Εστιάζοντας στη περίπλοκη σχέση μεταξύ Τεχνητής Νοημοσύνης και Βιωσιμότητας
Το παρόν άρθρο επιδιώκει την εμβάθυνση στη διερεύνηση της περίπλοκης σχέση μεταξύ Τεχνητής Νοημοσύνης (AI) και Βιωσιμότητας, ενσωματώνοντάς χαρακτηριστικά βιβλιογραφικής έρευνας και εξετάζοντας τον τρόπο με τον οποίο χρησιμοποιούνται οι τεχνολογίες Τεχνητής Νοημοσύνης για την αντιμετώπιση σύνθετων περιβαλλοντικών προκλήσεων (Fan et al., 2023). Η μεθοδολογική προσέγγιση της καταγραφής των κυριότερων παρατηρήσεων και των κυρίαρχων τάσεων που ακολουθήθηκε στα πλαίσια της παρούσας έρευνας περιελάμβανε μεταξύ άλλων την ανασκόπηση άρθρων, περιπτωσιολογικών μελετών και αναφορών που έχουν αξιολογηθεί από ομοτίμους ώστε να δομηθεί μια λεπτομερής κατανόηση των ευκαιριών που σχετίζονται με πρωτοβουλίες βιωσιμότητας οι οποίες βασίζονται στην Τεχνητή Νοημοσύνη.
Η ενσωμάτωση της Τεχνητής Νοημοσύνης στη Βιωσιμότητα
Η ενσωμάτωση της Τεχνητής Νοημοσύνης (AI) σε πρωτοβουλίες και πρακτικές Βιωσιμότητας σηματοδοτεί μια κομβική εξέλιξη στον τομέα έρευνας σχετικά την προστασία του περιβάλλοντος και τη διαχείριση πόρων (Nishant et al., 2020). Η παρούσα ανασκόπηση συνθέτει βασική βιβλιογραφία, προσφέροντας γνώσεις σχετικά με τις εφαρμογές Τεχνητής Νοημοσύνης που διαμορφώνουν το μέλλον της βιώσιμης ανάπτυξης. Οι σημαντικότερες θεματικές ενδιαφέροντος οι οποίες αναδείχθηκαν στα πλαίσια διεξαγωγής της παρούσας βιβλιογραφικής έρευνας καταγράφονται προσεχώς ανά θεματική ενδιαφέροντος.
AI και Αειφόρα Ενεργειακά Συστήματα
Οι τεχνολογίες Τεχνητής Νοημοσύνης, συμπεριλαμβανομένης της μηχανικής μάθησης και της προγνωστικής ανάλυσης, φέρνουν επανάσταση στα ενεργειακά συστήματα, ενισχύουν την απόδοση και μειώνουν τις εκπομπές ρυπογόνων αερίων (Chen et al., 2023). Η Τεχνητή Νοημοσύνη διαδραματίζει καθοριστικό ρόλο στη βελτιστοποίηση της παραγωγής αιολικής ενέργειας, όπου οι αλγόριθμοι μηχανικής μάθησης χρησιμοποιούνται για την πρόβλεψη των μοτίβων ανέμου και τη βελτιστοποίηση της απόδοσης των ανεμογεννητριών για την επίτευξη της μέγιστη παραγωγή ενέργειας (Qureshi et al., 2023). Για παράδειγμα, το σύστημα DeepMind της Google εργαλειοποίησε την εφαρμογή νευρωνικών δικτύων για την πρόβλεψη των ενεργειακών απαιτήσεων κατανάλωσης συγκεκριμένου ενεργειακού δικτύου, επιτυγχάνοντας με τον τρόπο αυτό την ακριβή πρόβλεψη της συνολικής απαιτούμενης αιολικής ενέργειας κατά 36 ώρες νωρίτερα σε σχέση με τα συμβατικά λογισμικά πρόβλεψης, μειώνοντας έτσι το συνολικό κόστος της παραχθείσας αιολικής ενέργειας κατά περίπου 20% σε συνθήκες πραγματικής εφαρμογής (Wang et al., 2021).
