Mengambil tindakan untuk melestarikan lautan kita

Tantangan 1: Menyatukan data sampah laut dunia

Memperkirakan volume sampah laut yang tersebar di kelima samudra lebih sulit daripada yang terlihat. Tidak ada metode pengumpulan data sampah laut yang standar untuk memandu negara dan organisasi. Wilson Center, salah satu organisasi kebijakan nonpartisan terkemuka di Amerika Serikat, bersama dengan tim Ilmu Data dan AI Elite (DSE) IBM, perlu menyelaraskan banyak sekali skema dan metadata agar data yang dilaporkan dari seluruh penjuru dunia dapat digunakan.

Untuk mendorong kolaborasi yang lebih efektif antara semua pemangku kepentingan, UNEP menetapkan tujuan utama untuk membangun platform global untuk sampah laut. Dengan IBM Knowledge Catalog di IBM Cloud Pak® for Data, mereka dapat dengan cepat dan otomatis membersihkan, membandingkan, mengklasifikasikan, menyesuaikan, dan menyediakan data yang tepat untuk para ilmuwan data. Solusi ini juga memungkinkan para ilmuwan warga untuk melacak asal-usul data, berkolaborasi dengan ilmuwan lain, meminta kumpulan data, dan berbagi wawasan tentang kumpulan data menggunakan mekanisme penilaian dan penandaan.

Tantangan 2: Menaklukkan kumpulan data bersyarat untuk melestarikan kesehatan pantai

Tantangan kedua adalah menghitung volume sampah di pantai. Survei yang diacak secara statistik membantu menciptakan perkiraan ilmiah yang akurat, tetapi pengumpulan data tentang sampah pada dasarnya bersifat acak. Karena sangat bergantung pada kru pembersihan sukarelawan, data tentang upaya pembersihan dapat dibentuk oleh bias temporal dan spasial. Sebagai contoh, seorang sukarelawan mengumpulkan sampah di pantai setiap hari. Namun, apa yang mereka kumpulkan setiap hari akan berbeda dengan apa yang mungkin ditemukan oleh seseorang yang mengumpulkan data mingguan atau bulanan, sehingga sampel yang dihasilkan sangat bergantung pada banyak variabel, sehingga sulit untuk dibandingkan dan dianalisis.

Dan upaya pembersihan tidak konsisten di seluruh lokasi, dengan beberapa tempat dibersihkan terlalu sering dan tempat lain jarang atau tidak pernah disentuh, yang mengindikasikan bahwa sampel tidak independen atau terdistribusi secara identik (IID). Kumpulan data bersyarat seperti itu tidak memungkinkan penyelesaian masalah menggunakan metode machine learning pada umumnya.

Untuk mengatasi tantangan ini, tim DSE menggunakan metode Bayesian Inference dengan teknik pengambilan sampel Makov Chain Monte Carlo (MCMC). Pendekatan Bayesian memungkinkan mereka untuk memperhitungkan ketidakpastian dalam masalah ini; MCMC memungkinkan mereka untuk membuat rantai kejadian yang saling bergantung untuk memperkirakan parameter sampah laut. Bukti konsep ini menunjukkan bahwa metodologi hybrid yang unik ini dapat disesuaikan dan dimodifikasi untuk meningkatkan kekuatan model.

Tim DSE membuat pipeline machine learning di IBM Cloud Pak for Data untuk menetapkan siklus hidup AI end-to-end yang efisien. Begitu mereka menetapkan garis dasar untuk mengukur sampah laut, tim dapat memprediksi jumlah sukarelawan yang dibutuhkan untuk upaya pembersihan di pantai tertentu. Mengingat tren dan kebijakan saat ini, model ini akan membantu memproyeksikan jumlah sampah yang diharapkan lima tahun ke depan.

