10 τρόποι αντιμετώπισης της κλιματικής αλλαγής με τεχνητή νοημοσύνη

Πριν από λίγες ημέρες είδε το φως της δημοσιότητας μια σημαντική μελέτη. Μερικά από τα μεγαλύτερα ονόματα στην έρευνα για την τεχνητή νοημοσύνη μαζεύτηκαν και σχεδίασαν ένα οδικό χάρτη για το πως η μηχανική μάθηση μπορεί να βοηθήσει στην σωτηρία του πλανήτη και της ανθρωπότητας από τον επικείμενο κίνδυνο της κλιματικής αλλαγής.

Η σύνταξη της έκθεσης καθοδηγήθηκε από τον David Rolnick, μεταδιδακτορικό συνεργάτη του πανεπιστημίου της Πενσυλβάνια, ο οποίος όμως δέχτηκε τις συμβουλές και από μια dream team. Μέσα σε αυτούς ο Andrew Ng, συνιδρυτής του Google Brain και κορυφαίος επιχειρηματίας, ο Demis Hassabis, ιδρυτής και διευθύνων σύμβουλος του DeepMind, η Jennifer Chayes, διευθύνουσα σύμβουλος της Microsoft Research και ο Yoshua Bengio που κέρδισε πρόσφατα το βραβείο Turing. Η αναφορά τους καλύπτει τις πιθανές παρεμβάσεις σε 13 τομείς, από τα συστήματα παραγωγής ηλεκτρικής ενέργειας μέχρι τις καλλιέργειες, τα δάση και τις μετεωρολογικές προβλέψεις. Σε κάθε τομέα αναφέρουν τις πιθανές συνεισφορές από κάθε πεδίο της τεχνητής νοημοσύνης όπως την υπολογιστική όραση, την επεξεργασία φυσικής γλώσσας και την ενισχυτική μάθηση. Αν και οι ερευνητές δίνουν μια αρκετά ολοκληρωμένη λίστα με μερικούς από τους σημαντικότερους τομείς όπου η τεχνητή νοημοσύνη μπορεί να συμβάλει, σημειώνουν ότι δεν είναι πανάκεια. Αναφέρουν ότι μόνο η μεγάλη αλλαγή των κυρίαρχων πολιτικών θα είναι κινητήρια δύναμη για αποτελεσματική δράση σε μεγάλη κλίμακα.

Οι συστάσεις χωρίζονται σε 3 κατηγορίες: «υψηλής μόχλευσης» για τα προβλήματα που ταιριάζουν με τη μηχανική μάθηση και που αυτές οι παρεμβάσεις μπορούν να έχουν ιδιαίτερα μεγάλη επίδραση, «μακροπρόθεσμες» για λύσεις που δεν θα έχουν μεγάλη απόδοση έως το 2040 και «υψηλού ρίσκου» για λύσεις που είναι πιθανό να έχουν μικρότερα αποτελέσματα.

Αυτές είναι μόνο 10 από τις συστάσεις «υψηλής μόχλευσης» από την έκθεση:

1. Βελτίωση των προβλέψεων για τη ζήτηση ηλεκτρικής ενέργειας 
Εάν πρόκειται να βασιστούμε σε περισσότερες ανανεώσιμες πηγές ενέργειας, οι επιχειρήσεις κοινής ωφελείας θα χρειαστούν καλύτερους τρόπους για να προβλέψουν πόση ενέργεια χρειάζεται, τόσο σε πραγματικό χρόνο όσο και μακροπρόθεσμα. Υπάρχουν ήδη αλγόριθμοι που μπορούν να προβλέψουν την ενεργειακή ζήτηση, αλλά θα μπορούσαν να βελτιωθούν λαμβάνοντας υπόψη με μεγαλύτερη λεπτομέρεια τα τοπικά πρότυπα καιρού και κλίματος ή τη συμπεριφορά των νοικοκυριών. Θα μπορούσαν έτσι να χρησιμοποιηθούν για τον προγραμματισμό και για να ρίχνουμε με μεγαλύτερη ακρίβεια τις ανανεώσιμες πηγές στο σύστημα.

