Ditulis oleh:

Dalam era teknologi moden ini, kecerdasan buatan (AI) dan subbidangnya, deep learning (pembelajaran mendalam), telah mengubah landskap pelbagai industri. Salah satu aplikasi yang semakin mendapat perhatian, khususnya dalam bidang keselamatan awam, ialah peramalan dan pengurusan tingkah laku manusia ketika berhadapan dengan situasi kecemasan, terutamanya semasa proses evakuasi. Keupayaan sistem untuk meramal tindak balas orang ramai berpotensi menentukan perbezaan antara kelangsungan hidup dan kematian.

Definisi Deep Learning

Deep learning merupakan cabang pembelajaran yang cara otak manusia berfungsi, dengan menggunakan rangkaian neural tiruan yang terdiri daripada berlapis-lapis "neuron" yang memproses data. Lapisan-lapisan ini membolehkan komputer belajar daripada data yang besar dan kompleks untuk mengenal pola, membuat klasifikasi, dan membuat ramalan dengan ketepatan yang luar biasa. Tidak seperti algoritma tradisional, sistem deep learning berupaya meningkatkan prestasinya seiring dengan pertambahan data, sekali gus membolehkan pengenalpastian corak yang kompleks dan sukar diprogram secara manual.

Meramal Tingkah Laku Manusia dalam Situasi Kekacauan

Semasa proses evakuasi, seperti kebakaran, gempa bumi, atau serangan pengganas, tingkah laku manusia sering menjadi tidak menentu dan dipengaruhi oleh panik, ketakutan, dan tekanan lingkungan. tingkah laku manusia sering bersifat tidak menentu serta dipengaruhi oleh faktor psikologi seperti panik, ketakutan, dan tekanan persekitaran. Model ramalan konvensional yang berasaskan prinsip fizikal asas lazimnya tidak mampu menangkap kerumitan dinamik ini.

Di sinilah deep learning menunjukkan kekuatannya. Dengan menganalisis set data yang besar, sistem ini dapat mengenal pasti pola tingkah laku yang halus tetapi konsisten. Data yang dianalisis boleh datang dari pelbagai sumber, antaranya:

1. Rakaman video sejarah: Menganalisis visual rakaman lepas atau simulasi untuk memahami corak cara manusia bergerak, berkumpul, dan membuat keputusan di bawah tekanan.

2. Data sensor: Maklumat dari sensor haba, pengimbas lidar, dan peranti IoT yang memetakan kepadatan dan aliran orang ramai secara masa nyata.

3. Data simulasi: Penjanaan data daripada model simulasi berasaskan agen yang mensimulasikan ribuan senario evakuasi yang berbeza.

Hasil pemprosesan data ini akan membolehkan sistem rangkaian neural deep learning dapat mengenal pasti faktor kritikal yang mempengaruhi tingkah laku manusia. Sebagai contoh, sistem dapat mengesan kecenderungan individu untuk mengikuti orang lain ketika panik (tingkah laku kawanan), pilihan untuk kembali ke pintu masuk yang biasa digunakan walaupun bukan laluan keluar terdekat, atau kesan halangan fizikal yang berpotensi mewujudkan kesesakan berbahaya.

Aplikasi Deep Learning dalam Proses Evakuasi 

Penggunaan deep learning dalam konteks evakuasi mempunyai pelbagai implikasi yang bersifat transformatif, antaranya::

• Merancang reka bentuk bangunan yang lebih selamat: Arkitek dan jurutera boleh menggunakan model ramalan untuk mereka bentuk stadium, pusat membeli-belah, dan pengangkutan awam dengan laluan keluar yang lebih intuitif dan mengurangkan risiko kesesakan..

• Sistem pengurusan orang ramai masa nyata: Dalam acara berskala besar, kamera yang disambungkan kepada sistem deep learning boleh digunakan untuk memantau aliran orang ramai. Sistem ini boleh meramal titik kesesakan sebelum berlaku serta mencadangkan tindakan proaktif, seperti mengarahkan kakitangan keselamatan untuk membuka laluan tambahan atau mengubah hala pergerakan orang ramai papan tanda digital.

• Bantuan kepada responden kecemasan: Agensi seperti bomba dan polis dapat menggunakan sistem ini ketika operasi kecemasan. Ramalan yang dihasilkan boleh mengenal pasti kawasan berisiko tinggi berlaku kesesakan, lokasi yang mungkin terabai, serta laluan evakuasi optimum yang boleh disampaikan kepada orang awam melalui pembesar suara atau aplikasi mudah alih seperti telefon pintar.

Cabaran dan Pertimbangan Etika 

Walaupun berpotensi besar, pelaksanaan teknologi ini turut berhadapan dengan pelbagai cabaran. Isu privasi data, khususnya berkaitan penggunaan rakaman video, menimbulkan kebimbangan etika yang signifikan. Selain itu, ketepatan ramalan sangat bergantung kepada kualiti data yang digunakan untuk latihan; jika data tersebut mengandungi bias, ramalan yang dihasilkan juga berpotensi bias. Oleh itu, ketelusan serta pengawasan manusia secara berterusan merupakan prasyarat penting bagi memastikan penggunaan sistem ini kekal bertanggungjawab.

Kesimpulan

Deep learning telah menawarkan satu dimensi baharu dalam memahami dan mengurus tingkah laku manusia semasa evakuasi. Dengan keupayaan meramal tindak balas manusia, pendekatan ini mengubah strategi daripada respons reaktif kepada intervensi proaktif berasaskan data. Teknologi ini bukan bertujuan menggantikan keputusan manusia, sebaliknya memperkukuh keupayaan pihak berkuasa dan pereka bentuk dengan maklumat yang lebih mendalam bagi menyelamatkan nyawa serta mewujudkan persekitaran yang lebih selamat. Masa depan keselamatan awam dijangka lebih cerah dengan kebolehan ramalan yang ditawarkan oleh deep learning.