Как технологии дистанционного зондирования и искусственный интеллект позволят получить новое представление о глобальных проблемах Земли? На этот вопрос ответил эксперт в области глобального прогнозирования и инноваций, советник аэрокосмической компании Planet Эндрю Золли (Andrew Zolli).

Перед человечеством стоит ряд серьезных проблем – распространение стихийных бедствий, чрезмерный вылов рыбы из мирового океана, системная вырубка лесов, нищета и ускоряющиеся последствия изменения климата. Каждая из проблем глобальная. Однако эти проблемы не решаются до тех пор, пока их последствия не станут катастрофическими, а устранение дорогостоящим.

Для того чтобы достигнуть результата, мы должны посмотреть на проблемы с точки зрения глобальной системы, чтобы оценить все риски и затраты. Для этого потребуется смена взгляда в области измерений, отчетности и финансовых инструментов.

Именно такая революция в наши дни идет полным ходом. Мы наблюдаем новые технические разработки, которые происходят в нескольких критических областях: дистанционном зондировании и больших данных, искусственном интеллекте и облачных вычислениях.

Дистанционное зондирование (наблюдение поверхности Земли авиационными и космическими средствами, оснащенными различными видами съемочной аппаратуры. — Прим. ред.) и большие данные позволяют нам собирать огромные потоки данных о нашей планете и то, как мы воздействуем на окружающую среду.

Однако в ближайшие годы акцент будет смещен на «большие показатели» (big indicators) – очень подробные, непрерывно производимые глобальные индикаторы, которые отслеживают изменения в важнейших системах планеты в реальном времени.

Большие показатели станут важным механизмом для управления действиями людей, позволят нам как можно раньше отслеживать влияние нашего вмешательства и принимать более эффективные и более своевременные решения, трансформировать отчетность и предоставлять новые виды инструментов политики и финансирования.

Таким образом, благодаря им мы пересмотрим решение глобальных проблем. В их использовании и формировании особую роль будут играть некоммерческие организации, акторы из социального и экологического сектора.

Четыре «I»

Вот простая модель, которая объясняет трансформацию. Она состоит из таких частей: инструмент (Instrument), показатель (Indicator), понимание (Insight) и информация (Information).

1. В основе модели – информационный слой. В него входят многие современные технологические тенденции: революция в области больших данных, распространение открытых данных, рост социальных медиа. А также широкое распространение сенсорных датчиков не только в жизни человека, но и в окружающей среде, в океане, на небе и в космосе. Вместе эти тенденции резко ускоряют получение объема доступной информации в режиме реального времени о мире, в котором мы живем.

По оценкам экспертов, человечество сейчас производит около двух с половиной миллиона терабайт данных каждый день. Их объем растет настолько быстро, что 90% всех доступных данных на Земле было произведено только за последние два года.

Все эти технологии позволяют нам принимать более целенаправленные и эффективные решения. Результат можно хорошо увидеть на примере защиты уязвимых лесов, многие из которых являются крупными зонами, расположенными в странах с низким и средним уровнем дохода и с ограниченными финансовыми ресурсами.

Например, тропические леса Амазонки приблизительно в девять раз превышают размер штата Техас. Эта зона слишком огромна, чтобы регулярно ее патрулировать. Однако мы наблюдаем интенсивное экономическое давление и рост техногенного типа мирового хозяйства. Эти факторы могут привести к обезлесению и истощению природных ресурсов.

C ограниченными возможностями мониторинга процесс лесозаготовок было трудно остановить и в целом заметить. В Бразилии, например, с августа 2016 года по август 2017 года, по оценкам правительства, более 66 тысяч квадратных километров тропических лесов Амазонки были незаконно вырублены. Эта площадь равна размеру площади 112 островов Манхэттен или половине штата Мэриленд. И такое случилось в относительно «благоприятном» году.

К счастью, ситуация сейчас меняется. Появление большого количества информации в режиме реального времени, которая поставляется спутниками, беспилотными летательными аппаратами и другими датчиками, может благоприятно сказаться на ситуации. Теперь возможно постоянно следить за состоянием лесов, более гибко и оперативно управлять процессом.

Организация Планета (Planet) создала крупнейшее в мире сеть спутников наблюдения Земли. Эта система, постоянно работающая в режиме реального времени, позволяет менеджерам не только увидеть признаки обезлесения, но и обнаруживать предпосылки, сигналы обезлесения, например, появление незаконных дорог которые, как правило, появляются до того, как деревья незаконно вырублены.

