Новые инструменты для старых проблем? Влияние машинного обучения на смягчение последствий изменения климата

Это эссе было написано Тьярком Галлом, Бенджамином Руифом и Джйотсной Будидети в рамках Программы для начинающих лидеров.

В данной статье мы обсуждаем онлайн-презентацию Николы Милоевич-Дюпон и Линн Каак, состоявшуюся 4 июня 2022 г. (рис. 1). Вопрос звучал так: Как мы можем бороться с изменением климата с помощью машинного обучения? Кроме того, докладчики обсудили, что необходимо учитывать для обеспечения успеха. Опираясь на эти вопросы, мы начнем с краткого обзора темы, за которым следует схема оценки воздействия Каака и др. (2022), дополненные примерами выбросов ПГ в результате городской мобильности. Наконец, мы обсудим оставшиеся проблемы использования машинного обучения (МО) для решения проблемы изменения климата и укажем некоторые пути реализации концепции и применения инновационных методов и искусственного интеллекта для смягчения человеческого вклада в климатический кризис.

1 Машинное обучение для изменения климата?

Климатический кризис, к сожалению, больше не требует введения из-за его широкомасштабного воздействия на различные дисциплины и во всем мире (IPCC, 2021). В центре внимания часто находятся городские районы как (1) основные источники выбросов парниковых газов (ПГ), в основном от транспорта и застройки, (2) являющиеся домом для большинства населения мира и одновременно (3) являющиеся наиболее риск экстремальных климатических явлений из-за местоположения, плотности населения и критической инфраструктуры.

С другой стороны, городская территория выступает ключевой ареной борьбы с изменением климата, где перспективные решения могут оказать наибольшее влияние. Такие городские решения варьируются от высокой плотности населения до повышения эффективности использования ресурсов и энергии, экологических решений, инновационных высокотехнологичных изобретений и социально-культурных движений, направленных на умеренное потребление. Независимо от приложения или типа решения, машинное обучение и связанные с ним подходы все чаще применяются для поддержки нас в разработке решений, которые способствуют — в данном случае — уменьшению загрязнения и чрезмерного потребления.

Прежде чем рассматривать некоторые из перспективных областей машинного обучения в городском контексте, а также обсуждать основные проблемы, мы стремимся дать определение машинного обучения, особенно в отношении искусственного интеллекта (ИИ) и в контексте Городское или урбанизированный — А.И.. AI и ML — одни из модных словечек сегодняшнего дня. Здесь мы понимаем ИИ как любой тип основанного на технологиях интеллекта, который отражает человеческий интеллект или превосходит его, например, для решения сложных задач. Машинное обучение часто рассматривается как часть ИИ. Мы определяем машинное обучение как контролируемый (требующий участия человека), неконтролируемый или процесс обучения с подкреплением с помощью вычислительных инструментов, который работает с большим объемом обычно сложных данных. Это может варьироваться от распознавания образов (например, идентификации лиц во время фотосъемки с помощью смартфона) до улучшения прогнозов погоды или предупреждений о стихийных бедствиях благодаря расширенным возможностям анализа сложных данных и их сравнения с прошлыми данными или, скорее, извлечения уроков из них. Некоторые существующие приложения предназначены для улучшения понимания человеческого поведения, оптимизации логистики ресурсов или прогнозирования сбоев в работе сети. Наконец, понятие городского ИИ добавляет городской контекст в качестве области основного применения, в то же время стремясь к урбанизации ИИ, что означает придумывать и разрабатывать ИИ, которые сохраняют наш социальный договор, расширяют возможности людей, принимают нашу культуру и вносят свой вклад. сделать города динамичными и устойчивыми».

Однако, несмотря на различные перспективные области применения в борьбе с изменением климата, использование машинного обучения также может иметь негативные последствия или может привести к нежелательным системным внешним эффектам. Кроме того, не каждая проблема требует — или выигрывает — от машинного обучения. В следующем разделе мы представляем структуру оценки воздействия, чтобы более подробно рассмотреть возможные положительные и отрицательные воздействия.

2 Структура оценки

Структура была предложена Kaack et al. (2022, стр. 519), чтобы помочь количественно оценить влияние машинного обучения на изменение климата. Эта структура разлагает воздействие на три уровня: вычислительный, прикладной и системный. В этом разделе мы представляем, как каждый уровень может способствовать выбросам парниковых газов. На рис. 2 показано адаптированное представление различных уровней структуры.