Διαχείριση και Ανακύκλωση Απορριμμάτων
Η ιστορική προοπτική της ανάπτυξης της τεχνητής νοημοσύνης στον ενεργειακό τομέα από το 1950 έως το 2022, (Πηγή: Danish, M. S. S. (2023, May 12). AI in Energy: Overcoming Unforeseen Obstacles. AI, 4(2), 406–425. https://doi.org/10.3390/ai4020022)
Η Τεχνητή Νοημοσύνη παίζει σημαντικό ρόλο τόσο στην αυτοματοποίηση της διαλογής απορριμμάτων και των διαδικασιών ανακύκλωσης, όσο και στη βελτίωση της αποδοτικότητας μετατροπής των αποβλήτων σε ενέργεια (Fang et al., 2023). Ρομπότ τα οποία ενσωματώνουν τεχνολογίες Τεχνητής Νοημοσύνης, όπως αυτά που αναπτύχθηκαν από την εταιρεία AMP Robotics, χρησιμοποιούνται για τη διαλογή των απορριμμάτων επιδεικνύοντας υψηλή ακρίβεια και ταχύτητα, βελτιώνοντας με την επαυξημένη επάρκειά τους σημαντικά τα ποσοστά ανακύκλωσης (AMP Robotics, 2023). Αυτά τα ρομπότ χρησιμοποιούν αλγόριθμους μηχανικής μάθησης και υπολογιστική όραση για την αναγνώριση, την επιλογή και την ταξινόμηση διαφόρων απορριμμάτων, βελτιώνοντας την αποδοτικότητα και την αποτελεσματικότητα των συστημάτων διαχείρισης απορριμμάτων (AMP Robotics, 2023).
Χρήση Τεχνητής Νοημοσύνης και Ρομπότ ανακύκλωσης της εταιρεία AMP Robotics σε ρεύμα επεξεργασίας και διαλογής απορριμάτων, (Πηγή: Analytic Sight. (2023). Ανακτήθηκε από https://www.analyticsinsight.net/how-recycling-robots-are-transforming-the-waste-management-industry/)
AI στη Μοντελοποίηση και την Κλιματική/Μετεωρολογική Πρόβλεψη
Οι προγνωστικές ικανότητες της Τεχνητής Νοημοσύνης ενισχύουν την ακρίβεια των κλιματικών μοντέλων, προσφέροντας πληροφορίες για τις επιπτώσεις της κλιματικής αλλαγής και τις στρατηγικές προσαρμογής (Jain et al., 2023). Η Τεχνητή Νοημοσύνη έχει συμβάλει καθοριστικά στη βελτίωση της ακρίβειας της μοντελοποίησης του κλίματος, όπως αποδεικνύεται από τη χρήση αλγορίθμων μηχανικής μάθησης για την ανάλυση σύνθετων κλιματικών δεδομένων και την παροχή ακριβέστερων προβλέψεων για τα καιρικά μοτίβα και τις επιπτώσεις της κλιματικής αλλαγής (Vázquez-Ramírez et al., 2023). Για παράδειγμα, τεχνικές βαθιάς μάθησης έχουν χρησιμοποιηθεί για τη βελτίωση της πρόβλεψης ακραίων καιρικών φαινομένων, προσφέροντας πολύτιμες γνώσεις για την ετοιμότητα και τον μετριασμό των καταστροφών (Fang et al., 2021).
Πρόβλεψη από το σύστημα Πιθανοτήτων Μηχανικής Μάθησης του Κρατικού Πανεπιστημίου του Κολοράντο για το ξέσπασμα των έντονων καιρικών φαινομένων στις 15 Δεκεμβρίου 2021, στις Μεσοδυτικές ΗΠΑ. Τα πάνελ απεικονίζουν την εξέλιξη της πρόγνωσης από οκτώ ημέρες πριν (κάτω δεξιά) σε τρεις ημέρες πριν (πάνω αριστερά), μαζί με αναφορές για έντονα καιρικά φαινόμενα (ανεμοστρόβιλοι με κόκκινο, χαλάζι σε πράσινο, καταστροφικός άνεμος με μπλε), (Πηγή: The conversation, 2023).
