Sztuczna inteligencja często kojarzy się z narzędziami, które są widoczne na co dzień: chatbotami, generatorami tekstu czy systemami rekomendacji. To tylko fragment rzeczywistych zastosowań. W wielu przypadkach modele działają w tle i rozwiązują bardzo konkretne problemy, często w wąskich dziedzinach.

Nasz artykuł skupia się właśnie na takich zastosowaniach. Chodzi o sytuacje, w których AI nie zastępuje człowieka „ogólnie”, ale pomaga w jednym, dobrze zdefiniowanym zadaniu, na przykład analizie danych sonarowych, wykrywaniu zmian w materiale czy interpretacji sygnałów środowiskowych. Często są to procesy, które wcześniej wymagały ręcznej pracy ekspertów albo były zbyt czasochłonne, by je prowadzić regularnie.

Wybrane przykłady pochodzą z różnych obszarów: badań oceanicznych, infrastruktury, ochrony środowiska czy nauk przyrodniczych. Łączy je to, że AI jest tam narzędziem do rozwiązania konkretnego, „małego” problemu, co bez automatyzacji byłoby trudne.

Wykrywanie wraków statków

W badaniach archeologii podwodnej jednym z największych ograniczeń nie jest dostęp do danych, ale ich skala. Nowoczesne sonary wielowiązkowe, czyli urządzenia wysyłające jednocześnie wiele wiązek dźwięku pod różnymi kątami i na tej podstawie tworzące szczegółową mapę dna morskiego, potrafią w krótkim czasie zeskanować duże obszary. Generują przy tym ogromne zbiory obrazów, które trzeba później przeanalizować. Ich ręczna interpretacja jest czasochłonna i wymaga specjalistycznej wiedzy, a to może oznaczać, że część danych pozostaje długo niewykorzystana.

Z tego powodu zaczęto stosować modele uczenia maszynowego do automatycznego wykrywania struktur przypominających wraki. System analizuje obrazy sonarowe i wyszukuje charakterystyczne wzorce, oznaczając potencjalne obiekty i segmentując je na poziomie pojedynczych pikseli. Zamiast przeglądać dane od początku do końca, badacz otrzymuje listę lokalizacji wymagających dalszej weryfikacji.

Takie podejście testowane jest w projektach realizowanych przez NOAA, gdzie modele trenowano na danych z obszarów zawierających zarówno znane, jak i nieodkryte wraki. W testach system był w stanie poprawnie identyfikować obiekty w danych sonarowych, co ograniczyło ilość pracy manualnej potrzebnej do ich znalezienia.

To zastosowanie pozostaje niszowe, bo dotyczy bardzo wąskiej dziedziny i specyficznego typu danych. Ten przypadek dobrze pokazuje, że sztuczna inteligencja jest najbardziej użyteczna wtedy, gdy problemem nie jest brak informacji, tylko ich nadmiar i trudność w ręcznej interpretacji.

Odbudowa i utrzymanie raf koralowych

W projektach badań raf koralowych i ich odbudowy wykorzystuje się AI jako narzędzie do analizy i planowania prac środowiskowych. Jednym z głównych problemów w takich projektach jest skala, ponieważ rafy obejmują duże obszary, a ich stan zmienia się w czasie i zależy od wielu czynników, takich jak temperatura wody, prądy morskie czy poziom zanieczyszczeń.

Projekt realizowany przez KAUST zakłada wykorzystanie sztucznej inteligencji do wsparcia jednego z największych programów odbudowy raf koralowych na świecie. Modele analizują zdjęcia podwodne oraz dane środowiskowe, aby oceniać stan raf i wskazywać miejsca, w których koralowce mają największe szanse na regenerację. Systemy śledzą też tempo wzrostu i zmiany zachodzące w czasie, co pozwala monitorować efekty prac konserwacyjnych bez konieczności prowadzenia ciągłych obserwacji pod wodą.