2.1 Уровень вычислений

На уровне вычислений основной вклад машинного обучения в выбросы парниковых газов заключается в потреблении энергии для вычислений и производства оборудования. Разработка приложения ML требует больших вычислительных ресурсов. В то время как разработка и обучение алгоритма требуют нескольких итераций, которые являются интенсивными с точки зрения вычислений, после запуска каждый вывод требует небольших вычислений, но объем быстро увеличивается по мере использования. Вычисления являются энергоемкими, и хотя промышленность, от процессоров (Koormey et al., 2011) до центров обработки данных (IAE, 2021), становится все более энергоэффективной, рост машинного обучения всегда требует больше энергии. Кроме того, добыча сырья и производство оборудования также способствуют выбросам парниковых газов.

Чтобы согласовать машинное обучение с климатическими целями, требуется более высокая прозрачность в отношении энергопотребления вычислений на каждом этапе разработки, что может быть обеспечено с помощью общей методологии среди лидеров отрасли. Кроме того, необходимо продолжать усилия по запуску центров обработки данных на возобновляемых источниках энергии и повышению энергоэффективности процессоров и центров обработки данных. Особое внимание следует также уделить более отказоустойчивому использованию аппаратного обеспечения, чтобы сократить потери ресурсов. Само собой разумеется, что это лишь несколько примеров мер, которые необходимо предпринять для сокращения выбросов парниковых газов при расчетах МО. Кроме того, учитывая, что машинное обучение представляет собой лишь часть общих вычислений цифровой отрасли, эти меры должны применяться ко всей отрасли.

2.2 Уровень приложения

Машинное обучение имеет широкий набор приложений и может быть разработано для смягчения последствий изменения климата. В статье Борьба с изменением климата с помощью машинного обучения перечислены приложения, в которых машинное обучение может решить проблему изменения климата, при этом большинство приложений основано на существующих технологиях, а другие требуют более тесного сотрудничества между исследователями из разных областей. Когда дело доходит до городского развития, машинное обучение поддерживает разработку сложных инструментов оптимизации, которые помогают строить города с эффективным использованием ресурсов и низким уровнем выбросов углерода. Например, машинное обучение играет ключевую роль в разработке технологий интеллектуальных сетей, совместимых со спросом на зарядку электромобилей (Скотт и др., 2011). С другой стороны, приложения машинного обучения могут быть разработаны для стимулирования роста углеродоемких отраслей. Например, нефтегазовая отрасль использует машинное обучение на всех уровнях для снижения затрат и повышения эффективности. Однако большинство приложений не могут быть напрямую связаны со смягчением последствий изменения климата, и количественная оценка выбросов парниковых газов любых приложений машинного обучения является сложной задачей, особенно с учетом того, что их эффект может быть нелинейным или увеличиваться в сочетании с другими технологиями.

Чтобы приложения машинного обучения могли способствовать решению климатического кризиса, необходимо разработать более широкий набор приложений с прямой целью сокращения выбросов парниковых газов. Также необходимо разработать политику повышения ответственности за приложения, способствующие ускорению глобального потепления. В целом, учитывая, что только часть приложений оказывает прямое воздействие на смягчение последствий изменения климата, положительное или отрицательное, необходимо принять более широкий подход, например, путем разработки методологий анализа затрат и результатов и проведения дополнительных тематических исследований о воздействии Приложения ML по выбросам парниковых газов.

2.3 Системный уровень

Еще более сложными воздействиями для измерения ML являются системные воздействия. Внедрение новых технологий может иметь косвенные и широкие последствия для общества, которые трудно предвидеть. ML уже оказывает влияние на системном уровне, например, из-за того, как его применение меняет то, как мы потребляем информацию, ведущую к политическим потрясениям, и оно будет увеличиваться с увеличением количества инструментов на основе ML. Решение на основе машинного обучения может иметь обратный эффект, а это означает, что повышение эффективности приведет к увеличению потребления энергии, одним из потенциальных примеров являются автомобили с автоматическим управлением, которые повысят эффективность потребления транспортных средств, но могут увеличить использование моторизованных транспортных средств. Машинное обучение также может ускорить переход к технологиям, которые являются более энергоемкими, чем альтернативные технологии, создавая зависимость от пути, или использоваться для продвижения отраслей, которые увеличивают спрос на энергию: алгоритм рекомендаций может увеличить потоковое видео, которое очень требовательно к энергии. .

