Experten Für Maschinelles Lernen Rufen Zu Den Waffen Für Den Klimaschutz Auf Climate
Experten Für Maschinelles Lernen Rufen Zu Den Waffen Für Den Klimaschutz Auf Climate
Video: Experten Für Maschinelles Lernen Rufen Zu Den Waffen Für Den Klimaschutz Auf Climate
Video: Wie funktioniert maschinelles Lernen? 2023, Februar
Anonim

In den letzten Monaten hat CleanTechnica eine Reihe von Artikeln über die Anwendung von maschinellem Lernen auf saubere Technologien veröffentlicht. Es war nicht nur eine Untersuchung der Grundlagen des maschinellen Lernens durch die skurril ominösen Mittel eines robotergestützten Velociraptors für maschinelles Lernen, sondern auch eine Untersuchung der Anwendung der Technologie bei Küstenhöhenstudien, der Platzierung von kommerziellen Solarmodulen auf dem Dach, der Sortierung von Abfallströmen und dem globalen Baum CO2-Abscheidungspotenzial, konzentrierte Solarstromoptimierung und Wasserqualitätsmanagement.

Bild
Bild

Aber die globale Gemeinschaft des maschinellen Lernens wendet die Technologie nicht nur ad hoc an, sie fordert ihre Gemeinschaft auf, auf mehrere wichtige Bereiche von hohem Wert für den Klimawandel zu achten. In einem Papier vom November 2019 mit dem Titel „Tackling Climate Change with Machine Learning“riefen fast zwei Dutzend Forscher für maschinelles Lernen aus Nordamerika und Europa zu den Waffen mit einem Schlachtplan für den Einsatz von maschinellem Lernen, um wichtige Lösungen für den Klimawandel anzugehen. Unter ihnen ist eine Eminenz des maschinellen Lernens, Yoshua Bengio, einer der drei Forscher, die gemeinsam den mit einer Million Dollar dotierten Turing Award für ihre Bemühungen in diesem Bereich in den letzten zwei Jahrzehnten gewonnen haben. (Bengio ist in Montreal anscheinend eine Berühmtheit, basierend auf Gesprächen Ende 2019 mit einer Provinzregierung von Quebec, einer Industrie- und akademischen Kommission, zu der ich eingeladen wurde, über autonome Fahrzeugsensoren und Auswirkungen zu sprechen.)

Die Forscher kommen auch aus einem Who-is-Who von Institutionen, darunter Carnegie Mellon, ETH Zürich, Element AI, Universite de Montreal, Harvard University, Mercator Research Institute on Global Commons and Climate Change, Technische Universität Berlin, Massachusetts Institute of Technology, Cornell, Stanford University, DeepMind, Google AI, Microsoft Research und University of Pennsylvania. Dies sind nur die primären Verbindungen der Forscher, da ein gängiges Muster darin besteht, dass ein tiefgehender Experte eine wichtige akademische und geschäftliche Verbindung hat.

Die Zusammenfassung ist knackig, klar und auf den Punkt gebracht:

„Der Klimawandel ist eine der größten Herausforderungen für die Menschheit, und wir als Experten für maschinelles Lernen fragen uns vielleicht, wie wir helfen können. Hier beschreiben wir, wie maschinelles Lernen ein wirksames Instrument sein kann, um Treibhausgasemissionen zu reduzieren und die Gesellschaft bei der Anpassung an ein sich änderndes Klima zu unterstützen. Von intelligenten Stromnetzen bis hin zum Katastrophenmanagement identifizieren wir schwerwiegende Probleme, bei denen bestehende Lücken durch maschinelles Lernen in Zusammenarbeit mit anderen Bereichen geschlossen werden können. Unsere Empfehlungen umfassen spannende Forschungsfragen ebenso wie vielversprechende Geschäftsmöglichkeiten. Wir rufen die Machine-Learning-Community auf, sich den globalen Bemühungen gegen den Klimawandel anzuschließen.“

Das Papier ist nicht nur für die Machine-Learning-Community gedacht. Die Autoren zielen ausdrücklich auf eine größere Gruppe ab, zu der Forscher und Ingenieure, Unternehmer und Investoren, Unternehmensführer sowie lokale und nationale Regierungen gehören. Eine wichtige Erkenntnis ist, dass dies ein Papier ist, das Sie Ihren gewählten Vertretern, allen Angels und VCs, die Sie kennen, und den CEOs von Unternehmen, für die Sie arbeiten, mitbringen sollten.

Ein Punkt, den sie für Unternehmer und Investoren ansprechen, ist einer, den ich seit Monaten mit meinen Investment- und Agenturkontakten forciere, während wir über Geschäftsmöglichkeiten diskutieren, dass maschinelles Lernen zu einer verwertbaren Technologie mit einer großen Klasse von Lösungen geworden ist, die nicht mehr substanziell ist Forschung und Risiko, sondern Anwendung der Technologie auf Probleme, die ohne sie oft unnachgiebig sind. Ich verfolge zum Beispiel immer noch die Identifizierung von schwimmenden Baumstämmen an der Küste in BC, da ich jährlich Millionen von verlorenen Baumstammeinnahmen sowie die Schaffung erheblicher schwimmender Gefahren für Wasserflugzeuge und Boote sehe und eine Lösung, die leicht global erweiterbar ist.

