rendkívüli hír
Ez a tartalom nem elérhető az ön régiójában

Rábízhatjuk-e a gépi intelligenciára az éghajlat helyreállítását?

Rábízhatjuk-e a gépi intelligenciára az éghajlat helyreállítását?
Szerzői jogok  GettyImages
Betűméret Aa Aa

Egyre több ágazatban kap szerepet a mesterséges intelligencia a legnagyobb kihívások megoldásában, de vajon az éghajlatváltozással kapcsolatos problémáink megértésében és megoldásában is segítségünkre lehetnek-e majd a gépek?

A telefonunk felismeri az arcunkat, és a bankunk is képes bármely olyan tranzakciót blokkolni, amely eltér a vásárlási szokásainktól. Az online szupermarket pedig a vegán termékkínálatát tolja az orrunk alá, csak azért, mert egyszer vettük egy doboz zabtejet; arról már nem is beszélve, hogy az online moziplatform azért bombáz minket b-kategóriás filmekkel, mert az előző hónapban esetleg megnéztünk egy szappanoperát.

Az eszközeink és az általunk igénybe vett szolgáltatások egyre nagyobb számban támaszkodnak a mesterséges intelligenciára (MI) – egy olyan technológiára, amely életünk egyre több és több szegletében veti meg a lábát. Tudósok, vállalkozók és kormányok igyekeznek az MI segítségével rájönni, miként lehetne megoldani a társadalmunk elé tornyosuló kihívásokat. A földi éghajlat viselkedésének és jövőbeli alakulásának a feltárása is igen előkelő helyen szerepel a napirenden. Azonban míg a technológia az elérhető hatalmas adatmennyiség kisilabizálásában van segítségünkre, vajon miként támogathatja az MI a környezeti változások gyakorlati enyhítését és hogyan segíthet a jövőhöz való alkalmazkodásban?

– Amikor az emberek az „MI”-t emlegetik, gyakran a gépi tanulásra (GT), tehát a rendelkezésükre álló adatokból tanulni képes algoritmusokra gondolnak, – mondta Dr. David Rolnick, a Pennsylvaniai Egyetem tanársegédje. – Általánosságban véve az MI nem lesz képes az embernél jobban elvégezni az adott feladatokat, azonban jóval gyorsabb lesz nálunk, és nagy adathalmazokban is képes lesz felismerni bizonyos mintázatokat. –

Ezek azok a képességek– tehát a hatalmas adatmennyiségek gyors feldolgozása, az információk finomítása és a fellelhető kapcsolatok azonosítása –, amelyek miatt az MI gyökeres változást hozott a különböző ágazatokban.

Ez az éghajlattudományban és az éghajlatváltozás megfigyelésében sincs másképp. A műholdak példátlan mennyiségű éghajlati adatot szolgáltatnak számunkra. Az időjárás-előrejelzés már forradalmi szintű részletességgel történik. Mindazonáltal az egyes éghajlati modellek és forgatókönyvek még mindig sok bizonytalanságot tartalmaznak. A tudósok az MI-t alkalmazva igyekeznek igazgatni ezt az adatigényes területet, hogy még tovább finomíthassák az éghajlattudományt és még pontosabb előrejelzésekkel segíthessék a társadalmat és a természetet a jövőhöz való alkalmazkodásban. „A gépi tanulás lehetővé teszi komplex viselkedésformák adatok alapján történő elsajátítását a fizikai aspektusok mellőzésével,” – mondja Dr. Peter Dueben, az ECMWF egyik kutatója. „Minél több adatunk van, annál jobbak lesznek az eszközeink. Az adatmennyiség növekedésével a gépi tanulási eszközök is egyre hatékonyabbá válnak. Így tehát a tudósok számára is egyre hasznosabb eszközök állnak majd rendelkezésre.”

