Примерное время чтения: 11 мин.
В современном мире больших данных происходит стремительная трансформация, при которой искусственный интеллект в различных сферах радикально влияет на характер работы специалистов, высвобождая время для более сложных, творческих и стратегических задач. Экологическая и природоохранная деятельность — не исключение. Гриниум представляет обзор успешных мировых практик внедрения машинных алгоритмов в работу природоохранных ведомств, промышленных предприятий и бизнес-компаний.
В 2022 году Программа ООН по окружающей среде запустила систему Methane Alert and Response System, которая анализирует данные, поступающие с более чем 30 спутниковых аппаратов, включая европейские спутники Sentinel и американские Landsat, обрабатывает панорамные снимки с разрешением до 20 метров на пиксель. Это позволяет анализировать в 12-15 раз больше спутниковых данных. Более того, специально обученные модели искусственного интеллекта отфильтровывают облачность, отражения от почвы и природные помехи, определяя шлейфы выбросов.
Всего за время работы Methane Alert and Response System удалось выявить источники с суммарным выбросом порядка 1,2 млн тонн метана. В настоящее время система способна анализировать данные не только нефтегазовой отрасли, но и угольного сектора, а также сферы обращения с отходами, где крупные свалки генерируют до 20% антропогенного метана.
При этом наиболее важный показатель работы системы связан не с количеством обнаруженных точек, а с показателем реакции, так как спутниковый сигнал сам по себе не доказывает состав нарушения и не перекрывает вентиль, но указывает на участок, требующий внимания.
Одним из наиболее ярких примеров эффективности данной системы стало обнаружение многолетней метановой утечки на одном из объектов в Алжире. Ее устранение позволило достичь экологического эффекта, эквивалентного выводу из эксплуатации полумиллиона автомобилей с двигателем внутреннего сгорания.
По данным отчетов ООН и Международного энергетического агентства, за последние годы ликвидация крупных утечек сэкономила операторам более $200 миллионов, а сами ремонтные работы в 45% случаев окупаются за первые две недели за счет сбереженного и проданного природного газа. Устранение одного крупного свища экономит компании от $200 тысяч до $1,2 млн незапланированных потерь.
Однако из тысяч зафиксированных инцидентов реальные ремонтные работы на земле пока подтверждаются примерно в 13% случаев, что смещает фокус внимания с алгоритмов на важность разработки жестких регламентов.
Похожая логика развивается в государственном экологическом надзоре. Организация экономического сотрудничества и развития опубликовала детальное исследование цифровых решений для риск-ориентированных инспекций в Италии, а параллельный опыт показывает масштабную трансформацию органов контроля в Великобритании и США.
При традиционной модели инспектирование проводилось планово и во многом «вслепую». Еще пять лет назад в британском Экологическом агентстве Environment Agency на подготовку к выезду и анализ документов по одному заводу у инспектора уходило до сорока рабочих часов, и один выезд с учетом логистики и лаборатории стоил до 1,5 тысячи фунтов стерлингов. При этом доля проверок, на которых реально находили нарушения, составляла всего 12-15%.
Сегодня ИИ-алгоритмы способны агрегировать более 20 государственных баз данных, историю прошлых нарушений, маркеры отклонений в налоговой отчетности, объемы закупок химикатов и спутниковые снимки, формируя динамический профиль риска предприятия всего за пятнадцать минут.
Важно, что это позволяет государственным органам сконцентрироваться на объектах с высоким уровнем риска, а бизнесу освободиться от административного давления и снизить для добросовестных компаний количество проверок на 28%. Если говорить о реальных нарушениях, то в Великобритании их выявляемость на объектах высокого риска выросла с 12% до 78%, что увеличило сумму взысканного ущерба и собранных штрафов с 8 до 27 миллионов фунтов стерлингов в год. В американском Агентстве по охране окружающей среды EPA автоматизация анализа данных качества воздуха сократила время выявления незаконных выбросов с 90 дней до 48 часов.
В промышленном секторе один из самых известных измеримых результатов применения алгоритмов связан с управлением системами охлаждения дата-центров компании Google. Если раньше инженерные системы работали на максимальной мощности с постоянным запасом, то алгоритм машинного обучения DeepMind анализирует тысячи показателей внутренних датчиков температуры, мощности, давления и влажности. Оптимизация режимов работы позволяет регулировать потребление энергии, необходимой для охлаждения, следовательно, экономить десятки миллионов долларов на энергозатратах.