Für den öffentlichen Sektor beleuchten sie intelligente Verkehrssysteme, Techniken zur automatischen Bewertung des Energieverbrauchs von Gebäuden in Städten und Instrumente zur Verbesserung des Katastrophenmanagements. Die digitale Höhenstudie an der Küste, über die ich 2019 geschrieben habe, ist ein Beispiel, das direkt in diesen Raum passt. Diese Woche sprach ich mit Chris Wiesinger, CEO von GeoSim Cities, und David Clement, dem Experten für maschinelles Lernen, mit dem ich die Erklärerreihe Plastic Dinosaur gemeinsam verfasst habe. Wir sprachen darüber, wie man das hochpräzise Lidar-basierte 3D-Modell von GeoSim eines großen Teils von Vancouver für Gebäude-Emissions-Heatmaps, Projektionen von Bodendaten von Hüllstudien auf zuvor nicht untersuchte Gebäude und Verkehrssimulationen rund um neue Konstruktionen wie das sofort ikonische Vancouver House, mit Techniken des maschinellen Lernens.

Ein grundlegendes Organisationsprinzip der Arbeit besteht darin, mit den Domänen zu beginnen. Sie haben den Problemraum in 13 Bereiche unterteilt: Stromsysteme, Transport, Gebäude und Städte, Industrie, Landwirtschaft und Wälder, Finanzen und mehr. Unabhängig von Ihrem akademischen, geschäftlichen oder allgemeinen Interessenschwerpunkt haben sie es wahrscheinlich abgedeckt.

Machine Learning ist keine einzige Zauberkiste. Es handelt sich um eine Reihe von Technologien und Techniken, darunter kausale Inferenz, Computer Vision, natürliche Sprachverarbeitung, Transferlernen, Unsicherheitsquantifizierung und andere. Die Autoren bildeten die Lösungen gegen die Problemdomänen ab. Sie haben sich Gedanken gemacht, welche Ansätze wahrscheinlich am produktivsten sind, um die jeweilige Domäne anzugehen. Es ist ein reichhaltiges Schnittbild, das auf den Schreibtischen von politischen Entscheidungsträgern, Unternehmensführern und Investoren liegen sollte.

Um ein Beispiel herauszugreifen, sprechen die Autoren im Abschnitt Transport über Modal Shift, d. h. die Beförderung von Passagieren aus Einpersonenfahrzeugen und in eine Vielzahl anderer Verkehrsmittel, einschließlich Gehen und Radfahren. fahrbare Elektrofahrzeuge, Transit und Carsharing. Sie nennen die Technologien und Techniken der kausalen Inferenz, Computer Vision, Zeitreihenanalyse und Unsicherheitsquantifizierung als Schwerpunktbereiche für Forschung und Einsatz.

Nach bestem Wissen und Gewissen haben die Autoren die Lösungen in den Räumen als unmittelbar anwendbar, längerfristig und/oder ungewiss in der Wirkung bezeichnet. Dies ist ein strategisches Dokument, das den kurzfristigen Wert, die langfristigen Bemühungen und die Bereiche mit Potenzial darlegt, die erforscht werden müssen. Es sollte ein Kernstück für die Gestaltung der Agenden des maschinellen Lernens für das kommende Jahrzehnt sein.

Und es kommt mit einem Aufruf zur Zusammenarbeit. Für diejenigen, die sich für bestimmte Bereiche oder allgemein an dem Thema interessieren, haben sie eine Website erstellt, die sie unterstützt, climatechange.ai. Sie hatten das ganze Jahr 2019 über eine Reihe von Veranstaltungen auf großen Konferenzen, darunter NeurIPS 2019 in Vancouver, eine Konferenz, an der David Clement teilnahm.

Um nur einen Teil des 111-seitigen PDF-Dokuments zu untersuchen, spricht der Stromabschnitt über Regionen mit niedrigen Daten.

„Während ML-Methoden oft auf Netze mit weit verbreiteten Sensoren angewendet wurden, sammeln oder teilen Systembetreiber in vielen Ländern keine Systemdaten. Obwohl sich diese Datenverfügbarkeitspraktiken weiterentwickeln können, kann es in der Zwischenzeit von Vorteil sein, ML-Techniken wie Transfer-Learning zu verwenden, um Erkenntnisse aus High-Data- auf Low-Data-Einstellungen zu übertragen (insbesondere, da alle Stromnetze die gleiche zugrunde liegende Systemphysik aufweisen).“

Dies ist eine Kernfähigkeit des maschinellen Lernens. Wie die Studie mit dem digitalen Höhenmodell der Küste gezeigt hat, können Sie die Qualität der globalen Daten allein durch maschinelle Lernverfahren erheblich verbessern, wenn Sie über hochauflösende Daten für eine Teilmenge des Globus und über Daten mit niedrigerer Auflösung für den Rest verfügen. Ebenso können Sie den Emissionsgrad mit einer angemessenen Sicherheit auf Gebäude projizieren, für die keine Hüllkurvenprüfungen aus Daten von Gebäuden durchgeführt wurden, in denen sie durchgeführt wurden.

Dies ist der oberflächlichste Überblick über das tiefe und breite Papier. Es ist ein Muss für jeden, der sich mit Klimaschutz oder Klimaanpassung beschäftigt, egal ob Leiter einer globalen Stadtplanungs- und Designpraxis, unternehmerischer Investor, staatlich finanzierte Wirtschaftswachstumsagentur oder Forscher. Ich habe das Papier an Leute weitergeleitet, die ich in all diesen Bereichen bereits kenne. Es wird zweifellos weitere Artikel in der Reihe über Cleantech und maschinelles Lernen, die CleanTechnica veröffentlicht, und den zusammengestellten Bericht zu diesem Thema informieren.

Beliebt nach Thema