Dzięki temu badacze mogą szybciej identyfikować obszary wymagające interwencji i lepiej planować rozmieszczenie nowych fragmentów koralowców. AI pełni tu rolę narzędzia do przetwarzania dużej ilości danych środowiskowych, których ręczna analiza byłaby bardzo trudna przy takiej skali projektu.

Ochrona obiektów dziedzictwa kulturowego

W ochronie zabytków i miejsc historycznych jednym z problemów jest to, że uszkodzenia często rozwijają się powoli i przez długi czas pozostają niewidoczne. Zmiany temperatury czy wilgotności mogą stopniowo wpływać na konstrukcję budynków, ale ich regularne monitorowanie wymaga dużej liczby pomiarów i ciągłej kontroli technicznej.

W opisywanym przez badaczy z Politechniki Wrocławskiej podejściu AI połączono z siecią czujników IoT rozmieszczonych w obiektach dziedzictwa kulturowego. Sensory zbierają dane środowiskowe, a modele uczenia maszynowego analizują je pod kątem wzorców mogących wskazywać na ryzyko degradacji materiałów lub uszkodzeń konstrukcji. System może wykrywać anomalie wcześniej, niż byłyby widoczne podczas standardowych inspekcji.

W projekcie wykorzystano także dane z LiDAR-u, fotografii dronowej i fotogrametrii do tworzenia cyfrowych modeli obiektów historycznych. Dzięki temu możliwe jest nie tylko monitorowanie zmian w czasie, ale również dokumentowanie miejsc zagrożonych zniszczeniem.

To zastosowanie jest niszowe, ponieważ wymaga połączenia kilku specjalistycznych obszarów: konserwacji zabytków, sensorów IoT, analizy danych środowiskowych i modeli predykcyjnych. AI może działać nie tylko jako narzędzie do analizy obrazów czy tekstu, ale także jako system wczesnego ostrzegania dla fizycznych obiektów historycznych.

Inspekcja turbin wiatrowych

Na farmach wiatrowych regularne inspekcje turbin są konieczne, ale ich przeprowadzenie jest kosztowne i czasochłonne. Problemem jest analiza dużej liczby materiałów wizualnych i wykrywanie drobnych uszkodzeń, które mogą z czasem prowadzić do poważniejszych awarii.

Tradycyjnie takie kontrole wymagają pracy techników na wysokości, często z użyciem lin czy podnośników. To nie tylko kosztowne, ale też ryzykowne, szczególnie przy trudnych warunkach pogodowych. Coraz częściej zastępują je drony wyposażone w kamery wysokiej rozdzielczości oraz modele AI analizujące zebrane obrazy. Podczas przelotu wokół turbiny dron wykonuje serię zdjęć łopat i innych elementów konstrukcji, a system automatycznie wykrywa nieprawidłowości, na przykład mikropęknięcia, ślady erozji czy uszkodzenia powierzchni. Zamiast ręcznej analizy każdej fotografii operator otrzymuje gotowe oznaczenia miejsc wymagających sprawdzenia.

Takie rozwiązania rozwija firma SGS, gdzie sztuczna inteligencja wykorzystywana jest do wspierania inspekcji infrastruktury wiatrowej i monitorowania stanu turbin. Automatyzacja pozwala ograniczyć liczbę wejść techników na turbiny, skrócić czas przeglądów i zwiększyć powtarzalność ocen technicznych, szczególnie przy dużych farmach obejmujących setki urządzeń. Daje to możliwość wcześniejszego wykrywania uszkodzeń i planowania serwisu zanim problem wpłynie na pracę turbiny.

Analiza ścieków pod kątem wykrywania Covid-19

W czasie pandemii COVID-19 monitoring ścieków stał się jednym ze sposobów śledzenia obecności wirusa w populacji. Próbki pobierane z systemów kanalizacyjnych zawierały materiał genetyczny SARS-CoV-2, co pozwalało obserwować zmiany poziomu zakażeń bez konieczności analizowania danych od pojedynczych pacjentów. Problemem stała się jednak ilość i złożoność danych generowanych przez takie programy.

