Περιεχόμενο συνεργασίας

 Copernicus
Το "Περιεχόμενο συνεργατών" χρησιμοποιείται για να περιγράψει το επώνυμο περιεχόμενο που πληρώνεται και ελέγχεται από τον διαφημιζόμενο και όχι από τη συντακτική ομάδα του Euronews. Το περιεχόμενο αυτό παράγεται από εμπορικά τμήματα και δεν εμπλέκεται το συντακτικό προσωπικό ή οι δημοσιογράφοι ειδήσεων του Euronews.Ο συνεργάτης που χρηματοδοτεί, έχει τον έλεγχο των θεμάτων, του περιεχομένου και της τελικής έγκρισης σε συνεργασία με το εμπορικό τμήμα παραγωγής του Euronews.
Περιεχόμενο συνεργασίας
Το "Περιεχόμενο συνεργατών" χρησιμοποιείται για να περιγράψει το επώνυμο περιεχόμενο που πληρώνεται και ελέγχεται από τον διαφημιζόμενο και όχι από τη συντακτική ομάδα του Euronews. Το περιεχόμενο αυτό παράγεται από εμπορικά τμήματα και δεν εμπλέκεται το συντακτικό προσωπικό ή οι δημοσιογράφοι ειδήσεων του Euronews.Ο συνεργάτης που χρηματοδοτεί, έχει τον έλεγχο των θεμάτων, του περιεχομένου και της τελικής έγκρισης σε συνεργασία με το εμπορικό τμήμα παραγωγής του Euronews.
Copernicus

Θα εμπιστευόμασταν τη ρύθμιση του κλίματος σε ευφυείς μηχανές;

Θα εμπιστευόμασταν τη ρύθμιση του κλίματος σε ευφυείς μηχανές;
Πνευματικά Δικαιώματα  GettyImages

Ολοένα περισσότερες επιχειρήσεις αντιμετωπίζουν τις μεγαλύτερες δυσκολίες τους κάνοντας χρήση της τεχνητής νοημοσύνης. Μπορούμε να κατανοήσουμε και να λύσουμε τα προβλήματα της κλιματικής αλλαγής με τη βοήθεια μηχανών;

Το κινητό σας τηλέφωνο αναγνωρίζει το πρόσωπό σας. Η τράπεζά σας εμποδίζει κάθε συναλλαγή που δεν συνάδει με τις καταναλωτικές σας συνήθειες. Το ηλεκτρονικό κατάστημα του σουπερμάρκετ σάς προωθεί χορτοφαγικά προϊόντα, επειδή μία φορά αγοράσατε γάλα βρόμης. Η διαδικτυακή πλατφόρμα ταινιών δεν παύει να σας προτείνει δευτεροκλασάτες ταινίες, επειδή είδατε μια σαπουνόπερα τον περασμένο μήνα.

ΔΙΑΦΉΜΙΣΗ

Διαρκώς αυξάνονται οι συσκευές και οι υπηρεσίες που βασίζονται στην τεχνητή νοημοσύνη (ΤΝ), μια τεχνολογία που συνεχίζει να επεκτείνεται και να εμφανίζεται σε ολοένα περισσότερες πτυχές της ζωής μας. Επιστήμονες, επιχειρηματίες και κυβερνήσεις αξιοποιούν την ΤΝ για την αναζήτηση λύσεων σε μείζονα κοινωνικά προβλήματα. Υψηλή προτεραιότητα αποτελεί η κατανόηση της λειτουργίας και η πρόβλεψη των μελλοντικών αλλαγών του κλίματος της Γης. Η τεχνολογία μάς βοηθά να επεξεργαστούμε έναν τεράστιο όγκο δεδομένων, αλλά πώς μπορεί η ΤΝ να συμβάλει έμπρακτα στον περιορισμό των περιβαλλοντικών αλλαγών και στην προσαρμογή στις μελλοντικές συνθήκες;

