Kunstig intelligens mot klimaendringer

I en tid der tingens internett, stordata, superdatamaskiner, 5G og ikke minst kunstig intelligens spås å bidra med en løsninger på en rekke viktige samfunnsområder, er det naturligvis også slik at disse teknologiene kan få en viktig rolle i å forhindre klimaendringer.

MIT Technology Review kommer med sine prognoser om hvordan maskinlæring kan hjelpe oss hindre klimaendringer i artikkelen "Here are 10 ways AI could help fight climate change". De 10 punktene er hentet fra et lengre forskningsnotat om maskinlæring og klimatiltak, der forskerne utforsker ulike samfunnsområder og sektorer i næringslivet på jakt etter tiltak som kan ha stor effekt.

Det er i alt 10 områder som trekkes frem i artikkelen. Den første er å utvikle bedre modeller for å predikere energitilbud og -etterspørsel og med utgangspunkt i dette lage bedre systemer for å styre et energisystem som også i stadig større grad vil har store innslag av vind- og solenergi som blant annet er mer avhengig av endringer i været. For det andre kan maskinlæring brukes innenfor materialteknologi for å forbedre og fremskynde arbeidet med å designe, utvikle og teste nye materialer, for eksempel materialer som reduserer miljøbelastningen i når de produseres og brukes.

Et tredje område er å bruke intelligens til å optimalisere utnyttelsen av transportlogistikken i verden, en sektor der det fortsatt er store muligheter for mer effektiv ressursbruk. For det fjerde kan algoritmer brukes til å fremskynde overgangen til el-biler blant annet ved å optimalisere batteriteknologien, slik at vi får mer effekt ut av batteriene og "rekkeviddeangsten" reduseres. Et femte område er smartere styring av energi- og kjølesystemer i bygg, blant annet ved at byggets styringssystem kommuniserer med det smarte strømnettet.

For det sjette kan maskinlæring brukes til å lage bedre prognoser for energibruk, ikke minst i deler av verden der det i dag er dårlig oversikt over energiforbruket. Område nummer syv er egentlig flere teknologier og tiltak i ulike sektorer og handler om å optimalisere forretningskjeder og logistikkjeder i en rekke ulike næringer hvor det er både miljømessige og økonomiske gevinster å hente på en mer effektiv ressursbruk. MIT Technology Review skriver:

"In the same way that machine learning can optimize shipping routes, it can also minimize inefficiencies and carbon emissions in the supply chains of the food, fashion, and consumer goods industries. Better predictions of supply and demand should significantly reduce production and transportation waste, while targeted recommendations for low-carbon products could encourage more environmentally friendly consumption."

For det åttende er det masse muligheter i landbruket og i matproduksjonen der algoritmer kan brukes til å utvikle et presisjonsjordbruk med en langt bedre ressursutnyttelse og lavere utslipp. Område nummer ni er bruk av satelittovervåkning, algoritmer og stordata til å holde bedre oversikt over verdens regnskoger. Og det tiende og siste området gjennomgangen peker på er bruk maskinlæring til å påvirke, eller såkalt "nudge", forbrukerne til å gjøre sunnere og mer miljøvennlige valg gjennom å teste ut ulike måter å påvirke kundenes valg.