© GettyImages

Az MI segítségével értelmezhetik a műholdképeket és alkothatnak előrejelzéseket a tudósok

– A gépek segítségével méréseket végezhetünk és megfigyelhetjük a világunkat, ami kulcsszerepet játszik abban, hogy jobb döntéseket hozhassunk a bizonytalan jövőnkkel kapcsolatban – vélekedik Dr. Nataliya Tkachenko, az Oxfordi Egyetem vezető adat- és MI-kutatója. – Az MI lényege valójában nem is igazán az adatokról szól, hanem a komplex világban fellelhető mintázatok és kapcsolatok azonosításáról; végsősoron a döntések vagy a feldolgozott információk állnak a középpontban.”

A tudósok az MI-t használva képesek voltak jóval részletesebb képeket készíteni a Földről. – Az MI kiemelkedik a térinformáció-szolgáltatásban, ez az egyik szuperképessége – mondja Dr. Pierre-Phillippe Mathieu, az Európai Űrügynökség Philab Kutatóirodájának vezetője. Dr. Vincent-Henri Peuch, a Copernicus Légkörmegfigyelési Szolgálat (CAMS) igazgatója is egyetért ezzel: – Nagyon hatékony a műholdfelvételek összehasonlításában és a földtakaró változásainak automatikus nyomonkövetesében, így különösen hasznos a bolygó azon területein, ahol a felszíni megfigyelés nincs kiépítve. Ezen kívül a számítógépes modellek felgyorsításához és az üzemeltetési költségeik csökkentéséhez is hozzájárul, különösen az időjárás-előrejelzések esetében, ahol fontos a gyors működés.”

A Copernicus klímaváltozási szolgálat (C3S) és a CAMS a földtakaróban és az erdős területeken végbemenő változások azonosításához, a városi léptékű levegőminőség-mérések pontosításához, valamint a műholdfelvételek automatikus feldolgozásához használják, illetve tesztelik is az MI alkalmazását – mondta Dr. Peuch.

A British Antarctic Survey Turing Institute-ban vendégül látott szakértői gépi tanulási technológiát használva követik le a jéghegyek apróbb darabokra való feltöredezését az Amundsen-tengeren, az Antarktisz nyugati partvidéke mentén, valamint MI-algoritmusokat tanítanak be arra, hogy előrejelezzék a tengeri jég kiterjedésének jövőbeli alakulását. Az MI lehetővé teszi az előrejelzések értelmezését, mi több, akár újszerű betekintést is nyújthat abba, hogy az éghajlati változók miként hatnak egymásra időben és térben.

A környezeti és társadalmi problémák megoldását célzó MI-applikációk gyűjteménye egyre csak növekszik. A Washingtoni Egyetemen például az MI-t bevetve szeretnék majd nyomon követni, valamint hatékonyabban előrejelezni a tengeri hőhullámokat, a Tanzániai Természetvédelmi Erőforrások Központjában pedig a vadvilág és az emberi tevékenység légi megfigyelésében szánnak szerepet az MI-nek az állatok és emberek között kialakuló konfrontációk megelőzése érdekében. Boston városában elkezdték tesztelni a GreenCityWatch MI-alapú fanyilvántartási szoftverét, amely a városi fák számának és egészségének nagy pontossággal történő ellenőrzésével járul hozzá a közérdekű politikák alakításához.

© GettyImages

Az MI alkalmazása a mezőgazdaság területén is meghozta gyümölcsét. A Microsoft Azure felhőplatformja, a FarmBeats a különböző szenzoroktól, kameráktól, traktoroktól és drónoktól beérkező adatokat összesíti, és az egyes adatkészletekre épülő gépi tanulási modelleket alkalmazva követi figyelemmel a mezőgazdasági tevékenységeket, illetve próbálja növelni a gazdák ellenállóképességét a klímaváltozással szemben. – A termelők az időjárást figyelembe véve döntik el mikor kerüljön sor az ültetésre, az öntözésre, a szüretre és más tevékenységekre – mondta Ranveer Chandra, a Microsoft Azure Global vezető kutatója. – Az időjárás-előrejelzés azonban a meteorológiai állomásról érkezik, nem pedig a farmról. Az egyik MI-algoritmusunk képes a részletes időjárási modelleket, valamint a meteorológiai állomásról érkező adatokat a farmon elhelyezett szenzorokkal összehangolva hiperlokális előrejelzést kínálni a farmra vonatkozóan. A rendelkezésre álló adatok hiányosságait a farmról érkező információkkal pótolva a megoldás képes olyan értékeket szolgáltatni, amelyek javítják a termelők döntéshozatalát.”