«Συχνά, όταν ο κόσμος μιλά για ΤΝ εννοεί τη μηχανική μάθηση (ΜΜ), δηλαδή το σύνολο των αλγορίθμων που αξιοποιούν δεδομένα για να αποκτήσουν γνώση», λέει ο δρ Ντέιβιντ Ρόλνικ, επίκουρος καθηγητής στο Πανεπιστήμιο της Πενσιλβάνια. «Η ΤΝ, ως επί το πλείστον, δεν πρόκειται να κάνει κάτι καλύτερα από έναν άνθρωπο, αλλά θα το κάνει πολύ πιο γρήγορα και θα είναι σε θέση να ξεχωρίζει τάσεις μέσα από μεγάλες ποσότητες δεδομένων». Η δυνατότητα ταχείας επεξεργασίας μεγάλων ποσοτήτων δεδομένων, το ξεσκαρτάρισμα των πληροφοριών και ο εντοπισμός συσχετισμών είναι τα στοιχεία χάρη στα οποία η ΤΝ έχει ανατρέψει το παιχνίδι σε πολλούς τομείς.

Το ίδιο ισχύει και για την επιστήμη του κλίματος και την παρακολούθηση της κλιματικής αλλαγής. Οι δορυφόροι συλλέγουν κλιματικά δεδομένα σε πρωτοφανή επίπεδα. Οι μετεωρολογικές προγνώσεις έχουν γίνει απίστευτα λεπτομερείς. Τα κλιματικά μοντέλα και σενάρια παραμένουν αβέβαια σε μεγάλο βαθμό. Όμως, οι επιστήμονες αξιοποιούν την ΤΝ για να διαχειριστούν αυτόν τον τεράστιο όγκο δεδομένων, ώστε να βελτιώσουν την επιστήμη του κλίματος και να παραγάγουν ακριβέστερες προβλέψεις που θα βοηθήσουν στη μελλοντική προσαρμογή των κοινωνιών και της φύσης. «Η ΜΜ μάς δίνει τη δυνατότητα να μάθουμε σύνθετες συμπεριφορές μέσω δεδομένων δίχως να κατανοούμε τη φύση των πραγμάτων», λέει ο δρ Πέτερ Ντούεμπεν, επιστημονικός συνεργάτης στο Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Μετεωρολογικών Προγνώσεων (ΕΚΜΜΠ). «Όσο περισσότερα δεδομένα έχουμε, τόσο καλύτερα εργαλεία φτιάχνουμε. Τα δεδομένα που έχουμε στη διάθεσή μας συνεχώς αυξάνονται, οπότε τα εργαλεία ΜΜ θα γίνονται συνεχώς καλύτερα. Τουτέστιν, τα εργαλεία αυτά θα γίνονται διαρκώς πιο χρήσιμα στους επιστήμονες του κλάδου».

© GettyImages

ΤΝ: ένα εργαλείο στη διάθεση της επιστήμης για την αποκρυπτογράφηση των δορυφορικών

«Η χρήση μηχανών μάς βοηθά να κάνουμε μετρήσεις και παρατηρήσεις στον πραγματικό κόσμο, και αποδεικνύονται κομβικής σημασίας για τη λήψη καλύτερων αποφάσεων ενόψει ενός αβέβαιου μέλλοντος», υποστηρίζει η δρ Νατάλια Κατσένκο, επικεφαλής επιστήμονας δεδομένων και ΤΝ στο Πανεπιστήμιο της Οξφόρδης. «Η ΤΝ, επί της ουσίας, δεν έχει να κάνει με τα ίδια τα δεδομένα, αλλά κυρίως αφορά τον εντοπισμό τάσεων και συσχετισμών μέσα σε έναν περίπλοκο κόσμο· ο κύκλος κλείνει πάντα με λήψη αποφάσεων ή επεξεργασία των πληροφοριών».