«Планета» является лишь одной из многих организаций, которые занимаются дистанционным зондированием. Американский стартап SailDrone развертывает флотилии водных дронов для наблюдения за океанами. Они оснащены морскими и атмосферными датчиками, а также специальными датчиками, предназначенными для измерения количества углерода в океане и оценки количества биомассы в воде.

Со стартапом SailDrone в начале 2018 года начала сотрудничать австралийская исследовательская группа CSIRO (Commonwealth Scientific and Industrial Research Organisation). Она будет использовать водные дроны для изучения вод Тихого, Атлантического и Индийского океана, омывающих Антарктиду.

Специалисты CSIRO отметили, что дроны Saildrone – это «долгосрочные исследовательские платформы, которые могут быть направлены в удаленные места, где будут находиться продолжительное время и передавать ученым в реальном времени данные, ранее считавшиеся недоступными для сбора».

Каждый из нас ежедневно создает огромное количество социальных и мобильных данных. На основе таких данных Facebook продемонстрировал, как его платформа может определять местоположения и движения людей, пострадавших от крупных стихийных бедствий.

Платформа запустила инструмент Facebook Safety Check – сервис информирования, который помогает быстро узнать, находятся ли ваши друзья и близкие в зоне бедствия, или нет. Это помогает НКО направить помощь туда, где она больше всего необходима.

Эти примеры являются лишь частью новой сети глобальных систем зондирования, которые имеют огромный потенциал. Они помогут сделать изменения на планете видимыми, доступными и действенными.

Хотя такие наборы данных имеют огромную ценность, наиболее важные сигналы, скрытые внутри них, часто являются малозаметными и могут быть не поняты без дополнительного анализа.

Сырой объем доступной информации может сделать большие данные логически сложными для работы. Поэтому многие заинтересованные стороны, будь то компании, представители некоммерческого сектора или власти, не имеют технических возможностей и ресурсов, чтобы в полной мере использовать их.

2. На втором уровне область понимания. К счастью, происходит параллельная революция в области обработки данных. Здесь мы видим прорывы в искусственном интеллекте, машинном обучении, краудсорсинге и связанных с ними аналитических подходах. Эти технологии позволяют обнаруживать закономерности в данных, которые ускользают от самого сложного человеческого анализа.

Обычно в таких подходах используется множество наборов данных и экспертная оценка для «обучения» алгоритмов, которые будут распознавать образы. Например, мы хотели бы автоматически классифицировать функции в спутниковых снимках, такие как появление новых дорог, новое строительство или последствия стихийного бедствия.

Для этого мы можем использовать выборочные данные из нескольких источников: тщательно маркированные наземные наблюдения, собранные с помощью мобильных устройств, краудсорсированный анализ изображений, сделанных онлайн-добровольцами, и правительственные карты существующей инфраструктуры с открытым исходным кодом.

3. Алгоритм машинного обучения – специализированная вычислительная модель, основанная на том, как работает человеческий мозг, и поглощающая разные наборы данных. После надлежащего «обучения» для поиска корреляций между различными наборами данных алгоритм может находить и классифицировать функции в новых, никогда ранее не видимых изображениях, часто с высокой степенью точности.

Метод машинного обучения уже использовался в классификации ущерба от землетрясений, прогнозировании мелких сельскохозяйственных урожаев, определении рисков наводнений, оценке бедности и даже поиске доказательств военных преступлений.

Важно, чтобы эти аналитические методы уменьшали общий объем данных, с которыми мы должны бороться, увеличивая их ценность, определяя и выделяя наиболее важные.

Сегодня происходит две революции – на уровне информации и понимания. Именно здесь появляется большинство технологических новшеств. Но в ближайшие несколько лет мы увидим новые ценности, построенные над этими уровнями, которые изменят способ решения важных социальных и экологических проблем.

От больших данных к большим показателям

Одна из причин, по который глобальные проблемы остаются неразрешимыми, заключается в том, что они непрозрачны. Нет надежных показателей в реальном времени, которые могут формировать процесс принятия решений на ближайшую и долгосрочную перспективу, направлять коллективные действия.

Однако со временем эта ситуация изменится благодаря организации более надежных потоков информации в режиме реального времени и все более сложным технологиям.

Начнется эра больших показателей, которые расскажут нам о состоянии многих наименее понятых и плохо контролируемых систем в мире. Представьте себе ежедневную, точную и постоянно обновляемую информацию о количестве снижения выбросов углерода из-за обезлесения; или точный показатель чистой потери биологического разнообразия; или данные, предоставляемые в режиме реального времени о людях, живущих на грани нищеты; или приблизительную оценку общей стоимости прибрежной инфраструктуры, подверженной риску от экстремальных погодных явлений. Это все большие показатели.

Как есть разница между данными и большими данными, так есть разница и между показателями и большими показателями.

