Još jedan primer kako veštačka inteligencija pronalazi nove i korisne uzorke u kompleksnim skupovima podataka. Svima je poznato da posle glavnog zemljotresa, opasnost nije prošla. Mali, propratni udari koje je pokrenuo glavni talas mogu još mesecima da tutnje po ugroženoj oblasti i poruše građevine koje su ozbiljno oštetio glavni nalet. Naučnici donekle mogu da predvide snagu i vreme tih dodatnih potresa, ali precizno utvrđivanje lokacije uvek je bilo prilično teško. Novo istraživanje koje su sproveli naučnici sa Harvarda i iz Gugla pokazuje da bi veštačka inteligencija mogla da bude od pomoći u tom slučaju.
U izveštaju koji je objavljen u časopisu „Priroda“ (Nature) istraživači su pokazali kako duboko učenje može da pomogne u predviđanju lokacije naknadnih potresa mnogo pouzdanije od postojećih modela. Naučnici su obučili neuronsku mrežu da traži uzorke u bazi podataka koja sadrži više od 131.000 događaja koji se sastoje od „glavnog potresa i naknadnog potresa“ pre nego što su testirali njenu moć predviđanja na bazi podataka koja se sastoji od 30.000 sličnih parova.
Mreža dubokog učenja je bila mnogo pouzdanija od najboljeg postojećeg modela. Na skali od 0 do 1, gde 1 označava savršeno precizan model, a 0,5 verovatnoću koja se javlja pri bacanju novčića – postojeći model je postigao rezultat od 0,583, a novi sistem zasnovan na veštačkoj inteligenciji 0,849. Profesor Brendan Mid sa Harvarda, koji je pomogao autoru izveštaja, kaže da rezultati obećavaju. „Postoje tri podatka koja želite da saznate o zemljotresima“, kaže Mid. „Kada će se dogoditi, koliko će biti jaki i gde će se dogoditi. Pre ovog istraživanja, imali smo empirijske zakone za vreme udara zemljotresa i njihovu jačinu. Sad se bavimo i trećim podatkom, a to je gde bi mogli da se dogode.“
Veštačka inteligencija je uspešna u ovom domenu zahvaljujući jednoj od osnovnih prednosti tehnologije, a to je sposobnost da otkrije uzorke koji su ostali neprimećeni u kompleksnim skupovima podataka. To je posebno važno u seizmologiji, gde je neverovatno teško uočiti veze između podataka. Seizmički događaji obuhvataju suviše promenljivih počevši od sastava tla u različitim oblastima, preko tipova interakcije između seizmičkih ploča do načina prenošenja energije putem talasa kroz zemlju. Izuzetno je teško sve to povezati. Naučnici kažu da njihov model dubokog učenja vrši predviđanja uzimajući u obzir faktor koji je poznat kao „fon Misesov kriterijum popuštanja“, kompleksni proračun koji se koristi da bi se predvidelo kad će materijali popustiti pod određenim uticajem. Mid je napomenuo da se taj faktor često koristi u metalurgiji, ali nikad nije bio popularan u nauci koja se bavi zemljotresima. Posle pronalaska novog modela, naučnici mogu da utvrde koliko im može koristiti.
Uprkos uspehu ovog istraživanja, model se još dugo neće biti primenjiv u realnim situacijama. Za početak, model zasnovan na veštačkoj inteligenciji usredsređuje se samo na naknadne potrese uzrokovane trajnim promenama u zemljištu, koje su poznate kao statičko opterećenje. Međutim, prateći potresi mogu biti izazvani i podzemnom tutnjavom koja se dešava kasnije i poznata je kao dinamičko opterećenje. Postojeći model je suviše spor da bi mogao uspešno da funkcioniše u realnom vremenu. To je veoma važno jer se većina pratećih potresa dešava dan posle glavnog udara, pre nego što im se učestalost smanji za polovinu svakog narednog dana. Potrebno je još mnogo rada i istraživanja da bismo mogli da predvidimo naknadne potrese, ali potencijal mašinskog učenja ovde može da dođe do izražaja.