211service.com
Kan maskinlæring hjælpe med at løfte Kinas smog?
Fra gaden, gennem Beijings tunge smog, kan det nogle gange være svært at skelne IBMs kinesiske hovedkvarter: en tårnhøj kontorbygning med en karakteristisk bølgende arkitektonisk udstråling og et stort firmalogo øverst.
Men kun et stykke væk, i den nordøstlige udkant af hovedstaden, bruger IBM-dataloger kunstig intelligens til at udvikle, hvad de tror vil være en måde at håndtere Kinas berygtede og kroniske forureningsproblem mere vellykket.
Holdet bruger komplekse computermodeller og maskinlæring til at beregne, hvordan forureningen vil sprede sig over byen. Forskerne kan nu producere forureningsprognoser med en opløsning på en kvadratkilometer op til 10 dage i forvejen.
Disse forudsigelser kan også fortælle regeringen, hvordan den kan handle for at undgå de værste scenarier - for eksempel ved at lukke visse fabrikker eller ved at reducere antallet af biler på vejen.
Hvornår MIT Technology Review besøgte kontorerne IBM Research – Kina sidste november var luften særlig dårlig. Koldt vejr havde øget efterspørgslen efter elektricitet, hvilket tvang nærliggende kulværker til at øge produktionen. Dette, kombineret med det sædvanlige trafikkaos, havde frembragt noget virkelig lunge-svidende smog. Forurening måles i mængden af fine partikler pr. kubikmeter. For en udviklet by anbefaler Verdenssundhedsorganisationen, at dette tal ikke overstiger 25. Under mit besøg nåede det næsten 250. Modelleringssystemet, kaldet Green Horizon, blev brugt til at forudsige spredningen af forurening; men det var ikke klart, om regeringen havde besluttet at begrænse enten fabriksproduktionen eller antallet af biler på vejen. Behovet for opvarmning syntes at opveje de dårlige virkninger.
En dag med kraftig forurening i Beijing, 25. december 2015.
Beijing-projektet, som bruger data fra forureningssensorer rundt omkring i byen, involverer kompleks modellering af både specifikke kilder til forurening og vejr- og luftbevægelser for at forudsige, hvor slem forurening vil være i forskellige kvarterer. Tidligere aflæsninger bruges til at forfine forudsigelser ved hjælp af en tilgang kendt som maskinlæring. Dette gør det muligt at skabe nye forudsigelser fra disse kombinerede faktorer, siger Xiaowei Shen , direktør for IBM Research–Kina.
Alle taler om big data, men vi ved alle, at de traditionelle it-teknologier, vi har udviklet, ikke vil være tilstrækkelige til at håndtere alle big data, siger Xiaowei.
IBM kører komplekse simuleringer af de økonomiske konsekvenser af at lukke fabrikker på grund af forureningsniveauer, siger Jin Dong, en fremtrædende ingeniør hos IBM Research–China og leder af projektet. Forskellige regeringsorganer træffer disse beslutninger.
Den kinesiske regering skal muligvis træffe nogle hårde beslutninger vedrørende energiproduktion for at afbøde både de kortsigtede sundhedsmæssige konsekvenser og de langsigtede klimaeffekter af luftforurening. Sarah Williams , en assisterende professor i MIT's Department of Urban Studies and Planning og direktør for Civic Data Design Lab, som studerede Beijings forureningsproblem under OL i 2008, siger, at IBM's indsats kan være meget værdifuld, hvis den hjælper med at vise den kinesiske regering, hvor begrænset en indvirkning på partikler kan kortsigtede rettelser som at tage fabrikker offline have - og hvor nødvendig mere omfattende miljøregulering kan være.
Medmindre regeringen bruger disse data og datavisualisering til at gennemføre ændringer, vil det have ringe nettofordel, siger Williams.
IBMs modelsystem bliver brugt i to andre kinesiske byer med store forureningsproblemer: Baoding og Zhangjiakou. I mellemtiden bliver relateret teknologi skabt hos IBM brugt til at studere forholdet mellem trafik og forurening i Delhi, Indien, og effektiviteten af luftforureningskontrolforanstaltninger i Johannesburg, Sydafrika.