Teknologi kecerdasan buatan atau artificial intelligence (AI) telah berkembang pesat hingga mampu memprediksi munculnya titik-titik kritis yang berpotensi memicu bencana pada masa depan. Para ilmuwan komputer berencana menggunakan AI untuk memperkirakan keruntuhan ekologi, pandemi, pemadaman listrik, dan krisis keuangan. Sebelumnya, titik kritis ini sulit untuk diprediksi. Para ilmuwan masih kesulitan untuk mengetahui secara efektif apa saja titik kritis bencana masa depan. Terlebih, data yang harus diakumulasi begitu kompleks, sehingga menjadi tantangan tersendiri. Titik kritis yang dimaksud adalah perubahan mendadak yang melampaui perubahan sistem lokal atau lingkungan ke keadaan yang tidak diinginkan dan sulit untuk kembali.
Misalnya ketika lapisan es Greenland runtuh, salju di bagian utara pulau akan berkurang dan menyebabkan naiknya permukaan laut secara drastis, serta sebagian besar lapisan es tidak dapat dipulihkan. Namun, pengetahuan di balik perubahan besar ini sering kali sulit dipahami karena banyaknya model analisis yang terlalu sederhana, sehingga membuat prediksi akurat menjadi tantangan. Sebelumnya, para ilmuwan telah mengukur kekuatan dan ketahanan sistem menggunakan statistik, tetapi terus berkurang melalui fluktuasi yang terus meningkat. Hal ini membuat hasil penelitian dengan metode statistik dianggap kontroversial.
Belum lama ini, para peneliti menggabungkan dua jenis jaringan saraf atau algoritma yang meniru cara informasi diproses di otak. Cara ini disebut menjadi langkah tepat untuk memprediksi transisi yang berbahaya. Seorang profesor ilmu komputer di Tongji University, Tiongkok, Gang Yan menyatakan pendapatnya tentang perkiraan itu. “Jika transisi kritis yang akan datang dapat diperkirakan, maka dapat mempersiapkan diri untuk perubahan tersebut atau bahkan mencegah terjadinya. Dengan begitu akan ada kerusakan yang berkurang,” kata Yan, dikutip dari Live Science. “Hal itu memotivasi kami untuk mengembangkan pendekatan AI dalam memprediksi permulaan transisi mendadak tersebut jauh sebelum hal itu terjadi,” tambahnya.
Studi yang terbit di jurnal Physical Review X ini menjelaskan bahwa pertama yang dilakukan adalah membagi sistem yang kompleks menjadi jaringan besar simpul yang saling berinteraksi, kemudian melacak hubungan antar simpul-simpul tersebut. Kedua, memantau perubahan pada setiap simpul seiring berjalannya waktu. “Sebagai contoh, dalam sistem keuangan, sebuah simpul bisa mewakili sebuah perusahaan. Dalam ekosistem, sebuah simpul mungkin menunjukkan suatu spesies,” lanjut Yan memberi contoh. “Sedangkan dalam jaringan media sosial, simpul tersebut bisa melambangkan seorang pengguna, dan lain sebagainya,” imbuhnya.
Untuk melatih model AI yang telah dirancang para peneliti, mereka menggunakan titik kritis dalam sistem teoritis yang sederhana. Jaringan saraf harus dapat menyerap cukup banyak data terlebih dahulu untuk ditambahkan masalah dari dunia nyata, yaitu contohnya transformasi hutan tropis menjadi sabana. Untuk mengetahui apa yang terjadi di 3 wilayah Afrika Tengah yang mengalami transformasi tersebut, peneliti mengambil data satelit selama lebih dari 20 tahun dari 3 wilayah tersebut. Kemudian mereka memasukkan informasi tentang curah hujan dan tutupan pohon di dua wilayah tersebut ke dalam algoritma. Dengan begitu diperoleh hasil secara akurat melalui AI tentang prediksi di wilayah ketiga, dan bahkan mengetahui 81% simpul sistem, dalam hal ini merupakan bidang tanah, yang tidak teramati.
Dari satu titik kritits yang berhasil diteliti, para peneliti mencari cara untuk mendekonstruksi kotak hitam algoritma untuk menemukan pola yang serupa. Mereka berharap dapat menerapkan model ke sistem lain seperti prediksi kebakaran hutan, pandemi, dan krisis keuangan. Namun, tentu saja mereka harus menghadapi tantangan yaitu belajar lebih mendalam dan berekasi pada prediksi itu sendiri, serta memasukkan prediksi tersebut kembali ke perilaku manusia dengan cara yang kompleks. Dengan demikian, para peneliti dapat berkonsentrasi pada bagian-bagian sistem yang melibatkan manusia dan mencegah dampak konsekuensi yang lebih parah pada masa depan.