Google og Amazon Web Services (AWS) har fremhævet deres respektive arbejde med maskinlæringsmodeller (ML), der kan hjælpe nationer med at håndtere miljøkriser, der sker med stigende regelmæssighed over hele verden.
Virksomhederne fremhævede deres indsats for at tackle klimaændringseffekter såsom oversvømmelser og naturbrande, da FN's klimakonference UK 2021 (COP26) afsluttes i denne uge.
Oversvømmelser
Getty Images
Google har udgivet et ikke-peer-reviewet papir om sit oversvømmelsesprognosesystem med maskinlæringsmodeller, som det hævder giver “nøjagtige oversvømmelsesadvarsler i realtid til agenturer og offentligheden med fokus på flodoversvømmelser i store, målte floder”. Artiklen er skrevet af forskere ved Google Research og det hebraiske universitet i Jerusalem i Israel.
SE: Rapporten finder en overraskende uinteresse i etisk, ansvarlig brug af kunstig intelligens blandt virksomhedsledere
Googles initiativ til oversvømmelsesprognose, lanceret i 2018, sender alarmer til smartphones af mennesker i oversvømmelsesramte områder. Det er en del af Googles Crisis Response-program, som arbejder med frontlinje- og nødhjælpsarbejdere om at udvikle teknologi.
Siden 2018 er programmet udvidet til at dække store dele af Indien og Bangladesh og omfatter et område befolket af omkring 220 millioner mennesker. Fra monsunsæsonen 2021 er dette udvidet yderligere til at dække et område, hvor der bor 360 millioner mennesker.
“Takket være bedre teknologi til forudsigelse af oversvømmelser har vi udsendt over 115 millioner advarsler – det er omkring tre gange det beløb, vi tidligere har udsendt,” siger Yossi Matias, Googles VP engineering og kriseberedskab, i et blogindlæg .
Googles advarsler angiver ikke kun, hvor mange centimeter en flod vil stige. Takket være dens nye maskinlæringsmodeller, der bruger langtidshukommelsen (LTSM) dybe neurale netværk, kan den nu levere “oversvømmelseskort”, der viser omfanget og dybden af oversvømmelser som et lag på Google Maps.
Forskerne hævder, at “LSTM-modeller klarede sig bedre end konceptuelle modeller, der var kalibreret til lange dataregistreringer i hvert bassin”.
“Mens tidligere undersøgelser har givet opmuntrende resultater, er det sjældent at finde faktiske operationelle systemer med ML-modeller som deres kernekomponenter, der er i stand til at beregne rettidige og nøjagtige advarsler om oversvømmelser,” sagde Googles forskere.
Udløses
Getty Images
AWS , i mellemtiden, har arbejdet med AusNet, et energiselskab baseret i Melbourne, Australien, for at hjælpe med at afbøde skovbrande i regionen.
AusNet har 54.000 kilometer elledninger, der distribuerer energi til omkring 1,5 millioner hjem og virksomheder i Victoria. Det anslås, at 62 % af netværket er i områder med høj risiko for bushbrande.
AusNet har brugt biler udstyret med LiDAR-kameraer i Google Maps-stil og Amazon SageMaker maskinlæring til at kortlægge statens vegetationsområder, der skal trimmes for at dæmme op for trusler om bushbrand. Dets tidligere system var baseret på et GIS (Geographic Information System) og brugte brugerdefinerede værktøjer til at mærke LiDAR-punkter.
AusNet arbejdede sammen med AWS for at automatisere klassificeringen af LiDAR-punkter ved at bruge AWS's administrerede deep-learning-modeller, GPU-instanser og S3-lagring.
AusNet og AWS byggede en semantisk segmenteringsmodel, der præcist klassificerede 3D-punktskydata for ledere, bygninger, pæle, vegetation og andre kategorier, noterer AWS i et blogindlæg.
SE: Hvad er digital transformation? Alt hvad du behøver at vide om, hvordan teknologien omformer forretning
“Teamet var i stand til at træne en model med en hastighed på 10,8 minutter pr. epoke på 17,2 GiB ukomprimerede data på tværs af 1.571 filer på i alt cirka 616 millioner point. For at udlede, var holdet i stand til at behandle 33,6 GiB ukomprimerede data på tværs af 15 filer på i alt 1,2 milliarder point på 22,1 timer. Dette svarer til at udlede et gennemsnit på 15.760 point i sekundet inklusive amortiseret opstartstid,” siger AWS.
“At være i stand til hurtigt og præcist at mærke vores luftundersøgelsesdata er en kritisk del af at minimere risikoen for skovbrande,” siger Daniel Pendlebury, produktchef hos AusNet.
“I samarbejde med Amazon Machine Learning Solutions Lab var vi i stand til at skabe en model, der opnåede 80,53 % gennemsnitlig nøjagtighed i datamærkning. Vi forventer at kunne reducere vores manuelle mærkningsindsats med op til 80 % med den nye løsning.”
Kunstig intelligens
GE, Einride afslører den første autonome elektriske lastbil, der kører på amerikansk jord. Alphabets DeepMind-udspringer bruger AI til lægemiddelopdagelse Ny burgerbot laver også kyllingevinger. Hvad er AI? Alt hvad du behøver at vide om kunstig intelligens Amazon | Digital transformation | CXO | Internet of Things | Innovation | Enterprise Software