Οι τρόποι με τους οποίους η τεχνητή νοημοσύνη θα μπορούσε να γίνει πιο βιώσιμη, αλλά και να συμβάλλει και η ίδια στην αντιμετώπιση της κλιματικής αλλαγής.
Οι συνέπειες της κλιματικής κρίσης έχουν ήδη γίνει ορατές σε Ευρώπη και Κίνα, με τις θερμοκρασίες να χτυπάνε κόκκινο τις θερινές περιόδους και τους χειμώνες μαστίζονται από ολοένα και χειρότερες πλημμύρες, ενώ δεν λείπουν και οι φυσικές καταστροφές. Γι αυτό, τώρα είναι σημαντικότερο από ποτέ, η τεχνολογία να γίνει πιο βιώσιμη και να βοηθήσει ουσιαστικά στην αντιμετώπιση της κλιματικής αλλαγής. Είναι ζωτικής σημασίας η τεχνητή νοημοσύνη, η οποία αναμένεται να παίξει κομβικό ρόλο στο μέλλον, να ακολουθήσει μια πιο «πράσινη» κατεύθυνση.
Τι θα μπορούσε να κάνει τη τεχνητή νοημοσύνη πιο «πράσινη»;
Καταρχάς θα πρέπει να αναγνωρίσουμε πως τα κόστη για τη δημιουργία και την χρήση των συστημάτων τεχνητής νοημοσύνης είναι μέχρι στιγμής σχετικά μεγάλα και μάλιστα επιβαρύνουν σημαντικά το περιβάλλον. Το GPT-3, ένα πρόσφατο γλωσσικό μοντέλο που ανάπτυξε η Open Al, εκτιμάται πως αφήνει τεράστιο αποτύπωμα άνθρακα, ανάλογο με αυτό που θα μπορούσε να αφήσει ένα αυτοκίνητο εάν πήγαινε μέχρι τη Σελήνη και επέστρεφε.
Η τεχνητή νοημοσύνη, θα μπορούσε όμως να έχει και θετική επίδραση στο περιβάλλον. Μια μελέτη του 2020, για τους 17 στόχους βιώσιμης ανάπτυξης για τα Ηνωμένα Έθνη, στην οποία περιλαμβάνονταν οι πιθανές οικονομικές, κοινωνικές και περιβαλλοντικές συνέπειες, έδειξε το πως η τεχνητή νοημοσύνη θα μπορούσε να βοηθήσει στην επίτευξη των περιβαλλοντικών στόχων. Συγκεκριμένα, έδειξε πως θα μπορούσε να επηρεάσει θετικά το 93% των περιβαλλοντικών στόχων, μεταξύ των οποίων τη δημιουργία smart πόλεων χαμηλών εκπομπών άνθρακα, αλλά και τη δημιουργία internet-of-things συσκευών και εφαρμογών, οι οποίες θα μπορούσαν να τροποποιήσουν την κατανάλωση ηλεκτρικής ενέργειας. Ακόμα, θα μπορούσε να βοηθήσει στην καλύτερη ενσωμάτωση της ανανεώσιμης ενέργειας μέσω smart πλεγμάτων, στην ταυτοποίηση των τάσεων ερημοποίησης μέσω δορυφόρου, αλλά και στην αντιμετώπιση της θαλάσσιας ρύπανσης.
Τσιμέντο και τηλεπικοινωνίες
Οι χρήσεις της τεχνητής νοημοσύνης στη βιομηχανία θα μπορούσαν να βοηθήσουν το περιβάλλον και να μειώσουν τις εκπομπές άνθρακα. Για παράδειγμα, ο όμιλος κατασκευής τσιμέντου, με έδρα την Τουρκία, OYAK Cimento, ήδη χρησιμοποιεί την τεχνητή νοημοσύνη για να μειώσει το αποτύπωμα άνθρακα. Σύμφωνα με τον performance και process director της OYAK Cimento, Berkan Fidan, «η τεχνητή νοημοσύνη στην επιχειρηματικότητα βοηθά στην αύξηση της λειτουργικής αποτελεσματικότητας, κάτι το οποίο σημαίνει υψηλότερη παραγωγή, με χαμηλότερα επίπεδα κατανάλωσης ενέργειας. Εάν αναλογιστούμε ένα εργοστάσιο τσιμέντου μέτριας δυναμικότητας, με παραγωγή τσιμέντου ενός εκατ. τόνων, ακόμα και 1% μείωση άνθρακα μέσω υποβοηθούμενων από την τεχνητή νοημοσύνη, διαδικασιών, θα μπορούσαν να επιφέρουν μείωση εκπομπών άνθρακα, ύψους 7.000 τόνων, το χρόνο. Αυτό θα μπορούσε να σημαίνει την απορρόφηση διοξειδίου του άνθρακα από 320,000 δέντρα, το χρόνο».
