Dit artikel is gesponsord door Booz Allen Hamilton. 

Het zou niemand moeten verbazen dat kunstmatige intelligentie (AI) en machine learning een rol spelen bij het aanpakken van de gevolgen van klimaatverandering. Wetenschappers vertrouwen sterk op AI om ongelijksoortige datasets te analyseren, voorspellende modellen te bouwen en de relatieve impact van verschillende acties in te schatten.

Energiebedrijven gebruiken het om hun netwerken te verbeteren en de opbrengst van hernieuwbare energiebronnen te maximaliseren. Eigenaren van wagenparken gebruiken AI om de uitstoot van fossiele brandstoffen te verminderen door middel van voorspellend onderhoud en een efficiëntere planning van voertuigen. Bovendien wordt AI gebruikt om alles, van landbouw en voedseldistributie tot kantoorgebouwen en industriële faciliteiten, efficiënter en duurzamer te maken.

AI is tenslotte een buitengewoon krachtige tool. Maar we moeten onszelf er voortdurend aan herinneren dat AI gewoon dat is, een hulpmiddel. En zoals elke tool heeft het zijn mogelijkheden, beperkingen en zelfs potentiële valkuilen als het verkeerd wordt toegepast. Ons succes bij het gebruik van AI om klimaatgerelateerde uitdagingen aan te gaan, zal afhangen van het feit dat we ons daar bewust van zijn bij het in kaart brengen van onze use cases en benaderingen voor het toepassen van AI.

AI zal een grotere rol blijven spelen in veel klimaatgerelateerde use-cases. Hier zijn slechts enkele voorbeelden:

Teledetectie. De Europese Unie, de VS en andere landen zetten een breed scala aan zeer geavanceerde satellieten in. Dit biedt ongekende niveaus van inzicht in de oorzaken en gevolgen van klimaatverandering, waardoor bijna realtime monitoring van de planeet mogelijk is. AI-mogelijkheden zullen steeds belangrijker worden om die gegevens te helpen vertalen naar een real-time begrip van welke dynamiek een rol speelt bij het creëren van huidige en toekomstige klimaatomstandigheden.

Regelgevende handhaving. Veel agentschappen die belast zijn met het handhaven van klimaatgerelateerde regelgeving, zijn vaak overbelast en beschikken niet over voldoende middelen. AI kan voor hen een belangrijk hulpmiddel zijn. Bureaus kunnen bijvoorbeeld AI gebruiken om vroegtijdige waarschuwingssignalen te herkennen van mogelijke milieurisico's veroorzaakt door bedrijven of nutsbedrijven. Ook bedrijven wenden zich steeds vaker tot AI-tools om hun naleving van de regelgeving te stimuleren.

Burgerwetenschap. We zien steeds meer wetenschappelijke projecten waarbij vrijwilligers worden betrokken voor het uitvoeren van wetenschappelijk onderzoek en monitoringactiviteiten. Sommige van deze klimaatgerelateerde projecten variëren van het volgen van eerdere bloeitijden voor planten in het voorjaar, gewijzigde aankomsttijden en locaties van trekvogels en de veranderende leefgebieden van kikkers en bestuivers. In veel gevallen kunnen AI-tools samenwerking stimuleren en door burgers verzamelde gegevens omzetten in nuttige inzichten.

Wees voorzichtig bij het gebruik van data en AI

Maar naarmate AI een grotere rol gaat spelen in onze klimaatgerelateerde activiteiten, moeten we ook slimmer worden over de beperkingen en mogelijke valkuilen ervan, zodat we ongewenste resultaten kunnen vermijden, namelijk:

Onbedoelde uitkomsten of gevolgen als gevolg van gegevenslacunes en privacykwesties. We weten dat gegevens vertekend kunnen zijn door expliciete of impliciete vooroordelen. Het kan persoonlijk identificeerbare informatie bevatten of worden gebruikt om ernaar te verwijzen. Als alternatief kunnen gegevens van slechte kwaliteit zijn of zelfs niet relevant zijn voor de beoogde resultaten. Het gebruik van een AI-model dat is getraind met behulp van slechte gegevens, kan van invloed zijn op wat het leert, waardoor de resultaten worden beïnvloed. Neem bijvoorbeeld het gebruik van satellietbeelden, wat onbedoelde privacyproblemen kan veroorzaken voor mensen die er onbewust op verschijnen. Problemen wanneer ze niet door meerdere lenzen worden bekeken, kunnen leiden tot resultaten die het doel missen van wat u bedoelde. Door samen te werken met experts op het gebied van bijvoorbeeld antropologie, rechten en sociologie, kunnen de juiste vragen worden gesteld om gegevenshiaten te voorkomen en privacykwesties te voorkomen.

Als het om data gaat, is meer niet altijd beter. Veel dataconversaties draaien meer om hoe groot een dataset is dan om wat de dataset inhoudt en, net zo belangrijk, wat er niet in zit. Voor het bouwen van een effectieve AI is de juiste diversiteit aan informatie nodig. Daarom moeten AI-ontwikkelaars bewust omgaan met de gegevens die ze besluiten te gebruiken. Correct gebruik van gegevens en een goed geïnformeerd begrip van hoe en waarom ze zijn verzameld, kunnen ervoor zorgen dat ze geschikt zijn voor de use case.

