Rozwój technologii jest dzisiejszych czasach bardzo mocno odczuwalny, co roku na rynku pojawia się wiele rozwiązań znacznie polepszających komfort życia ludzi. Jedną z najszybciej rozwijających się gałęzi nauki przyczyniających się do tego jest Uczenie Maszynowe, wyniki jego działania możemy obserwować w systemach rekomendacji, inteligentnych urządzeniach czy grach komputerowych. Jednak czy przy jego pomocy możemy zatroszczyć się o naszą planetę? Jak systemy sztucznej inteligencji mogą pomóc nam w walce o Ziemię z takimi zagrożeniami  jak globalne ocieplenie, wymieranie zwierząt czy zanieczyszczenie środowiska?

W 2017 Microsoft uruchomił pięcioletni program AI for Earth, który planowo miał przydzielić 200 grantów opiewające w sumie na 50 milionów dolarów projektom używającym sztuczną inteligencję aby zaadresować problem szkód środowiskowych. Granty te nie tylko przyznają dostęp do narzędzi badawczych ale również umożliwiają kolaborację z innymi badaczami przez wymianę modeli oraz danych w celu usprawnienia opracowanych rozwiązań. Poniżej wymieniono kilka sposobów w jaki sztuczna inteligencja przyczynia się do poprawy naszego środowiska.

 

Przeciwdziałanie klęskom żywiołowym

Zespół profesor Marii Uriarte z Columbia University otrzymał grant Microsoftu aby zbadać skutki Huraganu Maria na las El Yunque w Puerto Rico, chcieli się oni dowiedzieć jak tropikalne burze, które mogą pogłębiać zmiany klimatu wpływają na rozkład gatunków drzew.

Huragan Maria w 2017 zniszczył tysiące hektarów lasów deszczowych, jedynym sposobem na określenie które gatunki drzew zostały zniszczone a które przetrwały na taką duża skalę jest poprzez użycie zdjęć. NASA dostarczyła dużej rozdzielczości zdjęcia koron drzew z przelotu nad Puerto Rico. Teoretycznie jest możliwe aby człowiek przy ich pomocy szacował straty ale zajęło by to wieczność.

W tym celu została użyta sztuczna inteligencja, zespół Uriarte w kilku miejscach lasu oetykietował każde drzewo w obszarze oznaczając jego gatunek, w ten sposób przygotowane systemy pozyskały informacje jak z góry wyglądają korony poszczególnych gatunków drzew. Następnie na podstawie tych danych wytrenowano system i wyekstrapolowano rozkład drzew na większych obszarach.

Zrozumienie jak rozkład i kompozycja lasów jest zależna od huraganów jest ważna ponieważ kiedy drzewa ulegają zniszczeniu zaczyna się proces ich rozkładu, który emituje CO2 do atmosfery. Dodatkowo w procesie odnowy lasów, małe drzewa które dopiero rosną pochłaniają znacznie mniej CO2. Jeżeli ze zmianą klimatu takie huragany będą się nasilać wiele lasów może nie przetrwać co przyczyni się do jeszcze większego globalnego ocieplenia.

 

Ochrona zwierząt

Zróżnicowanie zwierząt cały czas spada w zastraszającym tempie, aktualnie ze 120.000 gatunków z Czerwnoej listy gatunkow zagrożonych ponad 17.000 z nich ma status „Brak Danych”. Potrzebne są narzędzia do szacowania populacji i zróżnicowania zwierząt na dużą skalę. Obecnie proces ten jest oparty o dane zbierane przez ludzi którzy pracują w rezerwatach przyrody,  liczą zwierzęta i obserwują ich zachowanie. Jest to czasochłonne i drogie, a dane mogą być zaburzone przez czynnik ludzki. Często nieuniknione interakcje człowieka mogą zagrozić jego bezpieczeństwo a także wpływać na samo zachowanie zwierząt. Postępy w rozwoju technologii czujników znacząco powiększają możliwości zbierania takich danych, zmnijeszając koszty i zwiększając pokrycie w porównaniu z tradycyjnymi metodami. Wiele niedostępnych wcześniej obszarów może być teraz badanych dokładnie w sposób nieinwazyjny przez użycie cyfrowych urządzeń jak np. kamery, czujniki akusyczne itd. Specjalne tagi z sensorami umieszczane bezpośrednio na zwierzętach umożliwiają śledzenie ich przez całe ich życie rewolucjonizując naukę o ruchu i migracjach zwierząt

