Как использовать машинное обучение для борьбы с климатическими проблемами

На одном из воркшопов на ICML 2019 исследователи представили набор открытых ML задач, решение которых поспособствует борьбе с климатическими изменениями. Спонсором проекта является Element.AI, которую основал Эндрю Ын. Запись воркшопа по ссылке. На сайте проекта есть список исследований, реализованных продуктов и идей по теме.

Изменения в климате — одна из основных природных проблем на текущий момент. Инициатива призвана спровоцировать исследования и проекты, направленные на поддержание климата. В работе, которую опубликовали исследователи, описано, как методы машинного обучения сократят эмиссию парникового газа и помогут обществу адаптироваться к климатическим изменениям. Авторы работы ставят открытые задачи в сфере и дают рекомендации по методам, которые уместны для решения поставленных задач. Цель проекта в том, чтобы привлечь сообщество ML-разработчиков к решению глобально важных проблем.

В работе обозреваются актуальные задачи, в которых использование методов машинного обучения решит часть проблем. Исследователи консультировались с экспертами из релевантных сфер.

Работа разбита на секции. Чтобы акцентировать внимание читателей на особенно важных проблемах, исследователи пометили лейблами отдельные проблемы:

  • High Leverage помечены те задачи, в которых применение ML методов будет в большей степени эффективно;
  • Long-term помечены те задачи, последствия которых будут заметны после 2040;
  • High Risk помечены те задачи, решения которых опасны в том или ином значении: ML может не сработать; до конца не определены факторы, влияющие на проблему; потенциально возможны нежелательные побочные эффекты

Среди поставленных задач — такие как предотвращение потери электричества при передаче, оптимизировать направления и количество поставок, сократить количество отходов и подобные. ML методы помогут выявить каузальные связи, например, для понимания погодных изменений, чтобы усилить предотвращение катастроф.

Для тех, кто желает поучаствовать в инициативе, исследователи предлагают:

  • Понять, какие персональные навыки могут быть полезны в решении одной из задач;
  • Коллаборировать с заинтересованными людьми;
  • Сверяться, что желаемый и реальный эффекты на проблему, за которую взялись, не расходятся;
  • Публично выкладывать результаты работы и взаимодействовать с экспертами, которые могут внедрить решение туда, где им будут пользоваться

Курсы по data science

Подписаться
Уведомить о
guest

0 Comments
Межтекстовые Отзывы
Посмотреть все комментарии

gogpt