Egy új és hatékony eszköz az éghajlatváltozás előrejelzésére?

Az MI-vel kapcsolatos egyik legnagyratörőbb célkitűzés a Föld digitális „ikertestvérének”, vagyis egy, a bolygó rendszereit és folyamatait leképező replikának a létrehozása. – Ez egy olyan numerikus eszközöket alkalmazó labor lenne, amelyben kísérleti alapon lefuttathatnánk, hogy az egyes politikáknak milyen kimenetele lenne a valóságban, – mondta Dr. Mathieu. – A természeti környezet digitális ikertestvérének felépítéséhez szükséges MI-építőkockák már a rendelkezésünkre állnak, végül pedig a Föld digitális ikertestvérét is megalkothatjuk majd, – mondta Dr. Scott Hosking, a BAS környezetiadat-elemzője. – A bolygón végbemenő változások minden aspektusát egyszerűen képtelenség a megfelelő részletességgel figyelemmel követni. A természeti környezet digitális másainak létrehozásával azonban intelligens módon összpontosíthatnánk a mintavételi folyamatainkat, ami alapvetően változtatná meg helyzetet az olyan távoleső és szélsőséges környezetek, mint például a sarkvidékek megfigyelésében, ahol még az akkumulátor-töltöttség és a helyszín elérhetősége is kihívást jelent. Ezen információkat valós időben felhasználva drónrajokat vagy épp automata tengeralattjárókat vezényelhetnénk az egyes megfigyelési helyszínekre, ezáltal növelve a jövőre vonatkozó mérések hatékonyságát.”

Az MI üzembiztossá tétele azonban még hátra van. Szakértők arra figyelmeztetnek, hogy az éghajlatelőrejelzés területén még nem áll rendelkezésre elegendő adat az algoritmusok betanításához. – Az MI-t múltbéli adatokkal kell betanítanunk – mondta Dr. Judah Cohen, az Atmospheric and Environmental Research (AER) vállalat szezonális előrejelzésekért felelős igazgatója, valamint az MIT klimatológusa. – 1979-ig visszamenőleg használunk adatokat, mivel ekkor kezdték el szélesebb körben is használni a műholdakat, de még így sincs annyi múltbéli adat a birtokunkban, amellyel optimális MI-megoldásokat alkothatnánk. Ezt a problémát például a modellek használatával létrehozott szintetikus adatok segítségével lehetne áthidalni, arról azonban még folyik a vita, hogy a modellekből származó adatok vannak-e olyan jók, mint a történeti adatok.”

© GettyImages

Illetve, ahogy Dr. Rolnick fogalmazott, az MI nem helyettesítheti az éghajlatfizikát. – Az MI-nek vannak korlátai, – tette hozzá az Európai Űrügynökség munkatársa, Dr. Mathieu. – Korrelációkat szinte mindig lehet találni az adatokban, azonban ez nem feltétlenül jelenti, hogy ok-okozati kapcsolat is fennállna; ezért van szükség a szakértőkre, akik képesek ezeket a korrelációkat megmagyarázni a fizika segítségével.

Ugyanez érvényes az időjárás-előrejelző modellekkel is, mondta ECMWF munkatársa, Dr. Dueben. – Elhangzottak olyan állítások, hogy az MI és a gépi tanulás lekörözi a hagyományos eszközöket a rövid távú, tehát az egy-két órás előrejelzések, de még néhány többéves prognózis tekintetében is. Azonban eléggé valószínűtlen, hogy a gépi tanulási eszközök maguk mögé utasítsák az előrejelzési metódusok többségét, és „leváltsák” az időjárás-előrejelzési modelleket, mivel a legtöbb alkalmazási területen még nem képesek a kellő pontosságra.”