 

Algorytm BirdNET został użyty do wykrywania dźwięków Carolina wren w ponad 35.000 godzin nagrań z  Ithaca w Nowym Jorku, pozwalając naukowcom na dokumentację stopniowej odnowy populacji po srogiej zimie w 2015 roku

 

Uczenie maszynowe przy pomocy danych z urządzeń bio-logujących umożliwiło analizę ruchów roślinożerców z sawanny aby zidentyfikować zagrożenia ze strony ludzi. Metoda ta pozwala zlokalizwanie intruzów w zasięgu 500m I jest wykorzystywana do walki z kłusownictwem.

 

TRex – bazujące na obrazach oprogramowanie umożliwia śledzenie ruchu setek osobno rozpoznanych zwierząt w czasie rzeczywistym, na zdjęciu użyty do zwizualizowania formacji kolonii termitów.

 

Oszacowanie pozy przy pomocy DeepPoseKit i  DeepLabCut pozwala na śledzenie pozycji ciała zwierząt z nagrań video np. z drona i naukę ich zachowań.

 

Oczyszczanie środowiska

Brytyjska firma Greyparrot wzięła sobie za cel usprawnienie zarządzania odpadami. Przy pomocy  widzenia maszynowego modernizują sortowanie na różnych etapach łańcucha przetwarzania odpadów. Firma wykorzystuje uczenie maszynowe by rozpoznawać różne rodzaje odpadków, a następnie sortować je we właściwy sposób. System rozpoznaje szkło, papier, karton, gazety, puszki i różne rodzaje tworzyw sztucznych (czarne, PET, HDPE).

Aktualnie w sortowniach używa się wielu maszyn np. do oddzielania plastiku i metalu oraz małych i dużych obiektów ale na końcu procesu i tak stoi człowiek. Przy pomocy prostej kamery i komputera w przyszłoci obecność człowieka w tym procesie powinna stawać się coraz mniej potrzebna, w szczególności że sortowanie wszystkiego ze 100% dokładnością nigdy nie jest możliwe. Greyparrot stara się pomóc  także w ostatnim etapie sortowania czyli ocenie czy wytworzone z tworzyw kostki PET spełniają wymogi czystości aby mogły ulec dalszemu przetworzeniu. System ma również możliwość identyfikacji problematycznych obiektów i podawać współrzędne robotowi sortującemu, aby ten mógł automatycznie zbierać zanieczyszczenia.

 

Śledzenie inwazyjnych gatunków roślin

Naukowcy z brytyjskiego Centre for Ecology and Hydrology (UKCEH) i firmy Keen AI z Birmingham opracowują nowy system sztucznej inteligencji do szybkiego badania obszarów, takich jak pobocza dróg, pod kątem inwazyjnych gatunków roślin. Niektóre z nich (np. rdestowiec japoński) mogą powodować spore szkody w Wielkiej Brytanii, ale znalezienie i śledzenie ich rozprzestrzeniania się byłoby kosztowne i czasochłonne. Nowy projekt będzie wykorzystywał szybkobieżną kamerę umieszczoną na dachu pojazdu, aby codziennie badać do 200 km roślinności przydrożnej. Zdjęcia zostaną otagowane lokalizacją GPS i przesłane na platformę internetową, gdzie ekolodzy UKCEH zidentyfikują rośliny na zdjęciach.

