Kunstig intelligens - en game changer for klimaændringer og miljø

Mens planeten fortsætter med at varme, klimaændringernes påvirkninger forværres. I 2016 der var 772 vejr- og katastrofehændelser, det tredobbelte antal, der fandt sted i 1980. Tyve procent af arterne står i øjeblikket over for udryddelse, og det tal kan stige til 50 procent i 2100. Og selvom alle lande holder deres klimaløfter i Paris, inden 2100, det er sandsynligt, at den gennemsnitlige globale temperatur vil være 3˚C højere end i førindustriel tid.

Men vi har et nyt værktøj til at hjælpe os med bedre at håndtere virkningerne af klimaændringer og beskytte planeten:kunstig intelligens (AI). AI refererer til computersystemer, der "kan fornemme deres omgivelser, tænke, lære, og handle i overensstemmelse med hvad de fornemmer og deres programmerede mål, "ifølge en rapport fra World Economic Forum, Udnyttelse af kunstig intelligens til jorden, forfattet af PwC UK.

I Indien, AI har hjulpet landmænd med at få 30 procent højere jordnøddeudbytte pr. hektar ved at give oplysninger om forberedelse af jorden, udbringning af gødning og valg af sådatoer. I Norge, AI hjalp med at skabe et fleksibelt og selvstændigt elektrisk net, at integrere mere vedvarende energi.

Og AI har hjulpet forskere med at opnå 89 til 99 procent nøjagtighed i at identificere tropiske cykloner, vejrfronter og atmosfæriske floder, hvoraf sidstnævnte kan forårsage kraftig nedbør og ofte er svære for mennesker at identificere på egen hånd. Ved at forbedre vejrudsigterne, disse typer programmer kan hjælpe med at holde folk sikre.

Hvad er kunstig intelligens, machine learning og deep learning?

Kunstig intelligens har eksisteret siden slutningen af ​​1950'erne, men i dag, AI's kapacitet forbedres hurtigt takket være flere faktorer:de enorme mængder data, der indsamles af sensorer (i apparater, køretøjer, tøj, etc.), satellitter og internettet; udvikling af mere kraftfulde og hurtigere computere; tilgængeligheden af ​​open source software og data; og stigningen i rigelige, billig opbevaring. AI kan nu hurtigt skelne mønstre, som mennesker ikke kan, lave forudsigelser mere effektivt og anbefale bedre politikker.

Den hellige gral af kunstig intelligens forskning er kunstig generel intelligens, hvornår computere vil være i stand til at ræsonnere, abstrakt, forstå og kommunikere som mennesker. Men det er vi stadig langt fra - det kræver 83, 000 processorer 40 minutter til at beregne, hvad en procent af den menneskelige hjerne kan beregne på et sekund. Det, der eksisterer i dag, er smal AI, som er opgaveorienteret og i stand til at gøre nogle ting, nogle gange bedre end mennesker kan gøre, såsom at genkende tale eller billeder og forudsige vejret. At spille skak og klassificere billeder, som i tagging af folk på Facebook, er eksempler på smal AI.

Når Netflix og Amazon anbefaler shows og produkter baseret på vores købshistorik, de bruger maskinlæring. Maskinelæring, som udviklede sig fra tidligere AI, involverer brugen af ​​algoritmer (sæt af regler, der skal følges for at løse et problem), der kan lære af data. Jo flere data systemet analyserer, jo mere nøjagtigt bliver det, efterhånden som systemet udvikler sine egne regler, og softwaren udvikler sig for at nå sit mål.

Dyb læring, en delmængde af maskinlæring, involverer neurale netværk, der består af flere lag af forbindelser eller neuroner, meget ligesom den menneskelige hjerne. Hvert lag har en separat opgave, og som information passerer igennem, neuronerne giver den en vægt baseret på dens nøjagtighed i forhold til den tildelte opgave. Det endelige resultat bestemmes af totalen af ​​vægtene.

