Construction and Application of an AI-Agent-Based Workflow for the Rapid Survey of Building Damage and Functionality

地面が揺れたとき、都市にとっての差し迫った問いは、単に建物が立っているかどうかではなく、その建物が依然として使用可能であるかどうかです。病院は、壁や梁が完全な状態で構造的には健全であっても、医療機器が粉砕されていたり配管システムが切断されていたりすれば、完全に使い物にならなくなる可能性があります。何十年もの間、エンジニアは建物を個々の部品（ひび割れた壁、割れた窓、曲がった梁など）を見て評価してきました。彼らは各損傷箇所に等級を割り当てますが、このアプローチは、生存者にとって最も重要な問い、すなわち「中の部屋は安全で機能的か？」という問いに答えることができない場合が多くあります。「壁にひびが入っていること」と「病院の手術室が使用不能であること」の間の溝を埋めることは、長らく解決困難な問題であり、散在する手がかりから複雑な全体像を組み立てなければならない人間の検査官の主観的な判断に大きく依存してきました。

研究者の徐政（Xu Zheng）氏と劉金（Jin Liu）氏は、この溝を埋めるための新しい方法を提案しました。それは、地震後の建物を評価するために、専門のアシスタントチームのように機能するデジタル・ワークフローを構築することです。単一のコンピュータプログラムが一度にすべてを行おうとするのではなく、彼らは異なる人工知能（AI）エージェントがそれぞれ特定の役割を持って協力し合うシステムを構築しました。あるエージェントは地上で撮影された写真を見て損傷を特定します。別のエージェントは建物の規範（ビルディングコード）のデジタルライブラリを参照して、その損傷が何を意味するかを理解します。第三のエージェントは確率モデルを用いて、単一の壁への損傷が部屋全体の機能にどのように影響するかを算出します。そして第四のエージェントは、これらすべての情報を整理して、明確で標準化されたレポートを作成します。このシステムは、単なる損傷のカウントを超え、物理的なひび割れや配管の破損を、建物がその役割を果たせるかどうかという精密な評価へと翻訳するように設計されています。

この新しい手法の核心は、視点の転換にあります。従来の方法は、建物を部品の集合体として扱うことが多く、最も深刻な損傷が最終的な判定を決定します。もし一つの重要な構成要素が壊れていれば、他の部分が機能していたとしても、システム全体が失敗したと宣言されることがよくあります。研究者たちは、これはあまりに単純すぎる道具であると主張しています。彼らのシステムでは、AIエージェントは「物理的な損傷」と「機能的な喪失」を区別するように働きます。彼らは、建物の異なる部分が互いにどのように依存しているかをマッピングするネットワークを使用します。例えば、病院の手術室では、空気ろ過システム、ガス配管、および医療機器がすべて不可欠です。もし壁に多少のひびが入っていてもガスラインが無事であれば、その部屋はある程度の制限付きで使用できる可能性があります。しかし、もしガスラインが切断されていれば、壁が完璧であったとしても、その部屋は役に立ちません。システムはこれらの関係性を計算することで、単純な合否判定ではなく、ニュアンスを含んだ回答を提供します。

このアイデアをテストするため、チームはこのワークフローを病院の手術室という現実的なシナリオに適用しました。彼らは、壁のひび割れや天井の変位といった様々な種類の損傷を記述した写真とデータをシステムに入力しました。システムは、これらの観察結果をネットワークを通じて追跡しました。知覚エージェントが損傷を特定し、知識エージェントがそれを特定の建築基準ルールに照らし合わせ、推論エージェントが部屋の全体的な機能への影響を計算しました。ある具体的なケースでは、システムは壁や天井といった非構造部材には中程度の損傷があるものの、重要な医療機器やガスシステムは無事であることを特定しました。ワークフローは、その部屋は機能が低下しているものの、依然として運用可能であると結論付けました。これは極めて重要な区別です。単に最悪の損傷のみを見る単純な手法であれば、おそらくその部屋を完全に使用不能と判断し、不必要な避難や、まだ命を救うことができる施設の放棄を招いていたでしょう。

