الذكاء الاصطناعي لمراقبة إصابات العمل

نظرة شمولية عن الذكاء الاصطناعي:

في عام 2018، تعاقدت (NIOSH) ومكتب إحصاءات العمل (BLS) وإدارة السلامة والصحة المهنية (OSHA) مع الأكاديميات الوطنية للعلوم (NAS)، لإجراء دراسة إجماع حول تحسين الفعالية من حيث التكلفة وتنسيق السلامة المهنية و أنظمة المراقبة الصحية (OSH).

فيما بعد أوصى تقرير (NAS) بأن تستخدم الحكومة الفيدرالية التطورات الحديثة في التعلم الآلي والذكاء الاصطناعي (AI)، لأتمته ومعالجة البيانات في أنظمة مراقبة السلامة والصحة المهنية.

المصدر الرئيسي لمعلومات السلامة والصحة المهنيتين عن حوادث مكان العمل المميتة وغير المميتة يأتي من “تقارير الإصابات” غير المنظمة، و التي تم تسجيلها من خلال أنظمة المراقبة، على سبيل المثال، يمكن لصاحب العمل الإبلاغ عن إصابة “حيث سقط العامل من على السلم بعد مد يده إلى صندوق ما”، وقد حدث هذا على مدى عقود، حيث قرأ البشر روايات الإصابات هذه لتعيين رموز موحدة باستخدام نظام تصنيف الإصابات والأمراض المهنية (OIICS)، والتابع لمكتب إحصاءات العمل الأمريكي (BLS).

يعد تشفير روايات الإصابة هذا، لتحليل البيانات أمراً مكلفاً للغاية وقد ويستغرق وقتاً طويلاً ومحفوفاً بأخطاء الترميز.

يقدم الذكاء الاصطناعي، أي (تصنيف نص التعلم الآلي) حلاً لهذه المشكلة، بحيث إذا كان من الممكن تطوير الخوارزميات “لقراءة” روايات الإصابة، فيمكن سحب البيانات من أنظمة المراقبة هذه في جزء صغير من وقت الترميز اليدوي، تم التعرف على المزيد في هذه المدونة ذات الصلة، حيث تمكن برنامج (AI Code) في أقل من ثلاث ساعات من تحقيق ما كان سيستغرق أربع سنوات ونصف للترميز بشكل يدوي.

طورت (NIOSH) خوارزمية (AI) لتطبيق رموز (OIICS) بناءً على روايات الإصابة من نظام مراقبة قسم الطوارئ في المستشفيات، ومع ذلك، فإن كفاءة هذه الخوارزمية لم تكن واضحة، ولمعرفة ما إذا كان يمكن تطوير خوارزميات تشفير أفضل، فقد لجأت (NIOSH) إلى التعهد الجماعي.

على الرغم من أن التعهد الجماعي ليس فريداً بالنسبة للذكاء الاصطناعي، إلا أنه ينطوي على مطالبة الجمهور  أو الناس بشكل عام بمجموعة متنوعة من مجموعات المهارات لتقديم حل فريد لمشكلة ما، ينتج عن النهج عدد كبير من الحلول المحتملة التي يمكن تقييمها لتحديد تلك التي تعمل بشكل أفضل، تكون حلول الحشد بالعادة أفضل من الحل الأصلي، أما في هذه الحالة، فقد عملت (NIOSH) مع مجموعتين، أحدهما داخلي لـ (CDC) والآخر خارجي لـ (CDC) لاقتراح حلول أفضل لخوارزمية الترميز الأولية الخاصة بــ (NIOSH).

مسابقة التعهد الداخلي:

قبل إجراء المسابقة الخارجية، كان فريقاً مكوناً من سبعة عشر باحثاً من (NIOSH)، ومراكز السيطرة على الأمراض والوقاية منها (CDC)، (BLS)، OSHA)، والإدارة الفيدرالية لإدارة الطوارئ ومكتب الإحصاء والمعاهد الوطنية للصحة وسلامة المنتجات الاستهلاكية، فقد استضافت اللجنة مسابقة للموظفين في مركز السيطرة على الأمراض، حينها قد تنافس ما مجموعه تسعة عشر موظفاً لتطوير أفضل خوارزمية لترميز روايات إصابة العمال، تلقى الفريق تسعة خوارزميات، خمسة منها تفوقت في الأداء على نص (NIOSH) الأساسي، والذي كان بدقة 81٪، كانت الخوارزمية الفائزة في مسابقة التعهد الجماعي الداخلية 87٪ – مظهرةً تحسناً بنسبة 6٪.

مسابقة التعهد الجماعي الخارجية:

في أكتوبر من عام 2019، استأجرت (NIOSH)، جنباً إلى جنب مع الإدارة الوطنية للملاحة الجوية والفضاء (NASA)، بائع (Tournament Lab) ، Topcoder)، لاستضافة مسابقة التعهد الجماعي الخارجية، كانت هذه أول مسابقة خارجية على الإطلاق للتعهد الجماعي من (CDC) و (NIOSH) معاً، والتي تم تمويلها جزئياً من خلال (CDC Innovation Fund Challenge)، وصلت المنافسة إلى مجتمع (Topcoder) العالمي لخبراء علوم البيانات لتطوير خوارزمية معالجة اللغة الطبيعية (NLP)، لتصنيف سجلات الإصابات المهنية المتعلقة بالعمل وذلك وفقاً لمنظمة (OIICS).

بالمثل مع المنافسة الداخلية، كانت المنافسة الخارجية أيضاً ناجحة الى حد ما، وكان هناك 961 طلباً من 388 مسجلاً يمثلون أكثر من 26 دولة (32٪ الولايات المتحدة، 21٪ الهند).

فقد عرف المشاركون عن أنفسهم بأنهم حاصلون على شهادات في: علوم وهندسة الكمبيوتر والكيمياء وعلوم الكمبيوتر  وعلوم البيانات، والاقتصاد على سبيل المثال لا الحصر، أنتجت هذه المنافسة 21٪ أكثر من المسجلين و 66٪ أكثر من مسابقة (Topcoder) المتوسطة، وحققت المشاركات عالية الجودة دقة تقارب 90٪، متجاوزةً هدف الدقة البالغ 87٪، والذي تحقق خلال المنافسة الداخلية.

من الفائز بجائزة الذكاء الاصطناعي؟

كان الفائز بالمركز الأول (ريموند فان فينيتيتش)، وهو طالب دكتوراة في الرياضيات العددية في جامعة أمستردام، وحصل على المركز الثاني عالم بيانات كبير في مختبر (Sherbank AI) في روسيا، تم منح المركز الثالث لمطور وعالم بيانات من الصين، وتم منح المركز الرابع للإحصاء الحيوي في كلية الطب بجامعة إيموري في أتلانتا جورجيا، تم منح المركز الخامس لمهندس ميكانيك من بنغالور الهند.

تدعم المنافسة الخارجية والخوارزمية الناتجة تحسين الكفاءة وخفض التكاليف المرتبطة بترميز بيانات مراقبة السلامة والصحة المهنية، في النهاية، كان الهدف أن تساهم الخوارزمية المحسّنة في زيادة سلامة وصحة العمال، كما سيعمل فريق مشروع (NIOSH) مع النص البرمجي للفائز بالجائزة الأولى لإنشاء أداة ويب سهلة الاستخدام من أجل استخدامها فيما بعد، وفي غضون ذلك، تتوفر أفضل 5 حلول فائزة على موقع(GitHub).