Чтобы привести машинное обучение в соответствие с целями в области изменения климата и контролировать воздействие на системном уровне, важно, чтобы влияние машинного обучения учитывалось в глобальных исследованиях изменения климата. Также необходимо разработать политику для снижения риска того, что отмывание денег будет развиваться в пользу частных интересов против общественных целей, путем введения ограничений, управляемых комитетами граждан. Машинное обучение также должно быть демократизировано, чтобы приложения разрабатывались группами, управляемыми гражданами, или в сотрудничестве с ними.

3 Применение схемы оценки воздействия: снижение загрязнения воздуха за счет мобильности

Опираясь на лекцию Николы Милоевич-Дюпон и Линн Каак и ранее представленную трехуровневую оценку воздействия (Каак и др., 2022), мы на примере применяем ее к контексту снижения загрязнения воздуха в городской мобильности. Мы выбрали этот пример по трем причинам. Во-первых, сектор мобильности и транспорта является одной из самых загрязняющих окружающую среду и требовательных к ресурсам сфер, требующих срочных, системных и глобальных действий. В то же время мобильность является важнейшим компонентом экономической эффективности, человеческого развития и сотрудничества, а также социальной интеграции, что создает контекст серьезной проблемы (Rittel and Webber, 1973). Во-вторых, сектор мобильности — это высокотехнологичный и инновационный сектор, в котором множество заинтересованных сторон сотрудничает и конкурирует в поиске новых решений. Это приводит к множеству существующих приложений ML. Наконец, три автора работают над смежными темами, что позволяет нам ссылаться на конкретные примеры из дисциплины.

3.1 Случай загрязнения воздуха в результате городской мобильности

Что касается экологической устойчивости, выбросы парниковых газов транспортным сектором составляют 22%, это второе место после отопления, ежегодно на дорогах погибает 1,35 миллиона человек (Climate Watch 2020, CDC 2020), и, по оценкам, от 3,3 до 4,5 миллионов человек умирает от антропогенное загрязнение атмосферного воздуха в год». Кроме того, дорожная инфраструктура занимает 27% площади Парижа, из них 57% приходится на автомобили (Héran and Ravalet, 2008). Производство средств передвижения требует различных дефицитных ресурсов (Metabolic, 2019) и создает негативные внешние эффекты для общества из-за потери производительности из-за дорожного движения, которая оценивается в 11 миллиардов евро в год только в Париже (Cebr, 2014). Последствия более чем столетнего использования транспортных средств на топливе имеют глобальное значение для общества сегодня (например, из-за загрязнения воздуха и повышения уровня моря) и будут иметь еще большее значение в будущем (UN, 2016).

Хотя эти и другие проблемы существуют в контексте городской мобильности, мы сосредоточимся здесь на загрязнении воздуха как на одном из наиболее важных. Это включает загрязнение воздуха во время добычи и производства ресурсов, на этапе использования продуктов и услуг, а также при переработке или утилизации. Далее мы рассматриваем общее загрязнение воздуха выхлопными газами и локальное загрязнение, например, из-за истирания шин, одной из остающихся проблем для электромобилей.

С этой целью мы включаем задачу по снижению загрязнения воздуха в программу действий, разработанную немецким агентством по сотрудничеству в целях развития (GIZ) для решения проблемы городской мобильности. Структура ASI (рис. 4, GIZ 2014), расшифровывающаяся как «Избегай, меняй, улучшай» (с убывающим приоритетом), требует избегать в первую очередь неустойчивых поездок (все, кроме активной мобильности, то есть ходьбы и езды на велосипеде). Это может быть достигнуто, например, за счет более интегрированного городского планирования с плотными зонами смешанного использования или цифровизации, которая экономит поездки для административных задач или рабочих обязанностей. Вторая цель – переключиться с менее экологичных видов транспорта на более экологичные, например, с автомобилей на общественный транспорт или с общественного транспорта на велосипеды. Наконец, оставшаяся неизбежная мобильность должна быть улучшена, например, с помощью водородных или электрических транспортных средств вместо двигателей внутреннего сгорания.

