Algunos de los nombres más importantes en la investigación de la IA han trazado una hoja de ruta que sugiere cómo el aprendizaje automático puede ayudar a salvar a nuestro planeta y a la humanidad de un peligro inminente .
El informe cubre las posibles intervenciones de aprendizaje automático en 13 dominios, desde los sistemas eléctricos hasta las granjas y los bosques, y la predicción del clima. Dentro de cada dominio, se desglosan las contribuciones para varias subdisciplinas dentro del aprendizaje automático, incluida la visión por computadora, el procesamiento del lenguaje natural y el aprendizaje por refuerzo.
Las recomendaciones también se dividen en tres categorías: “alto apalancamiento” para problemas bien adaptados al aprendizaje automático, donde tales intervenciones pueden tener un impacto especialmente grande; “A largo plazo” para soluciones que no tendrán beneficios hasta 2040; y “alto riesgo” para búsquedas que tienen resultados menos seguros, ya sea porque la tecnología no está madura o porque no se sabe lo suficiente para evaluar las consecuencias. Muchas de las recomendaciones también resumen los esfuerzos existentes que ya están ocurriendo pero que aún no están a escala.
La compilación del informe fue dirigida por David Rolnick, becario postdoctoral en la Universidad de Pennsylvania, y asesorado por varias personalidades de alto perfil, entre ellas Andrew Ng, cofundador de Google Brain y un destacado empresario y educador de AI; Demis Hassabis, fundadora y CEO de DeepMind; Jennifer Chayes, directora general de Microsoft Research; y Yoshua Bengio, quien recientemente ganó el Premio Turing por sus contribuciones al campo. Si bien los investigadores ofrecen una lista muy completa de algunas de las áreas principales donde el aprendizaje automático puede contribuir, también señalan que no es una bala de plata. En última instancia, la política será el principal impulsor de una acción climática efectiva a gran escala.
Aquí hay solo 10 de las recomendaciones de “alto apalancamiento” del informe. Lea la versión completa aquí .
1. Mejorar las predicciones de cuánta electricidad necesitamos
Si vamos a confiar en más fuentes de energía renovable, las empresas de servicios públicos necesitarán mejores formas de predecir cuánta energía se necesita, en tiempo real y en el largo plazo. Ya existen algoritmos que pueden pronosticar la demanda de energía, pero podrían mejorarse teniendo en cuenta los mejores climas locales y los patrones climáticos o el comportamiento de los hogares. Los esfuerzos para hacer que los algoritmos sean más explicables también podrían ayudar a los operadores de servicios públicos a interpretar sus resultados y usarlos en la programación de cuándo poner en línea las fuentes renovables.
2. Descubre nuevos materiales.
Los científicos necesitan desarrollar materiales que almacenen, cosechen y utilicen energía de manera más eficiente, pero el proceso de descubrir nuevos materiales suele ser lento e impreciso. El aprendizaje automático puede acelerar las cosas al encontrar, diseñar y evaluar nuevas estructuras químicas con las propiedades deseadas. Esto podría, por ejemplo, ayudar a crear combustibles solares , que pueden almacenar energía de la luz solar, o identificar absorbentes de dióxido de carbono más eficientes o materiales estructurales que requieren mucho menos carbono para crear. Los últimos materiales podrían reemplazar un día al acero y al cemento, cuya producción representa casi el 10% de todas las emisiones globales de gases de efecto invernadero.
3. Optimizar cómo se enruta la carga.
El envío de productos a todo el mundo es un proceso complejo y, a menudo, altamente ineficiente que implica la interacción de diferentes tamaños de envío, diferentes tipos de transporte y una red cambiante de orígenes y destinos. El aprendizaje automático podría ayudar a encontrar maneras de agrupar tantos envíos como sea posible y minimizar el número total de viajes. Dicho sistema también sería más resistente a las interrupciones del transporte.