Οι επιστήμονες χρησιμοποιούν επιτυχώς την ΤΝ για πιο λεπτομερείς απεικονίσεις της Γης. «Η ΤΝ ενδείκνυται για την παροχή χωρικών πληροφοριών· είναι μία από τις υπερδυνάμεις της», λέει ο δρ Πιερ-Φιλίπ Ματιέ, επικεφαλής της ερευνητικής υπηρεσίας Φ-lab του Ευρωπαϊκού Οργανισμού Διαστήματος (ΕΟΔ). Ο δρ Βενσάν Πεκ, διευθυντής στην Υπηρεσία Παρακολούθησης της Ατμόσφαιρας (CAMS) συμφωνεί: «Η ΤΝ είναι αποτελεσματικότατη στη σύγκριση δορυφορικών λήψεων και στον αυτόματο εντοπισμό αλλαγών στην κάλυψη του εδάφους, ιδιαίτερα για περιοχές του κόσμου όπου δεν γίνονται επιτόπιες παρατηρήσεις. Επιπλέον, επιταχύνει την παραγωγή μοντέλων από υπολογιστές και μειώνει το λειτουργικό τους κόστος, ιδίως σε ό,τι αφορά τις λεπτομερείς προγνώσεις καιρού σε στενά χρονικά περιθώρια».

ΔΙΑΦΉΜΙΣΗ

Η Υπηρεσία για την Κλιματική Αλλαγή του Κοπέρνικου (C3S) και η CAMS χρησιμοποιούν δοκιμαστικά την ΤΝ για τον εντοπισμό αλλαγών στην κάλυψη εδάφους και δασών, τη βελτίωση των προγνώσεων της ποιότητας του αέρα σε επίπεδα αστικών κέντρων και την αυτόματη επεξεργασία των δορυφορικών λήψεων, σύμφωνα με τον δρα Πεκ.

Στη θάλασσα Άμουνδσεν, πέρα από τις δυτικές ακτές της Ανταρκτικής, ειδικοί του Βρετανικού Ερευνητικού Οργάνου της Ανταρκτικής (ΒΕΟΑ), με βάση τους το Ινστιτούτο Τούρινγκ, χρησιμοποιούν τεχνολογία ΜΜ για να αναγνωρίζουν, να εντοπίζουν και να παρακολουθούν τα παγόβουνα που σπάζουν σε μικρότερα, πιο στενά τμήματα πάγου και εκπαιδεύουν αλγόριθμους ΤΝ να προβλέπουν τον μελλοντικό σχηματισμό παγονησίδων. Ακολούθως, προχωρούν σε ερμηνείες των προβλέψεων με τη συνδρομή ΤΝ και κατανοούν, ενδεχομένως, πώς οι κλιματικές μεταβλητές επηρεάζουν η μία την άλλη στον χωροχρόνο.

Η δεξαμενή εφαρμογών ΤΝ για την επίλυση περιβαλλοντικών και κοινωνικών προβλημάτων, είτε μεγάλων είτε μικρών, συνεχίζει να μεγαλώνει. Το Πανεπιστήμιο της Ουάσιγκτον σκοπεύει να χρησιμοποιήσει ΤΝ για τον εντοπισμό και την πιο επιτυχή πρόβλεψη θαλάσσιων καυσώνων. Το Κέντρο Μέσων Διαφύλαξης της Τανζανίας θα κάνει χρήση ΤΝ σε εναέριες έρευνες για την άγρια πανίδα και τις ανθρώπινες δραστηριότητες, ώστε να αποσοβήσει τις διαμάχες ανάμεσα σε ζώα και ανθρώπους. Ο δήμος της Βοστόνης διενήργησε δοκιμές του λογισμικού GreenCityWatch που απογράφει τα δέντρα μέσω ΤΝ και ελέγχει με ακρίβεια τον αριθμό και την κατάσταση των εκτάσεων πρασίνου στην πόλη προς ενημέρωση των φορέων χάραξης δημόσιας πολιτικής.

