ISCRIVITI ALLA NOSTRA NEWSLETTER

Ricevi gli ultimi aggiornamenti dal mondo Pictet!

Trasformazione Digitale

Il machine learning può predire il futuro del pianeta

Luglio 2021

L'apprendimento automatico sta facendo continui passi avanti verso una relazione sempre più stretta tra dati, mondo fisico e capacità predittive.

Dati, capacità di analisi, apprendimento automatico, intelligenza artificiale: la tecnologia è uno strumento, che può essere applicato in settori e obiettivi di versi. Uno dei più urgenti è la salvaguardia dell'ambiente. Insegnare alle macchine come funziona il mondo fisico aiuta infatti a prevedere cosa potrebbe succedere nei prossimi anni, supportando così le scelte migliori.

Il legame tra dati e ambiente

Il machine learning (apprendimento automatico) è un segmento dell'intelligenza artificiale che si nutre di dati, li elabora e, grazie agli algoritmi, attiva o suggerisce delle azioni. C'è il machine learning dietro l'individuazione delle mail di spam o nelle raccomandazioni dei film da guardare sulle piattaforme in streaming. Lo stesso principio, in modo molto più complesso, può essere applicato all'ambiente e al pianeta.

 

Durante l'International Conference on Data Mining 2021, un team di ricercatori dell'Università del Minnesota, dell'Università di Pittsburgh e della US Geological Survey ha presentato uno studio sulla capacità di prevedere flusso e temperature delle reti fluviali. Il modello elaborato permette di avere previsioni anche quando i dati a disposizione, come spesso accade per fiumi e torrenti, sono scarsi. Il machine learning ha infatti bisogno di una grande quantità di informazioni, selezionate in modo accurato. Rendere l'apprendimento automatico efficiente anche quando il volume di dati è minore rappresenta una sfida fondamentale, specie in un sistema complesso come la Terra.

Prevedere flusso e temperature dei fiumi con il machine learning

Lo studio si è concentrato sulla temperatura dei corsi d'acqua perché rappresenta una variabile centrale nell'equilibrio degli habitat, nei tassi di evaporazione, nella produzione di energia termoelettrica. “Prevedere in modo accurato la temperatura dell'acqua e la portata – ha spiegato Xiaowei Jia, professore del Dipartimento di Informatica dell'Università di Pittsburgh – supporta il processo decisionale dei gestori delle risorse, aiutandoli ad esempio a determinare quando e quanta acqua rilasciare dai bacini idrici ai fiumi a valle”.

 

Al machine learning si muove spesso una critica: la capacità di individuare una correlazione tra input e output non trova sempre efficacia nel mondo fisico. Si tratta di un problema reale, soprattutto quando i dati non sono sufficienti. Lo studio prova a superare questo ostacolo con un apprendimento automatico “guidato dalla conoscenza” (nowledge-guided machine learning). In sostanza, specifiche e approfondite conoscenze scientifiche fanno da base per lo sviluppo dell'algoritmo, consentendo così di ottenere previsioni efficienti anche quando i dati sono pochi o addirittura assenti.

Machine learning: l'applicazione sugli "ecosistemi non monitorati"

Lo studio americano è stato applicato al bacino del fiume Delaware, in modo da gestire meglio la distribuzione di acqua potabile a 15 milioni di persone e garantire una temperatura favorevole agli habitat di specie fluviali. Ma lo stesso approccio si dimostra efficace anche in sistemi di scala ridotta. Un altro studio, finanziato dalla National Science Foundation, ha mostrato come modelli di apprendimento automatico “basati sulla conoscenza” siano utili per formulare previsioni anche all'interno di ecosistemi (in questo caso laghi) “non monitorati”, cioè privi di rilevazioni e dati. Come? Sono stati applicati modelli elaborati a partire da altri ecosistemi lacustri. L'approccio mostra quindi grande capacità di adattamento, consentendo di applicare le potenzialità del machine learning a una porzione crescente di mondo fisico. Fiumi e laghi sono infatti solo un esempio di come un uso sapiente dei dati possa fare bene al pianeta.