Google und AWS nutzen die Leistungsfähigkeit des maschinellen Lernens, um Überschwemmungen und Brände vorherzusagen
Kann maschinelles Lernen von Tech-Giganten der Welt helfen, besser auf Umweltkatastrophen wie plötzliche Überschwemmungen und Buschbrände zu reagieren?
Dies ist ein modales Fenster.
Beginn des Dialogfensters. Escape bricht das Fenster ab und schließt es.
Ende des Dialogfensters.
Dies ist ein modales Fenster. Dieses Modal kann durch Drücken der Escape-Taste oder Aktivieren der Schließen-Taste geschlossen werden.
Dies ist ein modales Fenster. Dieses Modal kann durch Drücken der Escape-Taste oder Aktivieren der Schließen-Taste geschlossen werden.
Google und Amazon Web Services (AWS) haben ihre jeweilige Arbeit an Modellen des maschinellen Lernens (ML) hervorgehoben, die Nationen dabei helfen können, mit Umweltkrisen umzugehen, die weltweit immer regelmäßiger auftreten.
Die Unternehmen unterstrichen ihre Bemühungen zur Bekämpfung der Auswirkungen des Klimawandels wie Überschwemmungen und Waldbrände zum Abschluss der UN-Klimakonferenz UK 2021 (COP26) in dieser Woche.
Hochwasser
Google hat ein nicht von Experten begutachtetes Papier über sein Hochwasservorhersagesystem mit maschinellen Lernmodellen veröffentlicht, von denen es behauptet, dass sie "genaue Echtzeit-Hochwasserwarnungen für Behörden und die Öffentlichkeit liefern, mit Schwerpunkt auf Flussüberschwemmungen in großen, gemessenen Flüssen". Das Papier wurde von Forschern von Google Research und der Hebräischen Universität Jerusalem in Israel verfasst.
SIEHE: Bericht zeigt erschreckendes Desinteresse an ethischer, verantwortungsvollem Umgang mit KI bei Führungskräften
Die 2018 gestartete Initiative von Google zur Hochwasservorhersage sendet Warnungen von Menschen in von Überschwemmungen betroffenen Gebieten an Smartphones. Es ist Teil des Krisenreaktionsprogramms von Google, das mit Mitarbeitern an vorderster Front und Rettungskräften zusammenarbeitet, um Technologie zu entwickeln.
Seit 2018 hat sich das Programm auf einen Großteil Indiens und Bangladeschs ausgeweitet und umfasst ein Gebiet mit rund 220 Millionen Einwohnern. Ab der Monsunzeit 2021 hat sich diese auf ein Gebiet ausgeweitet, in dem 360 Millionen Menschen leben.
"Dank einer besseren Technologie zur Vorhersage von Überschwemmungen haben wir über 115 Millionen Warnungen verschickt - das ist etwa dreimal so viel wie zuvor", sagt Yossi Matias, Vice President Engineering and Crisis Response Lead bei Google, in einem Blogpost.
Die Alerts von Google zeigen nicht nur an, um wie viele Zentimeter ein Fluss ansteigen wird. Dank seiner neuen maschinellen Lernmodelle, die tiefe neuronale Netze des Long Short-Term Memory (LTSM) verwenden, kann es jetzt "Überschwemmungskarten" bereitstellen, die das Ausmaß und die Tiefe von Überschwemmungen als Schicht auf Google Maps anzeigen.
Die Forscher behaupten, dass "LSTM-Modelle besser abschnitten als konzeptionelle Modelle, die auf lange Datensätze in jedem Becken kalibriert wurden".
"Während frühere Studien ermutigende Ergebnisse lieferten, ist es selten, tatsächliche Betriebssysteme mit ML-Modellen als Kernkomponenten zu finden, die in der Lage sind, zeitnahe und genaue Hochwasserwarnungen zu berechnen", sagten die Forscher von Google.
Brände
AWS hat in der Zwischenzeit mit AusNet, einem Energieunternehmen mit Sitz in Melbourne, Australien, zusammengearbeitet, um die Buschbrände in der Region einzudämmen.
AusNet verfügt über 54.000 Kilometer Stromleitungen, die rund 1,5 Millionen Haushalte und Unternehmen in Victoria mit Energie versorgen. Es wird geschätzt, dass sich 62 % des Netzes in Gebieten mit hohem Buschbrandrisiko befinden.
AusNet hat Autos verwendet, die mit LiDAR-Kameras im Google Maps-Stil und maschinellem Lernen von Amazon SageMaker ausgestattet sind, um die Vegetationsgebiete des Bundesstaates zu kartieren, die beschnitten werden müssen, um die Gefahr von Buschbränden einzudämmen. Das vorherige System stützte sich auf ein GIS (Geographic Information System) und verwendete benutzerdefinierte Werkzeuge zur Beschriftung von LiDAR-Punkten.
AusNet arbeitete mit AWS zusammen, um die Klassifizierung von LiDAR-Punkten zu automatisieren, indem es die von AWS verwalteten Deep-Learning-Modelle, GPU-Instances und S3-Speicher verwendete.
AusNet und AWS haben ein semantisches Segmentierungsmodell entwickelt, das 3D-Punktwolkendaten für Leiter, Gebäude, Masten, Vegetation und andere Kategorien genau klassifiziert AWS in einem Blogpost feststellt.
SIEHE: Was ist digitale Transformation? Alles, was Sie darüber wissen müssen, wie Technologie das Geschäft umgestaltet
"Das Team war in der Lage, ein Modell mit einer Rate von 10,8 Minuten pro Epoche mit 17,2 GiB unkomprimierten Daten in 1.571 Dateien mit insgesamt etwa 616 Millionen Punkten zu trainieren. Für die Inferenz war das Team in der Lage, 33,6 GiB an unkomprimierten Daten in 15 Dateien mit insgesamt 1,2 Milliarden Punkten in 22,1 Stunden zu verarbeiten. Dies entspricht einer Inferenz von durchschnittlich 15.760 Punkten pro Sekunde einschließlich amortisierter Startzeit", so AWS.
"Die Möglichkeit, unsere Luftvermessungsdaten schnell und genau zu beschriften, ist ein entscheidender Faktor für die Minimierung des Risikos von Buschbränden", sagt Daniel Pendlebury, Produktmanager bei AusNet.
"In Zusammenarbeit mit dem Amazon Machine Learning Solutions Lab konnten wir ein Modell erstellen, das eine mittlere Genauigkeit von 80,53 % bei der Datenkennzeichnung erreichte. Wir gehen davon aus, dass wir mit der neuen Lösung unseren manuellen Etikettierungsaufwand um bis zu 80 % reduzieren können."