© GettyImages

Και ο τομέας της γεωργίας δρέπει τους καρπούς της ΤΝ. Η υπηρεσία FarmBeats της πλατφόρμας Azure της Microsoft συγκεντρώνει δεδομένα από αισθητήρες, κάμερες, τρακτέρ και δρόνους για τη δημιουργία μοντέλων ΜΜ που συνδυάζουν σύνολα δεδομένων με σκοπό την παρακολούθηση της γεωργικής δραστηριότητας και τη θωράκιση των αγροτών απέναντι στην κλιματική αλλαγή. «Οι καλλιεργητές αποφασίζουν, βάσει του καιρού, τη χρονική στιγμή που θα σπείρουν, θα ποτίσουν, θα θερίσουν κ.α.», λέει ο Ρανβίρ Τσάντρα, επικεφαλής επιστήμονας στη Microsoft Azure Global. «Ωστόσο, οι διαθέσιμες προγνώσεις καιρού προέρχονται από μετεωρολογικούς σταθμούς, όχι από τους αγρούς. Ένας από τους αλγορίθμους ΤΝ που διαθέτουμε συνδυάζει λεπτομερή μοντέλα καιρού και δεδομένα από μετεωρολογικούς σταθμούς με στοιχεία από αισθητήρες τοποθετημένους στους αγρούς και παράγει υπερτοπικές καιρικές προβλέψεις σε αυτούς. Τα κενά στα δεδομένα καλύπτονται από τους αγρούς και αυτό αποφέρει προβλέψεις που βελτιώνουν τις αποφάσεις των γεωργών».

Ένα νέο και ισχυρό άρμα στον αγώνα για την πρόβλεψη της κλιματικής αλλαγής;

Φιλόδοξη αποστολή για την ΤΝ αποτελεί η δημιουργία ενός Ψηφιακού Διδύμου της Γης ή ενός αντιγράφου των πλανητικών συστημάτων και διαδικασιών. «Θα ήταν ένα αριθμητικό εργαστήριο του πλανήτη, όπου θα πειραματιζόμασταν προτού χαράξουμε πολιτικές και αποτιμήσουμε τα αποτελέσματα», λέει ο δρ Ματιέ. «Ήδη έχουμε στη διάθεσή μας τα απαραίτητα συστατικά για τη δημιουργία Ψηφιακών Διδύμων του φυσικού περιβάλλοντος και, εντέλει, ενός Ψηφιακού Διδύμου της Γης», λέει ο δρ Σκοτ Χόσκινγκ, επιστήμονας περιβαλλοντικών δεδομένων στο ΒΕΟΑ. «Είναι αδύνατον να παρακολουθούμε κάθε μεταβολή στον πλανήτη με την απαιτούμενη ακρίβεια. Η δημιουργία Ψηφιακών Διδύμων του φυσικού περιβάλλοντος μας επιτρέπει να επικεντρωθούμε με έξυπνο τρόπο στη δειγματοληψία. Κάτι τέτοιο θα ανέτρεπε την κατάσταση σε απομακρυσμένα και εχθρικά περιβάλλοντα όπως οι πολικές περιοχές, όπου η ενεργειακή τροφοδοσία και η προσβασιμότητα αποτελούν εμπόδια. Οι πληροφορίες αυτές θα αξιοποιούνταν σε πραγματικό χρόνο για να υποδεικνύεται σε έναν στόλο από δρόνους και αυτοματοποιημένα υποβρύχια πώς να κάνουν αποδοτικότερα μελλοντικές μετρήσεις».

