Makine öğrenimi, en büyük tehdidimize karşı bazı ilerlemeler kaydedecek gerçek bir potansiyele sahiptir.
Çeviren: Elif Akçay
Yapay Zekâ (AI) araştırmalarındaki en büyük isimlerden bazıları, makine öğreniminin gezegenimizi ve insanlığımızı bu yakın tehlikeden kurtarmaya nasıl yardımcı olabileceğini gösteren bir yol haritası hazırladı. Rapor, elektrik sistemlerinden çiftliklere, ormanlara ve iklim tahminine kadar 13 alanda olası makine öğrenme müdahalelerini kapsamaktadır. Her bir çalışma alanı, bilgisayar vizyonu, doğal dil işleme ve pekiştirici öğrenme dâhil olmak üzere makine öğrenimi içindeki çeşitli alt disiplinlerin katkılarını gösteriyor.
Öneriler ayrıca üç kategoriye ayrılmıştır: bu tür müdahalelerin özellikle büyük bir etkiye sahip olabileceği makine öğrenmesinde uygun problemler için “yüksek kaldıraç”; 2040 yılına kadar geri dönüşü olmayan çözümler için “uzun vadeli”; ve teknoloji olgun olmadığından veya sonuçları değerlendirmek için yeterli olmadığı bilindiğinden, daha az kesin sonuçlara sahip olan takipçiler için “yüksek risk”. Önerilerin birçoğu hâlihazırda gerçekleşmekte olan ancak henüz ölçeklenmemiş mevcut çabaları da özetlemektedir. Rapor, Pennsylvania Üniversitesi’nde doktora sonrası bir araştırmacı olan David Rolnick’in öncülüğünde ve Google Brain’nin kurucu ortağı ve lider AI girişimcisi ve eğitimcisi; Andrew Ng dâhil, DeepMind’in kurucusu ve CEO’su Demis Hassabis; Microsoft Research’ün genel müdürü Jennifer Chayes; ve son zamanlarda sahaya katkılarından dolayı Turing Ödülü’nü kazanan Yoshua Bengio olmak üzere birçok yüksek profilli kişi tarafından derlendi. Araştırmacılar, makine öğrenmesinin katkıda bulunabileceği belli başlı alanlardan bazılarının kapsamlı bir listesini sunarken, aynı zamanda gümüş bir mermi olmadığını da belirtiyorlar. Nihayetinde politika, etkili büyük ölçekli iklim eylemlerinin ana itici gücü olacaktır.
Rapordaki “yüksek kaldıraç” önerilerinden sadece 10’u burada. Buradan tam metne ulaşabilirsiniz.
Daha fazla yenilenebilir enerji kaynağına güveneceksek, kamu hizmetleri, gerçek zamanda ve uzun vadede ne kadar enerjiye ihtiyaç duyulduğunu tahmin etmenin daha iyi yollarına ihtiyaç duyacaktır. Enerji talebini tahmin edebilen algoritmalar zaten mevcut, ancak daha ince yerel hava ve iklim düzenlerini veya hanehalkı davranışlarını dikkate alarak iyileştirilebilirler. Algoritmaları daha açıklanabilir hale getirme çabaları, yardımcı program operatörlerinin çıktılarını yorumlamalarına ve yenilenebilir kaynakları ne zaman çevrimiçi hale getireceklerini zamanlamada kullanmalarına yardımcı olabilir.
Bilim insanlarının enerjiyi daha verimli depolayan, toplayan ve kullanan materyaller geliştirmeleri gerekir, ancak yeni materyalleri keşfetme süreci genellikle yavaş ve kesin değildir. Makine öğrenmesi, istenen özellikleri taşıyan yeni kimyasal yapıları bularak, tasarlayarak ve değerlendirerek işleri hızlandırabilir. Bu, örneğin, güneş ışığından enerji depolayabilen güneş yakıtları oluşturmaya yardımcı olabilir veya daha verimli karbon dioksit emicileri veya oluşturmak için çok daha az karbon alan yapısal malzemeleri tanımlayabilir. İkinci malzemeler bir gün üretimi tüm küresel sera gazı emisyonlarının yaklaşık % 10’unu oluşturan çelik ve çimento yerine geçebilir.
