Някои от най-големите имена в изследванията на изкуствения интелект нскоро начертаха пътна карта, която предполага как машинното обучение може да помогне да спасим планетата и човечеството от непосредствената опасност на климатичните промени.
Докладът, представен от MIT Technology Review, обхваща възможните интервенции на машинното обучение в 13 области – от електроенергийните системи, през стопанствата и горите, до прогнозирането на климата. Във всяка област анализът разкрива приноса на различни поддисциплини в машинното обучение, включително компютърното зрение, обработката на естествените езици и др.
Препоръките на учените са разделени в три категории: „висок резултат” за проблеми, които са подходящи за машинно обучение, където интервенциите могат да имат особено голямо въздействие; „дългосрочни” за решения, които няма да имат видим резултат по-рано от 2040 г.; и „висок риск” за дейности, които ще имат по-неясни резултати, било то защото технологията не е достатъчно зряла, или защото не се знае достатъчно, за да може да се направи оценка на последствията.
Ето ги и самите препоръки:
- Подобряване на прогнозите на нуждите от електроенергия
Ако ще разчитаме на повече възобновяеми енергийни източници, комуналните дружества ще се нуждаят от по-добри средства за прогнозиране на необходимото количество енергия в реално време и в дългосрочен план. Вече съществуват алгоритми, които могат да прогнозират търсенето на енергия, но те могат да бъдат подобрени, като се вземат предвид по-фините местни метеорологични и климатични модели и поведението на домакинствата.
Усилията да се направят алгоритмите по-понятни могат да помогнат на операторите на комунални услуги да интерпретират резултатите по-добре и да ги използват при планирането на включването на повече възобновяеми източници.
- Откриване на нови материали
Учените сe надпреварват в разработването на материали, които съхраняват, събират и използват енергията по-ефективно. Но процесът на откриване и проектиране на подобни материали обикновено е бавен и трудени. Машинното обучение може да ускори процеса чрез намиране, проектиране, тестване и оценяване на нови химически структури с желаните свойства.
Това би могло, например, да помогне за създаване на нови батерии за съхраняване на енергията, добита от слънчевата светлина, за проектиране на вещества, които по-ефективно абсорбират въглероден диоксид, и т.н. Новите структури могат да имат и „странично” полезно действие за човека, например да се използват за строеж на сгради.
- Оптимизиране на маршрутите за превоз на товари
Доставката на стоките по всички части на света е сложен и често пъти доста неефективен процес. Той включва взаимодействие на различните размери пратки, различните видове транспорт, постоянно променящата се мрежа от изпращачи и получатели. Машинното обучение може да помогне много за намирането на начини да се обединяват възможно най-много пратки и да се минимизира общият брой пътувания. Такава система би била по-устойчива и при временни прекъсвания на транспортните услуги.
- Намаляване на бариерите пред навлизането на електрическите превозни средства
Електрическите превозни средства, разглеждани като решаващ фактор за декарбонизирането на транспорта, срещат няколко предизвикателства, свързани с възприемането им в ежедневието. Тук може да помогне отново машинното обучение.
Алгоритмите могат да подобрят управлението на енергията за захранване на батериите, за да увеличат пробега на всяка кола при всяко нейно зареждане, и да намалят безпокойството на шофььорите относно недосттига на енергия в батерията.
Компютърните механизми могат също да моделират и прогнозират агрегираното поведение на потребителите във връзка със зареждането, за да помогнат на мрежовите оператори да посрещнат и управляват товара.
- По-ефективни сгради
Интелигентните системи за сградно управление могат драстично да намалят енергийното потребление на постройката. Те следва да вземат предвид прогнозите за времето, заетостта на сградата, както и редица други условия на околната среда, за да управляват и коригират постоянно подаваните отопление, охлаждане, вентилация и осветление.
Интелигентната сграда би могла също така да общува директно с мрежата, за да се намали количеството енергия, която използва, ако в даден момент има недостиг на нисковъглеродно електроснабдяване.
- По-добри оценки за консумацията
Много региони по света имат малко или даже изобщо нямат данни за своето потребление на енергия и за емисиите си на парникови газове. А това може да бъде пречка за разработването и прилагането на ефективни стратегии за намаляване на емисиите.
Техниките за компютърно зрение могат да извлекат „отпечатък” на сградния фонд чрез сателитни и термовизионни изображения и да оценят консумацията на енергия на ниво сграда, квартал, град. Същите техники биха могли и да определят кои сгради следва да бъдат модернизирани, за да се постигне максимална енергийна ефективност.
- Оптимизиране на веригите за доставки
По същия начин, по който машинното обучение може да оптимизира маршрутите на доставките на стоки, то може и да намали до минимум неефективността – и въглеродните емисии – при веригите за доставки в хранително-вкусовата, модната и потребителската промишленост. По-доброто прогнозиране на търсенето и предлагането би трябвало значително да намали отпадъците от производството и транспорта. Целенасочените и фокусирани препоръки на нисковъглеродни продукти биха могли да насърчат по-екологичното потребление.
- Прецизно земеделие в мащаб
Голяма част от съвременното земеделие е доминирано от монокултурите – практиката да се произвежда една единствена реколта върху голяма територия земя. Този подход улеснява земеделските стопани, но също така съсипва почвата – лишава я от хранителни вещества и намалява нейната производителност. В резултат на това много земеделски стопани разчитат предимно на изкуствени азотни торове. Те обаче лесно се преобразуват в азотен оксид – парников газ, който е 300 пъти по-мощен от въглеродния диоксид.
Роботите, които използват софтуер за машинно обучение, могат да помогнат на фермерите да управляват по-ефективно комбинациите от култури в голям мащаб, докато алгоритмите за обработка на данните могат да помогнат на фермерите да предскажат какви култури да засадят, регенерирайки почвите и намалявайки необходимостта от торове.
- По-добро проследяване на обезлесяването
Обезлесяването допринася за около 10% от глобалните емисии на парникови газове. Проследяването и предотвратяването му обикновено е тежък и труден процес, който се извършва на място. Сателитните изображения и компютърното зрение могат да анализират загубата на дървесна покривка в много по-голям мащаб, а сензори на земята, комбинирани с алгоритми за откриване на звуци от верижни триони, могат да помогнат на местните правоприлагащи органи да пресекат незаконната дейност.
- Промяна на навиците за пазаруване
Техники, които рекламодателите от години използват успешно за насочване на потребителите, могат да бъдат приложени, за да ни помагат да се държим по-екологично. Например, потребителите могат да получат предложения за специализирани интервенции с цел подобряване на пестенето на енергия.
Що не вземем да я взривим тая Земя, че да се кротнат всички накрая… няма да мислим за емисии, земеделие и супермаркети…
…или като в Терминатор! Да изтрепе материала и да не остане кой да замърсява….
Всички хипотетични предложения в статията са толкова сложни и трудоемки /и не особено ефективни/, че един изкуствен интелект може да избере най-ефективния метод, просто като изтреби всички, които цапат. Какво мислите?