AI Weekly: AI-forskare släpper verktygslåda för att främja AI som hjälper till att uppnå hållbarhetsmål

AI Weekly: AI-forskare släpper verktygslåda för att främja AI som hjälper till att uppnå hållbarhetsmål


Medan diskussioner om AI ofta kretsar kring teknikens kommersiella potential, undersöker forskare alltmer hur AI kan utnyttjas för att driva samhällsförändringar. Bland annat har Facebooks chefs AI-forskare Yann LeCun och Google Brain medgrundare Andrew Ng hävdat att mildring av klimatförändringar och främjande av energieffektivitet är framstående utmaningar för AI-forskare.

I denna riktning har forskare vid Montreal AI Ethics Institute f√∂reslagit ett ramverk utformat f√∂r att kvantifiera den sociala effekten av AI genom tekniker som ber√§kningseffektiv maskininl√§rning. Ett IBM-projekt levererar odlingsrekommendationer fr√•n digitala g√•rds-“tvillingar” som simulerar framtida jordf√∂rh√•llanden f√∂r verkliga gr√∂dor. Andra forskare anv√§nder AI-genererade bilder f√∂r att visualisera klimatf√∂r√§ndringarna, och ideella organisationer som WattTime arbetar f√∂r att minska hush√•llens koldioxidavtryck genom att automatisera n√§r elfordon, termostater och apparater √§r aktiva baserat p√• var f√∂rnybar energi finns tillg√§nglig.

För att stimulera ytterligare utforskningar på området släppte en grupp vid Stanford Sustainability and Artificial Intelligence Lab denna vecka (för att sammanfalla med NeurIPS 2021) en referensdatauppsättning kallad SustainBench för övervakning av mål för hållbar utveckling (SDG) inklusive jordbruk, hälsa och utbildning med hjälp av maskininlärning. Som medförfattarna berättade för VentureBeat i en intervju är målet trefaldigt: (1) sänka inträdesbarriärerna för forskare att bidra till att uppnå SDG; (2) tillhandahålla mått för att utvärdera SDG-spårningsalgoritmer och (3) uppmuntra utvecklingen av metoder där förbättrad AI-modellprestanda underlättar framsteg mot SDG.

‚ÄĚSustainBench var ett naturligt resultat av de m√•nga forskningsprojekt som [we‚Äôve] arbetat med under det senaste halvt decenniet. Drivkraften bakom dessa forskningsprojekt var alltid bristen p√• stora, h√∂gkvalitativa m√§rkta datam√§ngder f√∂r att m√§ta framsteg mot FN:s h√•llbara utvecklingsm√•l (UN SDG), vilket tvingade oss att komma med kreativa maskininl√§rningstekniker f√∂r att √∂vervinna etikettens sparsmak. “, sa medf√∂rfattarna. “[H]Med tillr√§ckligt med erfarenhet av att arbeta med dataupps√§ttningar fr√•n olika h√•llbarhetsdom√§ner ins√•g vi tidigare i √•r att vi var v√§l positionerade f√∂r att dela med oss ‚Äč‚Äčav v√•r expertis p√• datasidan av maskininl√§rningsekvationen ‚Ķ Vi k√§nner faktiskt inte till n√•gra tidigare h√•llbarhetsfokuserade dataupps√§ttningar med liknande storlek och skala p√• SustainBench.‚ÄĚ

Motivering

Framsteg mot SDG har historiskt sett mätts genom civilregistreringar, befolkningsbaserade undersökningar och regeringsorganiserade folkräkningar. Datainsamling är dock dyrt, vilket leder till att många länder går decennier mellan att ta mätningar på SDG-indikatorer. Det uppskattas att endast hälften av SDG-indikatorerna har regelbunden data från mer än hälften av världens länder, vilket begränsar det internationella samfundets förmåga att spåra framsteg mot SDGs.

“Till exempel, tidigt under covid-19-pandemin implementerade m√•nga utvecklingsl√§nder sina egna kontant√∂verf√∂ringsprogram, liknande de direkta kontantbetalningarna fr√•n IRS i USA. Men ‚Ķ dataposter om hush√•llens f√∂rm√∂genhet och inkomst i utvecklingsl√§nder √§r ofta op√•litliga eller otillg√§ngliga‚ÄĚ, sa medf√∂rfattarna.

