Introduction to Deep Technologies

Εισαγωγή στις τεχνολογίες βάθους

Πρόγραμμα PREVENT

Έναρξη

Ορισμός και πεδίο εφαρμογής των τεχνολογιών βάθους

Η «τεχνολογία βάθους» περιλαμβάνει προηγμένες τεχνολογίες που αντιμετωπίζουν σύνθετα παγκόσμια ζητήματα όπως η κλιματική αλλαγή και η υγειονομική περίθαλψη με καινοτόμες λύσεις. Σε αντίθεση με τις παραδοσιακές τεχνολογίες, η βαθιά τεχνολογία επικεντρώνεται στην αντιμετώπιση τοπικών προβλημάτων προληπτικά και αποτελεσματικά. Οι βασικοί τομείς της βαθιάς τεχνολογίας περιλαμβάνουν, μεταξύ άλλων, την τεχνητή νοημοσύνη, τη διαστημική τεχνολογία και την υπολογιστική βιολογία. Οι τεχνολογίες αυτές διακρίνονται για το ανατρεπτικό δυναμικό τους και τη στήριξή τους σε επιστημονικές ανακαλύψεις αιχμής.

Bιβλιάριο μαθημάτων

Απομακρυσμένη Ανίχνευση

Ορισμός των τεχνολογιών βάθους

Ρομποτική

Τεχνητή νοημοσύνη

Όραση Υπολογιστών

IoT και επικοινωνίες

Στόχοι

Στο τέλος της ενότητας, οι σπουδαστές θα είναι σε θέση να εφαρμόζουν τις γνώσεις τους στην αξιολόγηση κινδύνων, στο σχεδιασμό αντιμετώπισης καταστροφών και στις στρατηγικές προσαρμογής στην κλιματική αλλαγή, αποκτώντας βασικές δεξιότητες για σταδιοδρομία στην περιβαλλοντική επιστήμη, τη διαχείριση έκτακτων αναγκών και τη βιώσιμη ανάπτυξη.

Μέσω αυτής της ενότητας, οι εκπαιδευόμενοι θα κατανοήσουν το ρόλο των προηγμένων τεχνολογιών στην πρόληψη και τον μετριασμό των καταστροφών. Εξερευνώντας πραγματικές μελέτες περιπτώσεων, επιστημονικές έρευνες και διαδραστικές προσομοιώσεις, οι μαθητές θα αναπτύξουν την ικανότητα να ταξινομούν διαφορετικούς τύπους φυσικών καταστροφών, να αναλύουν τις κοινωνικές, οικονομικές και περιβαλλοντικές συνέπειές τους και να αξιολογούν τον αντίκτυπο της κλιματικής αλλαγής στη συχνότητα και τη σοβαρότητα των καταστροφών. Επιπλέον, οι εκπαιδευόμενοι θα αποκτήσουν δεξιότητες κριτικής σκέψης για την αξιολόγηση στρατηγικών διαχείρισης κινδύνου καταστροφών, θα κατανοήσουν πώς οι τεχνολογίες βάθους, όπως η τεχνητή νοημοσύνη, το IoT και η δορυφορική απεικόνιση, συμβάλλουν στα συστήματα έγκαιρης προειδοποίησης και θα διερευνήσουν καινοτόμα πλαίσια ανθεκτικότητας στις καταστροφές.

«Η αληθινή μάθηση αρχίζει όταν η γνώση εμπνέει τη δράση και η κατανόηση οδηγεί στην αλλαγή. Εφοδιαστείτε για να μετατρέψετε τις προκλήσεις σε ευκαιρίες».

«Αξιοποιώντας τη δύναμη των νέων τεχνολογιών, μπορούμε να προβλέψουμε, να προετοιμαστούμε και να μετριάσουμε τις επιπτώσεις των φυσικών καταστροφών - μετατρέποντας την τεχνολογία σε σωσίβιο για το μέλλον μας».

01

Ορισμός των τεχνολογιών βάθους

01

Ορισμός των βαθιών τεχνολογιών

Οι τεχνολογίες βάθους αναφέρονται σε καινοτομίες αιχμής που βασίζονται σε ουσιαστικές επιστημονικές και μηχανολογικές εξελίξεις. Οι τεχνολογίες αυτές απαιτούν συχνά σημαντική έρευνα και ανάπτυξη (Ε&Α) και έχουν τη δυνατότητα να δημιουργήσουν ανατρεπτικές, μετασχηματιστικές αλλαγές σε διάφορους κλάδους. Σε αντίθεση με τις σταδιακές τεχνολογικές βελτιώσεις, οι καινοτομίες βαθιάς τεχνολογίας έχουν τις ρίζες τους σε θεμελιώδεις επιστημονικές ανακαλύψεις και πολύπλοκη μηχανική. Βασικά χαρακτηριστικά των φυσικών καταστροφών:

• Καινοτομία με γνώμονα την επιστήμη - Η βαθιά τεχνολογία βασίζεται σε θεμελιώδεις επιστημονικές και μηχανικές αρχές, οι οποίες συχνά προέρχονται από τομείς όπως η τεχνητή νοημοσύνη (AI), η ρομποτική, η νανοτεχνολογία, η βιοτεχνολογία, η κβαντική πληροφορική και τα προηγμένα υλικά.
• Υψηλή ένταση Ε&Α - Οι τεχνολογίες αυτές απαιτούν εκτεταμένη έρευνα, δοκιμές και επενδύσεις πριν από την επίτευξη εμπορικής βιωσιμότητας.