W ten sposób zespół zamierza nauczyć sztuczną inteligencję jak prawidłowo identyfikować gatunki inwazyjne, takie jak: rdestowiec japoński, rododendrony, balsam himalajski i laur wiśniowy. Gdy sztuczna inteligencja nauczy się rozpoznawać określone gatunki, będzie w stanie szybko analizować dużą liczbę obrazów, a tym samym przyspieszy i obniży koszty badań inwazyjnych oraz potencjalnie szkodliwych roślin.

 

Optymalizacja zużycia energii

Duży wpływ na środowisko można zauważyć przy okazji rewolucji cyfrowej, centra danych w których znajdują się serwery oraz urządzenia sieciowe konieczne do przechowywania, transferowania i procesowania danych w internecie pochłaniają ogromne ilości energii a ich ilość z biegiem czasu będzie tylko rosła. W 2010 roku konsumpcja energii centr danych stanowiła 1.1 – 1.5% całego światowego zużycia. Według niektórych raportów do 2030 wartość ma wzrosnąć do 13%. Oczywistym jest, że należy ograniczyć to zapotrzebowanie, w tym może pomóc machine learning.

W 2016 badacze z DeepMind zmierzyli się z tym problemem przygotowując framework stosujący uczenie maszynowe dla centr danych Google’a. Zbiera on dane ze złożonego układu czujników chłodzeniowych i przygotowuje optymalne scenariusze działania. Po zastosowaniu tego rozwiązania zredukowano o 40% energię zużywaną na chłodzenie i o 15% ogólne zużycie energii w centrach danych, a przewidywanie wydajności zużycia energii było na poziomie błędu 0.4% Jest to bardzo dobry wynik i daje nadzieję że inne firmy o podobnej działalności również będą chciały obniżyć swoje koszty operacyjne i za tą sprawą obniżą swój wkład węglowy.

 

Niebezpieczeństwa

W 2018 roku na World Economic Forum opublikowano raport, który pokazał że mimo że sztuczna inteligencja może rozwiązywać wiele problemów środowiskowych to ważne jest aby rozważnie się nią posługiwać. Według ekspertów w tym temacie SI może przyczyniać się również do niszczenia środowiska. Użytkowanie energochłonnych kart graficznych aby trenować modele uczenia maszynowego zostało podane jako wnoszące wkład do zwiększonej emisji dwutlenku węgla. WEF zaproponował firmom środki ‘bezpiecznej’ SI aby upewnić się że nie rozwijają one systemów które byłoby szkodliwe dla otoczenia. Dotyczy to na przykład modeli których konsumpcja energii lub innych surowców naturalnych jest znacznie większa niż byłoby to uzasadnione.

 

Źródła

[1] Artificial Intelligence—A Game Changer for Climate Change and the Environment. Columbia Climate School. Link: https://news.climate.columbia.edu/2018/06/05/artificial-intelligence-climate-environment/

[2] Perspectives in machine learning for wildlife conservation. Nature. Link: https://www.nature.com/articles/s41467-022-27980-y#ref-CR9

[3] AI and climate change: The mixed impact of machine learning. Techtarget. Link: https://www.techtarget.com/searchenterpriseai/feature/AI-and-climate-change-The-mixed-impact-of-machine-learning

[4] Sztuczna inteligencja w służbie ekologii. Greyparrot wykorzystuje widzenie maszynowe do zarządzania odpadami. ITReseller. Link: https://itreseller.com.pl/sztuczna-inteligencja-w-sluzbie-ekologii-greyparrot-wykorzystuje-widzenie-maszynowe-do-zarzadzania-odpadami/?fbclid=IwAR16TiB0kLc2DVSn5dahIWoCOMMbcubetAyssWC6_VIjrlarS0gfESX_mcs

[5] How DeepMind’s AI Framework made Google Energy Efficient. Nural Research. Link: https://www.nural.cc/deepmind-ai-framework/