A Responsible Artificial Intelligence Framework for Groundwater Modeling

تحت سطح الأرض، بعيداً عن الأنظى، يكمن مورد هائل وحيوي: المياه الجوفية. إنها الخزان الصامت الذي يغذي الأنهار، ويملأ الآبار، ويعيل الزراعة في المناطق القاحلة حيث يندر المطر. إن إدارة هذه المياه غير المرئية تمثل تحدياً معقداً؛ فلطالما اعتمدت الأساليب التقليدية على قواعد فيزيائية مبسطة تجد صعوبة في استيعاب الواقع المتغير والمضطرب لكيفية حركة المياه عبر التربة والصخور، خاصة عندما تتغير الأنماط المناخية وتتذبذب الطلبات البشرية. وفي السنوات الأخيرة، لجأ العلماء إلى الذكاء الاصطناعي لحل هذه الألغاز. فهذه الأنظمة الحاسوبية يمكنها التعلم من كميات هائلة من البيانات التاريخية للتنبؤ بالظروف المستقبلية، لتعمل مثل مراقب مدرب تدريباً عالياً يرصد أنماطاً قد تكون خفية عن العين البشرية. ومع ذلك، ومع ازدياد انتشار هذه الأدوات القوية، برز سؤال جديد: كيف نضمن استخدامها بمسؤولية؟ فلا يكفي أن يكون النموذج دقيقاً فحسب؛ بل يجب أن يكون أيضاً عادلاً، وآمناً، ومفهوماً للأشخاص الذين يعتمدون على تنبؤاته لاتخاذ قرارات تتعلق بالأمن المائي، وهي قرارات قد تكون مصيرية.

لقد اتخذ فريق من الباحثين في الصين خطوة كبيرة نحو الإجابة على هذا السؤال من خلال بناء إطار عمل للذكاء الاصطناعي "المسؤول" المصمم خصيصاً لنمذجة المياه الجوفية. وبالتركيز على الأجزاء الوسطى من حوض نهر "هيهي"، وهي منطقة في شمال غرب الصين تتميز بمناخ جاف واعتماد كبير على الري، سعى الفريق لاختبار نوعين مختلفين من نماذج الذكاء الاصطناعي. أحد النماذج، المعروف باسم "شبكة الذاكرة الطويلة قصيرة المدى" (Long Short-Term Memory)، مصمم لتذكر الأحداث الماضية في تسلسل، تماماً مثل شخص يسترجع قصة من بدايتها حتى نهايتها. أما الآخر، وهو نموذج "المحول" (Transformer)، فهو نظام أكثر تقدماً يمكنه النظر في تسلسل كامل من البيانات دفعة واحدة، مع موازنة أهمية كل لحظة في آن واحد لفهم الصورة الكاملة. لم يسأل الباحثون فقط أي النماذج يتنبأ بمستويات المياه بشكل أفضل؛ بل سألوا أيهما يمكن الوثوق به أكثر. لقد قيموا كلا النظامين مقابل مجموعة صارمة من المعايير الأخلاقية والتقنية، بما في ذلك الشفافية، والخصوصية، والعدالة، والقدرة على تحمل الأخطاء في البيانات.

بدأت الدراسة بجمع عقود من البيانات من حوض نهر "هيهي"، ممتدة من عام 1986 إلى 2008. وشملت هذه المجموعة سجلات شهرية لمستويات المياه الجوفية، وهطول الأمطار، ودرجات الحرارة، وحجم المياه المستخرجة من الأرض لأغراض الزراعة. ولأن البيانات في العالم الحقيقي غالباً ما تكون فوضوية، بما في ذلك أيام مفقودة أو أعطال في أجهزة الاستشعار، قام الباحثون أولاً بتنظيف وتنظيم هذه المعلومات، وملء الفجوات وإزالة الأخطاء الواضحة لضمان تعلم النماذج من حقائق موثوقة. ثم قاموا بتدريب كل من نموذج "الذاكرة الطويلة قصيرة المدى" ونموذج "المحول" للتنبؤ بمستويات المياه المستقبلية بناءً على هذا التاريخ. ولاختبار موثوقيتهما، أخضع الفريق النموذجين لسلسلة من الفحوصات الصارمة؛ حيث قاموا بمحاكاة الأخطاء في البيانات لمعرفة رد فعل النماذج، متسائلين عما إذا كان خطأ صغير في قراءة جهاز استشعار سيؤدي إلى خروج التنبؤ عن السيطرة. كما استخدموا طريقة تسمى "قيم شابلي" (Shapley values) لفتح "الصندوق الأسود" للذكاء الاصطناعي، مما سمح لهم برؤية العوامل التي تقود كل تنبؤ بدقة—مثل حجم الضخ أو هطول الأمطار.

