Обучаем облако видеть Землю | Стивен Брамби | TEDxABQ

Угрозы истощения ресурсов и глобального изменения климата реальны и растут, и последствия будут огромные. Чтобы обезопасить себя и свои семьи, нам нужно знать ответы на некоторые
довольно тяжёлые вопросы: «Сгорит ли лес возле моего дома?» «Кончится ли вода в городе, где я живу?» «Есть ли риск, что местное производство продуктов питания потерпит неудачу?»
То, что нам нужно, — это живой, дышащий атлас мира. Не только карта на данный момент, но карта, которая также включает прошлое, предыдущие годы и десятилетия, и позволяет нам определить ранние признаки изменений. Впервые в истории у нас есть правильная комбинация изображений со спутника, облачных вычислений и технологий машинного обучения, которая позволяет нам создать этот живой атлас. Скоро мы сможем отслеживать паттерны использования и злоупотребления естественными ресурсами по всему миру и лучше понимать, как изменение климата и истощение ресурсов вызывает голод, социальные потрясения и массовую миграцию населения, а также угасание местной экологии.

Это выступление записано на мероприятии TEDx, независимо организованном местным сообществом с использованием формата конференций TED. Подробнее: http://ted.com/tedx

Грохот в дверь.

«Вам нужно выбираться».

В предрассветной тьме

мой сосед колотит во входную дверь,

предупреждая меня, что крупнейший пожар
в истории штата Нью-Мексико приближается

к хранилищу ядерных отходов,

возвышающемуся над единственной дорогой
из города Лос-Аламос, Нью-Мексико.

Через считанные минуты я уже в машине
с небольшими пожитками —

один из тысяч беженцев
на пути в город Альбукерке.

Но такое событие, когда всё оставляешь
позади, может быть освобождающим опытом.

В моём случае это превратило меня

из учёного-теоретика, изучавшего космос,

в учёного-практика,
создающего искусственный интеллект,

который может предупредить нас
об опасности где угодно на Земле.

Опасность приходит в разных формах.

Будучи людьми, мы очень хорошо умеем
распознавать и реагировать

на краткосрочный кризис, как тот пожар.

Но мы, как правило, очень плохо
определяем медленные изменения,

которые указывают на другие типы угроз.

И пока мы беспокоились о терроризме,
войне и экономике,

факт в том,

что истощение ресурсов
и глобальное изменение климата —

это реальные и растущие угрозы,

и последствия будут огромные.

И чтобы обезопасить себя и свои семьи,

нам нужно знать ответы на некоторые
довольно тяжёлые вопросы,

например: «Сгорит ли лес у моего дома?»

«Кончится ли вода в городе, где я живу?»

«Есть ли риск, что местное производство
продуктов питания потерпит неудачу?»

«Нужно ли нам выбираться?»

Нашей базовой технологией для понимания
окружающего мира является карта.

И мы создавали карты с давних времён.

США — самая продвинутая
страна в мире по созданию карт,

но даже мы обновляем эти карты
всего раз в пять лет,

и у нас есть ощущение, что это
слишком медленная скорость изменений

в сравнении со скоростью
изменений в обществе.

За последние шесть лет
мы начали создавать карты

снабжения продуктами в США,

но только для США и только раз в год,

и ничего подобного не существует
для всего остального мира,

где сейчас находится производство пищи,

ведь нам нужно производить еду
для семи миллиардов человек.

То, что нам нужно, — это живой,
дышащий атлас мира,

который постоянно обновляется,
и не только карта на данный момент,

но карта, которая также включает прошлое,
предыдущие годы и десятилетия,

и позволяет нам определить
ранние признаки изменений.

И впервые в истории

у нас действительно есть
правильное сочетание технологий,

чтобы позволить нам создать
такую разновидность карты.

Некоторые компоненты этой технологии
существовали уже давно.

В 1972 г. мы запустили спутник Landsat,

который делал цифровые фотографии
и передавал их обратно на Землю,

и потомки этого спутника
по-прежнему там наверху

фотографируют мир каждый день,
каждую неделю.

Но в 1972 г. лучший суперкомпьютер
в мире выглядел так.

И вот такую одежду носили люди
в национальных лабораториях.

(Смех)

И этот компьютер менее мощный,

чем смартфон, который,
возможно, лежит у вас в кармане.

Поэтому всё, что мы тогда могли сделать, —
это сохранить данные на будущее.

Из цифровых фотографий
был смонтирован фильм,

его положили в холодильник
государственной лаборатории

и хранили там годами и десятилетиями
в ожидании развития компьютеров.

И всего несколько лет назад

правительство США

совместно с некоторыми крупнейшими
интернет-компаниями

передали все эти данные обратно в сеть,

где мы все можем их использовать.

Но фотографий недостаточно.