2. Ανακάλυψη νέων υλικών 
Οι επιστήμονες πρέπει να αναπτύξουν υλικά που να μαζεύουν, αποθηκεύουν και χρησιμοποιούν ενέργεια πιο αποτελεσματικά. Η διαδικασία της ανακάλυψης νέων υλικών είναι συνήθως αργή και ανακριβής. Η μηχανική μάθηση μπορεί να επιταχύνει τη διαδικασία με την εύρεση, το σχεδιασμό και την αξιολόγηση νέων χημικών δομών με τις επιθυμητές ιδιότητες. Αυτό θα μπορούσε να συμβάλει στη δημιουργία ηλιακών καυσίμων τα οποία μπορούν να αποθηκεύουν ενέργεια από το φως του ήλιου, στη δημιουργία πιο αποδοτικών υλικών για την απορρόφηση του διοξειδίου του άνθρακα και δομικών υλικών που θέλουν πολύ λιγóτερο άνθρακα για να δημιουργηθούν. Τα τελευταία θα μπορούσαν μία μέρα να αντικαταστήσουν τον χάλυβα και το τσιμέντο, η παραγωγή των οποίων αντιπροσωπεύει σχεδόν το 10% όλων των παγκόσμιων εκπομπών αερίων του θερμοκηπίου.

3. Βελτιστοποίηση της δρομολόγησης των εμπορευμάτων 
Η διανομή των εμπορευμάτων σε όλο τον κόσμο είναι μια πολύπλοκη και συχνά εξαιρετικά αναποτελεσματική διαδικασία που περιλαμβάνει την αλληλεπίδραση μεταξύ διαφορετικών μεγεθών αποστολής, διαφορετικών τύπων μεταφοράς και ενός διαρκώς μεταβαλλόμενου ιστού προορισμών. Η μηχανική μάθηση θα μπορούσε να βοηθήσει στην εξεύρεση όσο το δυνατόν περισσότερων συνδυαστικών αποστολών και ελαχιστοποίησης του συνολικού αριθμού ταξιδιών.

4. Ταχύτερη υιοθέτηση ηλεκτρικών οχημάτων 
Τα ηλεκτρικά οχήματα αντιμετωπίζουν αρκετές προκλήσεις και οι αλγόριθμοι μπορούν να βελτιώσουν τη διαχείριση της ενέργειας της μπαταρίας τους για να αυξήσουν τις χιλιόμετρα κάθε φόρτισης. Μπορούν επίσης να μοντελοποιήσουν και να προβλέψουν τη συνολική ζήτηση των οχημάτων αυτών σε ενέργεια για να βοηθήσουν τους χειριστές του δικτύου να ανταποκριθούν και να διαχειριστούν το φορτίο.

5. Πιο αποτελεσματικά και πιο πράσινα κτίρια
Τα ευφυή συστήματα ελέγχου μπορούν να μειώσουν δραστικά την κατανάλωση ενέργειας ενός κτιρίου λαμβάνοντας υπόψη τις μετεωρολογικές προβλέψεις, την πληρότητα και άλλες περιβαλλοντικές συνθήκες για να προσαρμόσουν τις ανάγκες θέρμανσης, ψύξης, εξαερισμού και φωτισμού των εσωτερικών χώρων. Ένα έξυπνο κτίριο θα μπορούσε επίσης να επικοινωνήσει απευθείας με το δίκτυο για να μειώσει την ενέργεια που χρησιμοποιεί εάν υπάρχει έλλειψη σε παροχή ηλεκτρισμού από ανανεώσιμες πηγές.

6. Καλύτερες εκτιμήσεις για την ενέργεια που καταναλώνουμε 
Πολλές περιοχές του πλανήτη έχουν ελάχιστα ή και καθόλου δεδομένα σχετικά με την κατανάλωση ενέργειας και τις εκπομπές αερίων του θερμοκηπίου, γεγονός που αποτελεί σημαντικό εμπόδιο στο σχεδιασμό και την εφαρμογή αποτελεσματικών στρατηγικών μετριασμού. Οι τεχνικές υπολογιστικής όρασης μπορούν να εξάγουν συμπεράσματα από δορυφορικές εικόνες και να τροφοδοτήσουν αλγόριθμους που θα μπορούν με τη σειρά τους να εκτιμήσουν την κατανάλωση ενέργειας. Οι ίδιες τεχνικές θα μπορούσαν επίσης να προσδιορίσουν ποια κτίρια θα πρέπει να υποστούν τις αναγκαίες μετατροπές ώστε να μεγιστοποιηθεί η αποτελεσματικότητά τους.