Η Τεχνητή Νοημοσύνη απάντηση στις περιβαλλοντικές προκλήσεις
Η ενσωμάτωση της Τεχνητής Νοημοσύνης σε πρωτοβουλίες και σε πρακτικές σχετικές με τη Βιωσιμότητα προσφέρει άνευ προηγουμένου ευκαιρίες για την αντιμετώπιση πολύπλοκων περιβαλλοντικών προκλήσεων. Με την αξιοποίηση της νέας αυτής τεχνολογίας απλοποιείται σημαντικά η εξεύρεση ουσιαστικών και αποτελεσματικών λύσεων σε έναν νευραλγικό τομέα που απασχολεί καθ’ όλα τη σύγχρονη πραγματικότητα σε κάθε πτυχή της ζωής του ανθρώπου.
Ωστόσο, η ενσωμάτωση της Τεχνητής Νοημοσύνης θα πρέπει να συνοδεύεται επίσης από την ανάπτυξη δεοντολογικών κατευθυντήριων γραμμών σε θέματα Βιωσιμότητας, διερευνώντας την ισορροπία μεταξύ της τεχνολογικής καινοτομίας και των ηθικών κριτηρίων, διαμορφώνοντας με τον τρόπο αυτό το κατάλληλο περιβάλλον για την επαρκέστερη και την αποδοτικότερη ενσωμάτωση της νέας τεχνολογίας σε υφιστάμενες και νέες πρακτικές διατήρησης του περιβάλλοντος.
Πηγές:
AMP Robotics – Recycling Reimagined. (2023). AMP Robotics. https://www.amprobotics.com/
Chen, L., Chen, Z., Zhang, Y., Liu, Y., Osman, A. I., Farghali, M., Hua, J., Al-Fatesh, A., Ihara, I., Rooney, D. W., & Yap, P. S. (2023, June 13). Artificial intelligence-based solutions for climate change: a review. Environmental Chemistry Letters, 21(5), 2525–2557. https://doi.org/10.1007/s10311-023-01617-y
Fan, Z., Yan, Z., & Wen, S. (2023, September 8). Deep Learning and Artificial Intelligence in Sustainability: A Review of SDGs, Renewable Energy, and Environmental Health. Sustainability; Multidisciplinary Digital Publishing Institute. https://doi.org/10.3390/su151813493
Fang, B., Yu, J., Chen, Z., Osman, A. I., Farghali, M., Ihara, I., Hamza, E. H., Rooney, D. W., & Yap, P. S. (2023, May 9). Artificial intelligence for waste management in smart cities: a review. Environmental Chemistry Letters, 21(4), 1959–1989. https://doi.org/10.1007/s10311-023-01604-3
Fang, W., Xue, Q., Shen, L., & Sheng, V. S. (2021, May 21). Survey on the Application of Deep Learning in Extreme Weather Prediction. Atmosphere, 12(6), 661. https://doi.org/10.3390/atmos12060661
Jain, H., Dhupper, R., Shrivastava, A., Kumar, D., & Kumari, M. (2023, July 17). AI-enabled strategies for climate change adaptation: protecting communities, infrastructure, and businesses from the impacts of climate change. Computational Urban Science, 3(1). https://doi.org/10.1007/s43762-023-00100-2
Nishant, R., Kennedy, M., & Corbett, J. (2020, August). Artificial intelligence for sustainability: Challenges, opportunities, and a research agenda. International Journal of Information Management, 53, 102104. https://doi.org/10.1016/j.ijinfomgt.2020.102104
Qureshi, S., Shaikh, F., Kumar, L., Ali, F., Awais, M., & Gürel, A. E. (2023, April). Short-term forecasting of wind power generation using artificial intelligence. Environmental Challenges, 11, 100722. https://doi.org/10.1016/j.envc.2023.100722
Vázquez-Ramírez, S., Torres-Ruiz, M., Quintero, R., Chui, K. T., & Guzmán Sánchez-Mejorada, C. (2023, July 11). An Analysis of Climate Change Based on Machine Learning and an Endoreversible Model. Mathematics, 11(14), 3060. https://doi.org/10.3390/math11143060
Wang, Y., Zou, R., Liu, F., Zhang, L., & Liu, Q. (2021, December). A review of wind speed and wind power forecasting with deep neural networks. Applied Energy, 304, 117766. https://doi.org/10.1016/j.apenergy.2021.117766