CHLB ĐỨC – Các nhà nghiên cứu tại đại học Jena (University of Jena) đang phát triển các hệ thống cảnh báo sớm ứng dụng công nghệ trí tuệ nhân tạo (AI – artificial intelligence) đáng tin cậy dành cho lĩnh vực môi trường đang thay đổi một cách nhanh chóng.

Ngày càng nhiều các nhà khoa học chuyển sang sử dụng công nghệ AI để quan sát hệ thống trái đất của chúng ta. Điều này cho phép họ dự đoán thời tiết chính xác hơn hoặc cảnh báo sớm thiên tai như lũ lụt. Tuy nhiên, đối với hầu hết các mô hình công nghệ trí tuệ nhân tạo (mô hình AI), trái đất của chúng ta và các quá trình đang diễn ra trong môi trường là quá phức tạp, đặc biệt khi chúng đang thay đổi một cách nhanh chóng như hiện nay do sự biến đổi khí hậu.

Giáo sư, Tiến sĩ Alexander Brenning tại đại học Jena

Độ tin cậy trong điều kiện thay đổi không ngừng
Một nhóm nghiên cứu từ đại học Friedrich Schiller Jena, bệnh viện đại học Jena, viện Max Planck nghiên cứu về địa hóa sinh ở thành phố Jena (miền trung nước Đức), và viện đa dạng thực vật Senckenberg cũng ở thành phố Jena, muốn phát triển các mô hình AI có thể hoạt động chính xác trong điều kiện môi trường thay đổi không ngừng.

Quỹ Carl Zeiss đã thông báo sẽ hỗ trợ dự án mới mang tên “AI Generalizability in Non-stationary Environmental Regimes: The Case of Hydro-climatic Extremes (Genai-X)” (tạm dịch là ‘Khả năng khái quát hóa (*) của công nghệ AI trong các điều kiện môi trường thay đổi: trường hợp cực đoan thủy văn – khí hậu (Genai-X)’), với tổng kinh phí gần 6 triệu euro trong vòng 5 năm, thuộc khuôn khổ của chương trình tài trợ mang tên “CZS Breakthroughs”. Dự án này được phát triển bởi ELLIS Unit Jena, một bộ phận của mạng lưới phòng thí nghiệm ELLIS (European laboratory for learning and intelligent systems).
(*) Khả năng khái quát hóa (generalizability) của công nghệ AI: là hệ thống máy tính mô phỏng trí thông minh của con người, được sử dụng để phân tích dữ liệu và đưa ra dự đoán. Khả năng khái quát hóa của một mô hình AI rất quan trọng, để phân tích hiệu quả các bộ dữ liệu hoặc điều kiện mà nó chưa từng được huấn luyện trước đó, trong mọi tình huống.

Bối cảnh của các hiện tượng khí tượng – thủy văn cực đoan
Trong dự án, các nhà nghiên cứu tại đại học Jena đang kết hợp hai hướng nghiên cứu song song. Một mặt, họ hướng tới việc phát triển căn bản các phương pháp dựa trên công nghệ trí tuệ nhân tạo (AI) nhằm bảo đảm có thể ứng dụng hiệu quả trong các hệ thống môi trường phức tạp và luôn thay đổi. Mặt khác, nhóm khoa học mong muốn kiểm nghiệm các mô hình mới này trong nghiên cứu môi trường thực tế, đặc biệt là trong bối cảnh các hiện tượng cực đoan như lũ lụt, hạn hán hay sạt lở đất.