Dyb læring gjorde det muligt for et computersystem at finde ud af, hvordan man identificerer en kat – uden noget menneskeligt input om kattens funktioner – efter at have "set" 10 millioner tilfældige billeder fra YouTube. Fordi dyb læring i det væsentlige foregår i en "sort boks" gennem selvlærende og udviklende algoritmer, imidlertid, videnskabsmænd ved ofte ikke, hvordan et system når frem til sine resultater.

Kunstig intelligens er en game changer

Microsoft mener, at kunstig intelligens, omfatter ofte maskinlæring og dyb læring, er en "game changer" for klimaændringer og miljøspørgsmål. Virksomhedens AI for Earth-program har forpligtet 50 millioner dollars over fem år til at skabe og teste nye applikationer til AI. Til sidst vil det hjælpe med at skalere op og kommercialisere de mest lovende projekter.

Columbia Universitys Maria Uriarte, professor i økologi, Evolution og miljøbiologi, og Tian Zheng, en statistikprofessor ved Data Science Institute, modtaget et Microsoft-stipendium til at studere virkningerne af orkanen Maria på El Yunque National Forest i Puerto Rico. Uriarte og hendes kolleger vil gerne vide, hvordan tropiske storme, som kan forværres med klimaændringer, påvirke udbredelsen af ​​træarter i Puerto Rico.

Orkanen Marias vinde beskadigede tusindvis af hektar regnskov, den eneste måde at afgøre, hvilke træarter der blev ødelagt, og hvilke der modstod orkanen i så stor skala, er ved at bruge billeder. I 2017 en NASA-overflyvning af Puerto Rico gav meget højopløselige fotografier af trækronerne. Men hvordan er det muligt at skelne en art fra en anden ved at se på en grøn masse ovenfra over så stort et område? Det menneskelige øje kunne teoretisk set gøre det, men det ville tage evigheder at behandle de tusindvis af billeder.

Holdet bruger kunstig intelligens til at analysere højopløselige fotografier og matche dem med Uriartes data - hun har kortlagt og identificeret hvert enkelt træ i givne plots. Ved at bruge grundinformationen fra disse specifikke plots, AI kan finde ud af, hvordan de forskellige træarter ser ud fra oven på flyover-billederne. "Så kan vi bruge den information til at ekstrapolere til et større område, " forklarede Uriarte. "Vi bruger plotdataene både til at lære [dvs. at træne algoritmen] og for at validere [hvor godt algoritmen yder]."

Det er vigtigt at forstå, hvordan skovenes udbredelse og sammensætning ændrer sig som reaktion på orkaner, fordi når skovene beskadiges, vegetation nedbrydes og udleder mere CO2 til atmosfæren. Når træerne vokser tilbage, da de er mindre, de lagrer mindre kulstof. Hvis klimaændringerne resulterer i mere ekstreme storme, nogle skove vil ikke komme sig, mindre kulstof vil blive lagret, og mere kulstof vil forblive i atmosfæren, forværre den globale opvarmning.

Uriarte siger, at hendes arbejde ikke kunne udføres uden kunstig intelligens. "AI kommer til at revolutionere dette felt, " sagde hun. "Det bliver mere og mere vigtigt for alt, hvad vi gør. Det giver os mulighed for at stille spørgsmål i en skala, som vi ikke kunne stille nedefra. Der er kun så meget, man kan [på jorden] ... og så er der områder, der simpelthen ikke er tilgængelige. Flyovers og AI-værktøjerne vil give os mulighed for at studere orkaner på en helt anden måde. Det er super spændende."

Endnu et projekt, udnævnt til Protection Assistant for Wildlife Security (PAWS) fra University of Southern California, bruger maskinlæring til at forudsige, hvor krybskytteri kan forekomme i fremtiden. I øjeblikket analyserer algoritmen tidligere rangerpatruljer og krybskytters adfærd ud fra kriminalitetsdata; et tilskud fra Microsoft vil hjælpe med at træne det til at inkorporere realtidsdata for at sætte rangers i stand til at forbedre deres patruljer.

