Η διαχείριση κρίσεων αποτελεί μια σύνθετη διαδικασία λήψης αποφάσεων υπό συνθήκες έντονης αβεβαιότητας. Στο πλαίσιο αυτό, η επιστήμη των αποφάσεων, συνδυάζοντας τη στατιστική, την επιχειρησιακή έρευνα και τη μηχανική μάθηση, αντιμετωπίζει τις κρίσεις ως προβλήματα βελτιστοποίησης. Ο στόχος είναι η εξισορρόπηση πολλαπλών στόχων, περιορισμών και περιορισμένου χρόνου, με απώτερο σκοπό την ελαχιστοποίηση των ζημιών και την προστασία ανθρώπων, υποδομών και πόρων. Ένα σύγχρονο εργαλείο υποστήριξης αποφάσεων λειτουργεί πρακτικά σαν ένας ψηφιακός χάρτης, ο οποίος συγκεντρώνει δεδομένα σε πραγματικό χρόνο -όπως οι θέσεις του προσωπικού, οι διαθέσιμοι πόροι και οι καιρικές συνθήκες- παράγοντας εναλλακτικά σενάρια δράσης με πιθανολογικές εκτιμήσεις για το αποτέλεσμα κάθε επιλογής.
Η διαδικασία διαχείρισης κινδύνων και κρίσεων ακολουθεί συνήθως διακριτά στάδια: την αναγνώριση του κινδύνου, την ανάλυση και αξιολόγησή του, την προτεραιοποίηση, την αντιμετώπιση, την παρακολούθηση, την αναθεώρηση και, τέλος, την επικοινωνία και αναφορά. Στο στάδιο της ανάλυσης, αξιοποιούνται ιστορικά δεδομένα και προσομοιώσεις -όπως δεδομένα από το ευρωπαϊκό σύστημα Copernicus- για να προβλεφθεί, για παράδειγμα, η ταχύτητα και η πορεία εξάπλωσης μιας πυρκαγιάς ανάλογα με τη φορά και την ένταση του ανέμου. Στη συνέχεια, τα μοντέλα βελτιστοποίησης αναλαμβάνουν να προτείνουν την αποδοτικότερη κατανομή των περιορισμένων πόρων, όπως είναι οι διαθέσιμες δυνάμεις πυρόσβεσης και τα οχήματα.
Ωστόσο, η τεχνολογία από μόνη της δεν επαρκεί, καθώς ο ανθρώπινος παράγοντας παραμένει καθοριστικός. Υπό συνθήκες ακραίας πίεσης, ο πανικός μπορεί να εμποδίσει τη σωστή χρήση των εργαλείων. Για την αντιμετώπιση αυτού του φαινομένου, αξιοποιούνται εξειδικευμένα εικονικά περιβάλλοντα (scenario builders), τα οποία επιτρέπουν την εκπαίδευση των πρώτων ανταποκριτών (first responders) και των φοιτητών. Μέσω αυτών των προσομοιώσεων, οι εμπλεκόμενοι έρχονται αντιμέτωποι με εικονικές κρίσεις διαφορετικών διαβαθμίσεων κινδύνου, εξασκούμενοι στη λήψη αποφάσεων χωρίς πραγματικές συνεπείς επιπτώσεις. Η προσέγγιση αυτή βασίζεται στο μοντέλο «human-in-the-loop», όπου η εμπειρία και η γνώση των ανθρώπων ενσωματώνονται για να ενισχύσουν την κρίση τους και όχι να την αντικαταστήσουν.
Ιδιαίτερη έμφαση δίνεται στα ζητήματα αξιοπιστίας, διαφάνειας και εξηγησιμότητας των αλγορίθμων. Τα συστήματα τεχνητής νοημοσύνης εγκυμονούν κινδύνους, όπως η εσφαλμένη τροφοδοσία δεδομένων ή η υπερ-εμπιστοσύνη στις προτάσεις τους. Για τη διασφάλιση της ακρίβειας, εφαρμόζονται ποσοτικά κριτήρια όπως ο δείκτης F1, αυστηρά stress tests, καθώς και περιβάλλοντα τύπου Champion-Challenger, όπου πολλαπλά μοντέλα μηχανικής μάθησης ανταγωνίζονται μεταξύ τους για να αναδείξουν την καλύτερη απόδοση. Η διαφάνεια στον τρόπο με τον οποίο το μοντέλο καταλήγει σε μια απόφαση είναι κρίσιμη, ενώ η τελική ευθύνη παραμένει πάντοτε στον άνθρωπο και τον οργανισμό.
Σε επίπεδο ελληνικής πραγματικότητας, διαπιστώνεται ένα σημαντικό χάσμα. Παρόλο που σε ευρωπαϊκό επίπεδο αναπτύσσονται πολυάριθμες ερευνητικές προτάσεις και προηγμένα εργαλεία, αυτά σπάνια απορροφώνται στην καθημερινή πρακτική της πολιτείας. Η υστέρηση αυτή αποδίδεται σε ένα πλέγμα δυσκολιών που αφορούν τις υποδομές, την απουσία σταθερών θεσμικών διαδικασιών και την κουλτούρα συνεργασίας. Για την άμεση βελτίωση της ετοιμότητας, προτείνεται η δημιουργία συντονισμένων κέντρων δεδομένων και αξιολόγησης, όπου ακαδημαϊκοί φορείς και οργανισμοί θα μπορούν να μοιράζονται δεδομένα και να δοκιμάζουν εργαλεία σε πραγματικές συνθήκες. Με αυτόν τον τρόπο, η ακαδημαϊκή γνώση και η διαθέσιμη υπολογιστική ισχύς μπορούν να μετασχηματιστούν σε πρακτικές λύσεις υψηλού κοινωνικού αντίκτυπου.