• Διεπιστημονικός χαρακτήρας - Πολλές καινοτομίες τεχνολογίας βάθους ενσωματώνουν πολλαπλά επιστημονικά πεδία, όπως η τεχνητή νοημοσύνη σε συνδυασμό με τη μοντελοποίηση του κλίματος ή η βιοτεχνολογία με την προηγμένη πληροφορική.

Η βαθιά τεχνολογία στο πλαίσιο των φυσικών καταστροφών

Σε συνδυασμό με την ετοιμότητα, την αντιμετώπιση και τον μετριασμό των φυσικών καταστροφών, οι τεχνολογίες βάθους μπορούν να προσφέρουν πρωτοποριακές λύσεις. Τα παραδείγματα περιλαμβάνουν:

• Τεχνητή νοημοσύνη και μηχανική μάθηση - Πρόβλεψη καταστροφών (σεισμοί, πλημμύρες, τυφώνες) με προηγμένη μοντελοποίηση.
• Τηλεπισκόπηση & Drones - Ταχεία αξιολόγηση των ζωνών καταστροφών και παρακολούθηση των περιβαλλοντικών αλλαγών.
• Blockchain - Ασφαλής και διαφανής διανομή βοήθειας κατά τη διάρκεια κρίσεων
• Κβαντικοί υπολογιστές - Βελτιωμένες προσομοιώσεις κλίματος για καλύτερη πρόβλεψη καταστροφών.
• Προηγμένα υλικά - Ανθεκτικά στον σεισμό δομικά υλικά.
• IoT & έξυπνοι αισθητήρες - Παρακολούθηση περιβαλλοντικών κινδύνων σε πραγματικό χρόνο και συστήματα έγκαιρης προειδοποίησης.

02

Τεχνητή νοημοσύνη

02

Εισαγωγή στην Τεχνητή Νοημοσύνη

Η Τεχνητή Νοημοσύνη (ΤΝ) είναι ένας κλάδος της επιστήμης των υπολογιστών που επικεντρώνεται στη δημιουργία συστημάτων που μπορούν να εκτελούν εργασίες που παραδοσιακά απαιτούσαν ανθρώπινη νοημοσύνη. Οι εργασίες αυτές περιλαμβάνουν τη μάθηση, τη συλλογιστική, την επίλυση προβλημάτων, την αντίληψη, την κατανόηση της γλώσσας και τη λήψη αποφάσεων. Τα συστήματα τεχνητής νοημοσύνης μπορούν να αναλύουν τεράστιες ποσότητες δεδομένων, να αναγνωρίζουν μοτίβα και να βελτιώνουν την απόδοσή τους με την πάροδο του χρόνου μέσω αλγορίθμων μηχανικής μάθησης.

Η τεχνητή νοημοσύνη ταξινομείται σε διάφορες κατηγορίες με βάση τις δυνατότητες και τις λειτουργίες της.

Οι πρωταρχικοί τύποι περιλαμβάνουν:Narrow AI (Weak AI): Συστήματα τεχνητής νοημοσύνης που έχουν σχεδιαστεί για την εκτέλεση μιας συγκεκριμένης εργασίας, όπως η αναγνώριση προσώπου, η μετάφραση ομιλίας ή η ιατρική διάγνωση. Αυτές είναι οι πιο συχνά χρησιμοποιούμενες εφαρμογές ΤΝ σήμερα. General AI (Strong AI): Ένα θεωρητικό σύστημα τεχνητής νοημοσύνης ικανό να κατανοεί, να μαθαίνει και να εκτελεί οποιαδήποτε διανοητική εργασία μπορεί να κάνει ένας άνθρωπος. Αυτό το επίπεδο τεχνητής νοημοσύνης βρίσκεται ακόμη υπό έρευνα και ανάπτυξη.

• Super AI: Ένα υποθετικό μελλοντικό στάδιο όπου η τεχνητή νοημοσύνη ξεπερνά την ανθρώπινη νοημοσύνη σε όλες τις πτυχές, συμπεριλαμβανομένης της δημιουργικότητας, της επίλυσης προβλημάτων και της λήψης αποφάσεων.

Οι τεχνολογίες τεχνητής νοημοσύνης βασίζονται σε διάφορα επιμέρους πεδία, όπως:

• Μηχανική μάθηση : Αλγόριθμοι που επιτρέπουν στους υπολογιστές να μαθαίνουν από δεδομένα χωρίς να προγραμματίζονται ρητά.
• Βαθιά μάθηση: Ένα υποσύνολο της ML που μιμείται τα ανθρώπινα νευρωνικά δίκτυα για την επεξεργασία σύνθετων μοτίβων στα δεδομένα..
• Επεξεργασία φυσικής γλώσσας : Η ικανότητα της τεχνητής νοημοσύνης να κατανοεί και να παράγει ανθρώπινη γλώσσα, όπως φαίνεται στους εικονικούς βοηθούς και τα chatbots.
• Υπολογιστική όραση: Η ικανότητα ανάλυσης και ερμηνείας οπτικών δεδομένων από εικόνες και βίντεο.

