Voici 10 façons dont l'IA pourrait aider à lutter contre le changement climatique

Une grille des différentes sous-disciplines de l'apprentissage automatique et comment elles peuvent aider à lutter contre le changement climatique. Mme Tech | Vignette : chuttersnap/Unsplash

Certains des plus grands noms de la recherche en IA ont présenté une feuille de route suggérant comment l'apprentissage automatique peut aider à sauver notre planète et l'humanité d'un péril imminent.

Le rapport couvre les interventions possibles d'apprentissage automatique dans 13 domaines, des systèmes électriques aux fermes et forêts en passant par la prévision climatique. Dans chaque domaine, il détaille les contributions de diverses sous-disciplines de l'apprentissage automatique, notamment la vision par ordinateur, le traitement du langage naturel et l'apprentissage par renforcement.

Les recommandations sont également divisées en trois catégories : effet de levier élevé pour les problèmes bien adaptés à l'apprentissage automatique où de telles interventions peuvent avoir un impact particulièrement important ; à long terme pour des solutions qui ne rapporteront pas avant 2040 ; et un risque élevé pour les poursuites qui ont des résultats moins certains, soit parce que la technologie n'est pas mature, soit parce qu'on n'en sait pas assez pour évaluer les conséquences. De nombreuses recommandations résument également les efforts existants qui sont déjà en cours mais pas encore à grande échelle.

La compilation du rapport a été dirigée par David Rolnick, chercheur postdoctoral à l'Université de Pennsylvanie, et conseillé par plusieurs personnalités de premier plan, dont Andrew Ng, cofondateur de Google Brain et entrepreneur et éducateur de premier plan en IA ; Demis Hassabis, fondateur et PDG de DeepMind ; Jennifer Chayes, directrice générale de Microsoft Research ; et Yoshua Bengio, qui a récemment remporté le prix Turing pour ses contributions dans le domaine. Bien que les chercheurs proposent une liste très complète de certains des principaux domaines dans lesquels l'apprentissage automatique peut contribuer, ils notent également qu'il ne s'agit pas d'une solution miracle. En fin de compte, la politique sera le principal moteur d'une action climatique efficace à grande échelle.

Voici seulement 10 des recommandations à fort effet de levier du rapport. Lire la version complète de celui-ci ici .

1. Améliorer les prévisions de la quantité d'électricité dont nous avons besoin

Si nous comptons sur davantage de sources d'énergie renouvelables, les services publics auront besoin de meilleurs moyens de prévoir la quantité d'énergie nécessaire, en temps réel et à long terme. Il existe déjà des algorithmes permettant de prévoir la demande d'énergie, mais ils pourraient être améliorés en tenant compte de conditions météorologiques et climatiques locales plus fines ou du comportement des ménages. Les efforts visant à rendre les algorithmes plus explicables pourraient également aider les opérateurs de services publics à interpréter leurs résultats et à les utiliser pour planifier la mise en ligne des sources renouvelables.

2. Découvrir de nouveaux matériaux

Les scientifiques doivent développer des matériaux qui stockent, récoltent et utilisent l'énergie plus efficacement, mais le processus de découverte de nouveaux matériaux est généralement lent et imprécis. L'apprentissage automatique peut accélérer les choses en trouvant, en concevant et en évaluant de nouvelles structures chimiques avec les propriétés souhaitées. Cela pourrait, par exemple, aider à créer combustibles solaires , qui peut stocker l'énergie de la lumière du soleil, ou identifier des absorbants de dioxyde de carbone plus efficaces ou des matériaux structurels qui nécessitent beaucoup moins de carbone pour être créés. Ces derniers matériaux pourraient un jour remplacer l'acier et le ciment, dont la production représente près de 10 % des émissions mondiales de gaz à effet de serre.

3. Optimisez l'acheminement du fret

L'expédition de marchandises dans le monde entier est un processus complexe et souvent très inefficace qui implique l'interaction de différentes tailles d'expédition, de différents types de transport et d'un réseau changeant d'origines et de destinations. L'apprentissage automatique pourrait aider à trouver des moyens de regrouper autant d'expéditions que possible et de minimiser le nombre total de voyages. Un tel système serait également plus résistant aux perturbations des transports.

