Провал за милиони: Глобалната AI база данни за въглеродните емисии греши със зашеметяващите 70%

Отчитането на емисиите на парникови газове е една от най-сложните и амбициозни задачи на съвременната наука. Трилиони долари от държавните бюджети, стратегиите за развитие на големите корпорации и плановете за промяна на цели индустрии зависят от това колко точно изследователите могат да измерят количеството въглероден диоксид, постъпващо в атмосферата. Транспортният сектор заема особено място в тази система: той е отговорен за огромна част от замърсяването, особено в големите градове, а проследяването на милиони движещи се автомобили е много по-трудно от проследяването на една стационарна електроцентрала.

Дълго време събирането на тези данни беше много бавно и зависеше от местните доклади. Но с напредването на технологиите се появи нова концепция: да се използва изкуствен интелект и сателитни изображения за автоматично наблюдение на цялата планета в реално време. Тази идея беше реализирана от коалицията Climate TRACE – проект, който се позиционира като независим източник на най-подробни данни за климатичните емисии. Проектът предоставя информация за десетки хиляди региони и се ползва с доверието на много международни компании.

Само че неотдавнашно проучване на изследователи от Университета на Северна Аризона поставя под съмнение точността на този подход. Изследователите са проверили доколко добре алгоритмите на Climate TRACE оценяват емисиите от автомобилния транспорт в 260 града в САЩ. Оказа се, че данните от сателитния мониторинг се разминават с реалните показатели средно със 70,4%. Това разминаване показва, че съвременните изчислителни модели все още не са в състояние да заменят напълно прякото събиране на физически данни на място.

По какъв начин работят двата различни подхода за оценяване

За да се разбере причината за тази сериозна грешка, е необходимо да се разбере механиката на работа на двете системи за оценяване.

Методологията Climate TRACE разчита изцяло на дистанционно наблюдение и машинно обучение. Сателитите правят снимки на земната повърхност с разделителна способност 10 на 10 метра. Невронна мрежа анализира тези изображения и въз основа на визуалните признаци на развитие се опитва да определи гъстотата на пътната мрежа и интензивността на трафика – т.е. общия пробег на всички автомобили в даден район. След това системата взема получения пробег и го умножава по средния разход на гориво за страната. По този начин се формира крайната стойност на емисиите на въглероден диоксид.

За да проверят тези данни, учените използват проекта Vulcan. Това е подробен научен модел, който се счита за еталон за точността в Съединените щати. За разлика от изкуствения интелект, Vulcan работи с преки физически измервания. Системата събира информация от пътни сензори, които регистрират броя на преминаващите автомобили. Тя интегрира базите данни за регистрация на автомобилите, отчита точната възраст на автомобилния парк във всеки конкретен окръг, действителната скорост на движение и дори влиянието на местната температура на въздуха върху ефективността на двигателя. Точността на модела Vulcan редовно се потвърждава чрез преки измервания на концентрацията на въглерод в атмосферата.

Когато изследователите наложиха резултатите от Climate TRACE върху карта на градовете и ги сравниха с данните от Vulcan, те откриха три системни грешки в алгоритмите за сателитен мониторинг.

Трите системни грешки на изкуствения интелект

Първият и най-голям проблем е свързан с изкуственото коригиране на данните. В първоначалната си версия невронната мрежа Climate TRACE е била доста точна при определянето на самия обем на трафика по пътищата. Но при пускането на актуализацията разработчиците са приложили математически коефициент на мащабиране. Те направили това, за да може сумата от техните данни за градовете да съвпадне с данните от глобалния международен регистър на емисиите. Опитът за приспособяване на местните данни към глобалната статистика доведе до сериозни изкривявания: данните за трафика в определени градове започнаха да се разминават с реалността с повече от 92%. Грешката показа, че глобалното осредняване унищожава точността на ниво отделна община.

Вторият проблем е свързан с изчисляването на разхода на гориво. Climate TRACE прилага един и същ национален стандарт за всички автомобили, независимо къде се движат. Въпреки това разходът на бензин и дизел не може да бъде еднакъв навсякъде. Той зависи от много фактори: терена, гъстотата на светофарите и техническото състояние на автомобилите в даден регион. По данни на Vulcan реалният разход на леките автомобили в градовете е около 11,6 км на литър гориво. Алгоритмите на Climate TRACE използват остарели данни и определят този показател на 8,9 км на литър. Приемайки, че автомобилите изразходват повече гориво, отколкото в действителност, невронната мрежа автоматично и необосновано завишава получените емисии на въглероден диоксид.

Третият критичен недостатък е, че не се взема предвид действителният състав на транспортния поток. Невронната мрежа, анализираща сателитните снимки, не вижда разликата между тежкотоварен камион и компактен лек автомобил. За да заобиколят този проблем, разработчиците на Climate TRACE са вградили в алгоритъма фиксирано съотношение на превозните средства: определен процент винаги се дава на камионите и определен процент – на леките автомобили. Това съотношение се прилага еднакво за всички градове. На практика, което се потвърждава от базите данни на Vulcan, съставът на автомобилния парк се различава драстично в отделните региони. В индустриалните зони концентрацията на камиони е многократно по-висока, отколкото в спалните комплекси и финансовите центрове. Тъй като тежкотоварните превозни средства отделят значително повече емисии, твърдата математическа пропорция изкривява реалната картина на замърсяването.

Ограниченията на машинното зрение

Проучването разкри и чисто техническите ограничения на сателитния мониторинг. Оказа се, че качеството на работата на алгоритъма пряко зависи от вида на сградите, които той анализира. Изкуственият интелект е обучен върху изображения на гъста градска среда, в която преобладават асфалта и бетона. Когато невронната мрежа започва да анализира предградията и покрайнините, където има повече открити площи, дървета и насипни сгради, тя губи точност. Спектралните характеристики на изображението се променят и алгоритъмът системно подценява броя на пътищата и автомобилите в такива райони.

Отделно притеснение за учените е фактът, че невронната мрежа Climate TRACE е обучена изключително върху данни от пътни мрежи в САЩ. Авторите на изследването предупреждават: ако този модел се приложи в страни с напълно различна транспортна инфраструктура, стандарти за градско планиране и култура на шофиране, грешката в изчисленията може да се увеличи многократно.

Значението за екологичната политика

Желанието да се създаде напълно автоматизирана система за наблюдение на състоянието на планетата е разбираемо. Технологиите за дистанционно наблюдение имат огромен потенциал и могат да осигурят независими оценки там, където държавите или корпорациите може да крият реални данни за своите емисии.

Докладът на Университета на Северна Аризона обаче улавя един важен факт: на този етап от развитието на технологиите изкуственият интелект не може да компенсира липсата на подробна физическа информация. Процентът на грешките от 70% прави данните неподходящи за сериозно планиране на местно ниво.

Ако градската управа разработи план за намаляване на емисиите въз основа на изкривени алгоритмични данни, тя може да вземе погрешни решения. Финансирането ще бъде изразходвано за борба с несъществуващи проблеми, докато истинските източници на замърсяване ще останат без внимание. Управлението на околната среда изисква максимална точност, която може да бъде постигната само чрез подробно интегриране на сателитните наблюдения с базите данни, събрани на място. Експертите подчертават, че изкуственият интелект остава мощен инструмент, но той не може изцяло да замени суровите емпирични данни