Εφαρμογές τεχνητής νοημοσύνης

Γενικές εφαρμογές

Επιχειρηματική ευφυΐα

Observation systems

Υγειονομική περίθαλψη

Εκπαίδευση

Κατασκευή

Οικονομικά

Άλλες εφαρμογές

03

Τηλεπισκόπιση

03

Εισαγωγή στην Τηλεπισκόπηση

Η τηλεπισκόπηση περιγράφει τη συλλογή δεδομένων σχετικά με ένα αντικείμενο, μια περιοχή ή ένα φαινόμενο από απόσταση με μια συσκευή που δεν έρχεται σε επαφή με το αντικείμενο».Η τηλεπισκόπηση ορίζεται γενικά ευρέως ως η απόκτηση δεδομένων και πληροφοριών σχετικά με τις επιφάνειες και τα αντικείμενα της Γης χωρίς φυσική επαφή. Ο ακριβής ορισμός της αποτελεί πρόκληση και ορισμοί όπως ο παραπάνω συχνά θεωρούνται πολύ γενικοί. Στη βιβλιογραφία υπάρχουν πολλοί τρόποι ορισμού της τηλεπισκόπησης. Δύο κοινά στοιχεία χαρακτηρίζουν αυτό το επιστημονικό πεδίο α) η έννοια της «συλλογής πληροφοριών» και β) η «παρατήρηση από απόσταση»

Τύποι και αιτίες των πλημμυρών

Η τηλεπισκόπηση έχει περάσει από πολλά στάδια για να φτάσει στο σημερινό της επίπεδο. Πρόκειται για ένα αρκετά εξελικτικό επιστημονικό πεδίο που βασίζεται σε διάφορους άλλους επιστημονικούς κλάδους, όπως τα μαθηματικά, η φυσική, η επιστήμη των υπολογιστών κ.λπ. Από την ανακάλυψη της φωτογραφίας τον 19ο αιώνα, έχει σημειωθεί σημαντική πρόοδος στην περιβαλλοντική τηλεπισκόπηση. Αν και είναι αρκετά δύσκολο να προσδιοριστεί με ακρίβεια το σημείο εκκίνησης της τηλεπισκόπησης και τα εξελικτικά της στάδια, διακρίνονται πέντε βασικά στάδια κατά την ανάπτυξή της . Αν και η τηλεπισκόπηση αποτελεί δικό της τομέα, συχνά λειτουργεί συμπληρωματικά στις αναλύσεις των GIS, προσθέτοντας μοναδικές πληροφορίες και τεχνικές ανάλυσης. Υπάρχουν δύο τύποι RS, η ενεργητική και η παθητική και χρησιμοποιούνται γενικά για διαφορετικές εφαρμογές. Η ενεργητική RS περιλαμβάνει την αποστολή ενός σήματος και την αναμονή της επιστροφής του στον αισθητήρα. Το RADAR και το LIDAR είναι παραδείγματα ενεργητικών RS, καθώς στέλνουν ενέργεια, παλμούς μικροκυμάτων και λέιζερ αντίστοιχα και καταγράφουν τα σήματα καθώς αυτά αναπηδούν πίσω.

Μειονεκτήματα τηλεπισκόπησης

Πλεονεκτήματα τηλεπισκόπησης

03

Τηλεπισκόπηση για την παρακολούθηση και τον μετριασμό φυσικών καταστροφών

Η εδαφική υγρασία είναι μια κρίσιμη μεταβλητή για την κατανόηση των υδάτινων πόρων και των φυσικών κινδύνων, όπως οι πλημμύρες και οι κατολισθήσεις. Η ακριβής εκτίμηση των χωρικών και χρονικών διακυμάνσεων της υγρασίας είναι σημαντική για τις περιβαλλοντικές μελέτες και τη βελτίωση των προβλέψεων πλημμυρών, ιδίως σε μεσαίες και μεγάλες λεκάνες απορροής, όπου οι πλημμύρες συχνά προκαλούν καταστροφές. Η κατάσταση της επιφανειακής εδαφικής υγρασίας είναι κρίσιμη για την εκτίμηση της διήθησης ή της απορροής του βρόχινου νερού, οπότε η πληροφορία αυτή είναι ζωτικής σημασίας για τα μοντέλα πρόβλεψης πλημμυρών. Επιπλέον, η εδαφική υγρασία σε ορεινές περιοχές αποτελεί βασικό παράγοντα για τις κατολισθήσεις. Από τη δεκαετία του 1970, η έρευνα στον τομέα αυτό έχει χρησιμοποιήσει τεχνικές που καλύπτουν ολόκληρο το ηλεκτρομαγνητικό φάσμα, από το οπτικό έως τα μικροκύματα. οι τεχνικές αυτές διαφέρουν ως προς το εύρος του μήκους κύματος, την πηγή της ηλεκτρομαγνητικής ενέργειας, την απόκριση του αισθητήρα και τη φυσική σχέση μεταξύ απόκρισης και εδαφικής υγρασίας. Η χρήση της ηλιακής ακτινοβολίας μετρά την ανακλώμενη ηλιακή ακτινοβολία από την επιφάνεια της Γης. Ωστόσο, τα μικροκύματα και η θερμική υπέρυθρη ακτινοβολία έχουν χρησιμοποιηθεί συχνότερα για τον υπολογισμό της εδαφικής υγρασίας. Η χρήση της θερμικής ενότητας βασίζεται στη μέτρηση της επιφανειακής θερμοκρασίας του εδάφους και σε μεθόδους όπως η θερμική αδράνεια και ο δείκτης θερμοκρασίας/βλάστησης. Η θερμική αδράνεια είναι απλή και ακριβής σε περιοχές με ελάχιστη ή καθόλου βλάστηση. Συνοψίζοντας, η τηλεπισκόπηση μέσω ενεργών και παθητικών αισθητήρων παρέχει πολύτιμα δεδομένα για την εκτίμηση της εδαφικής υγρασίας, τη βελτίωση της πρόβλεψης φυσικών κινδύνων και τη διαχείριση των υδάτινων πόρων.