Однако развитие нейросетей в свою очередь требует огромных вычислительных мощностей. По оценкам Международного энергетического агентства, глобальное энергопотребление дата-центров уже превысило 415 тераватт-часов и при текущих темпах роста в ближайшие три года может увеличиться вдвое.
К примеру, среднестатистический текстовый запрос Gemini Apps требует 0.24 ватт-часа энергии и около 0,26 миллилитра воды для охлаждения серверов. За год благодаря повышению эффективности программного обеспечения и микросхем энергоёмкость такого запроса уже сократилась в 33 раза, а углеродный след уменьшился в 44 раза.
Все это доказывает необходимость оценивать технологии через жесткий баланс ресурсов, которые алгоритм помогает сэкономить в производстве, и ресурсов, которые требуются для работы цифровых серверов.
В тяжелой промышленности прямой экономический и экологический эффект часто возникает за счет своевременного технического обслуживания оборудования. Раньше машины ремонтировали по жесткому календарному графику или по факту аварии. Сегодня внезапная остановка и повторный пуск сложного агрегата на химическом заводе, металлургическом комбинате или НПЗ может привести к залповым выбросам загрязняющих веществ, некондиционными отходами сырья и ростом энергозатрат на разогрев систем, не говоря о потере компаниями до $100 тысяч за каждый час простоя.
После того, как американская целлюлозно-бумажная компания Domtar оснастила производственные линии сотнями датчиков вибрации, температуры и ультразвука, анализ данных стал способен предупреждать о появлении микротрещин и износе оборудования за 72 часа до возникновения поломки. Это уже помогло предприятию избежать более 1,5 тысяч часов незапланированных простоев за год и сберегло компании более $75 миллионов прямых потерь.
Аналогичные результаты демонстрирует мировой гигант французского энергомашиностроения Schneider Electric. Оптимизация работы компрессоров, насосов и систем вентиляции снижает общее потребление электроэнергии фабриками на 10-30%, сокращая операционные расходы предприятий на сотни тысяч долларов ежегодно. По оценкам международной консалтинговой компании McKinsey, применение предиктивного обслуживания в тяжелой промышленности снижает затраты на техническое обслуживание на 39%, уменьшает время простоев оборудования на 35-50% и продлевает срок службы машин на 20-40%.
Журнал Building and Environment рассказал о выводах, сделанных в результате исследований автоматической системы контроля электрического оборудования на базе Интернета вещей. В ходе эксперимента автоматизация одного узла сократила его энергопотребление примерно на 24%, а полная автоматизация уменьшила время работы двигателя в холостом режиме со 100 до 9 минут. Эквивалентные выбросы углекислого газа в эксперименте сократились на 82%, что окупает установку умных датчиков всего за три месяца работы. Это наглядно показывает, что колоссальный объем ресурсов расходуется из-за того, что оборудование продолжает работать на полную мощность, когда такая необходимость уже исчезла.
Исследования, проведенные в 30 развитых странах за последние 20 лет, выявили, что увеличение показателя накопленного капитала в сфере искусственного интеллекта на 10% приводит к снижению выбросов углекислого газа на 1,95-8,8%. Для потребительских выбросов оценка составила снижение 0,42-8,93%. Да, внедрение технологий требует строительства серверов, прокладки сетей и производства оборудования, что на начальном этапе вызывает локальный рост энергопотребления. Но когда алгоритмы начинают работать в масштабах всей страны, то экологический и экономический эффект становятся очевидными.
Мы являемся свидетелями того, как ИИ постепенно забирает на себя часть задач, которые раньше занимали у эксперта часы: обработку массивов данных, поиск закономерностей, сопоставление документов, первичный анализ и рутинные операции. Высвободившееся время специалист может направить на то, что требует профессионального опыта: оценку рисков, проверку результатов, анализ контекста и принятие решений.
Но в сфере экологического контроля цена ошибки слишком высока, чтобы передавать алгоритму окончательное решение. ИИ может показать, где искать и на что обратить внимание. Эксперт определяет, что означает полученный сигнал и какие действия за ним должны последовать. По мере развития технологий ценность специалиста не исчезает. Меняется структура его работы: чем меньше времени уходит на обработку информации, тем больше остаётся на экспертизу.
Материалы на тему:
Искусственный интеллект в экологии: история, практика и перспективы
Дата-центры и планета: баланс между прогрессом и экологией
Симбиоз человеческого интеллекта и машинного обучения
Москва
