인공 지능 누적 노출 위험 피해 확률 계산 방법

인공 지능 누적 노출 위험 피해 확률 계산 방법 

 

제거를 위한 조치가 정당한지 여부를 결정하는 것은 가치 있는 일이다. 도 2A 및 2B는 일정 기간 동안 위험으로부터의 위험 노출의 개념적 그래프를 도시하고 있다. 이상 이벤트가 발생할 때까지의 예상 시간이 정규 분포를 따르는 간단한 상황(도 2A)에서, 이벤트가 정확히 시간 t에 발생할 확률의 그래프(205)는 전통적인 종형 곡선(bell curve)의 형태를 취할 것을 예상할 수 있다. 따라서, 시간 t에 또는 그 이전에 발생하는 이벤트의 누적 확률 그래프(210)는, 시간상 그 이전에 발생하는 그래프(205) 상의 모든 포인트의 합을 포함하기 때문에 시그모이드 형태를 가질 것이다. 자원에 영향을 미치는 이벤트의 비용이 이벤트가 발생하는 때와 무관하다고 가정하는 경우, 해당 자원을 기반으로 하는 누적 위험 노출은 고려되는 임의의 시간대의 끝에서의 누적 확률(210)에 단순히 비례한다. 대조적으로, 이벤트의 타이밍이 이벤트의 피해를 결정하는 데 있어서 중요한 경우, 자원을 기반으로 하는 누적 위험 노출은 위험 함수에 확률 함수를 곱한 적분, 즉 고려되는 모든 시간의 순간에 대해, 해당 순간에 피해가 발생할 확률에, 발생하는 경우, 발생될 피해의 양을 곱한 총합일 것이다. 예를 들어 (도 2B에 도시된 바와 같이), 지역사회는 대피하는 동안 허리케인이 강타한 경우 X와 같은 피해를 입는 것으로 간주될 수 있지만, 거주하는 동안 강타한 경우에는 10X와 같은 피해를 입는 것으로 간주될 수 있다. 대피 명령이 내려지면, 피해 함수(215)는 사람들이 대피함에 따라 시간이 지나면서 감소하고, 시간 t에서의 이벤트 확률의 곡선(205)이 변하지 않더라도, 특정 시간에서의 이벤트의 확률을 곱한 특정 시간에서의 피해는 확률 곡선 단독과는 매우 다르게 보일 것이며, 따라서 가중 누적 노출 위험(220)의 그래프는 더 급격한 초기 증가 및 더 빠른 평준화와 함께 다르게 거동할 것이다. 대피 명령이 내려진 경우의 누적 노출 위험과 대피 명령이 내려지지 않은 경우의 별도로 계산된 누적 노출 위험의 차이는, 주민에게 경고하거나 대피를 시작해야 한다고 안전 요원에게 지시하는 자동화 시스템의 결정의 기반이 될 수 있다. 가중 위험 노출은 다양한 이상 이벤트(예를 들어, 다수의 허리케인) 및/또는 다양한 자원(예를 들어, 허리케인이 강타할 수 있는 각각의 거주지)에 대해 계산되고 합산되어, 특정 카오스 환경 내에서의 행동 또는 비행동에 대한 총 가중 위험 노출을 결정할 수 있다. 도 3은 인공 지능 시스템이 카오스 환경 내에서 들어오는 센서 데이터를 처리하고 에이전트를 지시하는 방법을 도시하고 있다. 먼저, 시스템은 (외부 서버, 저장된 구성 파일, 인간 사용자에 의한 입력, 또는 일부 다른 소스로부터) 고려할 임계 시간대 및 최대 허용 가중 위험 노출을 수신할 수 있다(단계 300). 예를 들어, 기상 대피 시스템은 해당 시간대를 넘어서는 데이터의 불확실성으로 인해 1주일 전에만 미리 경계하도록 구성될 수 있다. 자산 가격을 모니터링하는 시스템은 어느 날의 시장이 마감된 후 임의의 기간 동안에는 무관심할 수 있다. 다음으로, 시스템은 환경 및 자원에 관한 센서 데이터를 센서(105)로부터 수신한다(단계 305). 일부 실시형태에서, 시스템은 환경 요소 또는 자원의 예상되는 거동에 관한 정보로 갖고 사전 구성될 수 있다. 다른 실시형태에서, 시스템은 일정 기간 동안 센서 데이터를 수신하고, 이러한 요소 및 자원에 대한 거동 모델을 구축할 수 있다. 예를 들어, 랜덤-워크-유사 거동(random-walk-like behavior)(예를 들어, 보호 구역에서 동물의 움직임 또는 시장에서 자산 가치의 변화)을 경험하는 카오스 환경의 요소에 대해, 이 경우 시스템은 특정 시간 간격 동안 요소가 특정 양만큼 변경될 확률을 결정하는 데 도움이 되도록 하기 위해, 시스템의 변화에 대한 변동성의 표준 편차를 결정할 수 있다. 또 다른 예에서, 카오스 환경은 저녁에 스트리밍 서비스 또는 전력 설비의 사용이 증가하고 밤새 사용이 감소하는 것과 같은 주기적인 변동을 경험할 수 있다. 시스템은 이러한 주기의 기간을 결정하고, 이를 향후 주기 동안의 체계적 변화를 예상하는 데 사용할 수 있다. 적어도 초기 양의 센서 데이터가 수신되고 처리된 후, 중앙 서버는 시스템의 총 가중 위험 노출을 결정한다(단계 310). 위에서 논의한 바와 같이, 이러한 결정은 임계 시간대의 종료 전의 모든 t에 대해, 시간 t에서 이벤트에 대한 비용 함수를 곱한 P(t에서 또는 t 이전에 발생하는 이벤트)를 적분하는 단계를 적어도 부분적으로 기반으로 하여 이루어질 수 있다. 시스템은 특정 환경 변수(예를 들어, 특정 축을 따른 위험의 위치 또는 특정 규모의 자산 가치)가 랜덤-워크-유사 거동을 경험하고, 따라서 시간이 지남에 따라 특정 거리를 커버하는 변수의 확률이 거리에 비례하지 않고, 선형 비율보다 더 빠른 속도로 감소한다고 가정할 수 있다.