Raporda elektrik sistemlerinden çiftliklere, ormanlara, iklim tahminine kadar on üç farklı alanda olası makine öğrenme müdahaleleri değerlendirildi.
Her alanda bilgisayar vizyonu, doğal dil işleme ve pekiştirici öğrenme dahil olmak üzere makine öğrenimi içindeki çeşitli alt disiplinlerin katkıları anlatıldı.
Rapordaki öneriler üç kategoriye ayrıldı: bu tür müdahalelerin özellikle büyük bir etkiye sahip olabileceği makine öğrenmeye uygun problemler için “yüksek etkili”; 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 olanlar için “yüksek risk”.
Raporun derlemesi Pennsylvania Üniversitesi’nden David Rolnick tarafından yönetildi; Google Brain’nin kurucusu ve önde gelen AI girişimcisi ve eğitimcisi Andrew Ng, DeepMind’in kurucusu ve CEO’su Demis Hassabis, Microsoft Research’ün genel müdürü Jennifer Chayes ve son zamanlarda alana katkılarından dolayı Turing Ödülü’nü kazanan Yoshua Bengio’ da raporun hazırlanmasında öncülük ettiler.
Araştırmacılar, makine öğrenmesinin katkıda bulunabileceği belli başlı alanlardan bazılarının kapsamlı bir listesini sundular.
Rapordaki “yüksek etkili” önerilerinden sadece 10’ u şöyle:
1. Ne kadar elektriğe ihtiyacımız olduğuna dair tahminleri geliştirin
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 hane halkı 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.
2. Yeni malzemeler keşfedin
Bilim insanlarının enerjiyi daha verimli depolayan, toplayan ve kullanan materyaller geliştirmeleri gerekir, ancak yeni materyalleri keşfetme süreci genellikle yavaş ve kesin olmayan süreçlerdir.
Makine öğrenmesi, istenen özellikleri taşıyan yeni kimyasal yapıları bularak, tasarlayarak ve değerlendirerek işleri hızlandırabilir.
3. Yükü nasıl yönlendirileceğini optimize edin
Tüm dünyaya mal sevkiyatı, farklı sevkiyat 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 karşı dayanıklı olacaktır.
4. Elektrikli araç kabulü ve kullanımı
Taşımacılığın karbondan arındırılması için temel bir strateji olan elektrikli araçlar, makine öğrenmesinin 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.
5. Binaların daha verimli olmasına yardımcı olun
Akıllı kontrol sistemleri; iç mekandaki 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.
6. Ne kadar enerji tükettiğinize dair daha iyi tahminler oluşturun
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 etmektedir.
Bilgisayarla görme teknikleri, şehir düzeyindeki enerji tüketimini tahmin edebilen uydu görüntülerinden ve makine öğrenme algoritmalarından bina izlerini ve özelliklerini çıkarabilir. Aynı teknikler aynı zamanda verimliliklerini en üst düzeye çıkarmak için hangi binaların güçlendirilmesi gerektiğini de belirleyebilir.
7. Tedarik zincirlerini optimize edin
Makine öğrenimini 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, üretim ve nakliye atıklarını önemli ölçüde azaltabilir, düşük karbonlu ürünler için hedeflenen tavsiyeler daha çevre dostu tüketimi teşvik edebilir.
8. Ölçekli tarımı mümkün kılın
Günümüz tarımının çoğuna, büyük bir toprak parçası üzerinde tek bir ürün üretme uygulaması olan monokültür hakimdir. Bu yaklaşım, çiftçilerin tarlalarını traktörler ve diğer temel otomatik araçlarla yönetmelerini kolaylaştırır, ancak aynı zamanda besin toprağını 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 tarlaların daha etkili bir şekilde tarlalarını yönetmelerine yardımcı olurken, algoritmalar çiftçilerin tarlalarının sağlığını yenilerken ve gübre ihtiyacını azalttıklarında hangi mahsullerin ekileceğini tahmin etmelerine yardımcı olabilir.
9. Ormansızlaşma izlemesini iyileştirin
Ormansızlaşma, küresel sera gazı emisyonlarının kabaca %10’una neden oluyor, 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.
10. Tüketicileri alışveriş yapma şekillerini değiştirmeye teşvik edin
Reklam verenlerin tüketicileri hedef almak için başarıyla kullandığı teknikler, daha çevreci bir şekilde davranmamıza yardımcı olmak için kullanılabilir. Örneğin; tüketiciler, enerji tasarrufu programlarına katılımlarını teşvik etmek için reklamlar aracılığıyla bilinçlendirilebilirler.
