Poza granice archiwów. Nowy algorytm MIT przewiduje katastrofy, których świat jeszcze nie widział

Tradycyjne modele ryzyka klimatycznego przypominają jazdę samochodem z wzrokiem utkwionym w lusterku wstecznym. Ubezpieczyciele i urbaniści bazują na tym, co już się wydarzyło, zakładając, że przeszłość definiuje granice przyszłych zagrożeń. Jednak w obliczu gwałtownych zmian klimatu, historyczne statystyki stają się niewystarczające. Zespół badaczy z MIT, pod kierownictwem profesora Themisa Sapsisa oraz Kaia Changa, zaproponował radykalne odejście od tego schematu, prezentując algorytm potrafiący symulować zdarzenia statystycznie możliwe, choć nigdy wcześniej nieodnotowane.

Dlaczego to ważne teraz

Wzrost częstotliwości skrajnych zjawisk meteorologicznych sprawia, że dotychczasowe narzędzia analityczne stają się bezużyteczne wobec nowej rzeczywistości. Nowy algorytm o nazwie Extreme Event Aware (znany również jako ̷-learning) potrafi generować scenariusze zdarzeń o rzadkości występowania raz na sto lat, nie wymagając przy tym wcześniejszych danych o podobnych ekstremach. Oznacza to, że możemy budować odporność na kryzysy, zanim one realnie uderzą w naszą infrastrukturę, finanse czy robotykę.

Koniec dyktatury danych historycznych

Metoda ̷-learning rozwiązuje fundamentalny problem współczesnej analityki: jak przewidzieć coś, co zdarza się raz na wiek, skoro nasze najdokładniejsze pomiary sięgają zaledwie kilku dekad wstecz? Obecne symulacje wymagają ogromnych zbiorów danych o ekstremach, aby nauczyć się warunków prowadzących do katastrofy. Chang i Sapsis udowodnili w swojej pracy badawczej, że można to zrobić inaczej. Jak podaje komunikat MIT, algorytm łączy i uczy się statystyk, czyli prawdopodobieństw dotyczących relacji między dwoma rodzajami danych: statystykami punktowymi i mapami przestrzennymi.

Zamiast szukać gotowych przykładów huraganów czy powodzi, system uczy się relacji między intensywnością zjawiska w konkretnym punkcie a jego rozkładem na mapie. Wykorzystując zaledwie sześciomiesięczne okno danych o niskiej rozdzielczości, system potrafił wygenerować wiarygodne mapy opadów o skali, która w rzeczywistości nigdy nie wystąpiła w badanym regionie. Przykładowo, dla Nowego Jorku, gdzie rekord opadów wynosi 200 mm, model bez trudu stworzył fizycznie spójny scenariusz burzy generującej 300 mm wody.

Odporność w dobie optymalizacji

Praktyczne zastosowanie tego narzędzia wykracza poza czystą meteorologię. Sapsis podkreśla, że współczesna infrastruktura jest skrajnie zoptymalizowana pod kątem wydajności, co paradoksalnie czyni ją kruchą. Brak luzu w systemach energetycznych czy łańcuchach dostaw sprawia, że jedno ekstremalne zjawisko może wywołać efekt domina w skali globalnej. Możliwość nałożenia prawdopodobieństwa na zdarzenia, które jeszcze się nie wydarzyły, staje się zatem kluczowym elementem odporności ekonomicznej państw.

Narzędzie to pozwala na generowanie tysięcy scenariuszy jednocześnie. Urbaniści mogą sprawdzić, czy projektowany mur oporowy wytrzyma spiętrzenie wody wyższe niż to z czasu huraganu Katrina, a operatorzy sieci energetycznych mogą przetestować systemy pod kątem fal upałów o niespotykanej dotąd długości i intensywności. Choć model wymaga specyficznych danych dla każdego rodzaju zagrożenia, potencjał jego adaptacji do pożarów czy powodzi błyskawicznych otwiera nowy rozdział w zarządzaniu kryzysowym, w którym nie jesteśmy już ograniczeni jedynie tym, co pamiętają nasze archiwa.