04

Ρομποτική

04

Εισαγωγή στη ρομποτική

Η ρομποτική, ένας διεπιστημονικός τομέας στη διασταύρωση της μηχανικής, της επιστήμης των υπολογιστών και της τεχνητής νοημοσύνης, διαδραματίζει ολοένα και πιο ζωτικό ρόλο στην αντιμετώπιση των πολύπλοκων προκλήσεων της διαχείρισης φυσικών καταστροφών. Τα ρομπότ έχουν σχεδιαστεί για να εκτελούν εργασίες που είναι επικίνδυνες, επαναλαμβανόμενες ή με άλλο τρόπο ακατάλληλες για τον άνθρωπο, γεγονός που τα καθιστά ανεκτίμητα σε σενάρια καταστροφών. Η εξέλιξη της ρομποτικής, η οποία καθοδηγείται από τις εξελίξεις στους αισθητήρες, τη μηχανική μάθηση και τα αυτόνομα συστήματα, έχει επεκτείνει τις δυνατότητες και τις εφαρμογές τους, επιτρέποντας αποτελεσματικότερες και αποδοτικότερες αντιδράσεις σε φυσικές καταστροφές. Στη διαχείριση καταστροφών, η ρομποτική μπορεί να επιτελέσει μια ποικιλία κρίσιμων λειτουργιών, από επιχειρήσεις έρευνας και διάσωσης έως περιβαλλοντική παρακολούθηση και επιθεώρηση υποδομών. Τα αυτόνομα μη επανδρωμένα αεροσκάφη, για παράδειγμα, μπορούν να ερευνήσουν γρήγορα τις πληγείσες περιοχές, παρέχοντας δεδομένα σε πραγματικό χρόνο και εικόνες υψηλής ανάλυσης που βοηθούν στη λήψη αποφάσεων και στις προσπάθειες συντονισμού. Τα επίγεια ρομπότ μπορούν να περιηγηθούν σε επικίνδυνα εδάφη για να εντοπίσουν επιζώντες, να παραδώσουν προμήθειες και να εκτελέσουν δομικές αξιολογήσεις. Επιπλέον, τα υποβρύχια ρομπότ είναι απαραίτητα για επιχειρήσεις σε πλημμυρισμένα ή βυθισμένα περιβάλλοντα.

Διαφορετικές κατηγορίες ρομποτικής στη διαχείριση καταστροφών Ρομπότ έρευνας και διάσωσης - Βοηθούν στον εντοπισμό και τη διάσωση επιζώντων σε καταρρεύσαντα κτίρια ή επικίνδυνες ζώνες. Ρομπότ πυρόσβεσης - Καταστολή πυρκαγιών και πρόληψη της εξάπλωσης της πυρκαγιάς με χρήση AI και αυτοματοποιημένη διασπορά νερού ή αφρού. Εναέρια μη επανδρωμένα αεροσκάφη - Παροχή επιτήρησης σε πραγματικό χρόνο, αξιολόγηση ζημιών και εντοπισμός κινδύνων από ψηλά. Υποβρύχια και αμφίβια ρομπότ - Βοηθήστε στη διάσωση από πλημμύρες και εκτιμήστε υποβρύχιες ζημιές. Ρομπότ επιθεώρησης και ανάκτησης - Αξιολογούν τη δομική ακεραιότητα και βοηθούν στον καθαρισμό των συντριμμιών μετά την καταστροφή.

Η ρομποτική βοηθά στην αντιμετώπιση καταστροφών ενισχύοντας τη διάσωση, την καταστολή πυρκαγιών και την εκτίμηση ζημιών με τεχνητή νοημοσύνη και αισθητήρες.

04

Ιστορία της Ρομποτικής

Η ρομποτική έχει προωθήσει σημαντικά την αντιμετώπιση καταστροφών, από τους πρώτους βιομηχανικούς αυτοματισμούς έως τα αυτόνομα συστήματα με τεχνητή νοημοσύνη. Τα ρομπότ βοηθούν στην έρευνα και διάσωση, στην εκτίμηση κινδύνων και στην αποκατάσταση κρίσεων. Οι βασικές εφαρμογές περιλαμβάνουν το Τσέρνομπιλ (1986), την 11η Σεπτεμβρίου (2001) και τη Φουκουσίμα (2011), όπου τα ρομπότ πλοηγήθηκαν σε επικίνδυνα περιβάλλοντα για να υποστηρίξουν τις ομάδες έκτακτης ανάγκης. Σήμερα, τα μη επανδρωμένα αεροσκάφη με τεχνητή νοημοσύνη, τα αυτόνομα οχήματα και τα ρομποτικά συστήματα ενισχύουν τη συλλογή δεδομένων σε πραγματικό χρόνο, τη δομική ανάλυση και την παροχή βοήθειας. Καθώς η τεχνολογία εξελίσσεται, η ρομποτική συνεχίζει να βελτιώνει τη διαχείριση καταστροφών, καθιστώντας τις αντιδράσεις ταχύτερες, ασφαλέστερες και αποτελεσματικότερες.