Innovationer inom AI har dock visat sig lovande att hjälpa till att täppa till dataluckor. Data från satellitbilder, inlägg på sociala medier och smartphones kan användas för att träna modeller för att förutsäga saker som fattigdom, årlig markbeläggning, avskogning, jordbruksskördningsmönster, skördar och till och med platsen och konsekvenserna av naturkatastrofer. Till exempel använde regeringarna i Bangladesh, Moçambique, Nigeria, Togo och Uganda maskininlärning-baserade fattigdoms- och odlingsmarkskartor för att rikta ekonomiskt bistånd till deras mest utsatta befolkningar under pandemin.

Men framsteg har hindrats av utmaningar, inklusive brist p√• expertis och brist p√• data f√∂r l√•ginkomstl√§nder. Med SustainBench hoppas Stanford-forskarna ‚Äď tillsammans med bidragsgivare vid Caltech, UC Berkeley och Carnegie Mellon ‚Äď ge en startplats f√∂r utbildning av maskininl√§rningsmodeller som kan hj√§lpa till att m√§ta SDG-indikatorer och har ett brett utbud av till√§mpningar f√∂r verkliga uppgifter.

SustainBench innehåller en svit med 15 benchmark-uppgifter över sju SDGs hämtade från FN, inklusive god hälsa och välbefinnande, kvalitetsutbildning och rent vatten och sanitet. Utöver detta erbjuder SustainBench uppgifter för maskininlärningsutmaningar som täcker 119 länder, var och en utformad för att främja utvecklingen av SDG-mätmetoder på verkliga data.

Medförfattarna varnar för att AI-baserade tillvägagångssätt bör komplettera, snarare än ersätta, markbaserad datainsamling. De påpekar att data från marken är nödvändiga för träningsmodeller i första hand, och att även de bästa sensordata bara kan fånga några Рmen inte alla Рav resultaten av intresse. Men AI, tror de fortfarande, kan vara till hjälp för att mäta hållbarhetsindikatorer i regioner där mätningar av grundsanningen är knappa eller otillgängliga.

“[SDG] Indikatorer har enorma konsekvenser f√∂r beslutsfattare, men “nyckeldata √§r knappa och ofta knappa p√• platser d√§r de beh√∂vs mest”, som flera av v√•ra teammedlemmar skrev i en nyligen publicerad Science review-artikel. Genom att anv√§nda rikliga, billiga och ofta uppdaterade sensordata som indata kan AI hj√§lpa till att t√§ppa till dessa dataluckor. S√•dana indatak√§llor inkluderar bland annat allm√§nt tillg√§ngliga satellitbilder, folksamlingsbilder p√• gatuniv√•, Wikipedia-inl√§gg och mobiltelefonregister‚ÄĚ, sa medf√∂rfattarna.

Framtida arbete

På kort sikt säger medförfattarna att de är fokuserade på att öka medvetenheten om SustainBench inom maskininlärningsgemenskapen. Framtida versioner av SustainBench är i planeringsstadiet, eventuellt med ytterligare datauppsättningar och AI-riktmärken.

‚ÄĚTv√• tekniska utmaningar sticker ut f√∂r oss. Den f√∂rsta utmaningen √§r att utveckla maskininl√§rningsmodeller som kan resonera kring multimodal data. De flesta AI-modeller idag tenderar att arbeta med enskilda datamodaliteter (t.ex. bara satellitbilder eller bara text), men sensordata kommer ofta i m√•nga former ‚Ķ Den andra utmaningen √§r att designa modeller som kan dra nytta av den stora m√§ngden om√§rkta sensorer data, j√§mf√∂rt med glesa marksanningsetiketter‚ÄĚ, sa medf√∂rfattarna. “P√• den icke-tekniska sidan ser vi ocks√• en utmaning i att f√• den bredare maskininl√§rningsgemenskapen att fokusera mer p√• h√•llbarhetstill√§mpningar … Som vi antydde tidigare hoppas vi att SustainBench g√∂r det l√§ttare f√∂r maskininl√§rningsforskare att inse rollen och utmaningarna maskininl√§rning f√∂r h√•llbarhetsapplikationer.”

F√∂r AI-bevakning, skicka nyhetstips till Kyle Wiggers ‚Äď och se till att prenumerera p√• AI Weekly-nyhetsbrevet och bokm√§rka v√•r AI-kanal, The Machine.

Tack för att du läser,

Kyle Wiggers

AI Staff Writer

VentureBeats uppdrag ska vara ett digitalt stadstorg för tekniska beslutsfattare att få kunskap om transformativ företagsteknik och handla. Läs mer om medlemskap.