211service.com
Her er 10 måter AI kan bidra til å bekjempe klimaendringer
Et rutenett over de forskjellige underdisiplinene innen maskinlæring og hvordan de kan bidra til å bekjempe klimaendringer. Ms. Tech | Miniatyrbilde: chuttersnap/Unsplash
Noen av de største navnene innen AI-forskning har lagt ut et veikart foreslår hvordan maskinlæring kan bidra til å redde planeten vår og menneskeheten fra overhengende fare.
Rapporten dekker mulige maskinlæringsintervensjoner i 13 domener, fra elektrisitetssystemer til gårder og skog til klimaprediksjon. Innenfor hvert domene bryter den ut bidragene for ulike underdisipliner innen maskinlæring, inkludert datasyn, naturlig språkbehandling og forsterkende læring.
Anbefalingene er også delt inn i tre kategorier: høy innflytelse for problemer som er godt egnet for maskinlæring der slike intervensjoner kan ha spesielt stor innvirkning; langsiktig for løsninger som ikke vil ha uttelling før 2040; og høy risiko for sysler som har mindre sikre utfall, enten fordi teknologien ikke er moden eller fordi det ikke er nok kjent til å vurdere konsekvensene. Mange av anbefalingene oppsummerer også eksisterende innsats som allerede pågår, men som ennå ikke er i omfang.
Rapportens samling ble ledet av David Rolnick, en postdoktor ved University of Pennsylvania, og rådgitt av flere høyprofilerte personer, inkludert Andrew Ng, medgründer av Google Brain og en ledende AI-gründer og pedagog; Demis Hassabis, grunnlegger og administrerende direktør i DeepMind; Jennifer Chayes, administrerende direktør for Microsoft Research; og Yoshua Bengio, som nylig vant Turing-prisen for sine bidrag til feltet. Mens forskerne tilbyr en svært omfattende liste over noen av de viktigste områdene der maskinlæring kan bidra, bemerker de også at det ikke er en sølvkule. Til syvende og sist vil politikk være hoveddriveren for effektiv storstilt klimatiltak.
Her er bare 10 av anbefalingene med høy innflytelse fra rapporten. Les hele versjonen av den her .
1. Forbedre spådommer om hvor mye strøm vi trenger
Hvis vi skal stole på flere fornybare energikilder, vil verktøy trenge bedre måter å forutsi hvor mye energi som trengs, i sanntid og på lang sikt. Algoritmer eksisterer allerede som kan forutsi energibehovet, men de kan forbedres ved å ta hensyn til finere lokale vær- og klimamønstre eller husholdningsadferd. Forsøk på å gjøre algoritmene mer forklarlige kan også hjelpe operatører av verktøy med å tolke resultatene deres og bruke dem til å planlegge når de skal bringe fornybare kilder på nettet.
2. Oppdag nye materialer
Forskere må utvikle materialer som lagrer, høster og bruker energi mer effektivt, men prosessen med å oppdage nye materialer er vanligvis langsom og upresis. Maskinlæring kan akselerere ting ved å finne, designe og evaluere nye kjemiske strukturer med de ønskede egenskapene. Dette kan for eksempel være med på å skape solbrensel , som kan lagre energi fra sollys, eller identifisere mer effektive karbondioksidabsorbenter eller strukturelle materialer som krever mye mindre karbon å lage. Sistnevnte materialer kan en dag erstatte stål og sement – produksjonen av disse utgjør nesten 10 % av alle globale klimagassutslipp.
3. Optimaliser hvordan gods rutes
Forsendelse av varer over hele verden er en kompleks og ofte svært ineffektiv prosess som involverer samspillet mellom ulike forsendelsesstørrelser, ulike typer transport og et skiftende nett av opprinnelser og destinasjoner. Maskinlæring kan bidra til å finne måter å samle så mange forsendelser som mulig og minimere det totale antallet turer. Et slikt system vil også være mer motstandsdyktig mot transportforstyrrelser.
4. Lavere barrierer for bruk av elektriske kjøretøy
Elektriske kjøretøy, en nøkkelstrategi for dekarbonisering av transport, står overfor flere adopsjonsutfordringer der maskinlæring kan hjelpe. Algoritmer kan forbedre batterienergistyringen for å øke kjørelengden for hver ladning og redusere rekkeviddeangst, for eksempel. De kan også modellere og forutsi aggregert ladeatferd for å hjelpe nettoperatører med å møte og administrere lasten deres.
5. Bidra til å gjøre bygninger mer effektive
Intelligente kontrollsystemer kan dramatisk redusere en bygnings energiforbruk ved å ta hensyn til værmeldinger, bygningsbelegg og andre miljøforhold for å justere oppvarming, kjøling, ventilasjon og belysningsbehov i et innendørs rom. En smart bygning kan også kommunisere direkte med nettet for å redusere hvor mye strøm den bruker hvis det er mangel på lavkarbonstrømforsyning til enhver tid.
6. Lag bedre estimater for hvor mye energi vi bruker
Mange regioner i verden har lite eller ingen data om deres energiforbruk og klimagassutslipp, noe som kan være et stort hinder for å utforme og implementere effektive avbøtingsstrategier. Datasynsteknikker kan trekke ut bygningsfotavtrykk og egenskaper fra satellittbilder for å mate maskinlæringsalgoritmer som kan estimere energiforbruk på bynivå. De samme teknikkene kan også identifisere hvilke bygninger som bør ettermonteres for å maksimere effektiviteten.
7. Optimaliser forsyningskjeder
På samme måte som maskinlæring kan optimalisere fraktruter, kan den også minimere ineffektivitet og karbonutslipp i forsyningskjedene til mat-, mote- og forbruksvareindustrien. Bedre spådommer om tilbud og etterspørsel bør redusere produksjons- og transportavfallet betydelig, mens målrettede anbefalinger for lavkarbonprodukter kan oppmuntre til mer miljøvennlig forbruk.
8. Gjør presisjonslandbruk mulig i stor skala
Mye av dagens landbruk er dominert av monokultur, praksisen med å produsere en enkelt avling på et stort område. Denne tilnærmingen gjør det lettere for bøndene å administrere åkrene sine med traktorer og andre grunnleggende automatiserte verktøy, men den fjerner også næringsstoffer i jorda og reduserer produktiviteten. Som et resultat er mange bønder avhengige av nitrogenbasert gjødsel, som kan omdannes til lystgass, en drivhusgass som er 300 ganger kraftigere enn karbondioksid. Roboter som kjører på maskinlæringsprogramvare kan hjelpe bønder administrere en blanding av avlinger mer effektivt i stor skala, mens algoritmer kan hjelpe bøndene med å forutsi hvilke avlinger de skal plante når, regenerere helsen til landet deres og redusere behovet for gjødsel.
9. Forbedre sporing av avskoging
Avskoging bidrar til omtrent 10 % av globale klimagassutslipp, men sporing og hindring er vanligvis en kjedelig manuell prosess som foregår på bakken. Satellittbilder og datasyn kan automatisk analysere tapet av tredekke i mye større skala, og sensorer på bakken, kombinert med algoritmer for å oppdage motorsaglyder, kan hjelpe lokal politi med å stoppe ulovlig aktivitet.
10. Dytte forbrukere til å endre måten vi handler på
Teknikker som annonsører har brukt for å målrette forbrukere, kan brukes til å hjelpe oss med å oppføre oss på mer miljøbevisste måter. Forbrukere kan få skreddersydde intervensjoner for å fremme deres påmelding i energispareprogrammer, for eksempel.