05

Iot και επικοινωνίες

05

Εισαγωγή στο IoT και τις επικοινωνίες

Το Διαδίκτυο των πραγμάτων έχει γίνει ένα πολύ δημοφιλές θέμα έρευνας και καινοτομίας κυρίως λόγω της πανταχού παρούσας μετατροπής της πληροφορικής. Οι φυσικές συσκευές έχουν γίνει «έξυπνες», καθώς είναι σε θέση να αντιλαμβάνονται, να επικοινωνούν με διάχυτο τρόπο και να αλληλεπιδρούν με το περιβάλλον τους προσφέροντας χρήσιμες εφαρμογές και λύσεις στην ανθρωπότητα. Σήμερα βρίσκουν εφαρμογές σε ένα ευρύ φάσμα δραστηριοτήτων όπως η υγεία, οι μεταφορές, η γεωργία, ο οικιακός και βιομηχανικός αυτοματισμός, το λιανικό εμπόριο και πολλά άλλα. Αναμένεται εκθετική αύξηση των δικτυακών συνδέσεων, η οποία θα πρέπει να διευκολύνεται από ισχυρά δίκτυα.

Θεμελιώδη χαρακτηριστικά του IoT και των επικοινωνιών

Διασυνδεσιμότητα: Οποιαδήποτε συσκευή IoT μπορεί να διασυνδεθεί με την παγκόσμια υποδομή πληροφοριών και επικοινωνιών. Υπηρεσίες που σχετίζονται με πράγματα: Το IoT παρέχει υπηρεσίες που αφορούν τα συνδεδεμένα «πράγματα» εντός των περιορισμών τους, όπως η προστασία της ιδιωτικής ζωής και η σημασιολογική συνοχή μεταξύ των φυσικών πραγμάτων και των συναφών εικονικών πραγμάτων. Ετερογένεια: Οι ετερογενείς συσκευές IoT με διαφορετικά χαρακτηριστικά υλικού και δικτύωσης συνδέονται και αλληλεπιδρούν με άλλες συσκευές ή πλατφόρμες σε διάφορους τύπους δικτύων. Δυναμικές αλλαγές: Κατά την περιπλάνηση και την αλληλεπίδραση σε ένα σύστημα IoT, οι συσκευές αλλάζουν δυναμικά την κατάστασή τους. Για παράδειγμα, κοιμούνται και ξυπνούν, συνδέονται ή αποσυνδέονται, ενώ αλλάζουν τη θέση και την ταχύτητά τους. Επιπλέον και εξίσου σημαντικό, ο αριθμός των συνδεδεμένων συσκευών αλλάζει δυναμικά. Τεράστια κλίμακα: Συνήθως ο αριθμός των συσκευών που πρέπει να διαχειριστούν και των συσκευών που επικοινωνούν μεταξύ τους είναι σημαντικά μεγαλύτερος από τις συσκευές που είναι συνδεδεμένες στο Διαδίκτυο. Αυτό πρακτικά σημαίνει ότι ο υποκείμενος ιστός του δικτύου επικοινωνίας πρέπει να είναι σε θέση να υποστηρίξει τον μεγάλο όγκο δεδομένων και τον ρυθμό και την ποιότητα που αυτά πρέπει να ανταλλάσσονται.

Όψεις του IoT

Χρήσιμοι ορισμοί

Αρχιτεκτονική IoT

Observation systems

Θεμελιώδη χαρακτηριστικά

Απαιτήσεις IoT

Συσκευές και εξαρτήματα IoT

Προκλήσεις IoT

IoT Challenges

Εφαρμογές IoT για φυσικές καταστροφές

Συλλογή δεδομένων σε πραγματικό χρόνο Η συλλογή δεδομένων σε πραγματικό χρόνο είναι ζωτικής σημασίας για την πρόβλεψη, την ανίχνευση και τη διαχείριση καταστροφών. Οι αισθητήρες που μετρούν την ποιότητα του αέρα, την υγρασία και τη θερμοκρασία βοηθούν τις αρχές να αξιολογήσουν τους κινδύνους και να λάβουν προληπτικά μέτρα. Διασυνδεδεμένες συσκευές Τα συστήματα IoT ενσωματώνουν ποικίλες συσκευές με διαφορετικές δυνατότητες για την κατανομή των πόρων και τη στρατηγική ανταπόκριση σε καταστροφές. Έγκαιρες προειδοποιήσεις & προβλέψεις Η τεχνητή νοημοσύνη και η μηχανική μάθηση αναλύουν δεδομένα σε πραγματικό χρόνο για την πρόβλεψη καταστροφών, επιτρέποντας την έγκαιρη παρέμβαση και σώζοντας ζωές. Κοινή χρήση & ανάλυση δεδομένων Η αποτελεσματική διαχείριση των καταστροφών απαιτεί συνεργασία μεταξύ των πρώτων ανταποκριτών, των αρχών και του κοινού μέσω της ανταλλαγής δεδομένων. Αλληλεπίδραση χωρίς άνθρωπο Τα μη επανδρωμένα αεροσκάφη και τα ρομπότ βοηθούν στην αντιμετώπιση καταστροφών εκτελώντας απομακρυσμένη παρακολούθηση, αναζήτηση και επέμβαση σε επικίνδυνες περιοχές. Έξυπνες υποδομές & ανθεκτικότητα Τα κτίρια με δυνατότητα IoT και δίκτυα αισθητήρων ενισχύουν την ανθεκτικότητα, παρακολουθώντας τις δομές, κλείνοντας τις υπηρεσίες κοινής ωφέλειας και ενεργοποιώντας τα συστήματα καταστολής πυρκαγιάς για τη μείωση των επιπτώσεων των καταστροφών.

