人工知能

大西洋が活発な動きを見せるなか、3つの暴風雨の可能性が気象学者や住民の注目を集めている。最も大きな脅威は現在カボ・ヴェルデ周辺にあり、今後7日以内に暴風雨に発展する可能性が90％という驚くべきものだ： ウェザーウォッチ。この嵐の可能性は、航路や沿岸地域に危険をもたらす可能性があるため、注意深く監視する必要がある。一方、アフリカを横断する熱帯低気圧が暴風雨になる可能性は20％以下であり、カリブ海西部の別系統が今後1週間で発達する可能性は30％である。ここでは、AIを搭載したツールが衛星画像と大気データの分析に活用されており、気象学者は暴風雨の軌道と強さについて、より正確でタイムリーな予測を行うことができる。 ヒートドームとその影響 熱帯地方の懸念に加え、2024年6月の夏は、中西部からニューイングランドにかけて持続的なヒートドームが発生する。このような現象は、高気圧が一帯に熱を閉じ込め、天候が停滞することで発生する。その結果、暑さは数日から数週間も続き、人間の健康、農業、野生生物に大きな影響を与える。湿度の上昇は夜間の冷房を弱め、熱波時の不快感を悪化させる。 AI技術は熱波のモデル化においても重要な役割を果たしており、研究者はさまざまな気候シナリオをシミュレートし、気候変動下で持続的な高気圧がどのように進化するかをよりよく理解することができる。過去のデータは、このような熱ドームの深刻な結果を浮き彫りにしている。1995年の夏、シカゴ地域では、極端な気温と湿度のために、わずか5日間で約739人の死亡者が記録された。地球温暖化が進み、平均気温が上昇し続けると、熱波が繰り返し発生する可能性が高まり、公衆衛生と安全に対する脅威が増大する。 AIによる気象予測の進歩 こうした課題の中、AIと気候科学の交差点から、気象予測における大きな進歩が生まれつつある。グーグル、マサチューセッツ工科大学（MIT）、ハーバード大学、欧州中距離天気予報センターの研究者たちは、NeuralGCMと呼ばれる革新的なAIを搭載した気候モデルを開発した。このモデルは、従来の大循環モデルと機械学習を組み合わせたもので、より効率的で費用対効果の高い気象予測を可能にする。NeuralGCMは、短期予測でも長期予測でも優れており、既存の主要なモデルに匹敵する精度を達成する一方で、使用する計算能力は大幅に削減されている。 過去のデータに依存するため異常気象の予測には課題があるものの、NeuralGCMのようなAIモデルは、ますます予測不可能になる気候条件への対応能力を高めると期待されている。リアルタイムのデータと機械学習アルゴリズムを統合することで、これらの技術はパターンを特定し、悪天候に対するタイムリーなアラートを提供するのに役立ち、準備態勢と対応努力を改善することができる。 地質活動 シベルチュ火山噴火 自然現象に関連して、地質活動もエスカレートしている。ロシア東海岸沖でマグニチュード7.0の地震が発生した後、シベルチ火山が噴火し、火山灰が大気圏に数キロも舞い上がった。ペトロパブロフスク・カムチャツキー（約18万人の住民が住む沿岸都市）から約280マイルのところに位置するこの火山の火山灰柱は、海抜8キロ（5マイル）まで上昇したと報告されている。 国営メディアの報道によると、ペトロパブロフスク・カムチャツキー近郊を震源とする深さ約30マイルの地震は、大きな被害をもたらさなかった。しかし、特に公共施設については、被害が予想される建物の評価が進行中である。ロシア非常事態省は津波警報を発令していないが、米国の津波警報システムは当初、震源から300キロ（約186マイル）以内で危険な波が発生する可能性があると警告していた。 AIアプリケーションは、地震データをリアルタイムで分析し、噴火の可能性を予測し、緊急対応プロトコルを改善することによって、火山活動の監視を強化することもできる。 結論 このような困難な気象・地質学的事象を乗り切るには、大気現象とAIを活用した予測技術の進歩の相互作用が重要になる。これらの力学を理解することは、暴風雨、熱波、火山噴火に関連するリスクを軽減し、最終的には地域社会を守り、将来の自然現象に対する備えを強化するのに役立つだろう。AIを貴重なツールとして活用することで、私たちは気候変動という進化する課題に立ち向かう態勢を整えることができる。

