L’AI per vincere la sfida del cambiamento climatico - AI4Business
Connessioni Sintetiche

L’AI come strumento per vincere la sfida del cambiamento climatico

GPAI, Climate Change AI e Center for AI & Climate uniscono le forze per trovare gli strumenti AI-powered in grado di rallentare il climate change e invertirne il trend. [...]
Gioele Fierro

COO & Engineering Director Globsit

cambiamento climatico
  1. Home
  2. Intelligenza Artificiale
  3. Connessioni sintetiche
  4. L’AI come strumento per vincere la sfida del cambiamento climatico

L’AI è uno degli strumenti tecnologici più evoluti nella toolbox dei ricercatori che studiano nuovi metodi per ottimizzare l’impatto delle attività umane sul clima. Nel contesto contemporaneo è necessario trovare con urgenza soluzioni efficaci per il cambiamento climatico, le raccomandazioni argomentate nel recente paper “Climate Change and AI” promosso dalla Global Partnership on AI Report (GPAI) sono quanto mai appropriate.

Cosa può fare l’AI per il cambiamento climatico

L’uso responsabile dell’AI in un contesto di cambiamento climatico è la chiave di volta nello sviluppo di nuovi processi per le attività con un forte impatto ambientale. Ma cosa può fare nel pratico l’AI per il clima?

  • Massimizzare la produzione degli impianti di produzione energia sostenibile

I modelli predittivi generati da reti neurali sono utili ai progettisti nella valutazione delle location e della disposizione di impianti fotovoltaici ed eolici. Durante la vita utile di un impianto, tecnologie di manutenzione avanzata come ad esempio SmartDrones e console di monitoraggio AI-powered, mantengono alta l’efficienza della produzione.

  • Monitorare e modellizzare la deforestazione

Le mappe satellitari sullo spettro visibile e multi-spettrografiche contengono dati interessanti sull’evolversi della deforestazione. Il machine learning è particolarmente efficace nel trasformare questi dati in informazioni e modelli predittivi.

  • Massimizzare l’efficienza energetica degli edifici

L’intelligenza artificiale aiuta a ottenere la migliore efficienza energetica degli edifici sia in fase di progettazione che in fase di costruzione, prevedendo i cambiamenti nei flussi termici al cambiamento di materiali e tecniche utilizzate. Il machine learning applicato all’IoT garantisce risparmi energetici concreti, imparando dalle abitudini dei consumatori nuovi metodi per evitare gli sprechi.

  • Creare modelli evolutivi attendibili del cambiamento climatico

Molti fattori concorrono alla modificazione del clima. Individuarli e misurarne l’influenza attraverso simulazioni sviluppate da AI, consente ai ricercatori di comprendere meglio i fenomeni scatenanti. Questi modelli consentono anche di associare le iniziative rilevanti per il cambiamento climatico con l’evoluzione della situazione pratica.

cambiamento climatico

Gli strumenti per lo sviluppo delle applicazioni AI-powered

WEBINAR
Industria 4.0: PNRR, Cloud, ERP. Così cresce il manifatturiero in Italia

Il paper menzionato in apertura fornisce una completa analisi degli strumenti necessari per supportare lo sviluppo delle applicazioni AI-powered per la mitigazione dei cambiamenti climatici, supportando le raccomandazioni con appropriati use-case. Favorire questa transizione significa fornire un accesso semplificato ai dati e alle infrastrutture hardware per i calcoli. La condivisione delle informazioni va gestita attraverso portali open source che mettano a disposizione degli esperti tutti gli strumenti necessari per far evolvere le intelligenze artificiali a supporto delle analisi relative al clima.

cambiamento climatico

Il solo accesso ai dati non è sufficiente, i vari governi devono garantire fondi sufficienti per la ricerca interdisciplinare orientata allo studio del clima. Una ricerca che deve essere supportata dalla collaborazione internazionale tra le università e i vari centri di ricerca sparsi per il mondo, così da moltiplicare la velocità di evoluzione dei sistemi intelligenti. Tutti questi progetti di ricerca non possono comunque restare relegati all’ambito accademico. Lo sviluppo delle tecnologie deve procedere di pari passo con l’integrazione di questi sistemi in ambienti di produzione. Partendo dalla produzione di energia rinnovabile e passando per smart city, smart buildings e IoT.

Il consumo energetico delle reti neurali

L’evoluzione delle reti neurali non ha il solo obiettivo di migliorarne le performance ma anche di renderle più efficienti, al fine di ridurne l’impatto negativo nel cambiamento climatico. I metodi di training per l’apprendimento automatico sono inefficienti, necessitano di milioni di iterazioni per apprendere una singola caratteristica dei dati. Secondo un’analisi di openAI la quantità di risorse computazionali necessarie per il training sono aumentate del 300.000% dal 2012 ad oggi. Un ritmo insostenibile che porta al consumo massivo di energia elettrica anche per lo sviluppo di una sola rete neurale profonda.

Il futuro non può e non deve essere legato alla concezione attuale di intelligenza artificiale ma a una sua evoluzione, un sistema di apprendimento responsabile, ottimizzato nel consumo di risorse computazionali e in grado di fornirci più strumenti per garantire un futuro al nostro pianeta.

 

FacebookTwitterLinkedIn
FacebookTwitterLinkedIn