06

Όραση Υπολογιστών

06

Όραση Υπολογιστών

Η υπολογιστική όραση επιτρέπει στις μηχανές να ερμηνεύουν και να αναλύουν οπτικά δεδομένα, αυτοματοποιώντας εργασίες όπως η ανίχνευση αντικειμένων, η κατάτμηση εικόνων και η τρισδιάστατη ανακατασκευή σκηνών. Οι εξελίξεις στην τεχνητή νοημοσύνη, την υπολογιστική ισχύ και τη βαθιά μάθηση, ιδίως τα CNN, έχουν φέρει επανάσταση στον τομέα αυτό, καθιστώντας τον αναπόσπαστο μέρος εφαρμογών όπως τα αυτόνομα οχήματα, η αναγνώριση προσώπου και η επαυξημένη πραγματικότητα.Στη διαχείριση καταστροφών, η όραση υπολογιστών ενισχύει τις ομάδες αντιμετώπισης, επιτρέποντας την παρακολούθηση σε πραγματικό χρόνο, την έρευνα και διάσωση και την εκτίμηση των ζημιών. Παρέχοντας ακριβή οπτικά δεδομένα, βοηθάει στη λήψη αποφάσεων κατά τη διάρκεια έκτακτων καταστάσεων.Αυτή η ενότητα έχει ως στόχο να βοηθήσει τους εκπαιδευτικούς να κατανοήσουν την όραση υπολογιστών, το ρόλο της στην αντιμετώπιση καταστροφών και τον τρόπο ενσωμάτωσής της στην εκπαίδευση, προετοιμάζοντας τους μαθητές να χρησιμοποιήσουν αυτές τις τεχνολογίες για την ετοιμότητα σε περίπτωση κρίσης.

06

Ιστορία της Όρασης Υπολογιστών

Η όραση υπολογιστών εμφανίστηκε τη δεκαετία 1960-70, εστιάζοντας στην ανάλυση εικόνων 2D και στη βασική αναγνώριση σχημάτων. Τη δεκαετία του 1980 εισήχθησαν η ανίχνευση κίνησης, η οπτική ροή και οι βιομηχανικές εφαρμογές. Τη δεκαετία του 1990, οι τεχνικές μηχανικής μάθησης, όπως το SVM και το PCA, βελτίωσαν την αναγνώριση προσώπων και την ανίχνευση αντικειμένων. Στη δεκαετία του 2000 σημειώθηκε η άνοδος των CNN, που έφεραν επανάσταση στην ανάλυση εικόνας με τη βαθιά μάθηση, με αποκορύφωμα το AlexNet (2012). Η δεκαετία του 2010 έφερε προηγμένες αρχιτεκτονικές (VGG, ResNet) και εφαρμογές στον πραγματικό κόσμο, όπως τα αυτόνομα οχήματα και η ιατρική απεικόνιση. τη δεκαετία του 2020, καινοτομίες όπως οι GANs, οι μετασχηματιστές και η μάθηση με αυτοεπίβλεψη ωθούν το πεδίο προς τα εμπρός. Το Generative AI επιτρέπει τη σύνθεση εικόνων, την επαύξηση δεδομένων και τις προσομοιώσεις με βάση το AI, ενισχύοντας την εκπαίδευση και τις εφαρμογές στον πραγματικό κόσμο. Η υπολογιστική όραση διαδραματίζει πλέον κρίσιμο ρόλο στη διαχείριση καταστροφών, την υγειονομική περίθαλψη και την περιβαλλοντική παρακολούθηση, επιλύοντας παγκόσμιες προκλήσεις.

Σας ευχαριστώ!

Useful Definitions

Device: In the IoT context, this is a piece of equipment must be able to communicate and could optionally sense, act, capture data, store data or process data. Its only mandatory capability is the communication. Thing: An object inside the IoT system which is capable of being identified and integrated into communication system. Physical Thing: An object of the physical world which is able of being sensed, actuated and connected is known as a physical thing (e.g. industrial robots, electrical equipment etc.) Virtual Thing: An object in the information world capable of being stored, processed and accessed is known as virtual thing. For example, multimedia content, application software etc. Internet of Things: A global information infrastructure which enables advanced services by interconnecting Things (Physical and/or virtual) based on existing and/or evolving interoperable technologies. The IoT includes functions for identification, data capture, processing, and communication to offer different kinds of applications whilst ensuring security and privacy.

Fundamental Characteristics

Interconnectivity: Any IoT device can be interconnected with the global Information and Communication Infrastructure. Things-related services: The IoT provisions services which concern the connected “things” within their constraints such as privacy protections and semantic consistency between physical things and their associated virtual things. Heterogeneity: Heterogeneous IoT devices with different hardware and networking characteristics get connected and interact with other devices or platforms on various types networks. Dynamic Changes: While roaming and interacting in an IoT system, devices change their state dynamically. For example, sleeping and waking up, get connected or disconnected while changing their location and speed. Additionally and equally important the number of connected devices changes dynamically. Enormous scale: Usually the number of devices that need to be managed and that of the devices that communicate with each other is significantly larger than the ones that are connected to the Internet. This practically means that the underlying communication network fabric needs to be able to support the high volume of data and the rate and quality that this needs to be exchanged.

