Искусственный интеллект ускоряет исследования климата

от

Искусственный интеллект (ИИ) оказывает значительную поддержку проектам по исследованию климата в период ухудшения экстремальных погодных условий и сокращения финансирования, которое угрожает науке в США и других странах.

Генеративный ИИ подвергается критике из-за большого количества энергии, необходимого для обучения и работы сложных моделей. Однако он также обещает продвинуть науку вперёд.

«Это гигантский шаг вперёд», — говорит Анхель Борха, биолог из морского исследовательского центра AZTI в северной Испании. «Это позволит нам обрабатывать данные и получать результаты гораздо быстрее, чтобы люди, принимающие решения, тоже могли действовать быстрее».

Исследователи обучают существующие модели ИИ и создают новые для выполнения рутинных задач, которые раньше требовали работы нескольких человек в течение недель или даже месяцев. Данные, собранные в ходе научных экспедиций от дна океанов до самых отдалённых уголков Антарктиды, теперь можно каталогизировать за считанные часы.

Конечно, использование генеративного ИИ имеет свои риски. Некоторые учёные предупреждают, что методы машинного обучения — это инструменты, которые никогда не должны заменять человеческое мышление, письмо и анализ, — говорит Джонатан Фоли, исполнительный директор Project Drawdown.

Организация, которая использует научные данные для разработки решений по борьбе с изменением климата, ограничила использование ИИ-ассистентов простыми задачами, такими как проверка грамматики, форматирование документов и сбор информации из разрозненных источников.

«По определению, генеративный ИИ полагается на плагиат (хотя и в статистическом смысле) и часто фабрикует информацию, цитаты, данные и творческий контент», — сказал Фоли.

Тем не менее другие исследователи продолжают двигаться вперёд. Вот три примера.

Борха вспоминает, как собирал данные вручную и заполнял базы данных сотнями измерений, когда начал заниматься научной работой 45 лет назад. Появление компьютеров и интернета помогло ускорить часть этой работы. Но рост ИИ за последние три-четыре года ощущался как нечто совершенно иное и более преобразующее, сказал он.

«Мои младшие коллеги беспокоятся, что ИИ украдёт их работу, что мы станем ненужными, — сказал он. — Но всё наоборот: мы продвигаемся вперёд, потому что ИИ выполняет рутинную работу, которая отнимает у нас столько часов, и мы сможем сосредоточиться на интерпретации этих данных».

ИИ призван ускорить работу центра, чтобы политики могли принимать более обоснованные решения. Учёные из AZTI тесно сотрудничают с политиками, чтобы, среди прочего, устанавливать квоты на вылов рыбы и создавать морские охраняемые территории.

Исследователи из AZTI начали загружать миллионы точек данных, собранных за три десятилетия, в модель ИИ. Данные включают всё: от качества воды до наличия различных видов рыб и планктона. Затем модель выдаёт исследовательские заметки, которые сообщают учёным, какая информация находится в базе данных и как она структурирована, что позволяет исследователям легче решать, какие наборы данных использовать для своих исследований.

Центр также использует видео и фотографии из исследовательских экспедиций для обучения другой модели, чтобы распознавать различные виды рыб и морских обитателей. В настоящее время эта задача требует от учёных просмотра сотен часов подводных видеозаписей и ручной записи того, какие виды появляются, где, как часто и в каком количестве.

«Это позволит нам быстрее делать выводы о состоянии морской среды в определённых местах, — сказал Борха. — Я ожидаю, что в течение следующих пяти лет мы увидим взрывное применение ИИ в научных областях и в таких направлениях, которые я даже не могу себе представить сейчас».

Некоторые модели на базе ИИ уже превосходят традиционные системы прогнозирования. Aurora от Microsoft Inc. была обучена на более чем миллионе часов разнообразных геофизических данных. В 91% целей, установленных её создателями, она более точна, чем традиционная модель Европейского центра среднесрочных прогнозов погоды и модель ИИ Google DeepMind GraphCast.

Она способна прогнозировать, среди прочего, качество воздуха, волны и пути тропических циклонов, согласно исследовательской статье, опубликованной в мае в журнале Nature сотрудниками Microsoft Research. Aurora может выполнять эти задачи с гораздо меньшими вычислительными затратами по сравнению с традиционными моделями, говорится в статье.

«Модели ИИ, такие как Aurora, могут позволить учёным-климатологам исследовать в сотни раз больше сценариев, чем они могут сегодня, помогая раскрыть новые идеи в масштабе», — сказал представитель Microsoft Research.

Модели ИИ в некотором роде представляют собой чёрный ящик по сравнению с их традиционными метеорологическими аналогами, что беспокоит некоторых синоптиков. Но качественная метеорологическая информация — это первый шаг к созданию систем оповещения, которые дают людям время найти укрытие, когда происходят экстремальные явления.

Сочетание людей и ИИ может обеспечить наилучшие результаты для научных исследований, согласно статье, опубликованной в прошлом году в журнале Citizen Science: Theory and Practice. Ведущий автор Нирван Шарма, учёный-компьютерщик из Открытого университета в Великобритании, начал использовать генерацию естественного языка — раннее название того, что сейчас известно как генеративный ИИ, — в 2010 году для проекта гражданской науки.

Людей призывали присылать Шарме и его соавторам фотографии шмелей, когда они гуляли по лесу или работали в своих садах. Затем ИИ определял, какой из 22 видов шмелей Великобритании они обнаружили, а исследователи проверяли работу ИИ. Наконец, учёные-граждане получали автоматическое электронное письмо с благодарностью за вклад и указанием вида шмеля, которого они сфотографировали.

Модель, созданная в партнёрстве между Университетом Абердина и Фондом охраны шмелей, правильно определяла виды примерно в половине случаев, что соответствует уровню неподготовленных пользователей. Первоначально для правильного определения вида шмеля требовалось около 10 человек. По мере обучения модели это число сократилось до трёх.

Используя большое количество фотографий, собранных за годы, исследователи обучили модель определять растения, на которых были сфотографированы шмели, что позволило ей давать рекомендации по посадке в зависимости от видов шмелей, которых учёные-граждане хотели привлечь.

«Большая часть знаний о том, как идентифицировать виды, хранится в научных журналах или в других местах, которые людям действительно трудно получить, — сказал Шарма. — ИИ — это ещё один инструмент для улучшения нашего обучения — это средство ведения диалога с этими знаниями».

Источник

Другие новости по теме

Другие новости на сайте