211service.com
Hier zijn 10 manieren waarop AI de klimaatverandering kan helpen bestrijden
Een raster van de verschillende subdisciplines in machine learning en hoe ze de klimaatverandering kunnen helpen bestrijden. Mevr. Tech | Miniatuur: chuttersnap/Unsplash
Enkele van de grootste namen in AI-onderzoek zijn bekend gemaakt een wegenkaart suggereert hoe machinaal leren onze planeet en de mensheid kan helpen redden van dreigend gevaar.
Het rapport behandelt mogelijke interventies op het gebied van machine learning in 13 domeinen, van elektriciteitssystemen tot boerderijen en bossen tot klimaatvoorspelling. Binnen elk domein worden de bijdragen voor verschillende subdisciplines binnen machine learning weergegeven, waaronder computervisie, natuurlijke taalverwerking en versterkend leren.
Aanbevelingen zijn ook onderverdeeld in drie categorieën: hoge hefboomwerking voor problemen die goed geschikt zijn voor machinaal leren, waarbij dergelijke interventies een bijzonder grote impact kunnen hebben; lange termijn voor oplossingen die pas in 2040 vruchten zullen afwerpen; en een hoog risico voor bezigheden die minder bepaalde resultaten hebben, ofwel omdat de technologie niet volwassen is of omdat er niet genoeg bekend is om de gevolgen te beoordelen. Veel van de aanbevelingen vatten ook bestaande inspanningen samen die al plaatsvinden, maar nog niet op grote schaal.
De compilatie van het rapport werd geleid door David Rolnick, een postdoctoraal onderzoeker aan de Universiteit van Pennsylvania, en geadviseerd door verschillende spraakmakende figuren, waaronder Andrew Ng, de medeoprichter van Google Brain en een toonaangevende AI-ondernemer en -onderwijzer; Demis Hassabis, de oprichter en CEO van DeepMind; Jennifer Chayes, de directeur van Microsoft Research; en Yoshua Bengio, die onlangs de Turing Award won voor zijn bijdragen aan het veld. Hoewel de onderzoekers een zeer uitgebreide lijst bieden van enkele van de belangrijkste gebieden waar machine learning kan bijdragen, merken ze ook op dat het geen wondermiddel is. Uiteindelijk zal beleid de belangrijkste motor zijn voor effectieve grootschalige klimaatactie.
Hier zijn slechts 10 van de aanbevelingen met een hoge hefboomwerking uit het rapport. Lees de volledige versie ervan hier .
1. Verbeter voorspellingen van hoeveel elektriciteit we nodig hebben
Als we gaan vertrouwen op meer hernieuwbare energiebronnen, hebben nutsbedrijven betere manieren nodig om te voorspellen hoeveel energie nodig is, in realtime en op de lange termijn. Er bestaan al algoritmen die de energievraag kunnen voorspellen, maar deze kunnen worden verbeterd door rekening te houden met fijnere lokale weer- en klimaatpatronen of het gedrag van huishoudens. Pogingen om de algoritmen beter verklaarbaar te maken, kunnen exploitanten van nutsbedrijven ook helpen hun output te interpreteren en deze te gebruiken bij het plannen wanneer hernieuwbare bronnen online moeten worden gebracht.
2. Ontdek nieuwe materialen
Wetenschappers moeten materialen ontwikkelen die energie efficiënter opslaan, oogsten en gebruiken, maar het ontdekken van nieuwe materialen is doorgaans traag en onnauwkeurig. Machine learning kan dingen versnellen door nieuwe chemische structuren met de gewenste eigenschappen te vinden, ontwerpen en evalueren. Dit kan bijvoorbeeld helpen bij het creëren van zonnebrandstoffen , die energie uit zonlicht kan opslaan, of efficiëntere kooldioxide-absorberende middelen of structurele materialen kan identificeren die veel minder koolstof nodig hebben om te creëren. De laatstgenoemde materialen zouden ooit staal en cement kunnen vervangen, waarvan de productie goed is voor bijna 10% van alle wereldwijde uitstoot van broeikasgassen.
3. Optimaliseer hoe vracht wordt gerouteerd
Het verzenden van goederen over de hele wereld is een complex en vaak zeer inefficiënt proces dat gepaard gaat met het samenspel van verschillende zendingen, verschillende soorten transport en een veranderend web van herkomst en bestemmingen. Machine learning zou kunnen helpen manieren te vinden om zoveel mogelijk zendingen te bundelen en het totale aantal ritten te minimaliseren. Een dergelijk systeem zou ook beter bestand zijn tegen transportverstoringen.