Business Intelligence (BI)

AI-powered BI tools enhance data collection, analysis, and visualization, improving decision-making and productivity while reducing costs. Data Collection: Gathering structured (e.g., databases) and unstructured data (e.g., text, images). Data Analysis: Identifying patterns, trends, and relationships in data. Data Visualization: Creating visual representations for easier comprehension. Decision-Making: Providing insights and recommendations to support data-driven decisions.

Education

AI can personalize learning, enhance student engagement, and automate administrative tasks: Personalized Learning: Adapting learning experiences based on student progress. Improved Engagement: Providing interactive learning experiences and real-time feedback. Administrative Tasks: Automating tasks like grading and scheduling to free up teacher time.

Generic Applications

Natural Language Processing (NLP): NLP enables computers to understand and generate human language. Applications include machine translation, spam filtering, and sentiment analysis. Computer Vision: Computer vision allows computers to interpret visual content, used in applications like self-driving cars, facial recognition, and object detection. Machine Learning (ML): ML enables computers to learn from data and improve performance over time. Applications include predictive analytics, fraud detection, and recommendation systems. Robotics: Robotics involves designing, constructing, and operating robots for applications such as manufacturing, healthcare, and space exploration.

Manufacturing

AI improves manufacturing efficiency, productivity, and quality control: Improved Efficiency: Automating tasks such as assembly and inspection. Increased Productivity: Optimizing production processes. Quality Improvement: Detecting defects and enhancing quality control.

IoT Devices and Components

Regarding the processing capabilities devices are classified as: Devices with no processing capability: Passive devices, usually low-cost and with no microcontrollers. A typical example is an RFID. Devices with low processing capabilities: Their processing capabilities are limited to the reading and writing data from or to sensors and actuators and sending this data to IoT applications, but they are not able to make decisions or run complex algorithm. They are typically low cost and usually embed a very low-power and low-cost microcontroller. A typical example is a smart light or a door sensor. Devices with high procession capabilities: They have enough processing power to enable them to make decisions and run complex algorithms. They are typically high cost as they employ a powerful microcontroller. (e.g. a smart cooling system, or a smart thermostat) Regarding the connectivity capabilities devices can be classified as: Devices with low connectivity: This kind of devices do not connect directly to the communication network to transfer the data but instead they rely on additional elements (e.g. gateway) to perform communications tasks (e.g. protocol translation or internet connectivity). Devices with High connectivity: They have the hardware and ability to directly connect to the network to transfer the data.

IoT Architecture

A physical thing can be mapped (or represented) by one or more virtual things in the Information domain. Information is being collected by physical devices (or things) in the physical world and is sent to Communication Networks and the Information domain for further processing. Devices may communicate with each other either via the communication network (with or without a gateway) or directly without using the communication network or combinations of these communication links. The exchange of information not only happens between physical things in the Physical world but also between virtual things in the Information World. The communication networks provide capabilities for reliable and efficient data transfer. The network infrastructure may be implemented or realized via existing networking technologies (e.g., TCP-IP networks) or evolving networks following the current telecommunication trends.

Other Applications

Beyond these sectors, AI is used across various industries: Retail: Personalizing shopping experiences and managing inventory. Transportation: Developing self-driving cars and improving traffic management. Energy: Enhancing energy efficiency and predicting demand. Government: Improving public safety, crime detection, and citizen services.

IoT Challenges

Scalability: Many contemporary IoT Applications and Systems include very large numbers of connected devices. As these networks grow, device management and coordination become increasingly challenging, as in many cases the rapid growth of connected nodes or the increased number of data flow might require substantial infrastructure changes. Solution: One solution could be to use scalable architectures like edge computing, and distributed processing, and employ load balancing for the efficient handling of numerous devices. Network Congestion: This is also related to the scalability problem mentioned above since the increased number of connected devices might cause traffic/congestion in the network which will degrade the quality of service given the increase in the packet loss, the associated delays and other issues. Solution: Possible solutions include the optimization of communication protocols, the use data compression and prioritization of critical data Security: IoT devices are typically operated on low-power, low-processing capability electronics which does not allow for security mechanisms to be efficiently implemented on them. Given the significant increase in firmware vulnerabilities, IoT devices usually make the perfect back door to enter a secure network. Solution: Implement encryption, authentication, access controls, and regular updates. Use intrusion detection and anomaly detection for early identification of security threats. Device Management. Managing numerous IoT devices becomes large especially if they are heterogeneous, and come with many complicated features, authentication mechanisms, update requirements etc. Solution: Employ device management platforms for automated tasks like updates and monitoring. Implement standardized protocols such as MQTT and CoAP. Interoperability:Typically, in large IoT systems, the various components (sensors, actuators, microcontrollers etc) might come from different vendor and given the not so standardized IoT framework they may create interoperability issues.. Adjustments may be needed when adding new hardware and software to maintain functionality and accommodate innovative technology. Solution: A possible solution is to Adopt industry standards for communication and data formats. Use middleware solutions to handle different protocols. Power Consumption: There exist many IoT applications that are installed in remote places or in spaces where providing power to them could be very challenging (e.g. at the bottom of the lake to monitor pollution). This means that either we need have batteries that last for a long time or to limit power consumption but ideally both. Solution: Optimize communication protocols, use low-power technologies like LPWAN, and design energy-efficient hardware or push some functionality to a central processing unit. Data Privacy: A big concern in IoT Systems is about what happens with the collected data especially if they are sensitive ones (e.g. heath data in an IoT e-health system). Solution: Use encryption, data anonymization, and explicit privacy policies in practice. Respect laws like the GDPR and HIPAA.

