Giới thiệu

Khi thảm họa xảy ra (thiên tai, xung đột, dịch bệnh), “thời gian” là tài nguyên khan hiếm nhất. Mỗi phút chậm trễ có thể đồng nghĩa với việc bỏ lỡ cơ hội cứu hộ, hỗ trợ y tế hoặc đảm bảo an toàn cho người sống sót. Trong bối cảnh đó, trí tuệ nhân tạo (AI)—đặc biệt là machine learning/học máy—đang trở thành lớp công nghệ then chốt giúp các tổ chức phản ứng nhanh hơn nhờ phân tích dữ liệu theo thời gian thực, dự báo nhu cầu và tối ưu nguồn lực.

Tuy nhiên, xây dựng ứng dụng AI cho bối cảnh “hỗ trợ nạn nhân/survivors” không giống các bài toán thương mại thông thường. Dữ liệu thường thiếu, nhiễu, lệch; ràng buộc đạo đức và bảo mật dữ liệu cực kỳ nghiêm ngặt; và sai số mô hình có thể dẫn đến hệ quả nghiêm trọng. Bài viết này đưa ra khung tư duy chuyên sâu: từ việc chọn bài toán, xử lý chuỗi thời gian, phát hiện bất thường, đến đánh giá mô hình và triển khai can thiệp an toàn—với góc nhìn “AI vì xã hội” thực dụng.

1) AI vì xã hội: Đặt đúng bài toán trước khi chọn mô hình

Nhiều dự án thất bại không phải vì thuật toán kém, mà vì đặt sai mục tiêu. Với “aid survivors”, thay vì hỏi “mô hình nào tốt nhất?”, nên bắt đầu bằng ba câu hỏi:

Quyết định nào cần được hỗ trợ? Ví dụ: phân bổ đội cứu hộ, dự đoán nhu cầu giường bệnh, ưu tiên hỗ trợ tâm lý, hay xác minh tin báo khẩn cấp.
Đầu ra của mô hình có thể hành động như thế nào? Dự báo phải chuyển thành kế hoạch cụ thể: ai làm, làm gì, khi nào, ở đâu.
Rủi ro khi mô hình sai là gì? Đây là khác biệt lớn giữa AI thương mại và AI trong khủng hoảng: sai một đề xuất có thể gây hại trực tiếp.

Từ đó, thường hình thành ba nhóm bài toán học máy phổ biến:

Mô hình dự đoán (forecasting) trên dữ liệu chuỗi thời gian: dự báo số ca nhập viện, nhu cầu lương thực, lượng cuộc gọi khẩn, hoặc mức độ gián đoạn hạ tầng.
Phát hiện bất thường (anomaly detection): phát hiện vùng “đột biến” tín hiệu (ví dụ tăng đột ngột tin cầu cứu, mất điện bất thường, thay đổi lưu lượng di chuyển).
Xử lý ngôn ngữ tự nhiên (NLP) và thị giác máy tính: trích xuất thông tin từ tin nhắn, mạng xã hội, tổng đài; hoặc phân tích ảnh vệ tinh/ảnh hiện trường để ước lượng mức độ thiệt hại.

Insight quan trọng: trong phản ứng thảm họa, mô hình “đủ tốt, đáng tin và đúng thời điểm” thường có giá trị hơn mô hình “tối ưu” nhưng chậm trễ hoặc khó giải thích.

2) Dữ liệu chuỗi thời gian: “Race through time” không chỉ là dự báo

Các tình huống khẩn cấp là môi trường “phi chuẩn”: phân phối dữ liệu thay đổi nhanh, có cú sốc và đứt gãy. Vì vậy, làm việc với chuỗi thời gian cần tư duy khác so với dự báo bán hàng hay nhu cầu quảng cáo.