I staten Washington, Længe leve Kings forsøger at genoprette faldende steelhead- og laksebestande. Med et tilskud fra Microsoft, organisationen vil forbedre en økosystemmodel, der indsamler data om laks og steelhead vækst, sporer fisk og havpattedyrs bevægelser, og overvåger havforholdene. Modellen vil hjælpe med at forbedre rugeri, høst, og økosystemstyring, og støtte habitatbeskyttelse og genopretningsindsats.

Hvordan AI bruges til energi

AI bruges i stigende grad til at styre uregelmæssigheden af ​​vedvarende energi, så mere kan inkorporeres i nettet; den kan håndtere strømudsving og også forbedre energilagringen.

Department of Energy's SLAC National Accelerator Laboratory, der drives af Stanford University, vil bruge maskinlæring og kunstig intelligens til at identificere sårbarheder i nettet, styrke dem forud for fiaskoer, og genoprette strømmen hurtigere, når der opstår fejl. Systemet vil først studere en del af nettet i Californien, analysere data fra vedvarende energikilder, batteriopbevaring, og satellitbilleder, der kan vise, hvor træer, der vokser over elledninger, kan forårsage problemer i en storm. Målet er at udvikle et net, der automatisk kan styre vedvarende energi uden afbrydelser og komme sig efter systemfejl med ringe menneskelig involvering.

Vindvirksomheder bruger kunstig intelligens til at få hver turbines propel til at producere mere elektricitet pr. rotation ved at inkorporere vejr- og driftsdata i realtid. På store vindmølleparker, forreste rækkes propeller skaber et kølvand, der mindsker effektiviteten af ​​dem bag dem. AI vil gøre det muligt for hver enkelt propel at bestemme vindhastigheden og retningen, der kommer fra andre propeller, og justere derefter.

Forskere ved Department of Energy og National Oceanic and Atmospheric Administration (NOAA) bruger kunstig intelligens til bedre at forstå atmosfæriske forhold for mere præcist at projicere vindmølleparkers energiudbytte.

Kunstig intelligens kan øge energieffektiviteten, også. Google brugte maskinlæring til at hjælpe med at forudsige, hvornår dets datacentres energi var mest efterspurgt. Systemet analyserede og forudsagde, hvornår brugere havde størst sandsynlighed for at se datasugende Youtube-videoer, for eksempel, og kunne derefter optimere den nødvendige køling. Som resultat, Google reducerede sit energiforbrug med 40 procent.

Gør byer mere beboelige og bæredygtige

AI kan også forbedre energieffektiviteten på byskalaen ved at inkorporere data fra smarte målere og Internet of Things (internettet af computerenheder, der er indlejret i hverdagsgenstande, sætter dem i stand til at sende og modtage data) for at forudsige energibehovet. Ud over, kunstige intelligenssystemer kan simulere potentielle zonelove, byggebekendtgørelser, og oversvømmelsessletter for at hjælpe med byplanlægning og katastrofeberedskab. En vision for en bæredygtig by er at skabe et "urban dashboard" bestående af realtidsdata om energi- og vandforbrug og tilgængelighed, trafik og vejr for at gøre byer mere energieffektive og beboelige.

I Kina, IBM's Green Horizon-projekt bruger et kunstig intelligens-system, der kan forudsige luftforurening, spore forureningskilder og udarbejde potentielle strategier til at håndtere det. Det kan afgøre, om for eksempel, det ville være mere effektivt at begrænse antallet af chauffører eller lukke visse kraftværker for at reducere forureningen i et bestemt område.

Et andet IBM-system under udvikling kunne hjælpe byer med at planlægge fremtidige hedebølger. AI ville simulere klimaet i byskala og udforske forskellige strategier for at teste, hvor godt de letter hedebølger. For eksempel, hvis en by ville plante nye træer, maskinlæringsmodeller kunne bestemme de bedste steder at plante dem for at få optimal trædække og reducere varmen fra fortovet.