وكشفت النتائج عن فائز واضح في سباق الموثوقية. فبينما كان كلا النموذجين قادرين على تعلم أنماط نظام المياه الجوفية، أثبت نموذج "المحول" تفوقه في كل جانب تقريباً من جوانب الاستخدام المسؤول. فقد تنبأ بمستويات المياه بدقة أكبر، لا سيما في المناطق التي تتقلب فيها مستويات المياه بشكل حاد. والأهم من ذلك، أنه كان أكثر استقراراً؛ فعندما أدخل الباحثون ضجيجاً أو أخطاءً في البيانات لمحاكاة مشاكل المراقبة في العالم الحقيقي، حافظ نموذج "المحول" على توازنه، محتفظاً بتنبؤاته ضمن نطاق ضيق وموثوق. في المقابل، أظهر النموذج الآخر علامات عدم الاستقرار، حيث أصبحت تنبؤاته تزد-د أكثر عدم اليقين بمرور الوقت. كما رجحت عملية تحليل كيفية اتخاذ النماذح لقراراتها كفة نموذج "المحول"؛ إذ قدم تفسيراً أكثر وضوحاً واتساقاً لسبب جعله لتنبؤ معين، محدداً الدوافع الرئيسية لتغير المياه دون "الضجيج" أو الارتباك الذي قد يغيم أحياناً على منطق النموذج الآخر. وهذا الوضوح أمر بالغ الأهمية لمديري المياه، الذين يحتاجون إلى فهم المنطق الكامن وراء التوقعات قبل اتخاذ إجراءات بشأنها.

وإلى جانب الأداء الخام، طبق الباحثون إطار عمل مكون من ستة مبادئ لضمان خدمة التكنولوجيا للمجتمع بشكل أخلاقي. فقد حددوا من هو المسؤول عن ماذا، واضعين خارطة طريق واضحة للواجبات لكل من مزودي البيانات، ومطوري النماذج، والوكالات الحكومية، والجمهور. وهذا يضمن أنه في حال حدوث خطأ في التنبؤ، يكون هناك مسار واضح للمساءلة. كما نظروا أيضاً في مسأًلة العدالة، وتحققوا من أن النماذج لا تؤدي أداءً سيئاً لمناطق أو مجموعات معينة بسبب الفجوات في البيانات. وأخيراً، نظروا في الاستدامة، لضمان أن النماذج نفسها لا تستهلك طاقة مفرطة وأن تنبؤاتها ستساعد في الحفاظ على النظام البيئي بدلاً من استنزافه. ومن خلال اختبار سيناريوهات مختلفة، مثل زيادة كمية المياه المستخرجة للزراعة أو إضافة المزيد من المياه إلى الأرض، وفرت النماذج نافذة على المستقبل. فقد أظهرت أنه في بعض أجزاء حوض النهر، يوجد مستوى المياه الجوفية في حالة حرجة، مع انخفاض طويل الأمد يصعب عكس مساره. وفي هذه المناطق، أشارت النماذج إلى أن حتى الزيادات الطفيفة في الضخ يمكن أن تدفع مستويات المياه إلى ما دون الحدود الآمنة، بينما كانت في مناطق أخرى أكثر صموداً ولكنها لا تزال تتطلب إدارة دقيقة.

تخلص الدراسة إلى أنه بينما يوفر الذكاء الاصطناعي طريقة جديدة قوية لإدارة المياه الجوفية، فإن قيمته تعتمد كلياً على كيفية بنائه وحكمه. وتثبت الأبحاث أن نموذجاً مثل "المحول"، الذي يمكنه رؤية الصورة الكبيرة وشرح منطقه بوضوح، هو أكثر ملاءمة لبيئة إدارة المياه عالية المخاطر من الأنظمة الأقدم والأقل شفافية. ومن خلال دمج مبادئ المسؤولية في تصميم هذه الأدوات، أظهر الباحثون أنه من الممكن إنشاء ذكاء اصطناعي ليس ذكياً فحسب، بل وموثوقاً أيضاً. ويوفر هذا النهج مخططاً لاستخدام التكنولوجيا لحماية الموارد الحيوية، مما يضمن إدارة المياه غير المرئية تحت أقدامنا بالعناية والاستشراف اللذين تستحقهما. ويشير العمل إلى أن مستقبل العلوم البيئية لا يكمن فقط في بناء حواسيب أسرع، بل في بناء أنظمة تكون مسؤولة وعادلة ومتوافقة مع رفاهية المجتمعات التي تخدمها.