Експертите по машинно обучение издават Call To Arms за климатичен фокус
Експертите по машинно обучение издават Call To Arms за климатичен фокус

Видео: Експертите по машинно обучение издават Call To Arms за климатичен фокус

Видео: Обучающие миссии ★ Call to Arms - Gates of Hell: Ostfront 2022, Декември
Anonim

През последните няколко месеца CleanTechnica публикува поредица от статии за прилагането на машинното обучение към чистите технологии. Това беше изследване не само на основите на машинното обучение чрез причудливите зловещи средства на роботизираното устройство за машинно обучение velociraptor, но и проучване на приложението на технологията в проучвания на крайбрежните коти, търговско поставяне на слънчеви панели на покрива, сортиране на потоци отпадъци, глобално дърво потенциал за улавяне на въглерод, оптимизиране на концентрирана слънчева енергия и управление на качеството на водата.

Изображение
Изображение

Но глобалната общност за машинно обучение не просто прилага технологиите ad hoc, те призовават общността им да обърне внимание на няколко основни области с висока стойност за изменението на климата. В доклад от ноември 2019 г. „Борба с изменението на климата с машинно обучение“почти две дузини изследователи на машинното обучение от Северна Америка и Европа отправят призив към бой с план за използване на машинното обучение за справяне с ключови решения за изменението на климата. Сред тях е изключителната грис на машинното обучение, Йошуа Бенджо, един от триото изследователи, които спечелиха заедно наградата на Тюринг за милиони долари за усилията си в космоса през последните две десетилетия. (Бенджо очевидно е известна личност в Монреал въз основа на разговори в края на 2019 г. с правителство на провинция, индустрия и академичен комитет на Квебек, с които бях поканен да говоря за автономните сензори за превозните средства и последиците от тях.)

Изследователите идват и от кой кой от институциите, включително Carnegie Mellon, ETH Zurich, Element AI, Universite de Montreal, Harvard University, Mercator Research Institute on Global Commons and Climate Change, Technische Universitat Berlin, Massachusetts Institute of Technology, Cornell, Станфордски университет, DeepMind, Google AI, Microsoft Research и Пенсилвански университет. Това са само основните връзки на изследователите, тъй като често срещаният модел е да се види, че задълбочен експерт има голяма академична и корпоративна принадлежност.

Резюмето е отчетливо, ясно и точно:

„Изменението на климата е едно от най-големите предизвикателства пред човечеството и ние, като експерти по машинно обучение, може да се чудим как можем да помогнем. Тук описваме как машинното обучение може да бъде мощен инструмент за намаляване на емисиите на парникови газове и да помогне на обществото да се адаптира към променящия се климат. От интелигентни мрежи до управление на бедствия, ние идентифицираме проблеми с голямо въздействие, при които съществуващите пропуски могат да бъдат запълнени чрез машинно обучение в сътрудничество с други области. Нашите препоръки включват вълнуващи изследователски въпроси, както и обещаващи бизнес възможности. Призоваваме общността за машинно обучение да се присъедини към глобалните усилия срещу изменението на климата."

Документът не е само за общността за машинно обучение. Авторите изрично са насочени към по-голяма група, която включва изследователи и инженери, предприемачи и инвеститори, корпоративни лидери и местни и национални правителства. Едно от ключовите неща за изнасяне е, че това е документ, който трябва да представите на избраните от вас представители, всички ангели и VC, които познавате, и изпълнителните директори на фирми, за които работите и с които работите.

Тема, която те правят за предприемачи и инвеститори, е тази, която настоявам от месеци с моите инвестиции и контакти с агенции, докато обсъждаме бизнес възможности, че машинното обучение се превърна в използваема технология с голям клас решения, които вече не изискват съществени решения изследвания и рискове, но прилагане на технологията за проблеми, които често са непреходни без нея. Все още преследвам идентификация на плаващ дневник в крайбрежието, например, виждам милиони загубени приходи от дневници годишно, както и създаването на значителни плаващи опасности за плаващи самолети и лодки и решение, което е лесно разширимо в световен мащаб.

