سے 40 سال بعد ہوتے ہیں۔” "کیٹرینا کی تباہی ہر 100 سال بعد کیسی ہوگی؟ یہ کتنی بری ہوگی؟ یہ وہی ہے جس کی ہم مقدار بتانے کی کوشش کر رہے ہیں تاکہ منصوبہ ساز انتہائی ممکنہ حالات کے لیے تیاری کر سکیں۔”
مقامی تفصیلات کے ساتھ پوائنٹ کے اعدادوشمار کو یکجا کرنا
الگورتھم دو قسم کے ڈیٹا پر کام کرتا ہے۔ پوائنٹ کے اعدادوشمار اس بات کو پکڑتے ہیں کہ کتنی بار کسی خاص شدت کی سطح، جیسے کہ نقشے پر ریکارڈ کی گئی سب سے زیادہ بارش، ڈیٹاسیٹ کے اندر ہوتی ہے۔ مقامی نقشے دکھاتے ہیں کہ کسی واقعہ کا اثر خطوں میں کیسے مختلف ہوتا ہے۔
دونوں کے درمیان شماریاتی تعلق کو سیکھ کر، الگورتھم تربیتی اعداد و شمار میں کسی بھی چیز سے آگے واقعات کے لیے مقامی نمونے بنا سکتا ہے، قطعی انتہا کی پیشگی مثالوں کی ضرورت کے بغیر۔
محققین نے براعظم امریکہ میں بارش پر اپنے نقطہ نظر کا تجربہ کیا۔ انہوں نے 25 سال کے گھنٹہ وار بارش کے اعداد و شمار کے ساتھ شروعات کی، اسے روزانہ کے نقشے میں ضم کیا، اور پوائنٹ کے اعدادوشمار کا حساب لگایا جو یہ بتاتے ہیں کہ نقشے پر زیادہ سے زیادہ بارش پورے ریکارڈ پر کتنی بار ایک خاص سطح تک پہنچی۔
مقامی ماڈل کے لیے تربیت کی کھڑکی تنگ تھی۔ انہوں نے 25 سالہ ریکارڈ کے صرف پہلے چھ مہینوں سے نکالے گئے کم اور اعلی ریزولیوشن نقشوں کے جوڑے کا استعمال کرتے ہوئے الگورتھم کے اس حصے کو تربیت دی۔ اس مدت میں بارش کی بلند ترین سطحوں کی چند یا کوئی مثالیں شامل نہیں تھیں۔
الگورتھم نے سیکھا کہ کس طرح کم ریزولوشن والے نقشے میں پیٹرن ہائی ریزولوشن ورژن میں تفصیلات سے مماثل ہیں، پھر پورے ریکارڈ سے پوائنٹ کے اعدادوشمار کا اطلاق کیا گیا تاکہ یہ محدود کیا جا سکے کہ تیار کردہ پیٹرن کتنے شدید ہو سکتے ہیں۔
بدترین نقشوں کے لیے بنیادی ڈھانچے کی جانچ
سب سے زیادہ بارش نیویارک شہر میں 200 ملی میٹر ریکارڈ کی گئی۔ یہ طریقہ ہمیں قابل فہم نقشے تیار کرنے کی اجازت دیتا ہے جو 300 ملی میٹر کے طوفان پیدا کرتے ہیں، یہ سطح مشاہداتی ریکارڈ میں متضاد ہے۔
صارفین تربیت یافتہ الگورتھم استعمال کر سکتے ہیں تاکہ انہیں دکھایا جا سکے کہ صدی میں ایک بار آنے والا طوفان کسی نامی شہر میں کیسا نظر آئے گا۔ آؤٹ پٹ ایک نقشے کی شکل لیتا ہے جس میں اس فریکوئنسی پر اعدادوشمار کے لحاظ سے ممکنہ طوفان دکھائے جاتے ہیں۔ ہر نقشے کا ایک منفرد سائز اور کوریج ہوتا ہے، اور بارش کی شدت بھی سیٹوں میں مختلف ہوتی ہے۔ چانگ کے مطابق، الگورتھم ان منظرناموں کی ایک بڑی تعداد کو ایک ساتھ پیدا کر سکتا ہے۔
بنائے گئے نقشے شہروں کو ریکارڈ کیے گئے سمندری طوفانوں کے خلاف اپنی سمندری دیواروں کی جانچ کرنے میں مدد کر سکتے ہیں۔ وہی نقشے یہ دکھا سکتے ہیں کہ آیا طویل گرمی کی لہروں کے دوران پاور گرڈ برقرار رہے گا، یا کیا آگ بجھانے کے وسائل میں ریکارڈ شدہ سے زیادہ جنگل کی آگ ہوسکتی ہے۔
مظاہروں کی اب تک کی حدود
چانگ اور سیپسس کے مطابق، اس طریقہ کار کو نئے خطرے پر لاگو کرنے کے لیے اس مخصوص خطرے کے لیے متعلقہ پوائنٹ کے اعدادوشمار اور مقامی ڈیٹا کی ضرورت ہوتی ہے۔ یہ جوڑا ممکنہ توسیع کی طرف اشارہ کرتا ہے، جیسے کہ شدید سیلاب اور جنگل کی آگ کا تصور کرنا جس کے لیے تاریخی ریکارڈ میں کوئی مساوی نہیں ہے، ایک بار جب یہ ڈیٹا دستیاب ہو جاتا ہے۔
سیپسس بتاتا ہے کہ عالمی انفراسٹرکچر کو کارکردگی کے لیے بہتر بنایا گیا ہے، اس لیے عملی طور پر سپورٹ کرنے کے لیے سسٹمز کی کوئی کمی نہیں ہے۔
وہ بتاتے ہیں کہ "ایک ہی انتہائی واقعہ سپلائی چینز، انرجی مارکیٹس اور فوڈ سسٹم کے ذریعے چند ہفتوں میں پھیل سکتا ہے۔” "ابھی تک رونما نہ ہونے والے واقعات کے لیے امکانات کا تعین کرنا اب قومی اور اقتصادی لچک کا معاملہ ہے۔”
حوالہ: سیمسنگ ہیلتھ اے آئی ماڈل، پہننے کے قابل بائیو سگنل ڈیٹا تجزیہ
صنعت کے رہنماؤں سے AI اور بڑے ڈیٹا کے بارے میں مزید جاننا چاہتے ہیں؟ ایمسٹرڈیم، کیلیفورنیا اور لندن میں اے آئی اور بگ ڈیٹا ایکسپو دیکھیں۔ جامع ایونٹ TechEx کا حصہ ہے اور اس کا انعقاد سائبرسیکیوریٹی اور کلاؤڈ ایکسپو سمیت دیگر اہم ٹیکنالوجی ایونٹس کے ساتھ کیا جاتا ہے۔ مزید معلومات کے لیے یہاں کلک کریں۔
AI News آپ کے لیے TechForge Media لایا ہے۔ دیگر آنے والے انٹرپرائز ٹیکنالوجی ایونٹس اور ویبینرز کو یہاں دریافت کریں۔