Intelligenza Artificiale per Meteo, Clima ed Economia Circolare

Dal meteo al paleoclima, passando per economia circolare e rinnovabili: l’Intelligenza Artificiale migliora la sostenibilità. Articolo di Sergio Ferraris, giornalista scientifico e caporedattore “L’Ecofuturo Magazine”.

Intelligenza. Una parola che per millenni è stata sinonimo di razza umana, ma che oggi non è più retaggio della sola umanità e si porta dietro, quasi in automatico, l’aggettivo “artificiale”, un’etichetta che non è certo nata ieri.

L’intelligenza artificiale (AI) viene indicata come campo di ricerca dal 1956, con radici che risalgono agli anni ’30 e ’40 del Novecento. Già nel 1950 Alan Turing propose il Test di Turing, pensato per valutare se una macchina potesse esibire un comportamento intelligente paragonabile a quello umano. Per molti decenni, il ragionamento sull’AI è rimasto stretto tra filosofia e matematica, rallentato da una capacità computazionale non ancora adeguata. La svolta arrivò nel 1997, quando Deep Blue, il supercomputer di IBM, sconfisse il campione mondiale di scacchi Garry Kasparov, mostrando in modo concreto l’efficacia dell’AI in compiti specifici, come gli scacchi.

Negli anni successivi l’AI ha avuto una crescita esponenziale, spinta dall’aumento della potenza di calcolo e dalla riduzione dei costi dell’hardware. Le applicazioni, all’inizio poco visibili nei processi aziendali, hanno assunto una presenza pervasiva nell’ultimo decennio, fino a una data spartiacque: il 30 novembre 2022. Quel giorno, OpenAI lancia pubblicamente ChatGPT, rendendolo disponibile gratuitamente su scala globale. Il software entra nel Guinness dei Primati, raggiungendo un milione di utenti in cinque giorni: un risultato mai registrato prima. Da quel momento l’intelligenza artificiale diventa un’esperienza quotidiana per milioni di persone, anche grazie ai Large Language Model, LLM: modelli addestrati su una quantità immensa di dati testuali, per larga parte l’intero web, rielaborati all’interno di reti neurali.

Come funzionano gli LLM ce lo spiega lo scienziato Georg Gottlob, intervistato nel numero 3 del 2024 di “L’Ecofuturo Magazine”, già docente presso il Dipartimento di Informatica dell’Università di Oxford, oggi all’Università della Calabria: «Il sistema apprende anche dalle interazioni degli utenti, arricchendo ulteriormente il contesto di riferimento. In pratica, in base al prompt, il modello linguistico di grandi dimensioni (LLM) genera la risposta selezionando la formulazione più probabile, utilizzando il contesto disponibile come bagaglio cognitivo». Ed è anche per questo motivo che molte applicazioni dell’intelligenza artificiale si sono sviluppate in campo ambientale. La protezione dell’ambiente si basa su enormi quantità di dati raccolti negli ultimi decenni con tecnologie digitali e satellitari. A questi si aggiunge l’estrazione retrospettiva di informazioni, come avviene nella ricerca paleoclimatica.

In questo contesto, l’AI permette di generare dataset sintetici utili quando i dati storici sono scarsi, disomogenei o frammentati, come nel caso delle carote di ghiaccio prelevate in Antartide. Il modello LLM denominato PaleoBlockNet, sviluppato da un team guidato da Jason E. Smerdon della Columbia University in collaborazione con una corposa serie d’istituzioni internazionali, mette in relazione paleoclimatologia e meteorologia su larga scala con tecniche di deep learning, migliorando la ricostruzione di fenomeni meteorologici estremi su archi temporali plurisecolari. In pratica, alza la qualità dei dati climatici del passato per rendere più solide le previsioni sul clima futuro, con attenzione agli eventi estremi. Particolare il fatto che PaleoBlockNet utilizzi una rete neurale basata sulla UNet architecture, nata per l’elaborazione di immagini biomediche, per esempio nella segmentazione di organi o tumori.

Questo è un fatto importante, una caratteristica strutturale degli LLM: ossia la capacità di adattarsi a contesti diversi, perché la conoscenza appresa può essere trasferita e riutilizzata in altri ambiti. Questo passaggio ha anche una lettura economica. «L’AI produce conoscenza a partire dai dati e dalle informazioni, attraverso un processo continuo di apprendimento – afferma Stefano Belletti nel suo volume Verde & Digitale – In tal senso, rappresenta un ponte tra la rivoluzione digitale e l’intera economia della conoscenza».