テクノロジー・インサイト

AIは、特にニュージーランドのイウィやハプーのような先住民コミュニティにとって、環境管理を変革する可能性を秘めています。これらのグループは、しばしば天然資源の保護に負担をかけられていますが、AIを使用して複雑なデータセットを合理化し、環境計画機能を強化することができます。ただし、AIの採用は、既存の不平等を永続させたり、AIの出力が根本的な仮定を疑うことなく絶対的な真実として受け取られる「精密な罠」に陥ったりしないように、慎重に行う必要があります。 主な懸念事項の1つは、特に先住民コミュニティにおける環境データの歴史的なギャップにより、AIツールが誤った予測を行う可能性があることです。これを回避するには、AIシステムは、気候変動緩和のための先住民族のデータ主権人工知能の原則を組み込んで、これらのコミュニティと協力して構築する必要があります。マタウランガ・マオリなどの先住民族の知識を統合することで、AIはより公平で文化的に情報に基づいた解決策を推進することができます。 同時に、AI自体が環境問題を提示しています。ChatGPTのようなAI主導のテクノロジーの台頭により、エネルギー消費量、炭素排出量、水使用量が大幅に増加しています。AIシステムを支えるデータセンターは、冷却のために膨大な電力と水を必要とし、環境負荷が増大しています。GoogleやMicrosoftなどの企業は、AIの開発により二酸化炭素排出量が急増したと報告しています。一部の企業は、この影響を軽減するために「ウォーターポジティブ」プロジェクトを開始していますが、テクノロジー業界全体としては、より良い持続可能性の実践を採用する必要があります 電力を大量に消費するAIは、テクノロジー大手の炭素排出量の急増を推進しています。誰もそれについて何をすべきかを知りません。 これらの環境課題は、他の業界が直面している課題を反映しています。例えば、ニュージーランド航空は最近、持続可能なジェット燃料の入手が困難だったため、2030年の排出量削減目標を放棄し、効率的な航空機としては、ニュージーランド航空が気候変動目標を撤回した最初の大手航空会社となりました。航空業界と同様に、テクノロジー業界も、より環境に優しい未来を求めているにもかかわらず、その成長を持続可能性の目標と整合させる上で障害に直面しています。 最終的に、AIは環境計画と管理に計り知れない可能性を提供しますが、その成長は、環境フットプリントを削減し、疎外されたコミュニティが取り残されないようにする取り組みとバランスをとる必要があります。多様な知識システムを統合し、AIのエネルギーと資源の需要に対処することで、テクノロジーと地球の両方にとって、より持続可能で公平な未来を創造することができます。

テクノロジー・インサイト

2024年は、米国と中西部でいくつかのヒートドームが発生するなど、前例のない気候課題でした(コースの融解からアルコール依存症の増加まで、スポーツが気候変動の影響に適応することを余儀なくされている方法)。高気圧の下で熱風を閉じ込めるこれらのヒートドームは、数日または数週間で極端な温度を引き起こし、人間の健康、農業、野生生物にいくつかの脅威をもたらします(ヒートドームとは何ですか?気象学者が米国東部を焼き尽くす気象現象を説明しています)。 世界的には、気温が初めて、そしてその5年前に重要な摂氏1.5度の閾値を突破したため、気候変動のペースが加速しています。例えば、特にカリブ海地域やブラジルの脆弱な地域は、壊滅的な洪水に直面しており、気候変動による移住や適応に対処するための協調的な取り組みが必要です(ブラジルは気候モビリティへの新たなアプローチを必要としています)。そこで起こる様々な現象の中から、既存の様々な側面を活用して解決策を見出す必要があります。 過去のデータは、天気を予測し、将来の気候を予測するために人工知能を使用して、最高の既存のモデルに匹敵する結果を達成することができます(AIを利用した天気と気候モデルは、予測の未来を変えるように設定されています)。これらのアーカイブは、科学者が森林、湿地、その他の主要な生態系の変化を計算し、地球の気候システムに対する境界的な影響を評価するための重要なベースラインを提供します。 衛星画像やAIなどの新しいテクノロジーの助けを借りて、森林破壊、海水温、気象パターンをはるかに正確に監視できるようになりました(1,000枚の歴史的な写真を使用して、劇的な崩壊前の南極の氷河を再構築しました)。これにより、海面上昇から天候の変化、食料生産への影響まで、将来何が起こるかをより正確に予測することができます。世界が気温の上昇、炭素排出量、人間活動による課題の増加に直面している中、これらの高度なツールは、地球のシステムのバランスを保つための気候変動を理解し、対処するための鍵となります。 気候変動は森林に影響を与えるため、例えば、気温の上昇は光合成を減少させ、自己栄養呼吸を増加させ、近隣地域の正味の一次生産森林被覆のレベルを低下させる可能性があるため、例えば、地域的な温暖化と乾燥を引き起こす森林の減少は、正の炭素気候フィードバックに寄与する可能性があります(森林減少による気候変動は、残りの熱帯林の炭素貯蔵を減少させます)。 そしてもちろん、それは炭素貯蔵を脅かします。 自然システムの炭素貯蔵能力は、人間活動と気候変動によって深刻な脅威にさらされています。南極海は、過剰な熱と二酸化炭素を吸収する重要な役割を果たし、地球の気温を穏やかにするのを助けます 南極海 – 熱と炭素の貯蔵庫。しかし、海水温の上昇と氷の融解は、これらの重要なプロセスを弱体化させています。海草移植のような取り組みは、炭素隔離を強化するための有望な解決策として浮上しており、海草藻場は熱帯雨林の最大35倍の速さで炭素を貯蔵することができます。 水中ドローンやロボット工学などの技術革新は、最適な植栽場所をマッピングし、広いエリアに効率的に海草を植えることにより、海草の回復努力を支援するために採用されています。さらに、大気中のCO2を直接除去し、地下や枯渇した油田やガス田に貯留するためのCCS(Carbon Capture and Storage)技術が開発されています。これらの技術の進歩は、自然の解決策とともに、塩湖の縮小や海洋生態系の劣化など、重要な炭素吸収源の損失を軽減するために不可欠です。今、問題に基づく私たちの自然な解決策のスニークピーク。 したがって、アプリケーションはPLANT(PLABS Seagrass Location and Analysis Network Tool)であり、関心のある地域に基づいて海草移植サイトを自動的に検出できます。このアプリケーションは、検出された領域の分析も提供します。赤い円は、その地域が海草移植に適していないことを定義し、緑の円は、その地域が海草移植に適していることを定義します。分析により、0から2までの適切なスコアがわかります。これらの結果は、Bi-LSTMモデルが適切な海草移植部位の予測に有効であることを示しており、平均88.38%の精度を達成しました。 Data Summary Labels Training set Testing set Total class 0 2488 1066 3554 class 2 2487 1066 3553 テーブル 1.トレーニングおよびテストデータセットのセグメント Bi-LSTMアプローチは、海草の移植に最適な場所を特定および評価するために導入され、エコーステートネットワーク(ESN)および1次元畳み込みニューラルネットワーク(CNN-1D)と比較されました。Bi-LSTMモデルは、10エポックにわたって学習され、初期学習精度と検証精度がそれぞれ98.75%と99.98%を達成し、学習損失と検証損失はそれぞれ0.0326と0.0112であり、シーケンシャルデータから効果的に学習し、一般化する能力を示しています。