Όμως, η ΤΝ δεν έχει καταστεί ακόμα απόλυτα αξιόπιστη. Στις κλιματικές προγνώσεις, υπολειπόμαστε δεδομένων για την εκπαίδευση των αλγορίθμων, προειδοποιούν οι ειδικοί. «Η ΤΝ χρήζει εκπαίδευσης πάνω σε ιστορικά δεδομένα», εξηγεί ο δρ Τζούντα Κοέν, υπεύθυνος εποχικών προγνώσεων στο Ερευνητικό Κέντρο Ατμόσφαιρας και Περιβάλλοντος (ΕΚΑΠ) και κλιματολόγος στο ΜΙΤ. «Τα παλαιότερα δεδομένα με τα οποία γίνεται η εκπαίδευση είναι από το 1979, όταν οι δορυφόροι άρχισαν να χρησιμοποιούνται ευρύτερα∙ έτσι όμως δεν υπάρχουν επαρκή ιστορικά στοιχεία για να προκύψουν βέλτιστες λύσεις ΤΝ. Θα μπορούσαμε μεν να δημιουργήσουμε συνθετικά δεδομένα με μοντέλα, αλλά παραμένει το ερώτημα αν τα δεδομένα των μοντέλων είναι τόσο καλά όσο τα ιστορικά δεδομένα».

© GettyImages

Επίσης, η ΤΝ δεν είναι υποκατάστατο της Φυσικής Κλίματος, όπως το θέτει ο δρ Ρόλνικ. «Η ΤΝ έχει όρια», προσθέτει ο δρ Ματιέ του ΕΟΔ. «Πάντα θα βρίσκουμε αντιστοιχίες ανάμεσα στα δεδομένα, αλλά αυτό δεν σημαίνει απαραιτήτως ότι υπάρχει και αιτιώδης συνάφεια. Οπότε, χρειάζονται εξηγήσεις από ειδικούς βασισμένες στη Φυσική».

Το ίδιο ισχύει για τα μοντέλα καιρικών προγνώσεων, λέει ο δρ Ντούεμπεν του ΕΚΜΜΠ. «Υπήρξαν ισχυρισμοί πως η ΤΝ και η ΜΜ μπορούν να υπερισχύσουν έναντι των συμβατικών εργαλείων βραχυπρόθεσμων προγνώσεων (προγνώσεις καιρικών συνθηκών με ορίζοντα δύο ωρών) και μερικών προβλέψεων με ορίζοντα πολλών ετών. Παρ’ όλα αυτά, δεν είναι πιθανό η ΤΝ να ξεπεράσει τις περισσότερες από τις υπόλοιπες προγνώσεις και, ως εκ τούτου, να «αντικαταστήσει» τα μοντέλα προγνώσεων καιρού, καθότι δεν θα παρουσιάζει αντίστοιχη ακρίβεια στα περισσότερα πλαίσια εφαρμογής».

Εφόσον ένα εκπαιδευμένο σύστημα ΤΝ λειτουργεί καλά μόνο σε σχέση με τα πράγματα στα οποία έχει εκπαιδευτεί, περαιτέρω δυσκολίες προκύπτουν. «Πρέπει να χρησιμοποιείται για το εύρος τιμών στο οποίο βασίστηκε η εκπαίδευσή του», λέει ο δρ Πεκ. «Αλλιώς, τα αποτελέσματα μπορεί να μην ισχύουν». Αυτό σημαίνει πως ένας αλγόριθμος μπορεί να είναι αποτελεσματικός με τα δεδομένα για τα οποία έχει δημιουργηθεί να επεξεργάζεται, αλλά θα παραγάγει ανακριβή αποτελέσματα αν επεξεργαστεί δεδομένα που δεν ανήκουν στο δικό του φάσμα ενεργειών. Στην κλιματική έρευνα, ωστόσο, δεν αλλάζουν μόνο τα δεδομένα αλλά και το ίδιο το κλίμα. «Όταν πρόκειται για την κλιματική αλλαγή, οι αλγόριθμοι πρέπει να είναι πολύπλοκοι, καθώς το κλίμα δεν παύει να αλλάζει. Πρέπει να είμαστε πολύ προσεκτικοί. Η ΤΝ δεν χρησιμοποιεί απλώς το παρελθόν για να προβλέψει το μέλλον», προσθέτει ο διευθυντής της CAMS.

