News Un nuovo framework di machine learning per predire calamità

Marina Londei

Tempo di lettura: 1' 43''

Pubblicato il: 27/01/2023

Un nuovo studio rivela che sarà possibile predire eventi come terremoti o pandemia grazie all'uso del machine learning. La ricerca, realizzata da E. Pickering e T. Sapsis in collaborazione con alcuni ricercatori della Brown University, spiega come i sistemi di machine learning potranno prevedere eventi disastrosi senza l'uso di data set massivi.

Il problema principali di questi sistemi sta infatti nella mancanza di dati necessari a prevedere determinati eventi. I fenomeni presi in esame non sono abbastanza frequenti da costituire un data set adatto al training dei modelli, e per questo motivo non è semplice prevedere quando e dove accadranno di nuovo.

Ian Turnell - Pexels

Il team di ricercatori ha quindi combinato una serie di algoritmi statistici con tecniche di machine learning di ultima generazione per anticipare la probabilità che si verifichi un certo evento e in quale momento.

DeepOnet e l'active learning

Per risolvere il problema della scarsità di dati storici su cui allenare il modello, i ricercatori hanno usato DeepOnet, una rete neurale sviluppata dai ricercatori della Brown University, in combinazione con tecniche di active learning.

DeepOnet è una rete neurale molto potente in grado di processare i dati su due reti in contemporanea; le tecniche di active learning, invece, prevedono un'interazione con l'utente per classificare i dati di input e associarli a un determinato output.

Unendo le due soluzioni, i ricercatori sono stati in grado di addestrare il modello coi parametri a disposizione e ottenere delle previsioni basate solo sui dati davvero rilevanti. 

Mohamed Hassan - Pixabay

"La soluzione non è considerare ogni dato possibile e usarlo nel sistema, ma cercare in maniera proattiva quegli eventi che denotano rarità" ha spiegato Karniadakis, uno dei ricercatori. "Potremmo non avere molti esempi dell'evento accaduto, ma abbiamo i precursori. Possiamo identificarli e, insieme agli eventi reali, aiutano ad addestrare il modello".

I risultati mostrano un incremento significativo delle performance: i ricercatori sono confidenti nell'affidabilità del framework, che potrebbe essere usato per prevedere qualsiasi evento raro e catastrofico, superando uno dei problemi più sentiti del machine learning.