Η τεχνητή νοημοσύνη αλλά και η εύκαμπτη πληροφορική είναι μια αναπτυσσόμενη προσέγγιση στην υπολογιστική, η οποία συνδυάζει την ικανότητα του ανθρώπινου εγκεφάλου να εξηγεί και να μαθαίνει σε ένα περιβάλλον αβεβαιότητας και ανακρίβειας. Δημιουργήθηκε από τη διαπίστωση ότι για να λυθούν πραγματικά προβλήματα απαιτείται η χρήση έξυπνων συστημάτων που συνδυάζουν γνώση, τεχνικές και μεθοδολογίες από διαφορετικούς τομείς. Αυτά τα έξυπνα συστήματα πρέπει να κατέχουν εξειδικευμένη ανθρώπινη γνώση, να προσαρμόζονται και να μαθαίνουν σε μεταβαλλόμενο περιβάλλον, και να εξηγούν πώς παίρνουν αποφάσεις ή πώς ενεργούν.
Τα νευρο-ασαφή μοντέλα ως τεχνικές της εύκαμπτης υπολογιστικής και της τεχνητής νοημοσύνης με ικανότητα μάθησης, τα οποία αναπαριστούν την ανθρώπινη λογική σκέψη, εφαρμόζονται σε προβλήματα του πραγματικού κόσμου που παρουσιάζουν πολυπλοκότητα και αβεβαιότητα, όπως η λήψη αποφάσεων, οι προβλέψεις, τα προβλήματα ελέγχου κ.λπ. Τα νευρο-ασαφή μοντέλα, λόγω της ικανότητάς τους να ενσωματώνουν ανθρώπινη γνώση και να προσαρμόζουν τη γνώση αυτή με τη χρήση μεθόδων βελτιστοποίησης, παίζουν έναν σημαντικό ρόλο στον σχεδιασμό υβριδικών έξυπνων συστημάτων πρόβλεψης.
Η ανάπτυξη ενός συστήματος πρόγνωσης το οποίο προβλέπει τον αριθμό κρουσμάτων συνεχίζει να αποτελεί αντικείμενο εκτεταμένων ερευνητικών προσπαθειών. Εχουν αναπτυχθεί διάφορες στρατηγικές, μοντέλα και μεθοδολογίες για την πρόβλεψη των ημερήσιων κρουσμάτων, αλλά με περιορισμένο βαθμό ακρίβειας. Από την άλλη μεριά, όμως, δεν έχουν αναπτυχθεί μοντέλα που να προβλέπουν την τάση των κρουσμάτων την επόμενη μέρα, δηλαδή εάν ο αριθμός των κρουσμάτων θα είναι ανοδικός ή καθοδικός. Η προσέγγιση αυτή λαμβάνει υπόψη στην ανάπτυξη του προτεινόμενου μοντέλου τη συμμόρφωση ή μη των πολιτών, με βάση την αρχή ότι τελικά η συμπεριφορά των ανθρώπων όσον αφορά τα μέτρα τήρησης των κανόνων περιορισμού της εξάπλωσης της πανδημίας, διαμορφώνει τον αριθμό των ημερήσιων κρουσμάτων.
Το προτεινόμενο νευρο-ασαφές μοντέλο αναπτύχθηκε βασιζόμενο στα δεδομένα της πανδημίας στην Ελλάδα. Αποτελείται από τέσσερις μεταβλητές-εισόδους: α) τα ημερήσια κρούσματα της πανδημίας, β) τον αριθμό θανάτων, γ) τον αριθμό εισαγωγών στα νοσοκομεία και δ) από ένα δείκτη που προκύπτει από τη διαίρεση των ημερήσιων κρουσμάτων με τα ημερήσια τεστ. Η έξοδος του μοντέλου δίνει την ανοδική ή καθοδική τάση των κρουσμάτων την επόμενη μέρα.
Εκπαιδεύοντας το προτεινόμενο υβριδικό μοντέλο με 328 παρελθοντικά πραγματικά δεδομένα δημιουργήθηκαν 24 κανόνες ασαφούς λογικής, οι οποίοι ανάλογα με τις τιμές των εισόδων προβλέπουν εάν τα κρούσματα την επόμενη μέρα θα είναι ανοδικά ή καθοδικά. Η διαδικασία της εκπαίδευσης και της πρόβλεψης γίνεται σε καθημερινή βάση ώστε να λαμβάνονται υπόψη τα καθημερινά νέα δεδομένα.
Το μοντέλο χρησιμοποιήθηκε για να προβλέψει ημερήσια κρούσματα 37 ημερών την περίοδο Ιανουαρίου-Φεβρουαρίου 2021. Με ακρίβεια 94,45% πρόβλεψε σωστά την τάση των κρουσμάτων την επόμενη ημέρα.
Το διάγραμμα παρουσιάζει την πρόγνωση με δεδομένα που δεν χρησιμοποιηθήκαν στην εκπαίδευση του μοντέλου. Η μπλε καμπύλη με κύκλους αναπαριστά την πραγματική τάση των κρουσμάτων. Η κόκκινη γραμμή με αστερίσκους αναπαριστά την πρόβλεψη με δεδομένα που δεν χρησιμοποιήθηκαν κατά την εκπαίδευση του μοντέλου (εκτός δείγματος), η οποία αφορά την πρόγνωση ημερήσιων κρουσμάτων 37 περιπτώσεων (ημερών).
Τα κυριότερα οφέλη του προτεινόμενου συστήματος είναι: 1) Η προτεινόμενη νευρο-ασαφής μεθοδολογία πρόβλεψης εφαρμόζεται για πρώτη φορά στην πρόβλεψη της τάσης των κρουσμάτων και αξιολογείται με την εφαρμογή της στην πρόβλεψη της κατεύθυνσης των κρουσμάτων. 2) Η χρήση του συστήματος είναι εύκολη και φιλική για τον χρήστη καθώς δεν απαιτούνται ιδιαίτερες γνώσεις για τον χειρισμό του. 3) Λόγω του είδους των δεδομένων και των εισόδων που χρησιμοποιεί το σύστημα, η συλλογή των δεδομένων και η επεξεργασία τους απαιτούν μόνο μερικά λεπτά, ώστε το σύστημα να ολοκληρώσει την πρόβλεψη. Το πλεονέκτημα αυτό παρέχει τη δυνατότητα στον χρήστη να χρησιμοποιεί το σύστημα και να λαμβάνει τις τιμές πρόβλεψης αμέσως μόλις ανακοινωθούν τα ημερήσια δεδομένα από τις Αρχές. 4) Δυνατότητα άμεσης επανεκπαίδευσης του συστήματος ανά πάσα στιγμή ώστε να βελτιώνει την προβλεπτική του ικανότητα με βάση τα νέα δεδομένα.
* Ο κ. Γιώργος Ατσαλάκης είναι αναπληρωτής καθηγητής στο Πολυτεχνείο Κρήτης.
Ο κ. Βασίλειος Τσούμπρης είναι ερευνητής, απόφοιτος του Πολυτεχνείου Κρήτης.
Η κ. Ιωάννα Ατσαλάκη είναι υποψήφια διδάκτωρ του Πολυτεχνείου Κρήτης.