W projekcie opisanym przez Desert Research Institute (DRI) badacze wykorzystali AI do analizy danych pochodzących z monitoringu ścieków prowadzonego podczas pandemii. Modele pomagały identyfikować wzorce w danych biologicznych oraz analizować zależności między poziomem materiału wirusowego w ściekach a późniejszym wzrostem liczby przypadków COVID-19.

Zespół pracował nad metodami, które pozwalały szybciej przetwarzać dane laboratoryjne i interpretować zmiany pojawiające się w kolejnych próbkach. AI wykorzystywano tu nie jako narzędzie medyczne dla pojedynczych osób, ale jako sposób analizy na poziomie całych społeczności.

To zastosowanie łączy epidemiologię środowiskową, analizę laboratoryjną i modele uczenia maszynowego. Sztuczna inteligencja może być używana do interpretowania danych pochodzących z infrastruktury miejskiej, a nie tylko z klasycznych systemów informatycznych czy medycznych.

Przewidywanie istnienia nieodkrytych planet

Poszukiwanie egzoplanet, czyli planet znajdujących się poza Układem Słonecznym, wymaga analizy ogromnej ilości danych obserwacyjnych i kosztownych symulacji komputerowych. Nawet przy wykorzystaniu nowoczesnych teleskopów badacze nie są w stanie dokładnie analizować każdego układu gwiezdnego, dlatego szukają sposobów na automatyczne przewidywanie, gdzie mogą znajdować się jeszcze niewykryte planety.

W projekcie prowadzonym na University of Bern badacze wykorzystali AI do modelowania całych układów planetarnych. System trenowano na tysiącach symulacji opisujących sposób formowania się planet. Na tej podstawie model uczył się przewidywać, jakie planety mogą istnieć w danym układzie na podstawie ograniczonej liczby obserwacji. Jeśli astronomowie znają już jedną lub dwie planety krążące wokół gwiazdy, AI może oszacować prawdopodobne właściwości kolejnych.

Badacze wykorzystali architekturę typu Transformer, czyli ten sam typ modeli, który stosowany jest w dużych modelach językowych. Zamiast analizować ciągi słów, system analizuje „sekwencje planet” w układach gwiezdnych. Według autorów model był w stanie generować układy planetarne bardzo zbliżone do tych uzyskiwanych w kosztownych symulacjach komputerowych, które wcześniej wymagały dni lub tygodni obliczeń na superkomputerach. Sztuczna inteligencja skróciła ten proces do kilku sekund.

To zastosowanie pokazuje, że AI nie musi służyć wyłącznie do analizy istniejących danych, ale może też pomagać przewidywać, gdzie warto szukać nowych obiektów zanim rozpocznie się kosztowna obserwacja teleskopowa.

Wykrywanie nielegalnej wycinki lasów deszczowych

Wykrywanie nielegalnej wycinki w lasach deszczowych jest trudne głównie dlatego, że działania odbywają się na ogromnych, trudno dostępnych terenach. Tradycyjny monitoring opiera się na patrolach terenowych albo analizie zdjęć satelitarnych, które pokazują skutki wycinki dopiero po czasie, co oznacza, że reakcja następuje często wtedy, gdy część lasu została już zniszczona.

Dlatego organizacja RFCx zaczęła wykorzystywać AI do analizy dźwięków rejestrowanych bezpośrednio w koronach drzew. System Guardian składa się z autonomicznych urządzeń wyposażonych w mikrofony i panele słoneczne, które przez całą dobę nagrywają odgłosy lasu. Modele uczenia maszynowego analizują te nagrania w czasie rzeczywistym i próbują wykrywać charakterystyczne dźwięki związane z nielegalną działalnością, na przykład piły łańcuchowe, ciężarówki albo strzały.