2.1 Nguồn dữ liệu và cách hợp nhất (data fusion)

Một hệ thống AI thực tế thường phải hợp nhất nhiều lớp dữ liệu:

Tín hiệu vận hành: cuộc gọi tổng đài, số yêu cầu cứu trợ, thời gian phản hồi.
Y tế: lượt khám, thuốc thiết yếu, giường ICU theo ngày/giờ.
Hạ tầng: điện, nước, mạng di động, giao thông.
Dữ liệu mở: thời tiết, địa hình, bản đồ ngập.
Dữ liệu định vị/di chuyển (nếu có và được phép): mô hình dịch chuyển dân cư.

Thách thức không nằm ở việc “có dữ liệu”, mà là đồng bộ thời gian, độ trễ (latency), độ tin cậy, và tính đại diện.

2.2 Feature engineering theo thời gian

Trong chuỗi thời gian, đặc trưng không chỉ là “giá trị hiện tại”. Một số đặc trưng thường hiệu quả:

Rolling window: trung bình 3 giờ/24 giờ, độ lệch chuẩn, tốc độ tăng.
Lag features: giá trị t-1, t-7 để bắt chu kỳ.
Sự kiện ngoại sinh: mưa lớn, cảnh báo bão, giờ giới nghiêm.
Đặc trưng không gian-thời gian: theo quận/huyện + timestamp.

2.3 Đánh giá mô hình: backtesting theo thời gian, không xáo trộn dữ liệu

Một lỗi phổ biến là chia train/test ngẫu nhiên làm rò rỉ thông tin. Với time series, cần:

Backtesting (walk-forward validation): huấn luyện trên quá khứ, dự báo tương lai theo nhiều “cửa sổ”.
Đánh giá theo horizon (dự báo 1h, 6h, 24h) vì mỗi horizon phục vụ quyết định khác nhau.
Theo dõi sai số theo “giai đoạn khủng hoảng” (trước–trong–sau) để phát hiện mô hình bị drift.

Trend đáng chú ý: xu hướng dùng các mô hình lai giữa thống kê và deep learning (như gradient boosting + đặc trưng time series, hoặc kiến trúc transformer cho chuỗi thời gian) ngày càng phổ biến. Tuy nhiên, trong bối cảnh thảm họa, ưu tiên thường là khả năng vận hành, giám sát drift và triển khai nhanh.

3) Phát hiện bất thường và ưu tiên can thiệp: từ tín hiệu đến hành động

Phát hiện bất thường có thể là “chuông báo” sớm khi hệ thống bắt đầu vượt ngưỡng chịu tải. Ví dụ:

Đột biến cuộc gọi SOS ở một khu vực → cần điều phối đội phản ứng.
Tụt mạnh kết nối di động → khả năng hạ tầng gặp sự cố.
Thay đổi bất thường trong ngôn ngữ tin nhắn (từ khóa “kẹt”, “ngập”, “mất người”) → ưu tiên xác minh.

3.1 Chọn phương pháp anomaly detection phù hợp

Unsupervised (thường gặp vì thiếu nhãn): Isolation Forest, One-Class SVM, autoencoder.
Semi-supervised: có ít nhãn từ các sự kiện trước.
Rule + ML: kết hợp ngưỡng nghiệp vụ (SLA, capacity) với mô hình để giảm false positive.

Trong thực tế, “bất thường” phải gắn với chi phí can thiệp. Một alert sai gây lãng phí nguồn lực; một alert bỏ sót gây nguy hiểm. Vì vậy, thay vì tối ưu AUC, nên tối ưu theo “utility”:

Chi phí điều đội cứu hộ
Mức độ nghiêm trọng tiềm ẩn
Thời gian đến nơi

3.2 Hệ thống khuyến nghị cho phân bổ nguồn lực

Khi đã có dự báo và phát hiện bất thường, bước tiếp theo là đề xuất hành động—tương tự hệ thống khuyến nghị, nhưng “item” là tài nguyên (xe cứu thương, nhân sự, vật tư).

Một khung triển khai:

Scoring: chấm điểm ưu tiên theo rủi ro và mức độ khẩn.
Constraints: ràng buộc số lượng, quãng đường, thời gian, năng lực.
Optimization: chọn phương án phân bổ tối ưu (có thể dùng linear programming/heuristics).

