Как изкуственият интелект може да спаси планетата

Технологиите с изкуствен интелект могат да помогнат по много начини на хората да се справят с опасността от климатичните промени (снимка: CCO Public Domain)

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:

1. 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.