С этим концептуальным обрамлением мы возвращаемся к контексту ML. Далее мы рассмотрим несколько избранных случаев применения машинного обучения в городской мобильности. Одним из конкретных решений, в котором часто используется машинное обучение, является моделирование транспорта на основе агентов для оптимизации, например, планирования инфраструктуры, управления трафиком, маршрутизации или управления автопарком. Ведущим подходом с открытым исходным кодом для этого является MATSim, который может работать с синтетическими популяциями, созданными из открытых данных, сетью с дорогами, другими мобильными инфраструктурами и их пропускной способностью, а также местоположениями, которые определяют пункты отправления и назначения. Цель состоит в том, чтобы лучше использовать существующие ресурсы и максимально эффективно планировать будущие проекты. Хотя мотивы для этого, конечно же, также экономические, оптимизированная эффективность использования ресурсов может одновременно снизить, например, потребность в энергии. Второе связанное с этим приложение — это недавний рост общей микромобильности, где приложения ML варьируются от выбора местоположения станций до оптимизации смены парка или маршрутизации и синхронизации замены батарей, среди прочего. Основная цель состоит в том, чтобы более легкий доступ к микромобильности позволил большему количеству людей избегать использования личных автомобилей или даже позволить эффективно передвигаться без личных транспортных средств. Это можно рассматривать как часть более масштабного стремления преобразовать мобильность из системы, основанной на владении, в сервис-ориентированную и совместно используемую систему. Это резюмируется в концепции Мобильность как услуга (MaaS), направленной на обеспечение бесшовной и интегрированной мульти- и интермодальной системы мобильности, которая позволяет людям легко перемещаться из пункта А в пункт Б, не обязательно владея отдельными транспортными средствами, и иметь возможность искать, бронировать и оплачивать на единой платформе. С помощью этих примеров ниже мы обсудим три уровня воздействия машинного обучения на выбросы парниковых газов.

3.1.1 Воздействие, связанное с вычислительной техникой

Для первого примера, моделирования на основе агентов, различные факторы определяют воздействие, связанное с вычислениями. Во-первых, размер моделируемой области, а значит, количество агентов, сети, пунктов назначения и поездок, и это лишь некоторые из них, влияют на сложность вычислений. После этого алгоритмы ML часто работают с итерациями. Большее количество итераций обычно дает лучшие результаты. Существуют подходы к снижению сложности, например, сосредоточение внимания только на одной области, части общей совокупности или сокращение количества итераций до приемлемого баланса между сложностью и ресурсоемкостью. Наконец, продолжительность моделируемого периода и количество различных сценариев или предложений мобильности, которые тестируются, влияют на общую сложность. Таким образом, потребность в вычислительных ресурсах в основном определяется площадью и плотностью населения/инфраструктуры, количеством итераций, сценариями и периодом времени. Окончательное воздействие, связанное с вычислениями, затем определяется типом, местоположением, энергопотреблением и работой центра обработки данных или устройства, выполняющего вычисления, а также сложностью алгоритмов и связанными с ними требованиями к вычислениям. С другой стороны, это, как правило, не текущие оперативные вычисления, а только происходящие на этапе планирования и, таким образом, не оказывающие существенного влияния на работу.

3.1.2 Непосредственное воздействие на приложение

Воздействие приложений столь же велико, как и возможные области, в которых может применяться ML. После этого воздействие во многом зависит от того, применяется ли МО к постановке задачи, которая снижает выбросы парниковых газов, или к задаче, которая, например, увеличивает использование одной менее устойчивой услуги или продукта по сравнению с другой. Например, мы продолжаем моделирование на основе агентов и, в частности, моделирование трафика для оптимизации маршрутизации услуг мобильности по требованию. Особой проблемой является ребалансировка транспортных средств, для которых обучение с подкреплением было применено с помощью MATSim. Цель состоит в том, чтобы решить, где транспортные средства с мобильностью по требованию ожидают или возвращаются между поездками, чтобы предоставить пользователям оптимальное предложение мобильности. Двумя непосредственными последствиями применения являются возможное сокращение общего размера автопарка за счет оптимизированной системы маршрутизации с постоянным уровнем обслуживания и сокращение общего пробега, что способствует снижению потребления ресурсов и выбросов парниковых газов.

Другим примером является целевая и основанная на алгоритмах адаптация провайдеров микромобильности для улучшения их обслуживания (см. Как ИИ будет повышать прибыльность микромобильности). Улучшение услуги должно привести, например, к тому, что больше людей будут использовать электронные самокаты или другие виды микромобильности вместо автомобилей с двигателем внутреннего сгорания, что сократит общие выбросы парниковых газов (методы переключения передач). С другой стороны, как и в предыдущем примере, ML может повысить эффективность системы и, таким образом, сократить количество транспортных средств, необходимых за счет оптимального распределения, и привести к уменьшению количества километров, пройденных для замены батарей электронных самокатов или их обслуживания.