Insight: ML thường chỉ giải quyết phần “ước lượng” (nhu cầu/rủi ro). Phần “phân bổ” thường cần tối ưu hóa có ràng buộc để đảm bảo khả thi.

4) NLP, thị giác máy tính và bài toán nhạy cảm: công bằng, riêng tư, an toàn

Ứng dụng AI hỗ trợ nạn nhân thường xử lý dữ liệu nhạy cảm: tin nhắn cá nhân, vị trí, hồ sơ y tế. Vì vậy, tiêu chuẩn đạo đức và pháp lý phải được thiết kế ngay từ đầu.

4.1 Xử lý ngôn ngữ tự nhiên (NLP) cho tin cầu cứu

NLP có thể:

Phân loại mức độ khẩn cấp
Trích xuất thực thể (địa điểm, số người, loại sự cố)
Gom nhóm báo cáo trùng lặp

Nhưng cần chú ý thiên lệch ngôn ngữ/vùng miền: người ở khu vực ít kết nối có thể viết ngắn, sai chính tả, hoặc dùng tiếng địa phương—mô hình dễ đánh giá thấp mức độ khẩn.

4.2 Thị giác máy tính cho đánh giá thiệt hại

Ảnh vệ tinh/ảnh drone giúp ước lượng ngập lụt, sạt lở, cháy rừng. Tuy nhiên:

Dữ liệu có thể nhiễu do mây, góc chụp, ánh sáng.
Thiếu nhãn theo vùng, theo quốc gia.
Rủi ro “ảo tưởng mô hình” khi ảnh tương tự nhưng bối cảnh khác.

4.3 Bảo mật dữ liệu và thiết kế an toàn

Các nguyên tắc nên áp dụng:

Data minimization: chỉ thu thập dữ liệu cần thiết.
Ẩn danh/pseudonymization khi có thể.
Kiểm soát truy cập theo vai trò, ghi log truy cập.
Cân nhắc federated learning hoặc xử lý tại biên (edge) trong một số kịch bản.
Human-in-the-loop: mô hình đề xuất, con người quyết định—đặc biệt cho ca có rủi ro cao.

4.4 Đánh giá mô hình: không chỉ accuracy

Ngoài độ chính xác, cần đánh giá:

Fairness: sai số theo nhóm (khu vực nghèo, vùng sâu, nhóm ngôn ngữ).
Robustness: mô hình có ổn khi dữ liệu thiếu/đứt không?
Calibration: xác suất dự báo có đáng tin để ra quyết định?
Monitoring: drift theo thời gian và cơ chế rollback.

Trend: các tổ chức ngày càng chuyển từ “ship model” sang “ship system”—tức triển khai cả hệ thống giám sát, đánh giá liên tục, và quy trình phản ứng khi mô hình xuống cấp.

Kết luận

AI có thể tăng tốc phản ứng thảm họa bằng cách kết hợp machine learning, phân tích dữ liệu và mô hình chuỗi thời gian để dự báo nhu cầu, phát hiện bất thường để cảnh báo sớm, cùng NLP/thị giác máy tính để trích xuất tín hiệu từ nguồn dữ liệu phi cấu trúc. Nhưng giá trị thật chỉ xuất hiện khi dự báo được chuyển thành hành động khả thi, có ràng buộc nguồn lực và có cơ chế an toàn.

Nếu phải tóm tắt thành một nguyên tắc: với AI vì xã hội, hãy tối ưu “đúng người–đúng lúc–đúng mức rủi ro”, thay vì chạy theo một điểm benchmark. Mô hình càng mạnh càng tốt, nhưng hệ thống càng đáng tin, công bằng và bảo mật càng quan trọng—đặc biệt khi đối tượng phục vụ là những người đang ở thời điểm dễ tổn thương nhất.

Trí tuệ nhân tạo (AI) hỗ trợ nạn nhân thảm họa: Machine Learning cho dữ liệu chuỗi thời gian, phát hiện bất thường và can thiệp an toàn