Cambio climático y aprendizaje automático — lo bueno, lo malo y lo desconocido
El aprendizaje automático puede impulsar iniciativas de acción climática, pero su uso generalizado podría tener implicaciones negativas, según Priya Donti de Climate Change AI. El aprendizaje automático y el cambio climático tienen una relación complicada: El aprendizaje automático puede permitir acciones amigables con el clima, pero también puede perjudicar los objetivos de sostenibilidad, dada su gran demanda de recursos energéticos y su papel en los modelos y tendencias comerciales adversos al clima.Trabaja de forma inteligente con nuestro boletín Thinking ForwardPerspectivas de expertos del MIT, entregadas todos los martes por la mañana.Sí, a Iird también le gusta suscribirse al boletín de AI at WorkCorreo electrónico: Las organizaciones necesitan superar continuamente los límites de las diversas tecnologías de aprendizaje automático para enfrentar los desafíos del cambio climático mientras consideran sus costos de energía, según el profesor del MIT Priya Donti. Hablando en el Conferencia de Sostenibilidad del MIT 2024», Donti dijo que las organizaciones también deben seguir siendo pragmáticas sobre cómo el aprendizaje automático puede alterar los esfuerzos o crear incertidumbre en torno al cumplimiento de objetivos de sostenibilidad social más amplios. “Hay muchos efectos sutiles pero transformadores que el aprendizaje automático tiene a los que deberíamos prestar atención en el contexto del clima,” dijo Donti, cofundador y presidente de Cambio Climático AI, una organización sin fines de lucro global centrada en la intersección del cambio climático y el aprendizaje automático. Lo bueno: el aprendizaje automático avanza los objetivos de sostenibilidad El aprendizaje automático puede ayudar con las soluciones climáticas en varios frentes, incluida la mejora de la eficiencia de los sistemas eléctricos y los edificios inteligentes y la aceleración de la investigación en ciencias climáticas. Donti y sus coautores destacaron estas innovaciones en un 2022 papel eso detalla cómo las aplicaciones de aprendizaje automático se pueden aplicar al cambio climático en varias categorías amplias: Convertir los datos sin procesar en información procesable. No siempre es posible recopilar datos sobre el terreno a la escala necesaria para comprender las emisiones de gases de efecto invernadero —, por ejemplo, al recopilar información de áreas donde se está produciendo la deforestación o capturar las características de eficiencia energética de los edificios inteligentes en toda una ciudad. La combinación de imágenes satelitales y aéreas con aprendizaje automático puede proporcionar información que se puede extrapolar a una escala más amplia. Por ejemplo, una coalición de organizaciones sin fines de lucro llamada Rastro Climático utiliza una combinación de imágenes satelitales y datos sobre el terreno para recopilar inventarios de emisiones independientes para diferentes sectores. Previsión mejorada. Los sistemas de aprendizaje automático pueden procesar datos para descubrir relaciones entre variables para mejorar el pronóstico. Por ejemplo, los datos históricos sobre el clima y la producción de energía solar se pueden utilizar para pronosticar cómo sería la producción de energía solar en un futuro próximo. Esto podría facilitar una mejor gestión de la red eléctrica. Toma de decisiones automatizada. Los programas de aprendizaje automático pueden analizar información en tiempo real para calibrar automáticamente la temperatura de edificios, centros de datos o entornos de refrigeración de manera eficiente. Mantenimiento predictivo. El tiempo de inactividad de los activos es perjudicial para las operaciones comerciales, por lo que la capacidad de identificar y abordar problemas potenciales antes de que ocurran es una gran ventaja de eficiencia. Por ejemplo, la compañía ferroviaria alemana Deutsche Bahn está utilizando el aprendizaje automático para identificar fallas en la infraestructura de conmutación ferroviaria, lo que le permite hacer arreglos proactivos que mantienen los trenes funcionando a tiempo, dijo Donti. Otro ejemplo son los proveedores de gas natural que utilizan datos de sensores e imágenes aéreas y satelitales para detectar anomalías que predicen fugas de metano antes de que ocurran. Descubrimiento de ciencia e ingeniería. El aprendizaje automático puede analizar los resultados de los experimentos para acelerar el descubrimiento en áreas como la síntesis de moléculas o sorbentes de dióxido de carbono. El aprendizaje automático también puede ayudar a aproximar simulaciones intensivas en tiempo, lo que permite un rendimiento general más rápido del modelo y salidas de mayor resolución. Gestión de datos para flujos de trabajo sobre cambio climático. Los datos son clave para el proceso de modelado. El aprendizaje automático puede ayudar a las organizaciones a igualar y fusionar conjuntos de datos de diversas fuentes. Dada la heterogeneidad de los desafíos del cambio climático, se necesitan estos diversos enfoques. “Necesitamos asegurarnos de que estamos fomentando un ecosistema diverso que pueda enfrentar este conjunto de desafíos, en lugar de combinar un conjunto particular de técnicas de IA con un paradigma particular de IA, dijo ” Donti. Lo malo: el aprendizaje automático usa mucha energía El aprendizaje automático tiene un impacto significativo en la energía y los recursos hídricos, dada la potencia computacional requerida para procesar y entrenar modelos grandes y el agua necesaria para enfriar los centros de datos, dijo Donti. El uso de hardware consume energía, y la producción, transporte y eliminación de hardware también crea emisiones de carbono. La investigación muestra que los centros de datos y la tecnología de la información y las comunicaciones tuvieron en cuenta 1% a 2% de las emisiones de gases de efecto invernadero en 2020. Aunque no se sabe cuánto contribuye la IA a esas emisiones, el uso de energía relacionado con el desarrollo, la capacitación y la ejecución de modelos de aprendizaje automático sin duda está aumentando, dijo Donti. Además, la investigación muestra que las tecnologías más nuevas son inherentemente más intensivas en carbono. Por ejemplo, la huella de carbono para el entrenamiento del modelo y la ejecución del modelo se ha dividido históricamente 50/50, dijo Donti. Se ha encontrado que el uso de modelos de lenguaje grandes requiere más carbono que el entrenamiento de ellos. Del mismo modo, los modelos específicos de tareas han dado paso a modelos multipropósito que son más grandes y más intensivos en computación. Elegir el enfoque o modelo incorrecto puede aumentar significativamente el uso de energía. La creación de una red eléctrica más ecológica con energías renovables y gestión de la carga de trabajo de energía es esencial, pero aún insuficiente para abordar completamente estos problemas.
Cambio climático y aprendizaje automático — lo bueno, lo malo y lo desconocido Leer más »