Tính khái quát của các hệ thống AI
Giáo sư, Tiến sĩ Alexander Brenning, điều phối viên dự án tại đại học Jena, chia sẻ: “Không giống những lĩnh vực ứng dụng khác, một mô hình AI được sử dụng cho các mục tiêu này không nên chỉ dựa hoàn toàn vào dữ liệu của các sự kiện trong quá khứ, mà còn cần tính đến những điều kiện và cơ chế tác động thay đổi theo không gian và thời gian. Chính tính khái quát này của các hệ thống AI sẽ giúp phát triển những mô hình có thể hoạt động độc lập với các địa điểm cụ thể hoặc không bị giới hạn về thời gian.” Nhờ đó, các mô hình này có thể được sử dụng để dự báo nguy cơ sạt lở đất tại một khu vực cụ thể dựa trên các sự kiện tương tự ở những vùng khác có nguồn dữ liệu đầy đủ hơn. Đồng thời, các mô hình cũng có khả năng đánh giá rủi ro sạt lở không chỉ dựa trên các điều kiện địa phương trong những sự kiện đã xảy ra trước đây, mà còn tính đến các yếu tố biến đổi như thay đổi mục đích sử dụng đất hoặc điều kiện môi trường, ví dụ như tần suất hay cường độ gia tăng của các đợt mưa lớn.

Kết hợp các quá trình môi trường và trí tuệ nhân tạo
Để thực hiện công việc của mình, nhóm nghiên cứu bao gồm các nhà khoa học địa chất và các nhà khoa học máy tính, đã kết hợp nhiều phương pháp công nghệ AI khác nhau. Chuyên gia tin học địa lý (*) tại đại học Jena giải thích: “Chúng tôi đang theo đuổi phương pháp mô hình hóa hybrid (hybrid modeling), trong đó chúng tôi kết hợp công nghệ AI với các định luật vật lý, thủy văn hoặc sinh thái học. Công nghệ AI hiện tại có thể nhận diện các quy luật, nhưng nó không hiểu tại sao xảy ra một hiện tượng, do đó khi dữ liệu ít hoặc điều kiện thay đổi sẽ dẫn đến kết quả dự báo sớm trở nên không đáng tin cậy. Các mô hình vật lý dựa trên số lượng lớn các tham số, mà hầu hết chúng ta chưa biết, điều này làm hạn chế khả năng dự đoán của công nghệ AI. Việc kết hợp cả hai phương pháp sẽ cung cấp cho công nghệ AI các chỉ dẫn vật lý để thực hiện các phép tính, và cho phép bổ sung những tham số còn thiếu trong các mô hình vật lý.”
(*) Ngành tin học địa lý (geoinformatics): là một lĩnh vực khoa học công nghệ hiện đại, kết hợp giữa công nghệ thông tin và khoa học trái đất. Nói một cách đơn giản, geoinformatics tập trung vào việc thu thập, phân tích, lưu trữ và hiển thị các dữ liệu có liên quan đến vị trí trên bề mặt trái đất (dữ liệu về không gian).

Suy luận được các mối quan hệ nhân quả
Các mô hình AI nhân quả (causal AI) cũng có nhiều khả năng ứng dụng. Các mô hình này không chỉ đọc các tương quan thống kê (1) từ dữ liệu, mà còn suy luận được các mối quan hệ nhân quả. Để làm được điều này, các nhà nghiên cứu sẽ tương quan các biến số (ví dụ như cách các hệ sinh thái thay đổi trong thời gian hạn hán) mô tả các mối quan hệ này bằng các quy tắc toán học, và từ đó thu được những nhận định đáng tin cậy hơn về các hệ quả có thể xảy ra. Việc khám phá các mối quan hệ toán học thông qua hồi quy biểu thức (2) cũng theo phương pháp này. Các mô hình cố gắng đúc kết các mối quan hệ tiềm ẩn thành các công thức rõ ràng, dễ diễn giải và xác minh hơn.
(1) Tương quan thống kê (statistical correlations): là một thuật ngữ trong toán học và dữ liệu dùng để chỉ mối quan hệ giữa hai sự việc (biến số) mà khi cái này thay đổi thì cái kia cũng thay đổi theo.
(2) Hồi quy biểu thức (symbolic regression): là một kỹ thuật trong học máy nhằm tìm ra một biểu thức toán học cụ thể, để giải thích mối quan hệ giữa các dữ liệu đầu vào và đầu ra.