Dentro tale quadro, l’economia reale accede a una risorsa che conta: una conoscenza astratta, scientifica e tecnologica, riproducibile e resa sostenibile sul piano economico dall’uso dell’AI. Ne deriva un incentivo all’investimento nell’innovazione e un ampliamento delle applicazioni, anche perché la conoscenza generata può circolare a basso costo e trasferirsi su problemi e contesti differenti. In questo senso perde la verticalità settoriale e diventa più orizzontale e multidisciplinare, grazie ai modelli e alle capacità computazionali. È una condizione molto utile per affrontare in modo olistico le sfide ambientali.

Ragionamenti circolari

Nel campo dell’economia circolare, l’AI può accelerare lo sviluppo di nuovi prodotti e processi, a partire dalla progettazione di sistemi avanzati di riciclo. Nella fase di design degli oggetti, inoltre, può ottimizzare il disassemblaggio futuro e rendere più semplice il riutilizzo dei componenti. Può anche aumentare l’efficienza delle infrastrutture di riciclo e orientare i comportamenti dei cittadini verso pratiche più sostenibili.

Un’altra frontiera, messa in evidenza dalla Fondazione Ellen MacArthur, è l’adozione di modelli di business circolari in cui gli oggetti fisici sono integrati con logiche di “prodotto come servizio”. In questi schemi, l’AI applicata alla previsione dei prezzi e della domanda, alla manutenzione e alla gestione delle scorte permette di ottenere economie ambientali consistenti.

Altro ambito centrale è lo spreco alimentare. Sempre secondo la Fondazione Ellen MacArthur, il valore economico che l’AI potrebbe sbloccare, contribuendo a eliminare gli sprechi in un sistema alimentare circolare, è pari a 127 miliardi di dollari l’anno al 2030. Un risultato che passa dall’impiego dell’intelligenza artificiale in tutte le fasi della catena alimentare: agricoltura, trasformazione industriale, logistica, consumo. Le applicazioni comprendono il riconoscimento di immagini per stimare il grado di maturazione della frutta, un allineamento più preciso tra domanda e offerta, il miglioramento della qualità dei prodotti, l’ottimizzazione della logistica con attenzione alla catena del freddo e la valorizzazione dei sottoprodotti alimentari.

Un ragionamento analogo vale per l’elettronica di consumo, dove si prevede un valore generato dall’economia circolare pari a 90 miliardi di dollari l’anno al 2030. In questo caso, le applicazioni includono la selezione e la progettazione di materiali specialistici, l’estensione della vita utile dei dispositivi tramite manutenzione predittiva, l’automazione e il miglioramento dei processi di riciclo.

AI per il clima

Un altro ambito che trae benefici dall’AI è quello della decarbonizzazione in ambito aziendale. Secondo un’analisi condotta dal Boston Consulting Group (BCG), l’adozione dell’AI potrebbe contribuire a ridurre le emissioni tra 2,6 e 5,3 miliardi di tonnellate di CO₂eq all’anno, generando un valore economico tra 1.300 e 2.600 miliardi di dollari annui. Si pensi che oggi l’85% delle imprese ha la riduzione delle emissioni come una priorità, ma solo il 9% riesce a quantificarle con precisione lungo l’intera catena del valore. In fase di monitoraggio, l’intelligenza artificiale può essere impiegata per raccogliere automaticamente dati da fonti eterogenee – dai viaggi aziendali alle apparecchiature IT – coprendo l’intera attività, inclusi fornitori, trasportatori e clienti a valle del ciclo produttivo. L’intelligenza artificiale predittiva, inoltre, consente di proiettare l’andamento futuro delle emissioni, rendendo possibile la definizione precisa degli obiettivi di riduzione.

Nel settore delle fonti rinnovabili, l’intelligenza artificiale sta introducendo cambiamenti profondi. Già nella selezione dei siti, l’AI permette di simulare scenari di produzione energetica e di supportare le decisioni. A impianto in funzione, l’analisi integrata di dati meteorologici, ambientali e storici, con l’AI, consente previsioni di produzione a breve e medio termine con un livello di dettaglio che arriva alla stima della producibilità su base oraria. Questo rende possibile ottimizzare domanda e offerta sulle reti elettriche, facilitare l’integrazione delle rinnovabili nel mix energetico e rafforzare la stabilità del sistema. E anche i grandi operatori energetici possono aumentare la propria efficienza con l’AI.

È il caso di Kraken, il sistema sviluppato dalla britannica Octopus Energy, che gestisce circa 60 milioni di utenze su scala globale. Kraken offre servizi di ottimizzazione e gestione energetica, tra cui la ricarica automatica dei veicoli elettrici nelle fasce orarie a costo più basso. L’affidabilità di questo sistema ha portato diverse utility internazionali, anche di grandi dimensioni, ad adottarlo… CONTINUA A LEGGERE GRATIS L’ARTICOLO SU L’ECOFUTURO MAGAZINE

LEGGI ANCHE: Intervista a Riccardo Iacona: la Presa Diretta del giornalismo