サプライチェーン

サプライチェーンは、新製品およびサービスの設計、原材料の生産、それらを半製品および完成品への変換、および最終顧客への提供に関与する一連のエンティティです(Kaliani Sundram et al.、2016)。サプライチェーン管理は、ビジネスを行う上で最も重要な側面の1つです。直接のコミュニティ以外の多くの人々は、普通の消費者がしばしばその影響だけを経験するため、これに気づいていません。成功する企業の重要な側面の1つは、サプライチェーンの変化に迅速かつ効果的に対応する能力です(Lu、2015)。 需要への適応、材料、生産、出荷に関連するコストの管理、内部と外部の両方のリスクの管理、材料不足などの問題を軽減するための強力なサプライヤー関係の維持、人員不足や専門知識の喪失につながる可能性のある従業員の定着問題に対処することにより、高い顧客サービス基準を維持します。これらの要素のバランスを取ることで、企業は競争力を維持しながら、業務の複雑さや経済の不確実性を乗り越えることができます(克服すべきサプライチェーンの15の主要な課題) 供給と流通のロジスティクスには、外部サプライヤーまたは遠隔工場から生産現場への材料の供給と、工場から顧客への製品の配布という2つの主要なプロセスが含まれますロジスティクスとサプライチェーン管理の関係:共通の業界定義の開発。物流の観点からは、資材の供給と製品の流通はほぼ同じであり、計画と管理にも同様の方法を採用することができます。流通システムは、出荷される製品の種類によって影響を受けます。たとえば、機械や設備などの投資商品は、通常、特定の輸送ルートに沿って輸送されることはめったにありません。対照的に、生産に使用される材料は、同じ経路に沿って定期的かつ頻繁に配送されます。消費財は、卸売業者や小売業者に出荷されることが多く、通常、非常に小さな注文サイズで配送され、一部の企業では、サプライチェーン管理システムの一部として平均出荷量が100kg未満のルート計画モジュールがあります。 サプライチェーン管理の問題に対するAIのアプローチは、例えば、ルート計画は効果的にルート最適化と呼ばれ、最適なルートから始まり、最適なルートは、空間内の2つのポイント間の最短の幾何学的パスであり、それらの間の最小距離を持つパスであり、その重量と長さによって定義されます。運用効率の大幅な向上、コストの削減、環境への影響の最小化、サプライチェーンの持続可能性(SCS)など、最適なルートを使用する理由にはいくつかの条件があります。 私たちのチームは、ダイクストラアルゴリズムを使用して、オフィスのさまざまな場所でタスクを実行したい場合に最適/最適なルートを定義し、最短経路、地理的マップ、グラフの頂点を参照するマップの位置を見つける、位置間の距離はエッジ、IPルーティング、および電話ネットワーク。この画像から、道路の長さデータを使用して自宅からオフィスまでの最適なルートを見つけようとし、最短経路を赤い線でシンボル表示しています。 図 3 から、オフィスの地図を描き始め、歩いていたすべての道にノードを付けて示します。写真は寝室からトイレまでの最短距離を示しており、さまざまな停留所があり、パスは赤い線で示されています。その道のりの話は、寝室(6)からバスルーム(2)に行きたいのですが、その前にプレイルーム(1)で遊び、リビングルーム(5)で食事をし、キッチン(4)に行き、バスルーム(2)に行き、そして自分のデスク(5)に戻りたいということです。