Smart landbrug

Varmere temperaturer vil også have betydelige konsekvenser for landbruget.

Data fra sensorer i marken, der overvåger afgrødens fugtighed, jordsammensætning og temperatur hjælper AI med at forbedre produktionen og ved, hvornår afgrøder skal vandes. Inkorporerer disse oplysninger med oplysningerne fra droner, som også bruges til at overvåge forhold, kan hjælpe stadig mere automatiske kunstig intelligens-systemer med at finde de bedste tidspunkter at plante, sprøjte og høste afgrøder, og hvornår man skal afværge sygdomme og andre problemer. Dette vil resultere i øget effektivitet, øget udbytte, og lavere brug af vand, gødning og pesticider.

Beskyttelse af havene

Ocean Data Alliance arbejder med maskinlæring for at levere data fra satellitter og havudforskning, så beslutningstagere kan overvåge skibsfart, minedrift i havet, fiskeri, koralblegning eller udbrud af en marin sygdom. Med næsten realtidsdata, beslutningstagere og myndigheder vil være i stand til at reagere hurtigere på problemer. Kunstig intelligens kan også hjælpe med at forudsige spredningen af ​​invasive arter, følg havaffald, overvåge havstrømme, holde styr på døde zoner og måle forureningsniveauer.

Nature Conservancy samarbejder med Microsoft om at bruge kunstig intelligens til at kortlægge havets rigdom. Evaluering af den økonomiske værdi af havets økosystemtjenester – såsom høst af fisk og skaldyr, kulstoflagring, turisme og mere - vil gøre bedre bevarings- og planlægningsbeslutninger mulige. Dataene vil blive brugt til at bygge modeller, der tager højde for fødevaresikkerhed, jobskabelse og fiskeriudbytte for at vise værdien af ​​økosystemtjenester under forskellige forhold. Dette kan hjælpe beslutningstagere med at bestemme de vigtigste områder for fiskeproduktivitet og bevaringsindsats, samt afvejninger af potentielle beslutninger. Projektet har allerede kort og modeller for Mikronesien, Caribien, Florida, og udvider til Australien, Haiti, og Jamaica.

Mere bæredygtig transport på land

Efterhånden som køretøjer bliver i stand til at kommunikere med hinanden og med infrastrukturen, kunstig intelligens vil hjælpe bilister med at undgå farer og trafikpropper. I Pittsburgh, et kunstig intelligenssystem med sensorer og kameraer, der overvåger trafikstrømmen justerer trafiklys, når det er nødvendigt. Systemerne fungerer ved 50 vejkryds med planer om 150 mere, og har allerede reduceret rejsetiden med 25 procent og tomgang med mere end 40 procent. Mindre tomgang, selvfølgelig, betyder færre drivhusgasudledninger.

Til sidst, autonome AI-drevne delte transportsystemer kan erstatte personlige køretøjer.

Bedre klimaforudsigelser

Efterhånden som klimaet ændrer sig, nøjagtige fremskrivninger bliver stadig vigtigere. Imidlertid, klimamodeller producerer ofte meget forskellige forudsigelser, hovedsagelig på grund af, hvordan data er opdelt i diskrete dele, hvordan processer og systemer er parret, og på grund af den store variation af rumlige og tidsmæssige skalaer. Rapporterne fra det mellemstatslige panel om klimaændringer (IPCC) er baseret på mange klimamodeller og viser rækken af ​​forudsigelser, som så er gennemsnittet ud.

Gennemsnit af dem, imidlertid, betyder, at hver klimamodel vægtes lige meget. AI hjælper med at bestemme, hvilke modeller der er mere pålidelige ved at give ekstra vægt til dem, hvis forudsigelser i sidste ende viser sig at være mere nøjagtige, og mindre vægt til dem, der klarer sig dårligt. Dette vil bidrage til at forbedre nøjagtigheden af ​​klimaforandringer.

