Новое «подполе», основанное в 2019 году, вызывает волну и более доступно, чем я думал вначале.
С изменяющимся мировым порядком, в поисках позитивной и увлекательной работы, я хотел узнать: а) что на самом деле представляет собой машинное обучение для борьбы с изменением климата и б) есть ли у нас разумные способы погрузиться в нее и внести свой вклад? Процитирую призыв к действию в статье, которую я подробно цитирую позже:
Революционные технологии оказывают влияние, но не менее важны и хорошо продуманные решения повседневных проблем.
Недавняя работа
Для начала я знал, что в последнее время было проведено несколько семинаров по изменению климата и машинному обучению (например, выпуски ICLR 2020, ICML 2019, NeurIPs 2019). Если посмотреть сюда, то окажется, что это централизованная группа Climatechange.ai. Мне это кажется хорошим, но я надеялся узнать, над чем на самом деле работают люди.
Я написал небольшой скрипт, чтобы очистить заголовки и авторов материалов семинара, и составил список ключевых слов (попутно узнал о НЛП и стоп-словах).
LEARNING, USING, CLIMATE, DEEP, MACHINE, DATA, NETWORKS, CHANGE, SATELLITE, PREDICTION, IMAGERY, NEURAL, WEATHER, POWER, FORECASTING, ENERGY, TOWARDS, MODELS, CARBON, REINFORCEMENT, BASED, DETECTION, ENVIRONMENTAL, MONITORING, FLOW, VIA, DYNAMICS, FRAMEWORK, SOLAR, RISK, CLOUD, GRID, LEARNING-BASED, FOREST, CONSERVATION, SMART, ANALYSIS, OPTIMAL, MAPPING, URBAN, INTELLIGENCE, RENEWABLE
Я ожидал какой-то модной словечки, но это было в значительной степени несуществующим с точки зрения обучения меня тому, над чем люди работают. Некоторые ключевые слова, которые обеспечивают понимание, могут быть этим подмножеством (удалить данные и слова описания обучения):
NETWORKS, SATELLITE, WEATHER, POWER, ENERGY, FLOW, SOLAR, DYNAMICS, GRID, FOREST, CONSERVATION, MAPPING, URBAN
Он читается как список приложений в области городского развития, энергосистем, энергосетей, энергосбережения и динамических систем. После этого беглого анализа я понял, что мне действительно нужно прочитать 100-страничный технический документ, инициализирующий поле.
Данные для бумажной информации помещаю сюда. Вы можете зарегистрироваться на конференцию Virtual NeurIPs 2020 года за 100 долларов США (25 долларов США для студентов) и посетить следующую итерацию семинара Решение проблемы изменения климата с помощью машинного обучения.
Решение проблемы изменения климата с помощью машинного обучения - итоговый доклад
Эта статья 22 авторов из 17 учреждений является прелюдией к упомянутым мною семинарам и дает подробные объяснения того, с чего можно начать. Если вы больше ничего не почерпнули из этого сообщения в блоге, сделайте следующее: машинное обучение для борьбы с изменением климата - это движение , поощряющее исследования машинного обучения на основе приложений, которые помогут принесут пользу экосистеме планеты в долгосрочной перспективе (чтобы не сказать, чтобы все изменения потребовали много времени).
Я оставлю статью, чтобы резюмировать потенциальные области применения, а читатель откроет документ, если они заинтересованы в получении дополнительной информации:
ML может обеспечить автоматический мониторинг с помощью дистанционного зондирования (например, путем выявления вырубки лесов, сбора данных о зданиях и оценки ущерба после стихийных бедствий). Это может ускорить процесс научных открытий (например, предлагая новые материалы для батарей, конструкции и улавливания углерода). Машинное обучение может оптимизировать системы для повышения эффективности (например, путем консолидации грузов, создания углеродных рынков и сокращения пищевых отходов). И он может ускорить дорогостоящее в вычислительном отношении физическое моделирование с помощью гибридного моделирования (например, моделей климата и моделей планирования энергопотребления).
По сути, все прикладные области дистанционного зондирования, научных открытий, энергоемких систем и т. Д. Содержат много данных, которые не затрагиваются, и машинное обучение оказалось чрезвычайно полезным для поиска закономерностей в любом большом наборе данных. И я выделил этот пункт из списка, чтобы прояснить - в одиночку компьютерные специалисты не могут решить эти проблемы:
конструктивные действия по проблемам климата требуют диалога с областями внутри и вне компьютерных наук и могут привести к междисциплинарным методологическим инновациям, таким как усовершенствованные методы машинного обучения с физическими ограничениями.