7. Βελτιστοποίηση των αλυσίδων εφοδιασμού 
Με τον ίδιο τρόπο που η τεχνητή νοημοσύνη μπορεί να βελτιστοποιήσει τις μεταφορές, μπορεί επίσης να ελαχιστοποιήσει τις ανεπάρκειες και τις εκπομπές διοξειδίου του άνθρακα στις αλυσίδες εφοδιασμού των βιομηχανιών τροφίμων, μόδας και καταναλωτικών αγαθών. Οι καλύτερες προβλέψεις για την προσφορά και τη ζήτηση θα μειώσουν σημαντικά τα απόβλητα παραγωγής και μεταφοράς ενώ στοχευμένες συστάσεις για προϊόντα χαμηλών εκπομπών διοξειδίου του άνθρακα θα μπορούσαν να ενθαρρύνουν την περισσότερο φιλική προς το περιβάλλον κατανάλωση.

8. Γεωργία ακριβείας σε μεγάλη κλίμακα 
Σε πολλές από τις σύγχρονες γεωργικές εκμεταλλεύσεις κυριαρχεί η μονοκαλλιέργεια, η πρακτική μιας ενιαίας καλλιέργειας σε μια μεγάλη γη. Αυτή η προσέγγιση διευκολύνει τους αγρότες να διαχειρίζονται τα χωράφια τους αλλά απομακρύνει από το έδαφος τα θρεπτικά συστατικά και μειώνει την παραγωγικότητά του. Ως αποτέλεσμα, πολλοί αγρότες βασίζονται σε λιπάσματα με βάση το άζωτο, τα οποία μπορούν να μετατραπούν σε οξείδιο του αζώτου, ένα αέριο θερμοκηπίου 300 φορές πιο δυνατό από το διοξείδιο του άνθρακα. Ρομπότ που λειτουργούν με λογισμικό μηχανικής μάθησης θα μπορούσαν να βοηθήσουν τους αγρότες να διαχειρίζονται ένα συνδυασμό καλλιεργειών πιο αποτελεσματικά σε μεγάλη κλίμακα, ενώ οι αλγόριθμοι θα μπορούσαν να προβλέψουν ποιες καλλιέργειες να φυτευτούν και πότε και να μειώσουν την ανάγκη για λιπάσματα.

9. Βελτίωση της παρακολούθησης της αποψίλωσης των δασών 
Η αποδάσωση συνεισφέρει περίπου στο 10% των παγκόσμιων εκπομπών αερίων του θερμοκηπίου, αλλά η παρακολούθηση και η πρόληψή της είναι συνήθως μια κουραστική χειρωνακτική διαδικασία που λαμβάνει χώρα στο έδαφος. Οι δορυφορικές εικόνες και η μηχανική όραση μπορούν να εντοπίσουν αυτόματα την απώλεια της κάλυψης των δέντρων και αισθητήρες στο έδαφος σε συνδυασμό με τους αλγόριθμους ανίχνευσης αλυσοπρίονων, μπορούν να βοηθήσουν την επιβολή του νόμου και να σταματήσει η παράνομη υλοτομία.

10. Αλλαγή του τρόπου σκέψης των καταναλωτών 
Οι τεχνικές που έχουν χρησιμοποιήσει με επιτυχία οι διαφημιστές για να στοχεύσουν τους καταναλωτές μπορούν να χρησιμοποιηθούν για να μας βοηθήσουν να συμπεριφερόμαστε με πιο φιλικούς προς το περιβάλλον τρόπους. Οι καταναλωτές θα μπορούσαν, για παράδειγμα, να λαμβάνουν στοχευμένες παρεμβάσεις για να μπουν σε προγράμματα εξοικονόμησης ενέργειας.

Με πληροφορίες από: Technologyreview