Kiedy system rozpozna podejrzany dźwięk, wysyła alert do lokalnych służb lub organizacji zajmujących się ochroną lasów. Dzięki temu możliwa jest reakcja jeszcze w trakcie wycinki, a nie dopiero po analizie późniejszych zdjęć satelitarnych. Według danych RFCx urządzenia zostały rozmieszczone w setkach lokalizacji w 37 krajach i monitorują ponad 736 tys. hektarów chronionych terenów.

To zastosowanie łączy bioakustykę, monitoring środowiskowy i analizę dźwięku w bardzo specyficznych warunkach terenowych. Sztuczna inteligencja może działać nie tylko na obrazach czy tekście, ale również na sygnałach audio zbieranych w czasie rzeczywistym z fizycznego środowiska.

Przewidywanie trzęsień ziemi

Trzęsienia ziemi generują ogromne ilości danych pochodzących z sieci czujników sejsmicznych rozmieszczonych na całym świecie. Problem polega na tym, że interpretacja tych sygnałów jest bardzo złożona, szczególnie gdy trzeba analizować wiele źródeł danych jednocześnie i wychwytywać subtelne zmiany pojawiające się przed silniejszymi wstrząsami.

Dlatego zaczęto wykorzystywać AI do analizy danych sejsmicznych w czasie rzeczywistym. Modele uczenia maszynowego są trenowane na historycznych zapisach aktywności geologicznej i uczą się rozpoznawać zależności między wcześniejszymi sygnałami a późniejszym wystąpieniem trzęsień ziemi. Systemy analizują ogromne ilości danych szybciej, niż byłoby to możliwe przy manualnej interpretacji.

W powyższym artykule opisano system, który wykorzystywał AI do analizy aktywności sejsmicznej poprzedzającej trzęsienia ziemi. Model trenowano na danych laboratoryjnych symulujących ruchy uskoku tektonicznego. System uczył się rozpoznawać bardzo subtelne sygnały pojawiające się przed wstrząsami, czyli wzorce, które wcześniej były trudne do zauważenia przy standardowej analizie. Sztuczna inteligencja potrafiła przewidywać moment wystąpienia zjawiska z większą dokładnością niż wcześniejsze metody statystyczne.

To zastosowanie wymaga połączenia bardzo specjalistycznych danych geologicznych z zaawansowaną analizą predykcyjną. To pokazuje, że AI coraz częściej wykorzystywana jest nie tylko do interpretacji istniejących danych, ale także do szukania wzorców, które mogą pomóc przewidywać zjawiska fizyczne o bardzo dużej skali i złożoności.

Podsumowanie

Opisane przykłady pokazują, że sztuczna inteligencja coraz częściej działa poza najbardziej znanymi zastosowaniami i trafia do bardzo wyspecjalizowanych obszarów. W wielu z nich kluczowym problemem nie jest brak danych, ale ich nadmiar, złożoność albo trudność w ręcznej analizie.

W archeologii podwodnej, sejsmologii czy astronomii AI pomaga przetwarzać ogromne zbiory informacji i wskazywać wzorce, które wcześniej były trudne do zauważenia. W ochronie środowiska i infrastrukturze (np. lasy, turbiny wiatrowe, rafy koralowe) wspiera szybkie wykrywanie zmian w fizycznym świecie, często zanim staną się one widoczne w tradycyjnych metodach monitoringu.

Wspólnym elementem wszystkich przypadków jest to, że sztuczna inteligencja nie zastępuje profesjonalistów zajmujących się danym tematem, ale zmienia sposób pracy z danymi, z ręcznej, czasochłonnej analizy na automatyczne wykrywanie istotnych sygnałów. Dzięki temu możliwe jest prowadzenie obserwacji w skali, która wcześniej była trudna do osiągnięcia.