Tüm dünyaya mal sevkiyatı, farklı sevkıyat büyüklükleri, farklı ulaştırma türleri ve değişen kaynak ve hedef ağlarını içeren karmaşık ve çoğu zaman verimsiz bir süreçtir. Makine öğrenmesi, mümkün olduğunca çok sayıda gönderiyi bir araya getirmenin yollarını bulmanıza ve toplam yolculuk sayısını en aza indirmeye yardımcı olabilir. Böyle bir sistem aynı zamanda nakliye aksaklıklarına daha dayanıklı olacaktır.
Taşımacılığın karbondan arındırılması için temel bir strateji olan elektrikli araçlar, makine öğrenmenin yardımcı olabileceği çeşitli kabul zorlukları ile karşı karşıyadır. Algoritmalar, örneğin her bir şarjın kilometresini artırmak ve “menzil kaygısını” azaltmak için pil enerji yönetimini iyileştirebilir. Ayrıca şebeke operatörlerinin yüklerini karşılamalarına ve yönetmelerine yardımcı olmak için toplam şarj etme davranışını modelleyebilir ve tahmin edebilirler.
Akıllı kontrol sistemleri, iç mekândaki ısıtma, soğutma, havalandırma ve aydınlatma ihtiyaçlarını ayarlamak için hava durumu tahminlerini, bina doluluk oranlarını ve diğer çevresel koşulları dikkate alarak binanın enerji tüketimini önemli ölçüde azaltabilir. Akıllı bir bina, herhangi bir zamanda düşük karbonlu elektrik kaynağı kıtlığı varsa, ne kadar güç kullandığını azaltmak için doğrudan şebekeyle iletişim kurabilir.
Dünyanın pek çok bölgesinde, enerji tüketimi ve sera gazı emisyonları hakkında hiçbir veri bulunmamakta ve bu da etkili azaltma stratejilerinin tasarlanması ve uygulanmasında büyük bir engel teşkil edebilmektedir. Bilgisayarla görme teknikleri, şehir düzeyindeki enerji tüketimini tahmin edebilen uydu görüntülerinden makine öğrenme algoritmalarına kadar bina izlerini ve özelliklerini çıkarabilir. Aynı teknikler aynı zamanda verimliliklerini en üst düzeye çıkarmak için hangi binaların güçlendirilmesi gerektiğini de belirleyebilir.
Makine öğreniminin nakliye rotalarını optimize edebildiği gibi, gıda, moda ve tüketim malları endüstrisinin tedarik zincirlerindeki verimsizlikleri ve karbon emisyonlarını da en aza indirebilir. Arz ve talebin daha iyi tahmin edilmesi, düşük karbonlu ürünler için hedeflenen tavsiyeler daha çevre dostu tüketimi teşvik edebilirken üretim ve nakliye atıklarını önemli ölçüde azaltabilir.
Günümüz tarımının çoğuna, büyük bir toprak parçası üzerinde tek bir ürün üretme uygulaması olan monokültür hâkimdir. Bu yaklaşım, çiftçilerin tarlalarını traktörler ve diğer temel otomatik araçlarla yönetmelerini kolaylaştırır, ancak aynı zamanda besin toprağını da çıkarır ve verimini düşürür. Sonuç olarak, birçok çiftçi, karbondioksitten 300 kat daha güçlü bir sera gazı olan azot okside dönüşebilen azot bazlı gübrelere güvenmektedir. Makine öğrenimi yazılımı üzerinde çalışan robotlar, çiftçilerin tarlalarını daha etkili bir şekilde yönetmelerine yardımcı olurken, algoritmalar tarlaların sağlığını yenileyip gübre ihtiyacını azalttıklarında hangi mahsullerin ekileceğini tahmin etmelerine yardımcı olabilir.
Ormansızlaşma küresel sera gazı emisyonlarının kabaca% 10’una katkıda bulunuyor, ancak bunun izlenmesi ve önlenmesi genellikle zeminde gerçekleşen sıkıcı bir manuel süreç. Uydu görüntüleri ve bilgisayar görüşü, ağaç örtüsünün kaybını çok daha büyük bir ölçekte otomatik olarak analiz edebilir ve testere seslerini saptama algoritmalarıyla birlikte yerdeki sensörler yerel yasa uygulayıcılarının yasa dışı faaliyetleri durdurmalarına yardımcı olabilir.
Reklamverenlerin tüketicileri hedef almak için başarıyla kullandığı teknikler, daha çevreci bir şekilde davranmamıza yardımcı olmak için kullanılabilir. Tüketiciler, örneğin enerji tasarrufu programlarına katılımlarını teşvik etmek için özel müdahaleler alabilirler.
Kaynak: https://www.technologyreview.com/s/613838/ai-climate-change-machine-learning/