Несколько способов отличить большие показатели от обычных.

1. Точность и разрешение. Большие показатели основаны на гораздо большей информации в режиме реального времени, поэтому они расскажут нам, что происходит в системе с гораздо большим пространственным и временным разрешением, точностью и чувствительностью. Они могут рассказать о росте города, конкретного района и заданной зоной с равной точностью.

2. Частота. Поскольку они постоянно пересчитываются, большие индикаторы расскажут нам, как система работает изо дня в день, а не только в течение года. Поэтому они могут помочь нам ответить на такие вопросы: какое конкретное вмешательство дало результат? стало лучше или хуже?

3. Масштаб и охват. Поскольку крупные показатели используют глобальный охват новых датчиков и наборов данных, они могут фиксировать состояние систем, которые ранее были слишком большими, слишком удаленными или слишком дорогими для эффективного мониторинга.

4. Прогностическая способность. По мере того, как мы собираем все больше данных о мире, во многих областях мы начинаем находить не только маркеры прошлых изменений, но и признаки предстоящих перемен. Большие показатели не только покажут, на какой стадии развития система находится в данный момент, но и то, где она, вероятно, будет находиться в будущем.

5. Утонченность. Как уже отмечалось, многие критические системы в мире ведут себя сложным и противоречивым способом. Большие показатели начнут освещать эти связи, чтобы мы могли создавать более эффективные, всеобъемлющие и длительные процессы изменений.

6. Совместимость. Большие показатели позволят нам сравнивать модели и процессы в разных юрисдикциях. Они, по сути, станут новыми стандартами измерения и отчетности.

Как будет развиваться направление больших показателей

Разработка больших показателей будет сложной задачей как технически, так и организационно. Во-первых, базовая информация должна быть точной, прозрачной, надежной и широкодоступной, а также проверяемой независимыми аудиторами. Одним словом, открытой.

Разработка таких показателей потребует сотрудничества между поставщиками данных, экспертами, учеными, международными органами, такими как ООН, местными органами власти, субъектами гражданского общества, независимыми научными органами и некоммерческими организациями.

Сейчас есть значительные пробелы в данных и проблемы в управлении. Многие из мест в мире, откуда нам больше всего нужны большие показатели, наименее подготовлены для таких действий.

Но поскольку мы сотрудничаем, чтобы заполнить эти пробелы, мировая система станет намного более прозрачной. А прозрачность порождает подотчетность и действия.

В будущем механизмом станет целый новый класс рыночных «больших инструментов»: технологических, управленческих и финансовых. Это четвертый и последний слой нашей модели.

Безусловно, нужно иметь в виду некий капитал. Сегодня долгосрочными держателями активов выступают пенсионные фонды, государственные инвестиционные фонды, университеты и благотворительные и семейные фонды. Они контролируют более 25 триллионов долларов в капитале. Эти институты большие и долгосрочные, со временем они подвергаются существенным изменениям, и их могут оценить большие показатели.

К сожалению, в настоящее время недостаточно капитала инвестируется в решение проблем, связанных с изменением климата, укреплением экосистем или обеспечением социальной стабильности и благополучия. Но существует несколько надежных, ориентированных на рынок способов для стимуляции климатического финансирования.

Большие показатели смогут заполнить недостающий фрагмент головоломки, который даст толчок (с точки зрения данных и отчетности) к развитию следующего поколения рынка зеленых облигаций (это долговые бумаги, деньги от размещения которых направляются на финансирование экологических проектов).

Например, уже сейчас действует программа сокращения выбросов, обусловленных обезлесиванием и деградацией лесов REDD. Это толчок к разработке финансовых решений в поддержку экологически безопасного, климатически устойчивого развития.

Действие такого рыночного механизма можно увидеть на примере организации по сохранению лесов в районе Сан-Франциско. Есть рабочая программа государственно-частного партнерства, которая позволяет частным инвесторам финансировать восстановление лесов в западных штатах США.

Например, в Калифорнии леса сильно заросли, стали более сухими из-за изменения климата, это привело к катастрофическим пожарам. Они, в свою очередь, вызывают разрушительные потери жизни и имущества, а расходы на восстановление составляют половину годового бюджета министерства сельского хозяйства США. Облигации позволяют частным инвесторам финансировать прореживание леса, что уменьшает риск пожаров.

С помощью таких полномасштабных программ и финансовых инструментов можно связывать огромные ресурсы рынков капитала с реальными проблемами, такими как спасение экосистем. Большие показатели будут стимулировать этот процесс.

Оригинал статьи опубликован в журнале Стэнфордского университета Stanford Social Innovation Review. (Eng.).