AI og deep learning forbedrer også vejrudsigten og forudsigelsen af ​​ekstreme begivenheder. Det er fordi de kan inkorporere meget mere af klimasystemets kompleksitet i den virkelige verden, såsom atmosfærisk og havdynamik og ocean- og atmosfærisk kemi, ind i deres beregninger. Dette skærper præcisionen af ​​vejr- og klimamodellering, gør simuleringer mere nyttige for beslutningstagere.

AI har mange andre anvendelser

AI kan hjælpe med at overvåge økosystemer og dyreliv og deres interaktioner. Dens hurtige behandlingshastigheder kan tilbyde næsten realtids satellitdata til at spore ulovlig skovhugst. AI kan overvåge drikkevandskvaliteten, styre boligernes vandforbrug, opdage underjordiske utætheder i drikkevandsforsyningssystemer, og forudsige hvornår vandplanter har brug for vedligeholdelse. Det kan også simulere vejrbegivenheder og naturkatastrofer for at finde sårbarheder i katastrofeplanlægning, bestemme hvilke strategier for katastrofeberedskab der er mest effektive, og sørge for katastrofeberedskabskoordinering i realtid.

Hvad er risiciene ved kunstig intelligens?

Mens kunstig intelligens gør os i stand til bedre at håndtere virkningerne af klimaændringer og beskytte miljøet ud over at transformere forretningsområderne, finansiere, sundhedspleje, medicin, lov, uddannelse og mere, det er ikke uden risici. Nogle fremtrædende personer som den afdøde fysiker Stephen Hawking og Teslas CEO Elon Musk har advaret om de eksistentielle farer ved ukontrolleret kunstig intelligens.

World Economic Forums rapport identificerede seks kategorier af AI-risiko:

• Ydeevne. Black box-konklusionerne fra AI er muligvis ikke forståelige for mennesker, og det kan derfor være umuligt at afgøre, om de er nøjagtige eller ønskelige. Dyb læring kan være risikabelt for applikationer såsom tidlige varslingssystemer for naturkatastrofer, hvor der er behov for mere sikkerhed.
• Sikkerhed. AI kan potentielt blive hacket, gør det muligt for dårlige skuespillere at blande sig med energi, transport, tidlig varsling eller andre afgørende systemer.
• Kontrol risici. Da AI-systemer interagerer autonomt, de kan producere uforudsigelige resultater. For eksempel, to systemer fandt på deres eget sprog, som mennesker ikke kunne forstå.
• Økonomiske risici. Virksomheder, der er langsommere til at adoptere AI, kan lide økonomiske konsekvenser, efterhånden som deres AI-baserede konkurrence udvikler sig. Vi ser allerede, hvordan murstens- og mørtelbutikker lukker i takt med, at økonomien bliver mere og mere digitaliseret.
• Social risiko. AI resulterer i mere automatisering, hvilket vil fjerne arbejdspladser på næsten alle områder. Autonome våbensystemer kan også fremskynde og forværre globale konflikter.
• Etiske risici. Da AI bruger udledte antagelser om grupper og fællesskaber til at træffe beslutninger, det kan føre til øget bias. Indsamlingen af ​​data rejser også spørgsmål om privatlivets fred.

For at håndtere disse risici, World Economic Forum siger, at regeringen og industrien "skal sikre sikkerheden, forklarlighed, gennemsigtighed og gyldighed af AI-applikation." Mere interaktion mellem offentlige og private enheder, teknologer, politiske beslutningstagere og endda filosoffer, og flere investeringer i forskning er nødvendige for at afværge de potentielle risici ved kunstig intelligens – og for at realisere dens potentielle fordele for miljøet og menneskeheden.

Denne historie er genudgivet med tilladelse fra Earth Institute, Columbia University http://blogs.ei.columbia.edu.