4. Réduire les obstacles à l'adoption des véhicules électriques

Les véhicules électriques, une stratégie clé pour décarboner les transports, sont confrontés à plusieurs défis d'adoption où l'apprentissage automatique pourrait aider. Les algorithmes peuvent améliorer la gestion de l'énergie de la batterie pour augmenter le kilométrage de chaque charge et réduire l'anxiété liée à l'autonomie, par exemple. Ils peuvent également modéliser et prédire le comportement de charge global pour aider les opérateurs de réseau à satisfaire et à gérer leur charge.

5. Contribuez à rendre les bâtiments plus efficaces

Les systèmes de contrôle intelligents peuvent réduire considérablement la consommation d'énergie d'un bâtiment en tenant compte des prévisions météorologiques, de l'occupation du bâtiment et d'autres conditions environnementales pour ajuster les besoins de chauffage, de refroidissement, de ventilation et d'éclairage dans un espace intérieur. Un bâtiment intelligent pourrait également communiquer directement avec le réseau pour réduire la quantité d'énergie qu'il utilise en cas de pénurie d'approvisionnement en électricité à faible émission de carbone à un moment donné.

6. Créer de meilleures estimations de la quantité d'énergie que nous consommons

De nombreuses régions du monde disposent de peu ou pas de données sur leur consommation d'énergie et leurs émissions de gaz à effet de serre, ce qui peut constituer un obstacle majeur à la conception et à la mise en œuvre de stratégies d'atténuation efficaces. Les techniques de vision par ordinateur peuvent extraire les empreintes et les caractéristiques des bâtiments à partir de l'imagerie satellite pour alimenter des algorithmes d'apprentissage automatique qui peuvent estimer la consommation d'énergie au niveau de la ville. Les mêmes techniques pourraient également identifier les bâtiments qui devraient être modernisés pour maximiser leur efficacité.

7. Optimiser les chaînes d'approvisionnement

De la même manière que l'apprentissage automatique peut optimiser les routes maritimes, il peut également minimiser les inefficacités et les émissions de carbone dans les chaînes d'approvisionnement des industries de l'alimentation, de la mode et des biens de consommation. De meilleures prévisions de l'offre et de la demande devraient réduire considérablement les déchets de production et de transport, tandis que des recommandations ciblées pour les produits à faible émission de carbone pourraient encourager une consommation plus respectueuse de l'environnement.

8. Rendre possible l'agriculture de précision à grande échelle

Une grande partie de l'agriculture moderne est dominée par la monoculture, la pratique consistant à produire une seule culture sur une grande étendue de terre. Cette approche permet aux agriculteurs de gérer plus facilement leurs champs avec des tracteurs et d'autres outils automatisés de base, mais elle dépouille également le sol de nutriments et réduit sa productivité. En conséquence, de nombreux agriculteurs dépendent fortement des engrais à base d'azote, qui peuvent se transformer en oxyde nitreux, un gaz à effet de serre 300 fois plus puissant que le dioxyde de carbone. Les robots exécutés sur un logiciel d'apprentissage automatique pourraient aider les agriculteurs gérer un mélange de cultures plus efficacement à grande échelle, tandis que des algorithmes pourraient aider les agriculteurs à prédire quelles cultures planter quand, régénérant la santé de leurs terres et réduisant le besoin d'engrais.

9. Améliorer le suivi de la déforestation

La déforestation contribue à environ 10 % des émissions mondiales de gaz à effet de serre, mais la suivre et la prévenir est généralement un processus manuel fastidieux qui se déroule sur le terrain. L'imagerie satellitaire et la vision par ordinateur peuvent automatiquement analyser la perte de couvert arboré à une échelle beaucoup plus grande, et des capteurs au sol, combinés à des algorithmes de détection des bruits de tronçonneuse, peuvent aider les forces de l'ordre locales à mettre fin aux activités illégales.

10. Inciter les consommateurs à changer leur façon de faire leurs courses

Les techniques que les annonceurs ont utilisées avec succès pour cibler les consommateurs peuvent être utilisées pour nous aider à nous comporter de manière plus respectueuse de l'environnement. Les consommateurs pourraient bénéficier d'interventions sur mesure pour favoriser leur adhésion à des programmes d'économie d'énergie, par exemple.

cacher