Mivel a betanított MI-rendszerek azokat a feladatokat képesek jól elvégezni, amelyre betanították őket, egyéb kihívások is felmerülnek. – Feltétlenül ügyelni kell arra, hogy azon értéktartományok esetében szabad csak használni őket, amelyekkel a betanítás történt, – jegyezte meg Dr. Peuch. – Máskülönben valótlan eredmények fognak születni.

Ez azt jelenti, hogy bár az algoritmusok képesek hatékonyan értelmezni azokat az adatokat, amelyeknek a feldolgozására létrehozták őket, ha a rendeltetési céljukhoz nem kapcsolódó adatokkal látjuk el őket, pontatlan eredményeket kaphatunk. A klímakutatásban azonban nem csak az adatok, hanem maga az éghajlat is változik. – Az éghajlatváltozás vizsgálatához rendkívül kifinomult algoritmusokra van szükség; ez azért van, mert a klíma folyamatosan változik; nagyon figyelni kell arra, hogy az MI ne csak a múlt alapján próbálja meg előrejelezni a jövőt, – tette hozzá a CAMS igazgatója. Amikor az éghajlattal kapcsolatos kérdésekről van szó, maguk az algoritmusok kiválasztása is egy nehéz döntés.

– Számos MI-re épülő módszer létezik, épp ezért nem egy magától értetődő dolog az éghajlati előrejelzések létrehozásához legoptimálisabb megoldást kiválasztani a menüből, – világított rá Dr. Cohen. „Véleményem szerint igazi kihívást fog jelenti egy olyan MI-algoritmust találni, amely nem csupán kis mértékű javulást hoz majd az éghajlati előrejelzésekben.

A MI-technológia használata emellett az adatszerzéssel és az adatkezeléssel kapcsolatban is felvet néhány kérdést. – A hagyományos időjárás-megfigyeléseknél nem igazán vannak adatvédelemmel kapcsolatos aggodalmak, – mondta Dr. Dueben. – Ott vannak azonban az úgynevezett „Dolgok internetjéről” (IoT) származó adatok, amelyeket manapság szinte alig használnak időjárás-előrejelzéshez, a jövőben mégis jelentős fejlődésnek nyithatnak utat. Ide tartoznak a mobiltelefonoktól származó megfigyelések vagy más „közösségi- forrásból" szerzett adattermékek. Ezen források használata azonban kéz a kézben jár az adatvédelmi problémákkal. – Dr. Tkachenko még tovább megy, és véleménye szerint, ha a döntéshozatali folyamatok során felhasznált nyers adatokat esetleg meghamisítják, az akár negatív következményekkel is járhat. – Épp ezért, ahogy a készételek dobozán is feltüntetik az összetevőket, azt is érdemes lenne tudni, hogy milyen specifikációkkal tervezték az adott MI-t, valamint, hogy milyen adatforrásokat tápláltak bele, – mondja Tkachenko.

A kérdés az, hogy az éghajlat- és környezettudósok vajon képesek-e tanulni az MI más ágazatokban való alkalmazásából? – Csak akkor szabad használnunk a mesterséges intelligenciát, ha van egy létező probléma, amelynek a megoldásához valóban szükség van rá – figyelmeztet Dr. Rolnick. – Könnyen elvonhatja a figyelmünket a lényegről a flancos technológia. Minden alkalmazás esetében alapvető fontosságú, hogy az MI ténylegesen hozzáadjon valamit a folyamathoz. Az MI-alkalmazásokat az általuk gyakorolt hatás kell, hogy ihlesse, és fontos, hogy a fejlesztésük azon szereplőkkel együtt történjen, akik majd használják és hasznosítják a technológiát. Az MI egyik legnagyobb veszélye, hogy azt gondoljuk, varázsütésre megoldja majd a problémáinkat. Az MI-ben valóban hatalmas lehetőségek rejlenek, de ez is csak egy a sok olyan eszköz közül, amelyeket az éghajlatváltozási stratégiák kidolgozásában felhasználhatunk.”