Και η επιλογή των αλγόριθμων είναι δύσκολη στην περίπτωση της κλιματικής αλλαγής. «Υπάρχει πλήθος τεχνικών ΤΝ και η επιλογή της βέλτιστης για την κλιματική αλλαγή από ένα μενού αλά καρτ δεν είναι αστεία υπόθεση» εξηγεί ο δρ Κοέν. «Θεωρώ πρόκληση την επιλογή και βελτιστοποίηση ενός αλγόριθμου ΤΝ που δεν θα προσφέρει απλώς μια μικρή βελτίωση στις κλιματικές προγνώσεις».

ΔΙΑΦΉΜΙΣΗ

Επιπροσθέτως, η τεχνολογία ΤΝ εγείρει ερωτήματα σχετικά με την πρόσβαση στα δεδομένα και τον χειρισμό τους. «Δεν υπάρχουν ιδιαίτερες ανησυχίες για την προστασία των δεδομένων σε ό,τι αφορά τα συμβατικά μέσα καιρικών παρατηρήσεων», λέει ο δρ Ντούεμπεν. «Εντούτοις, τα δεδομένα του λεγόμενου Διαδικτύου των Πραγμάτων (ΔτΠ) σπανίως χρησιμοποιούνται για προβλέψεις καιρού, αλλά μπορεί μελλοντικά να ευνοήσουν σημαντικά βήματα προόδου. Τέτοια δεδομένα, φερ’ ειπείν, είναι όσα προέρχονται από παρατηρήσεις κινητών τηλεφώνων ή από άλλες πηγές «πληθοπορισμού». Από αυτά, θα ανακύψουν προβλήματα προστασίας δεδομένων». Η δρ Κατσένκο προσθέτει ότι σε περίπτωση που παραποιούνται τα ανεπεξέργαστα δεδομένα που διαμορφώνουν τη λήψη αποφάσεων, τα αποτελέσματα θα είναι αρνητικά. «Όπως, λοιπόν, αναγράφονται τα συστατικά στις συσκευασίες των έτοιμων γευμάτων, μπορεί ομοίως να θελήσουμε να ξέρουμε τον τρόπο που σχεδιάστηκε η ΤΝ, καθώς και ποιες πηγές δεδομένων χρησιμοποίησε», λέει η δρ Κατσένκο.

Τελικά, μπορούν οι κλιματολόγοι και οι περιβαντολόγοι να διδαχθούν από τη χρήση της ΤΝ σε άλλους τομείς; «Η ΤΝ πρέπει να χρησιμοποιείται μονάχα για την επίλυση ενός υπαρκτού προβλήματος», προειδοποιεί ο δρ Ρόλνικ. «Παρασυρόμαστε εύκολα από τις φανταχτερές νέες τεχνολογίες. Σε κάθε πλαίσιο εφαρμογής, είναι πολύ σημαντικό να φροντίζουμε ώστε η ΤΝ να συνεισφέρει. Κριτήριο για τις εφαρμογές της ΤΝ πρέπει να είναι ο τελικός αντίκτυπος. Στον σχεδιασμό τους πρέπει να συμμετέχουν οι ενδιαφερόμενοι που θα τις χρησιμοποιήσουν και θα ωφεληθούν από την τεχνολογία. Μεγάλη φενάκη συνιστά η προσδοκία ότι η ΤΝ θα λειτουργήσει ως πανάκεια. Η ΤΝ είναι ισχυρή, αλλά είναι μόλις ένα εκ των εργαλείων που διαθέτουμε για να καταστρώνουμε στρατηγικές αντιμετώπισης της κλιματικής αλλαγής.