Xác định các yếu tố quan trọng
Dự án cũng tích hợp các phương pháp giảm chiều dữ liệu (*), trong đó các mô hình AI khai thác những bộ dữ liệu phức tạp (như ảnh vệ tinh, các quan sát thực địa về sự sinh trưởng của thảm thực vật, hay dữ liệu từ hệ thống cảm biến) nhằm xác định những yếu tố quan trọng có ý nghĩa quyết định đối với từng vấn đề nghiên cứu cụ thể.
(*) Giảm chiều dữ liệu (dimension reduction): là một kỹ thuật trong khoa học dữ liệu và học máy nhằm giảm số lượng biến đầu vào (các đặc trưng) của một bộ dữ liệu, nhưng vẫn giữ lại được càng nhiều thông tin quan trọng càng tốt. Ví dụ, để nghiên cứu về cây trồng, các thông tin liên quan gồm: độ ẩm, nhiệt độ, độ pH của đất, lượng mưa, tốc độ gió, màu sắc lá, … Nếu có hàng trăm biến số như vậy, mô hình sẽ rất nặng và nhiễu. Giảm chiều là quá trình lọc bỏ những thông tin thừa, lặp lại hoặc không quan trọng, chỉ giữ lại những “yếu tố quan trọng” (key factors) thực sự tác động đến kết quả.

Nâng cao hiệu quả của các hệ thống cảnh báo sớm
Nhóm nghiên cứu tại đại học Jena duy trì mối liên kết chặt chẽ với các đối tác trong giới khoa học và thực tiễn, bao gồm trung tâm nghiên cứu đa dạng sinh học tích hợp CHLB Đức (iDiv – German centre for integrative biodiversity research), trung tâm dự báo thời tiết trung hạn châu Âu (ECMWF – Centre for medium-range weather forecasts) và GeoSphere Austria – viện địa chất, địa vật lý, khí hậu học và khí tượng liên bang (Federal institute for geology, geophysics, climatology, and meteorology). Mạng lưới hợp tác này tạo điều kiện để các mô hình mới được thử nghiệm trong các ứng dụng thực tế, đồng thời tạo ra sức lan tỏa vượt ra ngoài phạm vi của dự án.

Thông qua đó, các nhà khoa học đang góp phần phát triển những hệ thống cảnh báo sớm hiệu quả hơn đối với các loại hình thiên tai cụ thể. Bên cạnh đó, các hệ thống AI thế hệ mới còn có khả năng nhận diện sớm các nguồn rủi ro, qua đó cho phép triển khai kịp thời các biện pháp ứng phó. Chẳng hạn, một số khu vực có thể được quy hoạch trồng rừng có mục tiêu nhằm giảm thiểu nguy cơ sạt lở đất.

Để xem các tin bài khác về “Mô hình AI”, vui lòng nhấn vào đây.

 

Nguồn: Hannover Messe

Lưu ý: 

Để xem và khai thác hiệu quả nội dung của video clip nói trên (từ YouTube/ một dịch vụ của Google), Quý vị có thể thực hiện các bước sau:
1. Nếu tốc độ internet nhanh, có thể mở chế độ xem toàn màn hình bằng cách nhấn vào khung [ ] tại góc phải (phía dưới góc phải của video)
2. Chọn chế độ hình ảnh tốt nhất của đoạn video, hãy click vào hình bánh xe răng cưa và chọn chất lượng cao hơn (hoặc HD) theo ý muốn
3. Để hiển thị nội dung phụ đề, nhấn vào nút biểu tượng phụ đề [cc]. Một số video không có chức năng này sẽ không có biểu tượng phụ đề.
4. Quý vị có thể nghe hiểu tiếng Anh và có nhu cầu chia sẻ thông tin đến cộng đồng, hãy hỗ trợ techMAG biên dịch nội dung video và gửi cho chúng tôi để có cơ hội đăng thông tin lên technologyMag.net