This Climate Does Not Exist — інструмент, який використовує ШІ для візуалізації зміни клімату

Стурбовані різким зростанням кількості стихійних лих у всьому світі дослідники штучного інтелекту з Mila (Квебекський інститут штучного інтелекту) розробили вебсайт, який дозволяє людям побачити потенційний вплив зміни клімату на будь-яку адресу в будь-якій точці планети.

Як би виглядало місце, якби на нього обрушилася сильна повінь, лісові пожежі чи смог? Використовуючи клас алгоритмів машинного навчання, які називаються генеративними змагальними мережами (GAN), сайт This Climate Does Not Exist створює реалістичний фільтр впливу зміни клімату на це місце в Google Street View. 

Цей досвід підвищує обізнаність користувачів про можливі сценарії, якщо реакція світу на зміну клімату й надалі буде неефективною. Проєкт є кульмінацією дворічної роботи. Він залучив понад 30 фахівців і співробітників під керівництвом Йошуа Бенжіо, зокрема провідних дослідників компанії Сашу Лучіоні, Віктора Шмідта та Алекса Ернандес-Гарсіа. Це стало можливим завдяки фінансовому та технологічному внеску багатьох партнерів.

This Climate Does Not Exist — це досвід, заснований на штучному інтелекті та співчутті, який дозволяє користувачам уявити вплив поточної кліматичної кризи на навколишнє середовище. GAN — це клас фреймворків машинного навчання, які дозволяють комп’ютеру створювати й перетворювати зображення.

Дослідники назвали проєкт «Цього клімату не існує», щоб підкреслити, що зміна клімату вже зараз призводить до жахливих наслідків у всьому світі, навіть якщо ви не відчуваєте це на власному подвір’ї. Це також відсилка до тенденції, яка використовує штучний інтелект для створення зображень нереальних речей, таких як люди, коти, метелики й навіть ноги.

«Ми обрали цю назву, щоб проілюструвати, що, хоча створені штучним інтелектом зображення, які відображають наслідки кліматичної кризи, не є реальними, вони слугують для підвищення обізнаності й заохочення до дій», — повідомили творці проєкту. Вони не займаються кліматологією, але зробили все можливе, щоб зібрати надійні джерела від партнерів, таких як Мережа дій щодо клімату. 

Комп’ютерні науковці виявляють великий інтерес до зміни клімату та впливу на навколишнє середовище. Вони вирішили використати ШІ, щоб зробити світ кращим. Зміна клімату — серйозна проблема для людства. Запобігання її катастрофічним наслідкам потребуватиме змін як у політиці, так і в поведінці людей.

Однак багато когнітивних упереджень не дозволяють людям діяти, враховуючи, що зміна клімату — це абстрактне явище, яке важко сприймати як пряму загрозу для нас самих. Це призводить до психологічного дистанціювання, коли відчувана відстань може бути пов’язана як з часом (оскільки наслідки зміни клімату перебувають у майбутньому), так і з простором (оскільки багато його ефектів відбуваються далеко від нас). 

Дослідження показують, що демонстрація людям зображень наслідків зміни клімату — затоплених міст, лісів, знищених пожежами, і міст, огорнутих смогом, — може допомогти зменшити цю психологічну дистанцію, особливо якщо місця знайомі глядачеві.

«Ми вважаємо, що використання ШІ для створення зображень персоналізованого впливу на клімат буде особливо ефективним у подоланні перешкод на шляху до дій і підвищенні обізнаності про цю важливу проблему. Ми сподіваємося, що цей проєкт дозволить глядачам переосмислити свої когнітивні упередження та вжити заходів, як окремим особам, так і членам світової спільноти, щоб зупинити зміну клімату», — заявили науковці. 

Генеративні змагальні мережі (GAN) були винайдені в Монреалі у 2014 році, що дало ШІ можливість генерувати новий контент, такий як зображення, текст і навіть музику. Спочатку GAN навчилися створювати зображення людини з набору прикладів, таких як зображення різних людей. Потім їх удосконалили, щоб дозволити перетворення однієї групи зображень на іншу. Цей процес вперше було реалізовано в архітектурі CycleGAN, яка дозволяє перетворювати коней на зебр, яблука на апельсини, а зимові пейзажі на літні.

Генеративні змагальні мережі, або GAN, — це моделі штучного інтелекту, що складаються з двох нейронних мереж: генератора і дискримінатора. Ці мережі конкурують між собою. Мета генератора — обманути дискримінатор, створюючи максимально реалістичні зображення, наприклад затоплених вулиць, тоді як дискримінатор намагається відрізнити зображення, створені генератором, від реальних зображень затоплених сцен. Цей процес спонукає генератор поступово покращувати якість створюваних ним зображень і все частіше обманювати дискримінатор.

Наприкінці процесу навчання GAN зображення, створені генератором, мають бути невідрізними від реальних зображень. Це називається «конвергенцією». На практиці досягти схожості складно, оскільки зображення мають багато характеристик і атрибутів, тому генератору доводиться вивчати дуже складну математичну функцію, щоб створювати реалістичні зображення. Саме тому розробка й навчання GAN зайняли у дослідників кілька місяців.

Зокрема, їхній підхід розбиває завдання створення подій на кілька частин. Перша частина зосереджується на вивченні загального «представлення», яке є набором чисел, що ущільнюють інформацію, закладену в зображеннях. Друга частина використовує цю інформацію для створення різних подій з одного й того самого представлення. Це забезпечує ефективний конвеєр обробки, за якого вченим не потрібно обробляти вхідне зображення кілька разів для створення візуалізації різних подій. Натомість вони повторно використовують цей проміжний етап «кодування» вмісту зображення.

Для візуалізації смогу використовується проміжне представлення для створення карти глибини, яка передбачає відстань кожного пікселя від камери, щоб смог можна було правильно масштабувати, а об’єкти, що знаходяться далі, були менш чіткими, ніж ближчі.

Щоб створити зображення лісової пожежі, дослідники використовують загальне представлення для створення «маски неба», яка передбачає, які пікселі у вхідному зображенні належать небу, щоб їх можна було зробити помаранчевими, застосувати певне розмиття, а потім налаштувати загальний контраст.

Нарешті, щоб імітувати повінь, загальне представлення обробляється для виведення «маски повені», яка показує, де потрібно додати воду у вихідній сцені. Потім ця маска використовується останньою частиною головоломки — іншою нейронною мережею, завдання якої — намалювати воду на вхідному зображенні на основі маски повені та з урахуванням контексту вхідного зображення.

Mila — це дослідницький інститут штучного інтелекту, заснований у 1993 році професором Йошуа Бенджіо з Монреальського університету. Інститут об’єднує понад 500 дослідників, які спеціалізуються на машинному навчанні. Місія Mila — бути світовим полюсом наукових досягнень, які надихають на інновації та розвиток штучного інтелекту на благо всіх.

Некомерційна організація здобула міжнародне визнання за свій значний внесок у машинне навчання, особливо в галузі мовного моделювання, машинного перекладу, розпізнавання об’єктів і генеративних моделей.