Sztuczna inteligencja nie wybawi nas od kryzysu klimatycznego. Może jedynie pomóc mu przeciwdziałać oraz łagodzić jego skutki. Wymaga to jednak skoordynowanych działań
Yoshua Bengio, Andrew Ng czy Demis Hassabis to najbardziej znani z szerokiego grona ekspertów, którzy dołączyli do Climate Change AI – międzynarodowej inicjatywy powołanej, by wykorzystać sztuczną inteligencję do walki ze zmianami klimatu.
Pod koniec 2019 r. badacze opublikowali obszerny artykuł, w którym zebrali różne sposoby wykorzystania uczenia maszynowego do rozwiązania problemów wynikających z kryzysu klimatycznego. Wnioski?
Przeciwdziałanie i adaptacja
Uczenie maszynowe może pomóc w realizacji dwóch strategicznych celów dotyczących zmian klimatycznych: ograniczaniu emisji gazów cieplarnianych oraz adaptacji do zmian, których nie da się już zatrzymać.
Jak podkreślają autorzy opracowania, w obu przypadkach sztuczna inteligencja będzie nie tylko okazją do prowadzenia nowych prac badawczych, ale stworzy również innowacyjne możliwości działania dla biznesu i administracji.
Rekomendacje przygotowano z myślą o różnych grupach odbiorców:
• badaczach i inżynierach – problemy wymagające innowacyjnego myślenia i rozwoju narzędzi SI
• przedsiębiorcach i inwestorach – wdrożenie istniejących już rozwiązań
• liderach biznesu – zastosowanie SI na szeroką skalę i osiągnięcie dużego wzrostu wydajności
• władzach lokalnych i centralnych – poprawa usług publicznych dzięki SI, lepsze podejmowanie decyzji.
Zdaniem ekspertów z Climate Change AI skuteczne wykorzystanie narzędzi SI wymaga dobrej koordynacji działań i bliskiej współpracy wszystkich wymienionych wyżej grup.
SI nie można jednak absolutyzować. Oparte na niej rozwiązania mogą bowiem okazać się bardziej skomplikowane niż inne dostępne metody, nie odpowiadać rzeczywistym problemom bądź też ryzyko ich wdrożenia może być trudne do oszacowania.
Trzeba więc działać interdyscyplinarnie, argumentują autorzy, tak by uniknąć falstartów i nie marnować czasu na zbędne przedsięwzięcia.
Energia bez śladu węglowego
Przeciwdziałanie zmianom klimatycznym to przede wszystkim ograniczanie emisji gazów cieplarnianych spowodowanej działalnością człowieka, dotyczy więc wielu sektorów współczesnej gospodarki, m.in. energetyki, transportu, budownictwa czy zarządzania miastami. W każdym z tych obszarów SI ma do zaoferowania jakieś pożyteczne rozwiązania.
Systemy energii elektrycznej odpowiadają dziś za ponad jedną czwartą emisji gazów cieplarnianych rocznie. Uczenie maszynowe może pomóc ograniczyć ich emisję. Przede wszystkim ułatwiając prognozowanie popytu na energię elektryczną, a także wspomagając elastyczne zarządzanie podażą, tak by generatory nie wytwarzały jej w nadmiarze.
SI przyda się również w przyspieszeniu badań nad materiałami lepiej przechowującymi lub wykorzystującymi energię pozyskiwaną z naturalnych źródeł. Innym zastosowaniem, ważnym szczególnie w okresie przejścia od standardowej energetyki węglowej do niskowęglowej, jest lepsza integracja alternatywnych źródeł energii z siecią elektroenergetyczną.
Dzięki automatycznej detekcji SI może również ograniczyć wycieki metanu (gazu groźniejszego dla klimatu niż dwutlenek węgla) w rurociągach czy rozdzielniach.
Oprócz tego uczenie maszynowe znajdzie też zastosowanie w tzw. transfer learning. Chodzi o możliwość wykorzystania danych z inteligentnych sieci elektroenergetycznych w systemach, które nie mają zaawansowanych narzędzi do monitorowania swojego funkcjonowania. Taki transfer informacji pozwoli im na optymalizację działania mimo braku danych.
Transport przyjazny środowisku
Dzięki sztucznej inteligencji możemy zmniejszyć emisję gazów cieplarnianych, także ograniczając transport. Nie chodzi jednak o to, by inteligentne systemy uniemożliwiały nam swobodne przemieszczanie się. Mają raczej służyć lepszemu wykorzystaniu środków transportu.