Data en AI als enige beslisser kunnen tot ongewenste resultaten leiden. Datasets zijn zelden perfect. Zelfs kleine hiaten of fouten in de gegevens, of onopgemerkte vooroordelen of blinde vlekken in de algoritmen kunnen na verloop van tijd tot ongewenste resultaten leiden. We hebben dit zien gebeuren wanneer AI wordt toegepast op borgtochthoorzittingen. Daarom moet AI de besluitvorming ondersteunen als onderdeel van een mens-machine-team, maar besluitvorming mag nooit alleen aan AI worden overgelaten. AI kan patronen leren op basis van wat er eerder is gebeurd, maar menselijke interactie is nodig om te valideren dat die patronen toepasbaar zijn op huidige scenario's. Blijf waakzaam over wat uw AI u in de loop van de tijd vertelt en controleer de resultaten ervan met bestaande experts en uw belanghebbenden. 

Zorgen voor de beste resultaten

Hoe kun je een aantal van deze valkuilen vermijden? Begin door jezelf eenvoudig te onderwijzen en daarbij belangrijke vragen te stellen:

Lees meer over de vele veelvoorkomende soorten vooroordelen die uit gegevens afgeleide resultaten kunnen manipuleren - selectiebias, historische bias, voorkeur voor bevestiging - zodat u weet waarnaar u moet zoeken en hoe u dit kunt herkennen.

Overweeg om sociologen, historici en belanghebbenden uit de gemeenschap in uw projectteams op te nemen. Vaak bestaan ​​klimaatgerichte AI-projecten uit datawetenschappers, milieuwetenschappers, ontwerpers en technologen. Deze aanpak kan een functionele AI-tool opleveren, maar is misschien niet geschikt voor de taak. Dit is vooral van cruciaal belang bij het toepassen van AI op het klimaat, aangezien veel problemen verband houden met maatschappelijke kwesties. Het inschakelen van vakexperts, zoals sociologen, kan ervoor zorgen dat de juiste vragen worden gesteld, de juiste datasets worden opgenomen, de juiste probleemstelling de drijvende kracht achter de inspanning is en uiteindelijk dat de AI-tool effectieve en rechtvaardige resultaten oplevert.

Neem kwalitatieve onderzoeksmethoden - niet alleen kwantitatieve gegevens of het toepassen van modellen op tekst - op in uw toepassing. AI-toepassingen zijn afhankelijk van gegevens die zijn verzameld en bijgevolg kunnen AI-gerichte benaderingen de elementen van het gegevensverzamelingsproces onderschatten, waaronder kwalitatief onderzoek en mensgerichte ontwerpbenaderingen. Dat is een vergissing. Kwalitatieve inzichten – informatie die bijvoorbeeld wordt verzameld door vragen te stellen aan betrokken belanghebbenden of door ze simpelweg te observeren – kan in veel opzichten zelfs nog belangrijker zijn. Dit proces kan leiden tot de ontwikkeling van de probleemstelling die ten grondslag ligt aan een AI-project en tot de ontwikkeling van de AI-tool om dat probleem aan te pakken.

Onderzoek de datasets die u van plan bent te gebruiken om te begrijpen hoe ze zijn gemaakt, waar ze kwetsbaar kunnen zijn en hoe ze uw beoogde resultaten kunnen bevorderen of ondermijnen.

Combineer meerdere datasets om het begrip te verbeteren. Dit is vooral belangrijk in de context van datasets voor aardobservatie. Veel geofysische processen zijn complex en vereisen informatie uit een breed scala aan bronnen om de gevolgen van klimaatverandering nauwkeurig vast te leggen. Booz Allen ontwikkelt bijvoorbeeld analytische modellen en methoden om de grondwaterkarakterisering te verbeteren in regio's die te kampen hebben met waterschaarste. Hiervoor zijn gegevens uit verschillende bronnen nodig, waaronder voorspellingen van klimaatmodellen, hydrologische waarnemingen en context over de geofysische factoren in een bepaalde regio. Het standaardiseren, correleren en samensmelten van deze ongelijksoortige gegevensbronnen is van het allergrootste belang voor alle toegepaste analytische methoden.

In de toekomst zal AI zeker een grotere rol spelen bij het helpen omgaan met klimaatverandering in de 21e eeuw, maar we moeten ervoor zorgen dat we bij het bouwen van die AI-oplossingen de tijd en moeite nemen om ervoor te zorgen dat ze effectief, eerlijk en betrouwbaar zijn. gepast. Als we dat niet doen, zullen we worstelen om de problemen van vandaag op te lossen en verliezen we kostbare tijd aan het oplossen van de problemen van morgen. Als het gaat om de klimaatcrisis, hebben we geen tijd te verliezen.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
• Bron: https://www.greenbiz.com/article/ai-has-great-power-combating-climate-crisis-how-can-it-be-used-wisely