4. Barreras más bajas para la adopción de vehículos eléctricos.
Los vehículos eléctricos, una estrategia clave para descarbonizar el transporte, enfrentan varios desafíos de adopción en los que el aprendizaje automático podría ayudar. Los algoritmos pueden mejorar la administración de energía de la batería para aumentar el kilometraje de cada carga y reducir la “ansiedad de rango”, por ejemplo. También pueden modelar y predecir el comportamiento de la carga agregada para ayudar a los operadores de redes a cumplir y administrar su carga.
5. Ayudar a hacer edificios más eficientes
Los sistemas de control inteligente pueden reducir drásticamente el consumo de energía de un edificio al tomar en cuenta los pronósticos del clima, la ocupación del edificio y otras condiciones ambientales para ajustar las necesidades de calefacción, refrigeración, ventilación e iluminación en un espacio interior. Un edificio inteligente también podría comunicarse directamente con la red para reducir la cantidad de energía que está usando si hay una escasez de suministro de electricidad con bajo contenido de carbono en un momento dado.
6. Crear mejores estimaciones de cuánta energía estamos consumiendo.
Muchas regiones del mundo tienen poca o ninguna información sobre su consumo de energía y las emisiones de gases de efecto invernadero, lo que puede ser un obstáculo importante para diseñar e implementar estrategias de mitigación efectivas. Las técnicas de visión por computadora pueden extraer huellas y características de la construcción de imágenes satelitales para alimentar algoritmos de aprendizaje automático que pueden estimar el consumo de energía a nivel de ciudad. Las mismas técnicas también podrían identificar qué edificios deberían modernizarse para maximizar su eficiencia.
7. Optimizar las cadenas de suministro.
De la misma manera que el aprendizaje automático puede optimizar las rutas de envío, también puede minimizar las ineficiencias y las emisiones de carbono en las cadenas de suministro de las industrias de alimentos, moda y bienes de consumo. Las mejores predicciones de la oferta y la demanda deberían reducir significativamente los residuos de producción y transporte, mientras que las recomendaciones específicas para productos con bajo contenido de carbono podrían fomentar un consumo más respetuoso con el medio ambiente.
8. Hacer posible la agricultura de precisión a escala.
Gran parte de la agricultura moderna está dominada por el monocultivo, la práctica de producir un solo cultivo en una gran franja de tierra. Este enfoque facilita a los agricultores el manejo de sus campos con tractores y otras herramientas básicas automatizadas, pero también elimina los nutrientes del suelo y reduce su productividad. Como resultado, muchos agricultores dependen en gran medida de los fertilizantes a base de nitrógeno, que pueden convertirse en óxido nitroso, un gas de efecto invernadero 300 veces más potente que el dióxido de carbono. Los robots que se ejecutan en un software de aprendizaje automático podrían ayudar a los agricultores a administrar una mezcla de cultivos de manera más efectiva a escala, mientras que los algoritmos podrían ayudar a los agricultores a predecir qué cultivos plantar, cómo regenerar la salud de sus tierras y reducir la necesidad de fertilizantes.
9. Mejorar el seguimiento de la deforestación.
La deforestación contribuye a aproximadamente el 10% de las emisiones globales de gases de efecto invernadero, pero su seguimiento y prevención suelen ser un proceso manual tedioso que tiene lugar en el terreno. Las imágenes satelitales y la visión por computadora pueden analizar automáticamente la pérdida de la cubierta arbórea a una escala mucho mayor, y los sensores en el suelo, combinados con algoritmos para detectar sonidos de motosierra, pueden ayudar a las autoridades locales a detener la actividad ilegal.
10. Indicar a los consumidores que cambien la forma en que compramos.
Las técnicas que los anunciantes han utilizado con éxito para dirigirse a los consumidores pueden utilizarse para ayudarnos a comportarnos de una manera más respetuosa con el medio ambiente. Los consumidores podrían recibir intervenciones personalizadas para promover su inscripción en programas de ahorro de energía, por ejemplo.
Fuente: MIT Technology Review