3.1.3 Воздействие на системном уровне

Наконец, мы хотим кратко обсудить несколько возможных системных последствий описанных выше вмешательств с поддержкой ОД. Все они нацелены на вторую цель структуры ASI — перейти от менее устойчивых к более устойчивым режимам, одновременно пытаясь частично улучшить существующие способы мобильности. Основная идея заключается в том, что лучший сервис, например, мобильность по запросу или микромобильность, может привести к более высокому уровню успеха клиентов, а значит, к меньшему количеству людей, пользующихся автомобилями. Это согласуется с большими амбициями MaaS: предоставлять интегрированные и бесшовные услуги мобильности, которые позволяют людям отказаться от индивидуального моторизованного транспорта. Таким образом, системное воздействие решений первого уровня может заключаться в сокращении использования автомобилей и уменьшении зависимости от автомобилей. На следующем уровне это может привести к разному выбору того, где человек живет и работает, поскольку изменились доступность и личное финансовое положение. Например, длительная и дорогая поездка на автомобиле мешала сотруднице жить ближе к району, где она хотела бы жить по личным причинам. Благодаря интегрированному предложению «мобильность по запросу» и «микромобильность» она могла жить дальше с тем же уровнем затрат и комфорта, что и раньше. На еще более глубоком уровне увеличение предложения мобильности и уменьшение зависимости от автомобилей и их использования могут привести к долгосрочной трансформации ценностей, связанных с автомобилями. Например, получение водительских прав теряет ценность для молодого поколения, а автомобили в меньшей степени ассоциируются со свободой и статусом, а в большей - с негативным воздействием на окружающую среду или рассматриваются как дорогостоящие предметы роскоши.

С другой стороны, системные воздействия также могут быть негативными. Например, люди, которые традиционно ходили пешком или ездили на велосипеде, могут перейти на электронный самокат, что увеличивает потребность в ресурсах и энергии. Кроме того, избыточное предложение и бесперебойная интегрированная мобильная услуга также могут представлять собой риск. Это может привести к чрезмерному потреблению «мобильности» и, таким образом, к общему увеличению потребления энергии. Для иллюстрации давайте представим, что кто-то живет в малонаселенном пригородном районе. В настоящее время есть автобус, который ходит до следующей железнодорожной станции каждые 15 минут. С увеличением количества предоставляемых услуг становится доступным больше вариантов. Таким образом, вместо того, чтобы ходить на работу каждый день и делать покупки два раза в неделю, поведение может измениться на хождение по магазинам каждый день, поскольку это легко, быстро и доступно. Хотя нет простого решения этой проблемы, так как трудно классифицировать, какие поездки для мобильности достаточно важны, а какие нет, мы можем легко утверждать, что кто-то, полностью отключенный и лишенный мобильности, несправедливо исключен, в то время как кто-то, летающий за покупками три раза в день на вертолете, ведет себя неустойчиво. То, как мы разрабатываем наши системы мобильности и их предложения, а также оптимизируем или делаем их доступными с помощью технологических решений, будет иметь значительные и системные последствия, о которых мы должны знать и работать над их лучшей оценкой и управлением.

4 Как применять фреймворк?

Наконец, мы обсудим оставшиеся вопросы и ограничения применения машинного обучения для борьбы с изменением климата, например, для уменьшения выбросов парниковых газов, вызванных городской мобильностью. Прежде всего, мы утверждаем, что необходимы системное и целостное понимание и оценка. Нам нужно знать — или, по крайней мере, быть в состоянии оценить — воздействие в разных масштабах при применении подходов, требующих больших объемов данных и энергии, таких как машинное обучение. Обладая этими знаниями, мы можем принимать обоснованные решения и пытаться по крайней мере балансировать между различными масштабами, если это возможно, максимизировать положительные и минимизировать отрицательные воздействия. Однако, даже если мы говорим здесь только о выбросах ПГ как об одном из основных факторов, влияющих на изменение климата, необходимо учитывать и другие факторы. К ним относятся использование (редких) материалов, негативное воздействие на экосистему, например, путем нанесения ущерба биоразнообразию, и социальные воздействия (эксплуатация труда), среди многих других. Такие методы, как оценка жизненного цикла (LCA), его расширенная социальная LCA, механизмы сертификации или маркировки, должны быть расширены и применены к ML. В сочетании с общеотраслевыми стандартами отчетности это улучшит понимание воздействий и, таким образом, позволит улучшить управление ими — следуя кредо: нельзя улучшить то, что нельзя измерить.

