Или, скорее, Борьба с изменением климата с помощью машинного обучения. Сегодня я подытожу некоторые из моих любимых разделов широко разрекламированной статьи, написанной Дэвидом Рольником и другими еще в 2019 году. Знаете, очень-очень давно. Эти люди находятся в авангарде исследований искусственного интеллекта, направленных на смягчение последствий изменения климата, и больше людей должны уделять внимание их важной работе.

Роль специалистов по данным, предпринимателей и технологов

Я думаю, мы все можем согласиться с тем, что в связи с дисфункцией правительства в последние десятилетия мы не можем полагаться на то, что они будут действовать достаточно быстро… даже при наличии положительных сигналов от новой администрации. Мы также не можем ожидать, что поведение людей изменится в массовом масштабе, учитывая наши нынешние модели потребления, культурное и социальное давление на потребление и миллиарды людей в странах с развивающейся экономикой по всему миру, которые хотят лучшей жизни. Было бы абсурдно лицемерно и несправедливо просить людей в Индии или Бразилии не есть мясо, не путешествовать и не потреблять, как мы.

Нет, самые большие успехи должны быть достигнуты благодаря инновациям и рыночным решениям с правильными стимулами. Ветеран технической журналистки New York Times Кара Свишер недавно взяла интервью у Билла Гейтса о его новой книге о решениях проблемы изменения климата, и они согласились, что: «первым в мире триллионером будет предприниматель в области экологически чистых технологий. Это триллион с буквой «Т».

Да, изменение климата — одна из величайших проблем, стоящих перед человечеством, но, как и в случае с другими проблемами, мы объединяемся, чтобы решить их. Это будет непросто, и мы, специалисты по данным, можем задаться вопросом, как мы можем помочь. Достаточно преамбулы. Теперь я расскажу о нескольких высокоэффективных стратегиях смягчения последствий в тех областях, где компании, занимающиеся искусственным интеллектом, начинают добиваться впечатляющих успехов.

Электрические системы

Многие электроэнергетические системы переполнены данными, и отрасль начала разрабатывать системы нового поколения (умные сети), управляемые искусственным интеллектом. Электроэнергетические системы ответственны примерно за четверть антропогенных выбросов парниковых газов каждый год, и существует много отходов и неэффективности в производстве и передаче электроэнергии. Машинное обучение может способствовать ускорению разработки экологически чистых энергетических технологий, улучшению прогнозов спроса и производства, оптимизации систем и управления электроэнергией, а также улучшению системного мониторинга.

Давайте обсудим, в частности, прогнозирование: многие методы машинного обучения использовали исторические данные о спросе и погоде, выходные данные физических моделей, изображения и даже видеоданные для создания краткосрочных и среднесрочных прогнозов генерации и спроса. Эти методы включают подходы временных рядов, контролируемое машинное обучение, нечеткую логику и гибридные физические модели. На более детальном уровне в некоторых работах предпринимались попытки понять конкретные категории спроса, например, путем группирования домохозяйств или дезагрегирования сигналов электроэнергии с использованием теории игр, оптимизации, регрессии и онлайн-обучения.

Myst AI — это стартап из Сан-Франциско, который прошлой осенью получил раунд финансирования серии A на сумму 6 миллионов долларов, чтобы продолжить разработку платформы искусственного интеллекта для прогнозирования временных рядов электроэнергии. Мой последний проект в Metis был Прогнозирование спроса на электроэнергию в Сиэтле, и вы можете найти мой код на GitHub и соответствующий пост в блоге здесь, чтобы увидеть, насколько моя модель превосходит правительственный прогноз на сутки вперед. Кроме того, я недавно подал заявку на стажировку Myst по науке о данных, и я хочу, чтобы все, кто сейчас читает это, пожелали мне удачи. Вслух. Скажи: Удачи, Майк.

Спасибо, очень любезно. Теперь читайте о зданиях и городах.

Здания и города

Неэффективность управления зданием и энергопотребления составляет еще 25% выбросов, но машинное обучение может значительно снизить это число. Важным шагом на пути к энергоэффективности является осмысление растущего объема данных, производимых счетчиками, датчиками и домашними энергомониторами.

Интеллектуальные системы управления в зданиях могут уменьшить углеродный след как за счет сокращения потребляемой энергии, так и за счет предоставления средств для интеграции низкоуглеродных источников в структуру электроэнергии. В частности, машинное обучение может снизить энергопотребление, позволяя устройствам и системам адаптироваться к моделям использования. Здания могут реагировать на сигналы из электросети, обеспечивая гибкость оператора сети и снижая затраты для потребителя.