4. Lagere barrières voor de adoptie van elektrische voertuigen
Elektrische voertuigen, een belangrijke strategie voor het koolstofarm maken van transport, worden geconfronteerd met verschillende acceptatie-uitdagingen waarbij machine learning zou kunnen helpen. Algoritmen kunnen het energiebeheer van de batterij verbeteren om bijvoorbeeld het aantal kilometers van elke lading te verhogen en angst voor het bereik te verminderen. Ze kunnen ook geaggregeerd laadgedrag modelleren en voorspellen om netbeheerders te helpen bij het voldoen aan en beheren van hun belasting.
5. Help gebouwen efficiënter te maken
Intelligente regelsystemen kunnen het energieverbruik van een gebouw drastisch verminderen door rekening te houden met weersvoorspellingen, bezettingsgraad van gebouwen en andere omgevingsomstandigheden om de verwarmings-, koelings-, ventilatie- en verlichtingsbehoeften in een binnenruimte aan te passen. Een slim gebouw kan ook rechtstreeks met het net communiceren om het energieverbruik te verminderen als er op een bepaald moment een schaarste is aan koolstofarme elektriciteitsvoorziening.
6. Maak betere schattingen van hoeveel energie we verbruiken
Veel regio's in de wereld hebben weinig tot geen gegevens over hun energieverbruik en broeikasgasemissies, wat een groot obstakel kan zijn voor het ontwerpen en implementeren van effectieve mitigatiestrategieën. Computervisietechnieken kunnen voetafdrukken en kenmerken van gebouwen uit satellietbeelden halen om algoritmen voor machinaal leren te voeden die het energieverbruik op stadsniveau kunnen schatten. Dezelfde technieken kunnen ook identificeren welke gebouwen achteraf moeten worden aangepast om hun efficiëntie te maximaliseren.
7. Toeleveringsketens optimaliseren
Net zoals machine learning de scheepvaartroutes kan optimaliseren, kan het ook inefficiënties en koolstofemissies in de toeleveringsketens van de voedsel-, mode- en consumptiegoederenindustrie minimaliseren. Betere voorspellingen van vraag en aanbod zouden de productie- en transportverspilling aanzienlijk moeten verminderen, terwijl gerichte aanbevelingen voor koolstofarme producten een milieuvriendelijkere consumptie zouden kunnen stimuleren.
8. Maak precisielandbouw op schaal mogelijk
Een groot deel van de moderne landbouw wordt gedomineerd door monocultuur, de praktijk van het produceren van een enkel gewas op een grote strook land. Deze aanpak maakt het voor boeren gemakkelijker om hun velden te beheren met tractoren en andere geautomatiseerde basisgereedschappen, maar het ontdoet ook de bodem van voedingsstoffen en vermindert de productiviteit. Als gevolg hiervan zijn veel boeren sterk afhankelijk van op stikstof gebaseerde meststoffen, die kunnen worden omgezet in lachgas, een broeikasgas dat 300 keer krachtiger is dan koolstofdioxide. Robots die op machine learning-software draaien, kunnen help boeren een mix van gewassen effectiever op schaal beheren, terwijl algoritmen boeren kunnen helpen te voorspellen welke gewassen wanneer moeten worden geplant, waardoor de gezondheid van hun land wordt hersteld en de behoefte aan meststoffen wordt verminderd.
9. Verbeter het volgen van ontbossing
Ontbossing draagt bij aan ongeveer 10% van de wereldwijde uitstoot van broeikasgassen, maar het volgen en voorkomen ervan is meestal een vervelend handmatig proces dat ter plaatse plaatsvindt. Satellietbeelden en computervisie kunnen het verlies van boombedekking automatisch op veel grotere schaal analyseren, en sensoren op de grond, in combinatie met algoritmen voor het detecteren van kettingzaaggeluiden, kunnen lokale wetshandhavers helpen illegale activiteiten te stoppen.
10. Nodig consumenten uit om onze manier van winkelen te veranderen
Technieken die adverteerders met succes hebben gebruikt om consumenten te targeten, kunnen worden gebruikt om ons te helpen ons milieubewuster te gedragen. Consumenten kunnen bijvoorbeeld op maat gesneden interventies krijgen om hun deelname aan energiebesparingsprogramma's te bevorderen.