Репортаж от Wedoany，Исследовательская группа Вашингтонского университета разработала систему искусственного интеллекта, способную автоматически оценивать воздействие на окружающую среду различных электронных устройств на этапе производства. Система использует несколько ИИ-агентов (программ, автономно выполняющих задачи) для сбора информации из открытых данных и проведения оценки жизненного цикла (LCA), при этом средняя погрешность составляет от 5% до 19%, что сопоставимо с точностью LCA, выполненной экспертами-людьми. Результаты исследования были опубликованы 12 июня в научном журнале Nature Electronics.
Исследование показывает, что потребители готовы платить больше за более устойчивые устройства, однако получение подробных данных о воздействии электроники на окружающую среду в настоящее время крайне затруднительно. Например, смартфон состоит из сотен чипов и других компонентов, выбросы при производстве каждого из которых различаются, причем эти данные часто не публикуются или даже не измеряются. Эксперту-человеку может потребоваться от нескольких дней до нескольких месяцев, чтобы вручную собрать информацию, необходимую для LCA. Разработанные исследовательской группой несколько ИИ-агентов могут работать совместно, автоматически извлекая информацию об электронных компонентах из описаний продуктов, изображений и файлов, и выдавать сопоставимые результаты оценки примерно за одну минуту.
Система использует два ИИ-агента для моделирования различных ролей в процессе LCA. Один выступает в роли аналитика, определяя необходимую информацию и способы ее интеграции, а также проверяя точность результатов; другой — в роли инженера, извлекая информацию о компонентах электронных устройств из открытых данных, включая фильтрацию электронных таблиц, поиск внутренних изображений устройств для получения данных о чипах, причем источники данных включают даже нетрадиционные каналы, такие как база данных FCC и сообщения на iFixit. Два агента работают циклически, пока первый агент не подтвердит полноту информации, после чего, обращаясь к базе данных LCA, преобразует список компонентов в оценку выбросов углерода.
Команда также разработала метод «ближайшего соседа», позволяющий оценить углеродный след напрямую, минуя сбор подробных данных. Для распространенных устройств, таких как ноутбуки и смартфоны, по которым уже имеются публичные отчеты об углеродном следе, они обнаружили, что продукты со схожими характеристиками, такими как размер экрана и процессор, имеют близкие значения углеродного следа. Таким образом, углеродный след неизвестного устройства может быть представлен как средневзвешенное значение аналогичных продуктов. Этот метод также применим для оценки материалов, не включенных в базу данных LCA, например, новые виды устойчивого пластика могут быть оценены на основе пластиков со схожими свойствами и химической структурой. В ходе тестирования средняя погрешность этого метода составила 23%, в то время как у экспертов-людей она достигла 143%.
Исследовательская группа подчеркивает, что система предназначена для помощи в общем сокращении выбросов углерода, однако работа самой модели ИИ требует энергии. Для этого они приняли ряд мер по снижению воздействия, включая использование небольших моделей ИИ с более низким энергопотреблением по сравнению с универсальными моделями, а также предотвращение повторных вычислений путем предварительного запроса существующих оценок выбросов. Если системе действительно требуется вызвать модель ИИ, то в настоящее время выбросы углерода от оценки углеродного следа одного устройства примерно равны выбросам от заваривания одной чашки чая. Команда планирует в будущем сотрудничать с компаниями, чтобы помочь автоматизировать их рабочие процессы.
Старший автор исследования, доцент Школы компьютерных наук и инженерии имени Пола Г. Аллена Вашингтонского университета Викрам Айер (Vikram Iyer) отметил, что люди готовы платить более высокую цену за более устойчивые устройства, но такие продукты, как смартфоны, состоят из сотен чипов и других компонентов, данные о выбросах при производстве каждого из которых не публикуются и труднодоступны, и эксперту-человеку может потребоваться от нескольких дней до нескольких месяцев для ручного сбора, в то время как разработанные ими несколько ИИ-агентов могут работать совместно и завершить оценку за одну минуту. Первый автор, аспирант Школы Аллена Чжихань Чжан (Zhihan Zhang) рассказал, что они опросили экспертов по LCA и построили систему для моделирования процесса взаимодействия. В число других соавторов входят: Александр Мецгер (Alexander Metzger), Феликс Хенляйн (Felix Hähnlein), Закари Энглхардт (Zachary Englhardt), Шветак Патель (Shwetak Patel) из Школы Аллена Вашингтонского университета; Юсюань Мэй (Yuxuan Mei) из колледжа Уэллсли (на момент проведения исследования была аспиранткой Школы Аллена Вашингтонского университета); Тинюй Чэн (Tingyu Cheng) из Университета Нотр-Дам; Грегори Д. Эбоуд (Gregory D. Abowd) из Северо-Восточного университета; а также Адриана Шульц (Adriana Schulz) из Брауновского университета (на момент проведения исследования была доцентом Школы Аллена Вашингтонского университета). Данное исследование финансировалось за счет грантов Amazon Research Awards и Национального научного фонда (National Science Foundation), а Чжан получил поддержку в рамках стипендии Google PhD Fellowship.
Данный материал скомпилирован платформой Wedoany. При цитировании материалов, созданных с помощью искусственного интеллекта (ИИ), необходимо обязательно указывать источник — «Wedoany». В случае выявления нарушения прав или иных проблем просим своевременно информировать нас. Сайт оперативно внесёт изменения или удалит материал.Электронная почта: news@wedoany.com