Healthcare

AI aids in disease diagnosis, treatment development, and personalized care: Disease Diagnosis: Analysing patient data for early and accurate disease detection. Treatment Development: Using data to develop new drugs and therapies. Personalized Care: Tailoring treatment plans based on individual patient data.

Remote Sensing Advantages

As can be seen from the historical review, remote sensing has significantly improved in terms of recording data related to space, time and radiation. This means that the Earth's surface is frequently recorded at higher spatial resolutions and more parts of the electromagnetic spectrum. Remote sensing is considered a modern, specialized tool that finds applications in many scientific subjects, including environmental sciences, forestry, geology, archaeology, oceanography, etc. Among the advantages that justify the use of remote sensing for acquiring and processing data from our planet, the following are considered very significant.​ Summary Coverage: A satellite image covers a large area, requiring hundreds of aerial photographs and even more thousands of hours of sample collection. Repeated Coverage: The frequency of recordings is very important, especially in analyses of various series. The frequency, similar to the satellite system, varies from a few hours to several days. Accessibility: In remote or inaccessible areas, such as examples of desert areas, oceans, tropical forests, etc., remote sensing provides the possibility of collecting and analyzing data. Data Homogeneity: Information and data recorded by satellite systems provide uniform data regarding the spatial and visual performance of the recording objects and data. Multispectral Data Characteristics: Data recorded in different parts of the electromagnetic spectrum provide more possibilities for the display of the desired information. Digital Data Form: It offers the possibility of digital analysis using specialized software in all the advantages that this entails. Recording Time Duration: The required recording time is very short, which means a minimum change in spatial and visual alterations that may arise from environmental changes. Data Cost: The relatively low cost of recording data combined with the capabilities they offer is also a significant advantage.

Remote Sensing Disadvantages

Although significant progress has been made since the advent of remote sensing, some problems related to its application in environmental issues remain unsolved. One of the most serious problems concerns the recorded data, which contain errors due to atmospheric conditions, the topography of the area and the functioning of the satellite system. These errors are related to differences between the actual and the satellite-recorded reflected radiation. It is very important for the further successful application of these data to adapt the data as closely as possible to the actual values, especially in cases where the analysis concerns temporal studies. Another problem that scientists face is the difficulty in understanding the nature and mechanism of even very simple relationships and interactions between the radiation recorded by the satellite and the target objects. The changes that occur in the conditions of the atmosphere, lithosphere and hydrosphere are so large in spatial and temporal dimensions and the mechanisms of interaction between energy and matter are so complex, that simple object-detector relationships are difficult to determine.

Finance:

AI applications in finance include personalized services, risk management, and operational automation: Risk and Fraud Detection: Identifying potentially fraudulent activities swiftly. Personalized Recommendations: Offering tailored financial advice and services. Document Processing: Extracting and analysing data from documents for tasks like loan processing.

IoT Requirements

Identification-based connectivity: There needs to be a support for the “Things” to be connected to the IoT based on their identifiers (IDs) which might be heterogeneous hence some unified processing is required. Interoperability: Interoperability between heterogeneous and distributed systems needs to be ensured. Automatic Networking: The IoT network infrastructure should provide control functions for automatic networking including self-management, self-configuration, self-healing, self-optimization and self-protection, to be able to support and facilitate adaptation in different application domains, different communication environments and larger numbers and types of devices. Autonomic services provisioning: Services need to be provided by automatically capturing, communicating and processing of the data of the “Things” according to the rules configured by the operators and/or configured by the subscribers. Location-based capabilities: Localization is a key enabling technology in IoT as location-based services must be supported. Things should be able to track their position to facilitate the provision of services which depend on their location. Security: The ability of any Thing to connect at any time and any place generates significant security threats against CIA (Confidentiality, Integrity and Authenticity) for both data and services. Therefore, there is an important requirement to integrate different security policy and measures related to the things and their communication in an IoT framework. Privacy protection: Data acquired by “Things” may contain private information of their owners and/or their users. Therefore, privacy protection must be supported during transmission, aggregation, storage, mining and processing of this data while not setting a barrier to data source authentication. High quality and highly secure human body related services: Services which are based on the capturing, communicating, and processing of data related to human behaviour (e.g. exercise, health, location etc.) automatically or through human intervention should be offered while guaranteeing high quality, accuracy and security. Plug and Play: It is important for IoT systems to support plug and play capability in order to enable or facilitate on-the-fly generation, composition and acquisition of semantic-based configurations to seamlessly integrate an internetwork of things with the respective applications and efficiently respond to these applications’ requirements. Manageability: Applications in an IoT systems usually need to work automatically without the intervention or participation of people and therefore the whole operation process needs to be manageable by the relevant entities in order to ensure normal network operations.