A utilização de IA para coletar, entender e analisar grandes conjuntos de informações tem potencial de revolucionar a capacidade de observação, além de entender e prever processos nos sistemas. Cientistas trabalham para aplicar técnicas de IA, modelagem e aprendizado de máquina, ML, para promover a ciência ambiental, especificamente, um grupo de cientistas e especialistas buscam integrar a tecnologia moderna no trabalho de modelos, observações e teorias do sistema terrestre fornecendo recursos computacionais, dando velocidade, precisão e tomada de decisão ágil. Esforço colaborativo entre o BER, Escritório de Pesquisa Biológica e Ambiental do Departamento de Energia dos EUA, DOE, e o programa de Pesquisa em Computação Científica Avançada do DOE, com especialistas da comunidade, além do workshop Inteligência Artificial para Previsibilidade do Sistema Terrestre, AI4ESP, explorou desenvolvimento de infraestrutura que melhor integrasse a combinação de capacidades tecnológicas e atividades humanas em campo e laboratórios com recursos computacionais.
Relatório resumindo o workshop AI4ESP, reunindo 700 participantes dos setores público e privado com representantes das ciências da Terra e ambientais, computação e IA, além de 100 especialistas planejando com base em 156 whitepapers fornecidos por 640 autores de 112 instituições do mundo. As informações foram reduzidas a 17 tópicos relacionados ao ciclo integrado da água e fenômenos climáticos extremos sendo discutidos 9 pontos focais relacionados às previsões do sistema terrestre, incluindo sessões de hidrologia, ciência das bacias hidrográficas e dinâmica costeira, atmosfera, terra, oceanos, gelo, variabilidade e extremos climáticos. Exploraram o potencial IA para revelar descobertas científicas com ferramentas como redes neurais, aprendizado de máquina baseado em conhecimento, arquiteturas de IA e codesign. Desenvolveram lista de oportunidades que a pesquisa e o desenvolvimento IA auxiliam em desafios enfrentados pela ciência da Terra, incluindo gerenciar e analisar conjuntos de dados para aprimorar a capacidade de observar e prever eventos extremos promovendo integração de atividades humanas em teoria e modelos. Os participantes do workshop identificaram prioridades para enfrentar desafios computacionais, incluindo avanços em IA e ML, algoritmos, gerenciamento de dados e etc, sendo que com o resultado dessas prioridades as empresas podem ajudar no desenvolvimento de infraestrutura de tecnologia eficiente, precisa, estratégica e conveniente, além de abranger todos os recursos. No entanto, há necessidade de mudanças programáticas e culturais para apoiar missão mais coesa em várias agências científicas e governamentais, bem como força de trabalho treinada para integrar tecnologia nas pesquisas e atividades humanísticas. Identificaram soluções que incluiriam centros de pesquisa de IA específicos para ciência ambiental, estruturas permitindo serviços compartilhados em comunidades e missões de treinamento e suporte contínuos. Os partícipes do workshop AI4ESP continuam discutir atividades computacionais da comunidade, incluindo as da American Geophysical Union e da American Meteorological Society.
Moral da Nota: IA significa inteligência em máquinas em contraste com a inteligência natural encontrada em humanos e demais organismos. A inteligência artificial ganhou este nome e tornou-se campo formal de pesquisa em 1956 cujo trabalho inicial levou a ferramentas para resolver problemas matemáticos, no entanto, pesquisadores descobriram que criar IA é difícil e o progresso desacelerou na década de 1970, recentemente, o poder de computação e a disponibilidade de conjuntos de dados massivos estabeleceram bases aos avanços da IA. O aprendizado de máquina envolve sistemas que aprendem de modo automático, com dados que analisam e os resultados que obtêm, para melhorar a capacidade de trabalhar com esses dados no futuro, por exemplo, o ML capacita aplicativos que estimam quanto tempo leva uma viagem e, em seguida, fornecem orientação sobre a rota. Aplicativos como o Google Maps usam ML para analisar condições de tráfego em constante mudança, incorporando dados relatados pelo usuário, para reduzir tempo de viagem sugerindo rotas com baixo consumo de combustível, sendo melhor para esses tipos de tarefas específicas e bem definidas que podem ser divididas em etapas lógicas. A aplicação de IA evolui como aprendizado profundo que envolve tarefas complexas com variáveis difíceis de definir, usando redes neurais que buscam construir computadores que operem semelhante ao nosso cérebro aproveitando redes neurais empilhadas umas sobre as outras para criar uma rede neural grande e complexa. O aprendizado profundo exige poder computacional para treinar modelo a partir de grandes quantidades de dados e tomar decisões, como exemplo, assistentes digitais como Amazon Alexa, Apple Siri e Google Assistant cujo aprendizado profundo permite que esses assistentes ouçam e descubram quais informações ou tarefas necessitam execução.