Необходимо превратить фотографии в карты,

и, к сожалению, в мире недостаточно людей,

которые знают, как создавать карты.

Но существует ещё одна большая технология.

Нам больше не нужно делать это самим.

За последние несколько лет
случился фундаментальный прорыв

в нашей способности
учить компьютеры видеть.

Это системы машинного обучения,
основанные на том, как работает наш мозг,

и концептуально они довольно простые.

Вы начинаете с программы,
которая знает, как менять себя,

вы показываете ей примеры того,
что вы хотите, а что не хотите,

и вы просите её принимать решения.

И если решение правильное,

вы даёте компьютеру эквивалент печеньки.

(Смех)

А если решение неправильное,

вы даёте компьютеру
эквивалент маленького электрического шока.

(Смех)

Да. И после многих циклов тренировки

система учится делать то, что мы хотим.

Когда вы научили одну программу,
как выполнять задание,

вы можете клонировать эту программу

на тысячи компьютеров в интернете —

то, что мы называем облаком.

И эта комбинация
алгоритмов машинного обучения

на тысячах компьютеров

наконец-то может обрабатывать все данные
со спутников, поступающие ежедневно.

Как это выглядит?

Если вы посмотрите на сырые данные
со спутников, поступающие ежедневно,

это полный бардак.

Большие пробелы из-за облаков
и разный шум, который сложно истолковать.

Но если показать
достаточно данных компьютеру,

мы начнём превращать это вот в это.

То, что мы здесь видим, —

это, мы полагаем, первый безоблачный вид
нашего мира в реальном времени.

Здесь мы видим весь штат Айова,

один из самых продуктивных
сельскохозяйственных районов в США,

и мы можем видеть цикл,
как голая почва становится растениями,

которые вызревают, собираются
и снова становятся голой почвой.

И когда показываешь с такой скоростью,

где каждая секунда
включает несколько дней,

мы начинаем смотреть на мир
как на единый организм.

И у спутников есть потенциал
пойти дальше человеческой биологии,

здесь мы смотрим на мир
в инфракрасном диапазоне,

где растения, почва и стройматериалы,
которые мы используем,

имеют характерные цвета,
которые позволяют нам

начать различать предметы,
и не только смотреть на видео,

но начать, к примеру, составлять карту.

Здесь мы научили компьютер

размечать, где находятся поля
по всему штату Канзас.

Можно пойти дальше

и заставить компьютер научиться,

как рассчитывать, сколько пищи получается
с каждого участка земли.

Таким образом, мы впервые

построили систему, которая быстрее,
дешевле и точнее,

чем традиционные ручные технологии

расчёта продовольственных культур в США.

И если вы можете понять
постоянные изменения, как это,

то вы начинаете понимать
некоторые необычные изменения.

Очень сильные грозы с градом,

которые приносят ущерб урожаю
на сотни миллионов долларов,

или масштабные наводнения,

которые ведут к эвакуации
десятков тысяч людей.

И хотя всё это сельское хозяйство,
показанное мною,

выглядит очень впечатляюще,

важно понимать, что в самых
продуктивных сельских районах США

не выращивается пища для людей.

Урожай идёт на этанол
для нашего транспорта

и на корм скоту.

Тем временем наше производство
продуктов питания переехало

в штаты прерий и на сухой Юго-Запад,

где такой масштаб
сельского хозяйства возможен

только из-за существования древнего
водоносного слоя почвы,

который наполнялся дождевой
водой тысячелетиями,

но который мы сейчас выпиваем

с такой скоростью, что вся экосистема
может разрушиться в течение 20 лет.

Системы машинного обучения в облаке,

которые могут в реальном времени
обработать спутниковые данные,

будут искать эти паттерны

использования и злоупотребления
естественными ресурсами по всему миру,

которые являются индикаторами
серьёзных изменений,

которые вызывают
массовую миграцию населения,

голод и угасание местной экологии.

Тот огромный пожар, случившийся в 2000 г.,

был крупнейшим пожаром в своём роде
за предыдущие 50 лет,

но за последние 10 лет с того пожара

он уже даже не попадает в топ 10

только по штату Нью-Мексико.

На самом деле,
когда ещё более крупный пожар

угрожал городу Лос-Аламос снова в 2011 г.,

к счастью, я не был беженцем второй раз.

Между двумя пожарами

мы построили раннюю версию
системы машинного обучения,

которая оценивала риск для леса

и дала мне информацию,
чтобы принять решение

и перевезти семью в город Санта-Фе,
где мы были в безопасности

и могли помочь другим.

Поэтому в скором времени —

хотел бы я сказать вам напоследок, —

когда вы услышите стук в дверь,
предупреждающий об опасности

и призывающий действовать, не удивляйтесь,

если этим добрым самаритянином
окажется искусственный интеллект.

(Аплодисменты)

Спасибо.