Google och Amazon Web Services (AWS) har lyft fram sina respektive arbeten med maskininlärningsmodeller (ML) som kan hjälpa nationer att hantera miljökriser som händer med ökande regelbundenhet över hela världen.
Företagen flaggade för sina ansträngningar för att ta itu med klimatförändringseffekter som översvämningar och skogsbränder när FN:s klimatkonferens i Storbritannien 2021 (COP26) avslutas denna vecka.
Översvämningar
Getty Images
Google har publicerat en icke-peer-reviewed papper om sitt översvämningsprognossystem med maskininlärningsmodeller som de hävdar ger “exakta översvämningsvarningar i realtid till myndigheter och allmänheten, med fokus på flodöversvämningar i stora, mätta floder”. Uppsatsen skrevs av forskare vid Google Research och Hebrew University of Jerusalem i Israel.
SE: Rapporten finner ett häpnadsväckande ointresse för etisk och ansvarsfull användning av AI bland företagsledare
Googles initiativ för översvämningsprognoser, lanserades 2018, skickar varningar till smartphones från människor i översvämningsdrabbade områden. Det är en del av Googles Crisis Response-program, som arbetar med frontlinje- och räddningspersonal för att utveckla teknik.
Sedan 2018 har programmet utökats till att täcka stora delar av Indien och Bangladesh, och omfattar ett område befolkat av cirka 220 miljoner människor. Från och med monsunsäsongen 2021 har detta utökats ytterligare till att täcka ett område där 360 miljoner människor bor.
“Tack vare bättre teknik för att förutsäga översvämningar skickade vi ut över 115 miljoner varningar – det är ungefär det tredubbla beloppet vi tidigare skickade ut”, säger Yossi Matias, Googles VD för teknik och krishantering, i ett blogginlägg .
Googles varningar indikerar inte bara hur många centimeter en flod kommer att stiga. Tack vare sina nya maskininlärningsmodeller som använder Long Short-Term Memory (LTSM) djupa neurala nätverk, kan den nu tillhandahålla “översvämningskartor” som visar omfattningen och djupet av översvämningar som ett lager på Google Maps.
Forskarna hävdar att “LSTM-modeller presterade bättre än konceptuella modeller som var kalibrerade till långa dataposter i varje bassäng”.
“Medan tidigare studier gav uppmuntrande resultat, är det sällsynt att hitta verkliga operativa system med ML-modeller som sina kärnkomponenter som kan beräkna aktuella och exakta översvämningsvarningar”, sa Googles forskare.
Avfyras
Getty Images
AWS , har under tiden arbetat med AusNet, ett energibolag baserat i Melbourne, Australien, för att hjälpa till att lindra skogsbränder i regionen.
AusNet har 54 000 kilometer kraftledningar som distribuerar energi till cirka 1,5 miljoner hem och företag i Victoria. Det uppskattas att 62 % av nätverket finns i områden med hög risk för skogsbränder.
AusNet har använt bilar utrustade med Google Maps-liknande LiDAR-kameror och Amazon SageMaker-maskininlärning för att kartlägga statens vegetationsområden som behöver trimmas för att hejda bushbrandshot. Dess tidigare system förlitade sig på ett GIS (Geographic Information System) och använde anpassade verktyg för att märka LiDAR-punkter.
AusNet arbetade med AWS för att automatisera klassificeringen av LiDAR-punkter genom att använda AWS:s hanterade djupinlärningsmodeller, GPU-instanser och S3-lagring.
AusNet och AWS byggde en semantisk segmenteringsmodell som exakt klassificerade 3D-punktmolndata för ledare, byggnader, stolpar, vegetation och andra kategorier, noterar AWS i ett blogginlägg.
SE: Vad är digital transformation? Allt du behöver veta om hur tekniken omformar företag
“Teamet kunde träna en modell med en hastighet av 10,8 minuter per epok på 17,2 GiB okomprimerad data över 1 571 filer med totalt cirka 616 miljoner poäng. Som slutsats kunde teamet bearbeta 33,6 GiB okomprimerad data över 15 filer på totalt 1,2 miljarder poäng på 22,1 timmar. Detta innebär att man drar slutsatser om ett genomsnitt på 15 760 poäng per sekund inklusive avskriven starttid, säger AWS.
“Att snabbt och exakt kunna märka våra flygundersökningsdata är en kritisk del av att minimera risken för skogsbränder”, säger Daniel Pendlebury, produktchef på AusNet.
“Genom att arbeta med Amazon Machine Learning Solutions Lab kunde vi skapa en modell som uppnådde 80,53 % genomsnittlig noggrannhet i datamärkning. Vi förväntar oss att kunna minska våra manuella märkningsinsatser med upp till 80 % med den nya lösningen.”
Artificiell intelligens
GE, Einride avtäcker den första autonoma elektriska lastbilen som körs på amerikansk mark. Alphabets DeepMind-avläggare använder AI för drogupptäckt Ny hamburgerbot gör också kycklingvingar Vad är AI? Allt du behöver veta om artificiell intelligens Amazon | Digital transformation | CXO | Internet of Things | Innovation | Företagsprogramvara