Κατά το think tank, Chatham House, η παραγωγή τσιμέντου είναι υπεύθυνη για το 8% όλων των εκπομπών άνθρακα παγκοσμίως. Είναι επομένως, παραπάνω από ξεκάθαρη, η ανάγκη για βελτίωση της αποτελεσματικότητας στην κατασκευή τσιμέντου και η τεχνητή νοημοσύνη είναι εδώ για να βοηθήσει. Άλλο ένα σημαντικό παράδειγμα, για το πως η τεχνητή νοημοσύνη θα μπορούσε να έχει θετική επίδραση στο περιβάλλον, είναι η μεγαλύτερη εταιρεία τηλεπικοινωνιών στη Χιλή, Entel, η οποία χρησιμοποιεί βάσεις δεδομένων για να ταυτοποιεί τις πυρκαγιές. Συχνά χρειάζεται μια συνολική προσπάθεια για να καταπολεμηθούν οι πυρκαγιές, οι οποίες πλήττουν με ολοένα και χειρότερο τρόπο, πολλές χώρες, μεταξύ των και η Ελλάδα. Η Χιλή είναι και εκείνη μια χώρα που έχει πληγεί από τρομερές καιρικές καταστροφές, τα τελευταία χρόνια. Το 2017, η χώρα ήρθε αντιμέτωπη με τις χειρότερες πυρκαγιές στην ιστορία της, οι οποίες κατέστρεψαν πάνω από 700,000 στρέμματα. Για μία χώρα, της οποίας η οικονομία βασίζεται σε μεγάλο βαθμό στα δάση της, τέτοιου είδους καταστροφές έχουν τραγικές συνέπειες.
Η το ψηφιακό τμήμα της Entel, η Entel Ocean, προσπάθησε να ταυτοποιήσει τις πυρκαγιές με τη χρήση αισθητήρων Iot. Αυτοί οι αισθητήρες λειτουργούν ως μια ψηφιακή «μύτη», τοποθετημένη στα δέντρα,η οποία είναι ικανή να εντοπίσει τις αλλαγές στα σωματίδια του αέρα. Τα δεδομένα που συλλέγουν αυτοί οι αισθητήρες, βοηθούν την Entel Ocean να προβλέψει ακριβώς το πότε θα ξεκινήσει μια πυρκαγιά. « Είμαστε σε θέση να εντοπίσουμε δώδεκα λεπτά νωρίτερα από τις παραδοσιακές μεθόδους, είναι ζωτικής σημασίας στην πρόληψη των πυρκαγιών» είπε ο εκπρόσωπος για ζητήματα επιχειρηματικών ψηφιακών λύσεων της εταιρείας, Lenor Ferrebuz Bastidas, ενώ συμπλήρωσε, « Αν αναλογιστούμε πως μια πυρκαγιά μπορεί να εξαπλωθεί μέσα σε δευτερόλεπτα, κάθε λεπτό μετράει».
Trade-offs
Μέσα από τις παραπάνω εφαρμογές, η τεχνητή νοημοσύνη είναι σίγουρα ένα πολύ σημαντικό όπλο στη μάχη εναντίον της κλιματικής αλλαγής, όμως ο ρόλος της ως συντελεστής, δεν πρέπει επίσης να παραληφθεί. Σε αυτήν την κατεύθυνση, το πρώτο βήμα είναι η προώθηση μιας πιο ολιστικής και πολυεπίπεδης πρακτικής αξιολόγησης μοντέλου. Μέχρι σήμερα, το κύριο μέλημα της έρευνας και της καινοτομίας ήταν να βελτιώσει την ακρίβεια και να δημιουργήσει νέους αλγόριθμους. Αυτοί οι στόχοι συνήθως καταναλώνουν όλο και μεγαλύτερο όγκο δεδομένων και φτιάχνουν όλο και πιο πολύπλοκα μοντέλα. Το πιο χαρακτηριστικό παράδειγμα, είναι αυτό του deep learning, όπου οι υπολογιστικοί πόροι αυξήθηκαν 300,000 φορές μεταξύ 2012 και 2018.
Παρόλα αυτά η σχέση μεταξύ ακρίβειας μοντέλου και πολυπλοκότητας, είναι λογαριθμική. Για κάθε εκθετική αύξηση στο μέγεθος του μοντέλου και στις απαιτήσεις κατάρτισης, υπάρχουν γραμμικές βελτιώσεις στην απόδοση. Πάνω στο κυνήγι της ακρίβειας δίνεται λιγότερη έμφαση στην ανάπτυξη μεθόδων που απαιτούν χρόνο κατάρτισης η αποδοτικότητα πόρων. Για να κάνουμε βήματα μπροστά θα πρέπει να αναγνωρίσουμε το trade-off μεταξύ της ακρίβειας του μοντέλου και της αποδοτικότητας και του αποτυπώματος άνθρακα που αφήνει το μοντέλο, τόσο κατά τη διάρκεια της κατάρτισης όσο και όταν βγάζουμε συμπεράσματα.
Σίγουρα, το αποτύπωμα άνθρακα που αφήνει ένα μοντέλο δεν είναι εύκολο να προσδιοριστεί η να συγκριθεί κατά τη διαδικασία μοντελοποίησης η στα κέντρα δεδομένων. Θα μπορούσαμε ωστόσο να ξεκινήσουμε με την αξιολόγηση των πράξεων κινητής υποδιαστολής, δηλαδή απλές μαθηματικές πράξεις ( πρόσθεση, αφαίρεση, πολλαπλασιασμός κλπ.), οι οποίες πρέπει να γίνονται για την κατάρτιση ενός μοντέλου. Αυτός ο παράγοντας μαζί με άλλους μπορεί να επηρεάσει την κατανάλωση ενέργειας μαζί με την αρχιτεκτονική ενός μοντέλου, και τους πόρους κατάρτισης, όπως για παράδειγμα τύποι hardware όπως τα GPU η τα CPU. Τέλος, μεγάλη σημασία έχουν και οι πηγές ενέργειας. Οι ΑΠΕ σίγουρα συμβάλουν σημαντικά στην μείωση των εκπομπών άνθρακα, οπότε θα πρέπει και να προτιμώνται.
Comments are closed.