Существуют также прогнозы спроса на энергию для конкретных зданий, которые полезны для энергетических компаний и при оценке проектирования зданий и стратегий эксплуатации. Машинное обучение может ускорить эти прогнозы для зданий, научившись аппроксимировать физическую модель, чтобы уменьшить потребность в дорогостоящем моделировании (суррогатные модели).

В Нью-Йорке специалисты по данным строят модели профилей электрической нагрузки с помощью обучения с подкреплением и сетей глубокого убеждения, используя данные о коммерческих и жилых зданиях. Затем они использовали приближенное обучение с подкреплением и трансфертное обучение, чтобы делать прогнозы о новых зданиях, что позволяло передавать знания из коммерческих зданий в жилые и из зданий с газовым отоплением в здания с электрическим отоплением.

В пределах одного здания понимание того, какие приборы потребляют энергию, имеет решающее значение для определения мер по повышению эффективности и может мотивировать изменения в поведении. Многообещающие подходы машинного обучения к этой проблеме включают скрытые марковские модели, алгоритмы разреженного кодирования для структурированного предсказания, гармонический анализ, который выделяет «сигнатуры» отдельных устройств, и глубокие нейронные сети.

Компания Cortex из Нью-Йорка намерена значительно улучшить работу зданий с помощью аналитики. Я думаю, что они разумно упаковывают свое ценностное предложение, сосредотачиваясь на снижении затрат для управляющих зданиями и улучшении опыта их жильцов, но, по сути, они фундаментально улучшают устойчивость коммерческих зданий. (Спасибо Уиллу Кёрсену, специалисту по данным в Cortex, отличному писателю и вдохновляющей фигуре среди начинающих специалистов по данным.)

Фермы и леса

Наша нынешняя экономика поощряет секвестрацию углерода за счет вырубки лесов и неустойчивого сельского хозяйства, что составляет еще 25% выбросов.

Как ML может помочь в этом? Точное земледелие может сократить выбросы углерода из почвы и повысить урожайность, что, в свою очередь, может снизить потребность в вырубке лесов. Спутниковые снимки позволяют оценить количество депонированного углерода на данном участке земли, а также отследить выбросы парниковых газов с него. Машинное обучение может помочь контролировать состояние лесов и торфяников, прогнозировать риск пожаров и способствовать устойчивому лесному хозяйству. Сложные инструменты компьютерного зрения часто лежат в основе этих усилий.

Здесь я сосредоточусь на точном земледелии, которое, по сути, представляет собой спрос на сложные инструменты, которые позволяют фермерам работать в больших масштабах более продуктивно и менее разрушительно. Машинное обучение в точном земледелии может помочь в обнаружении болезней, обнаружении сорняков и зондировании почвы. Машинное обучение также может помочь прогнозировать урожайность и даже создавать модели, которые помогают фермерам прогнозировать спрос на урожай и решать, что сажать в начале сезона. В этих решениях часто используются беспилотные летательные аппараты (БПЛА) с гиперспектральными камерами, которые можно использовать для всех этих задач.

See Tree — израильская компания точного земледелия, которая только что в декабре прошлого года получила колоссальный раунд финансирования серии B в размере 30 миллионов долларов. Они используют различные методы сбора данных для сканирования и анализа сотен миллионов деревьев, предоставляя комплексные показатели для каждого дерева, что помогает их клиентам обнаруживать непродуктивные и неэффективные деревья, которые приводят к значительным потерям урожая и порче плодов. Они также помогают количественно оценить потери и позволяют принимать точные бизнес-решения и анализировать первопричины.

Заключение

Мы принадлежим к поколению, которое может что-то сделать с изменением климата. Наши решения в течение следующих 10 лет будут иметь долгосрочные последствия для будущих поколений. И это может быть либо невероятно пугающим, либо захватывающим, в зависимости от того, как вы на это смотрите. Сегодня я привел несколько примеров ученых, занимающихся данными, которые используют свои навыки для борьбы с изменением климата и зарабатывают на этом много денег, и я надеюсь, что эта запись в блоге вселит в вас надежду и волнение по поводу решения таких, казалось бы, неразрешимых проблем, которые не решаются. в ближайшее время.