За публичния сектор те подчертават интелигентните транспортни системи, техниките за автоматична оценка на енергийното потребление на сградите в градовете и инструментите за подобряване на управлението на бедствия. Изследването на крайбрежната дигитална височина, за което писах през 2019 г., е пример, който се вписва директно в това пространство. Тази седмица разговарях с Крис Визингер, главен изпълнителен директор на GeoSim Cities, и Дейвид Клемент, експерт по машинно обучение, с когото съм съавтор на серията от обяснители на Plastic Dinosaur. Говорихме за това как да използваме високоточния 3D модел на GeoSim с голям лидарски източник на голяма част от Ванкувър в топлинни карти за емисии на сгради, прогнози на земни данни от проучвания на обвивки върху бивши непроучени сгради и симулация на трафика около ново строителство, като моментално емблематичната Къща във Ванкувър, използвайки техники за машинно обучение.

Основен организационен принцип на статията е да се започне с домейните. Те са разделили проблемното пространство на 13 области: електрически системи, транспорт, сгради и градове, индустрия, ферми и гори, финанси и др. Независимо от вашия фокус в академичния, бизнес или общ интерес, те вероятно са го покрили.

Машинното обучение не е една магическа кутия. Това е набор от технологии и техники, включително причинно-следствена връзка, компютърно зрение, обработка на естествен език, учене на трансфер, количествено определяне на несигурността и други. Авторите са картографирали решенията срещу проблемните домейни. Те са помислили кои подходи са най-продуктивни за справяне с конкретната област. Това е богат документ за пресичане, който трябва да бъде на бюрата на политиците, корпоративните лидери и инвеститорите.

За да извадят един пример, в раздела за транспорт авторите говорят за модална смяна, т.е. извеждане на пътници от еднолични автомобили и в богат набор от други видове транспорт, включително ходене, колоездене. електрически превозни средства за пътуване, транзит и споделяне на превозни средства. Те изтъкват технологиите и техниките за причинно-следствена връзка, компютърно зрение, анализ на времеви редове и количествено определяне на несигурността като ключови фокусни области за изследване и внедряване.

Доколкото са способни на авторите, те са обозначили решенията в пространствата като имащи непосредствена приложимост, дългосрочна приложимост и / или несигурност на въздействието. Това е стратегически документ, излагащ краткосрочна стойност, дългосрочни усилия и потенциални области, които се нуждаят от изследвания. Тя трябва да бъде основна за оформянето на програмите за машинно обучение през следващото десетилетие.

И идва с призив за сътрудничество. За тези, които се интересуват от конкретни области или по-широко в темата, те са създали уебсайт за подпомагане, климатична промяна.ai. Те са имали поредица от събития на големи конференции през 2019 г., включително NeurIPS 2019 във Ванкувър, конференция, на която Дейвид Клемент присъства.

За да разгледаме само една част от 111-страничния PDF, секцията за електричество говори за региони с ниски данни.

„Докато методите за ML често се прилагат за мрежи с широко разпространени сензори, системните оператори в много страни не събират или споделят системни данни. Въпреки че тези практики за наличност на данни могат да се развият, междувременно може да е от полза да се използват техники за ML, като прехвърляне на обучение за превод на прозрения от настройки с високи данни към настройки с ниски данни (особено след като всички електрически мрежи споделят една и съща основна системна физика)."

Това е основна способност на машинното обучение. Както показа проучването на модела за крайбрежна цифрова височина, ако имате данни с висока разделителна способност за подмножество на света и данни с по-ниска разделителна способност за останалите, можете да подобрите качеството на глобалните данни по същество единствено чрез техники за машинно обучение. По същия начин можете да проектирате с разумна степен на сигурност емисионност върху сгради, които не са провеждали одити на пликове от данни от сгради, които са ги имали.

Това е най-повърхностният преглед на дълбоката и широка хартия. Трябва да се прочете за всеки, който се занимава с намаляване на климата или адаптация, независимо дали е ръководител на глобална практика за градско планиране и проектиране, предприемачески инвеститор, финансирана от правителството агенция за икономически растеж или изследовател. Вече препратих вестника на хора, които познавам във всички тези пространства. Това несъмнено ще информира допълнителни статии от поредицата за cleantech и машинно обучение, които CleanTechnica публикува и събрания доклад по въпроса.

Популярни по теми