Хотя некоторые заинтересованные стороны уже делают это добровольно (или в маркетинговых целях), для повышения прозрачности и подотчетности необходимы более строгая политика и регулирование. Это варьируется от лучшего понимания и мониторинга полного жизненного цикла до регулирования, которое способствует положительному опыту. Примерами этого являются четкое определение границ системы оценки (например, учитывается ли тип энергии или сырье инфраструктуры?), дополненное определением приоритетов центров обработки данных, инфраструктуры и отраслевых партнеров, которые работают над энергосбережением. , используя энергию из устойчивых источников и параллельно поддерживая социальные ценности.

Что касается воздействия на внутренние операции, необходимо учитывать потребность в энергии на протяжении всего жизненного цикла. Например, сколько (и как часто) ресурсов требуется в начале по сравнению с последующими операционными потребностями. В некоторых случаях высокие первоначальные требования могут быть быстро компенсированы его долгосрочной работой с низким энергопотреблением и положительным вкладом. В других случаях может быть верным и обратное. Кроме того, непрерывный и открытый процесс оптимизации, который уже лежит в основе исследований ИИ, может значительно снизить потребление энергии и ресурсов на протяжении всего жизненного цикла любого приложения машинного обучения. Первые шаги уже делаются с разработкой программного обеспечения с открытым исходным кодом (например, code carbon), которое помогает количественно оценить выбросы углерода при вычислениях.

Общие обсуждения фактического воздействия ML на смягчение последствий изменения климата затруднены из-за большого разнообразия подходов. В случае городской мобильности существует достаточное количество приложений машинного обучения, которые значительно повышают эффективность энергоемких систем, тем самым активно способствуя, среди прочего, сокращению выбросов парниковых газов. С другой стороны, вторичные и системные воздействия в большинстве случаев трудно увидеть и понять целостно и тем более измерить. Тем не менее, их углубленная оценка должна быть частью проекта ML на ранней стадии, направленного на смягчение последствий изменения климата. Возможные вопросы, которые можно задать, могут быть такими: Будет ли наша услуга или продукт создавать новый или приводить к увеличению спроса? Отойдут ли пользователи от более или менее устойчивой альтернативы? Какие новые вызовы или проблемы могут возникнуть в результате использования услуги или продукта?

В заключение, технологии и машинное обучение не смогут решить все проблемы смягчения последствий изменения климата, но могут стать важной частью решения некоторых конкретных задач, повысить эффективность использования ресурсов или помочь лучше понять сложную окружающую среду. Важно, чтобы машинное обучение применялось не просто так, а как инструмент для решения конкретной задачи. Несмотря на свои преимущества, во многих случаях проекты, управляемые экспертами или сообществами, продолжают превосходить свои цифровые аналоги из-за отсутствия представления сложности или доступности данных. Во многих случаях совместная работа нескольких подходов в разных дисциплинах (например, машинное обучение, социальные науки, разработка политики) может привести к оптимальному результату.

Какие подходы вы используете для борьбы с изменением климата? Используете ли вы машинное обучение? У вас есть интересные кейсы, на которых можно поучиться? Или у вас есть идея, как использовать машинное обучение для решения критических городских проблем сегодняшнего дня? Если да, дайте нам знать. Мы с нетерпением ждем возможности узнать о ваших идеях и решениях.

Авторы

Тьярк Галл — урбанист, работавший в Германии, Китае, Малави, Уганде, Нидерландах, Франции и Египте. Его цель — понять, как функционируют городские районы и что оказывает наибольшее влияние на то, чтобы сделать их более устойчивыми и ориентированными на человека. В настоящее время он работает над своей кандидатской диссертацией по совершенствованию процессов проектирования сложных городских систем в условиях неопределенности.

Бенджамин Руиф — инженер, работающий в сфере мобильности. Он работал над оптимизацией инфраструктуры зарядки электромобилей в течение пяти лет и в настоящее время возглавляет группу аналитиков данных, работающих над продуктами и операциями каршеринга. Он также является соруководителем французской некоммерческой организации Data for Good, которая поддерживает другие некоммерческие организации в их проектах по работе с данными.

Jyotsna Budideti является соучредителем и генеральным директором SpaceSense, стартапа в области космических технологий и искусственного интеллекта, целью которого является популяризация технологии спутниковых изображений. Интеллектуальные данные спутниковых изображений — одна из основных технологий, которые помогут сообществам и организациям адаптироваться к изменению климата, и ее цель — сделать их доступными для всех.