SI pomoże więc w optymalizacji tras oraz załadunku w przypadku transportu towarowego. Będzie to możliwe dzięki lepszemu rozumieniu danych z obrazów satelitarnych, co znajdzie przełożenie na rozpoznawanie przepustowości dróg i bardziej precyzyjne modelowanie ruchu. Chodzi też o lepsze łączenie przesyłek cargo, tak by maksymalnie wykorzystać przestrzeń załadunkową, lub o ich grupowanie według punktów odbioru i dostawy.
Szczegółowe dane o wzorach poruszania się pojazdów mogą być również pomocne przy planowaniu nowej infrastruktury drogowej. Z kolei informacje z urządzeń mobilnych czy czujników zainstalowanych w różnych częściach miast pozwolą dokładniej zrozumieć potrzeby pasażerów transportu publicznego.
Miasta bardziej eko
Zużycie energii w budynkach odpowiada dziś jednej czwartej emisji gazów cieplarnianych w całym sektorze energetycznym. Można je jednak ograniczyć aż o 90 procent, przekonują eksperci z Climate Change AI. Jak tego dokonać?
Tworząc bardziej inteligentne budynki. Dzięki systemom dostosowującym się do zachowań mieszkańców mogłyby one lepiej współpracować z siecią elektroenergetyczną, dzięki czemu nie tylko ograniczono by zużycie energii, ale też obniżono jej koszt.
Nowe technologie dają też sporo możliwości włodarzom miejskim. Dane satelitarne o wysokiej rozdzielczości plus uczenie maszynowe to lepsze informacje o śladzie węglowym – choćby dzięki automatycznemu wykrywaniu obecności paneli fotowoltaicznych. Nie można też zapominać o tzw. urban computing, czyli analityce danych zbieranych z różnych źródeł w przestrzeni miejskiej w celu bardziej skoordynowanego zarządzania miastem. Uczenie maszynowe przyda się nie tylko przy integracji takich danych, ale też przy ich wstępnej selekcji, tak by ograniczyć niepotrzebne przesyłanie i przetwarzanie zbyt dużej ilości informacji.
Prognozowanie klimatu z pomocą SI
Oprócz przeciwdziałania zmianom klimatu uczenie maszynowe może również pomóc w adaptacji do zmian, które już się dokonały. W tym celu niezbędne jest właściwe przewidywanie ekstremalnych zjawisk pogodowych.
Choć sztuczna inteligencja nie zastąpi klasycznych modeli klimatycznych, ma szansę częściowo przyspieszyć ich działanie, co obniży zapotrzebowanie na moc obliczeniową przy symulacji złożonych zjawisk atmosferycznych (np. zachmurzenia). SI może posłużyć także do prognozowania klęsk żywiołowych i tworzenia lokalnych scenariuszy na podstawie ogólnych prognoz klimatu.
Można będzie ją również wykorzystać do optymalizacji modeli klimatycznych. Takie prognozy powstają poprzez łączenie ze sobą wielu różnych modeli – uczenie maszynowe może pomóc właśnie w takiej zbiorczej predykcji.
Ekosystemy i społeczności
Adaptacja do zmian klimatu to przede wszystkim maksymalne ograniczenie szkód wynikających z negatywnych zjawisk pogodowych. Zastosowanie systemów SI może tu być co najmniej dwojakie: chodzi o tzw. utrzymanie predykcyjne (predictive maintenance), polegające na zbieraniu danych na temat infrastruktury, tak by uprzedzić jej ewentualną awarię, oraz o wykrywanie anomalii w sieci elektroenergetycznej czy drogowej.
Inną istotną kwestię stanowi udzielanie pomocy w sytuacjach kryzysowych. Uczenie maszynowe da się tu zastosować na przykład do przetwarzania zdjęć satelitarnych czy informacji dostępnych w sieciach społecznościowych.
Z kolei w przypadku ekosystemów naturalnych SI pozwala na ich zautomatyzowane monitorowanie, np. do oceny wylesiania obszarów. Konieczne jest tu jednak dostosowanie „wyuczonych” mechanizmów SI do specyfiki regionu, np. uwzględnienie różnic między Saharą a Amazonią.
Technologia nas nie zbawi
Wykorzystaniu SI musi stale towarzyszyć krytyczna refleksja. Eksperci Climate Change AI podkreślają, że sztuczna inteligencja nie jest cudownym lekarstwem na kryzys. Aby była skuteczna, sami musimy chcieć podjąć konkretne działania.
SI to także niejedyna technologia, której można używać do ograniczenia negatywnych skutków zmian klimatycznych. Wiele takich rozwiązań istnieje od dawna. Niestety, do tej pory nie zastosowano ich jeszcze na masową skalę. Wszystko więc w naszych rękach.
Artykuł na podstawie zbiorowego opracowania Climate Change AI „Tackling Climate Change with Machine Learning”