Что покорило мир в этом году в области искусственного интеллекта и машинного обучения, так это модели Stable Diffusion и ChatGPT. Я чрезвычайно впечатлен тем, насколько популярным стал AI/ML и насколько он стал повсеместным. Количество новых и инновационных вариантов использования растет в геометрической прогрессии, и все больше людей приходят в эту область.

В то время как ажиотаж связан с художественными работами, созданными пользователями, и ответами от интеллектуального чат-бота, меня больше интересует, как AI/ML можно использовать для решения больших проблем, и меня особенно интересует, как его можно использовать для устойчивого развития.

Я провожу программу повышения квалификации в области устойчивого развития и экологически чистых технологий. Когда я начинаю урок с того, что прошу своих учеников перечислить различные зеленые технологии, я получаю основные технологии, такие как солнечные панели, ветряные турбины и электромобили; более проницательные ответы были связаны с культивируемым мясом и альтернативными белками. Тем не менее, я еще не видел появления AI/ML на доске. Несмотря на распространение ИИ/МО, связь ИИ/МО с устойчивостью не является главной задачей, когда речь идет об экологически чистых технологиях.

Поэтому я хотел бы воспользоваться этой возможностью, чтобы изложить некоторые свои мысли о том, как AI/ML можно использовать для обеспечения устойчивости. Вот некоторые из вариантов использования, которые я буду обсуждать в классе со своими студентами. Я кратко опишу три варианта использования и поделюсь своими мыслями о некоторых потенциальных проблемах при обучении моделей.

Компьютерное зрение и переработка

При все большем внимании к переработке количество перерабатываемых предметов неизбежно будет увеличиваться, и становится все более важным иметь возможность автоматизировать этот процесс.

Поэтому модели компьютерного зрения становятся здесь исключительно полезными. Обучив классификатор классифицировать предметы из разных материалов, он может эффективно помочь нам сортировать предметы по их материалам или выбрасывать их как мусор, если они не попадают ни в одну из категорий, подлежащих вторичной переработке.

Это пример, который я использую на своих занятиях, потому что он нагляден, и учащиеся могут обучить простой классификатор с помощью Teachable Machine (https://teachablemachine.withgoogle.com/).

Однако при развертывании моделей машинного обучения для автоматизации процесса мы должны учитывать множество других факторов. Например, многие предметы вторичной переработки сделаны из композитных материалов. Как в таких случаях простой классификатор поможет нам работать с такими объектами? Другим примером будут загрязненные материалы. Если бутылка не вымыта должным образом, будет ли модель по-прежнему классифицировать ее как бутылку, подлежащую вторичной переработке?

Уменьшение углеродного следа мусоровозов

Не представляю, как будет житься с Google Maps. Я не могу понять, как использовать книгу Street Directory, чтобы понять, как добраться из точки А в точку Б. Используя мощные графические алгоритмы, такие приложения могут легко наметить кратчайшие расстояния.

Кроме того, более короткие расстояния в автомобиле также означают меньший углеродный след. Следовательно, что, если мусорные баки можно оснастить датчиками IoT, которые определяют, насколько они заполнены? И когда транспортным средствам пора выезжать через фиксированные промежутки времени, каждый раз можно прокладывать новый маршрут, который имеет наименьший углеродный след.

Что, если сбор данных о том, как часто заполняются мусорные баки в определенных районах, позволит нам принимать более эффективные решения о том, где эффективно размещать мусорные баки в будущем? Я считаю, что мы можем многое сделать с собранными данными.

Классификатор отчетов по очистке окружающей среды

Любая дискуссия об устойчивости не будет полной без обсуждения «зеленого отмывания». Когда компании зеленеют, это дает нам ложное ощущение, что ситуация улучшается, в то время как ясно, что это всего лишь маркетинговая уловка.

Однако, поскольку большинство компаний сообщают о своих усилиях по обеспечению устойчивого развития, трудно отследить, выполняют ли компании свои обещания или просто занимаются «зеленой промывкой».

Что, если можно создать бинарный классификатор, чтобы классифицировать претензии как гринвошинг или не гринвошинг? Хотя это может быть хорошей идеей, это во многом зависит от людей, которые маркируют данные. Что делать, если процесс маркировки ошибочен? Что делать, если классификатор необъективен? Как бы мы поступили с неправильной классификацией?

Хотя эта статья краткая, я хотел подчеркнуть, что существуют возможности для применения ИИ/МО в сфере устойчивого развития и что есть вопросы, которые мы должны рассмотреть. Но каждый вопрос, который мы должны рассмотреть, представляет собой дополнительные возможности.

Я надеюсь, что это вдохновит вас на новые идеи проекта.