研究者たちは、損傷がより深刻な場合に何が起こるかも調査しました。彼らは、損傷の種類や場所を変えた一連のシナリオを実行し、システムがどのように反応するかを確認しました。その結果、崩落した天井のような非構造要素への深刻な損傷は、たとえ医療機器が正常であっても、その部屋への立ち入りを危険にする可能性があることを、システムが正しく特定することを発見しました。逆に、医療用ガス供給のような単一の機能システムへの深刻な損傷は、建物の構造が完璧であっても、その部屋を本来の目的には使用できなくさせることも分かりました。システムはこれら二種類の失敗をうまく分離し、建物の機能性は損傷の総量ではなく、損傷した部品の特定の組み合わせに依存していることを示しました。物理的に安全ではない建物と、機能的に壊れている建物を区別できる能力こそが、彼らの研究の主要な進歩です。

このワークフローの重要な特徴は、確信が持てないときに「分からない」と言える能力です。このシステムは、証拠が不明瞭な場合や損傷が複雑な場合に、フラグを立てるように設計されています。AIエージェントが、自信が低い状況や、システムの異なる部分が相反する結果を出している状況に遭遇すると、システムは自動的に停止し、人間の専門家に助けを求めます。これにより、機械と人間のパートナーシップが生まれます。機械は数千枚の写真のスキャンやコードとの照合といったルーチンワークを処理し、人間は判断を要する困難なケースに対してのみ介入します。テストにおいて、このアプローチにより、システムはほとんどのシナリオを自動的に処理しながら、最も重要な決定については人間によるレビューを確実にすることができました。このバランスにより、プロセス全体の速度を落とすことなく、エラー率を低く抑えることができます。

チームはまた、この新しい手法を、より伝統的な古い評価方法と比較しました。彼らは、部屋のどの部分で見つかった最悪の損傷も単純に合算してしまう古い手法は、損失を過大評価する傾向があることを見出しました。古い手法では、実際には部分的にしか損傷していない部屋であっても、完全に失われたと宣言してしまうことがよくありました。対照的に、新しいワークフローは、建物の実際の能力についてより正確な姿を提供しました。それは、壁にひびが入っているが医療システムが機能している部屋と、壁は正常だがガスラインが壊れている部屋は異なるものであることを示しました。このレベルの詳細さは、標準的なチェックリストでは見落とされるものです。研究者たちは、彼らのシステムが、特定の建築基準と結論に至った根拠となる証拠を引用しながら、なぜそのような結論に至ったのかを正確に説明する、詳細で監査可能なレポートを作成できることを実証しました。

こうした有望な結果にもかかわらず、研究者たちは現在の研究の限界についても慎重に述べています。システムは、実写と専門家が提供したデータの混合を使用してテストされましたが、状況が混沌として予測不可能な現実世界の災害地にはまだ展開されていません。写真から損傷を識別するシステムの一部は、効果的ではあるものの、特にひび割れの大きさを推定する場合や、写真が難しい角度から撮影されている場合には、依然として間違いを犯します。研究者たちは、現在のシステムは迅速なスクリーニングとトリアージのためのツールであり、完全で正式なエンジニアリング検査の代わりではなく、エンジニアが優先的に対処すべき建物を選別するためのものであると認めています。彼らは、安全性に関する最終的な責任は、常に免許を持つ人間の専門家が負わなければならないことを強調しています。

このテクノロジーが進むべき道は、損傷をより正確に見る、あるいは測定するAIの能力を洗練させ、世界中の異なる種類の建物や異なる建築基準に対応できるようシステムを拡張することです。研究者たちは、より多様な画像セットを用いてシステムをテストし、不確実性の処理能力を向上させる計画を立てています。また、システムの更新プロセスや新しいエンジニアの育成により深く統合することも目指しています。究極の目標は、地震後の混乱の中で、最初に駆けつける救助隊やエンジニアが、どの建物が立ち入り可能で、どれが不可能かを迅速に判断できるツールを作ることです。複雑で主観的なプロセスを、構造化された証拠に基づくワークフローへと変えることで、この研究は、単に「壊れた部品を数える」ことから、「建物が人々に対して何を提供し続けられるか」を理解することへと、レジリエンス（回復力）の考え方を進化させる新たな道を提示しています。