Инструменты машинного обучения, разработанные за последнее десятилетие, дали впечатляющие результаты в извлечении закономерностей из данных во многих областях. Хотя есть еще много причин скептически относиться к методам, есть веские причины, по которым некоторые новые инструменты будут работать в некоторых из этих областей. Например, обучение с подкреплением, которое обычно считается нестабильным, трудно переносимым в реальный мир и полным немоделированным поведением, одновременно очень полезно при оптимизации энергосистемы (пример 1, пример 2). Почему здесь работает обучение с подкреплением: система основана на хорошо известной физике и ограниченных переменных - поэтому, когда агент RL делает что-то странное, это легко может быть помечено как физически невозможное и т. Д. (Я начинаю группа чтения с некоторыми аспирантами, изучающими различия, которые делают безопасные или небезопасные приложения RL в реальном мире, поэтому, если вы эксперт и хотите поговорить или вам интересно, дайте мне знать).
Однако есть одна оговорка, которая имеет решающее значение с учетом того, как развернуть эту технологию: во многих странах нет инфраструктуры данных, которая лежит в основе многих отраслей в США. Индия - это превращается во вторую проблему машинного обучения, а именно трансферное обучение после выяснения того, как оптимизировать американскую сетку.
Они призывают к действию, что является хорошим обобщением того, что я сейчас чувствую по этому поводу.
Учиться. Определите, чем ваши навыки могут быть полезны - мы надеемся, что этот документ станет отправной точкой.
Сотрудничать. Найдите сотрудников, которые могут быть исследователями, предпринимателями, солидными компаниями или политиками. В каждой обсуждаемой здесь области есть эксперты, которые понимают ее возможности и недостатки, даже если они не обязательно понимают ML.
Слушайте. Послушайте, что говорят ваши коллеги и другие заинтересованные стороны. Революционные технологии оказывают влияние, но не менее важны и хорошо продуманные решения повседневных проблем.
Развернуть. Убедитесь, что ваша работа развернута там, где ее влияние может быть реализовано.
Если вам интересно, где ваши знания могут пересекаться, взгляните на эту сетку. Я считаю, что мы обязаны решать мирские проблемы, потому что они, как правило, малоизвестны. Специалисты по машинному обучению могут посмотреть на верхнюю часть и увидеть, где их навыки пригодятся, а затем сослаться на исходную статью. Все остальные могут посмотреть на левую, и тогда она определит, какие инструменты машинного обучения наиболее полезны для изучения и использования в своей области.
Систематические изменения для поощрения участия
Как мы можем побудить исследователей объединиться с практиками для решения мирских проблем, упомянутых в статье. Я знаю, что мой советник полностью поддержит меня в этом, но охват советников и менеджеров неодинаков. Я говорил о том, что академическая система немного сломана с точки зрения стимулов, но я хочу добавить к уравнению еще одну переменную: как поощрять общественно полезную работу, которая практически не замечается многими академиками (меньше цитирований, бх).
Стимулируют ли люди в Google Brain и Facebook AI работать над этим? Стоит ли мне потратить 6 месяцев на работу в этом пространстве в качестве независимого исследователя, чтобы застопорить какую-то территорию? Я просто хочу начать обсуждение, чтобы люди задумались о том, что на самом деле ограничивает времяпрепровождение в этом районе.
Создание технологий как альтернативы изучению изменения климата
Еще одна мысль, которую я всегда использую при обсуждении изменения климата, - это то, какую технологию мы можем сделать, которая либо а) изменит общественное восприятие зеленых устройств, либо б) принесет пользу окружающей среде без заботы о потребителях (это просто лучше à la Tesla. )? Из приведенного выше документа у меня сложилось впечатление, что проблемы смягчения вреда, оптимизации существующей инфраструктуры и измерения воздействия существующих систем - гораздо более низкий барьер для входа. Я по-прежнему считаю, что создание продуктов, меняющих образ мышления, в долгосрочной перспективе более выгодно. Вот некоторая статистика Tesla и их отчет за прошлый год.
Где в спектре инноваций изменения климата по сравнению с смягчением его последствий с помощью кампаний по повышению общественного мнения и сохранения окружающей среды?
Увидимся на следующей итерации семинара Противодействие изменению климата с помощью машинного обучения 11 или 12 декабря 2020 года. Это было пиком следующего выпуска моего бесплатного информационного бюллетеня по робототехнике и автоматизации Демократизация автоматизации .