Tantangan 3: Melihat ke depan untuk memperkuat pencegahan dan dukungan

Cara terbaik untuk mengatasi masalah sampah laut adalah dengan mencegahnya. Ke depannya, bagaimana masyarakat pesisir dapat mencegah kerusakan permanen pada garis pantai yang masih asli? Tim DSE membuat prakiraan seri waktu untuk membantu melacak plastik laut dan mengembangkan kebijakan yang lebih akurat dan efektif untuk memberantasnya. Untuk membuat kumpulan data dapat dengan mudah digunakan, tim membuat dasbor eksekutif yang memungkinkan berbagai pemangku kepentingan:

• Memantau perkembangan kepadatan sampah laut dari tahun ke tahun
• Memilah dan membagi data berdasarkan lokasi nasional untuk mengevaluasi tren sampah dari waktu ke waktu
• Mempersempit fokus ke pantai tertentu untuk pengumpulan data yang lebih terperinci
• Menyempurnakan metodologi untuk merekomendasikan aplikasi seluler terbaik kepada kelompok relawan

Dengan siklus hidup AI menyeluruh, para ilmuwan dan pembuat kebijakan dapat mengekstrak lebih banyak nilai dari kumpulan data Wilson Center, baik untuk membuat koreografi pembersihan atau memprediksi garis waktu untuk mencapai nol polusi. Dasbor digital khusus IBM membuat pekerjaan mudah diakses dan dibagikan bahkan bagi mereka yang tidak memiliki keahlian teknis.

Alat-alat ini memberdayakan pemangku kepentingan UNEP seperti Kosta Rika untuk melacak kemajuannya menuju tujuan negara membersihkan diri dari plastik sepenuhnya.

Tantangan 4: Membuat lebih banyak orang peduli terhadap sampah laut

Pimpinan UNEP ingin mendalami lebih dalam lagi mengenai data tersebut, untuk menciptakan ikatan antara publik dan isu sampah laut. Untuk mencapai hubungan ini, organisasi ini membayangkan sebuah avatar digital sebagai sumber informasi. Maka lahirlah manusia digital bernama Sam.

"Sam dapat terhubung secara emosional dengan pengguna karena dia benar-benar responsif," jelas Richard Darden, Distinguished Engineer and Digital Human Advocate IBM.

Respons emosional Sam berasal dari IBM Watson® Assistant yang menggunakan teknologi IBM Watson Speech to Text. Program-program ini dapat menginterpretasikan maksud pengguna dan kemudian menguraikan jawaban Sam dengan menyelami repositori UNEP yang sangat luas dan sumber-sumber lainnya.

Informasi tersebut kemudian disaring melalui avatar yang dibuat oleh Soul Machines, sebuah perusahaan berbasis di San Francisco yang membuat apa yang mereka sebut sebagai "manusia digital".

Dengan memanfaatkan kekuatan teknologi untuk memerangi polusi plastik, IBM menunjukkan kepada Majelis Lingkungan Perserikatan Bangsa-Bangsa (PBB) komitmennya terhadap pelestarian lingkungan - dengan menekankan bahwa AI dapat menjadi alat penting untuk mengukur kemajuan di masa depan dan dapat memengaruhi kebijakan langsung dalam intervensi plastik di laut untuk membangun ekosistem laut yang berkelanjutan. UNEP kini mengalihkan fokusnya untuk membuat pengumpulan data menjadi lebih mudah dan memberikan dampak yang lebih besar.

Wilson Center sedang mengeksplorasi cara untuk menggunakan sains warga dalam pelaporan UNEP di luar pembersihan pantai, termasuk dengan aplikasi seluler yang lebih canggih yang menampilkan deteksi dan klasifikasi objek, kata Dr. Anne Bowser, Director of Innovation Wilson Center dan pemimpin proyek ini.

Berdasarkan kesuksesan awal dalam kolaborasinya dengan IBM, Bowser berpikir bahwa akan ada lebih banyak tujuan UNEP(tautan berada di luar ibm.com) yang dapat diuntungkan dengan memberdayakan para ilmuwan warga. "AI adalah mitra canggih untuk sains warga yang dapat membantu komunitas lokal hingga global," kata Bowser. "Kami baru saja mengambil langkah pertama untuk mewujudkan potensi ini."

Wilson Center (tautan berada di luar ibm.com) yang disewa oleh Kongres AS pada tahun 1968 sebagai peringatan resmi untuk Presiden Woodrow Wilson, adalah forum kebijakan nonpartisan utama negara untuk menangani masalah-masalah global melalui penelitian independen dan dialog terbuka untuk menginformasikan ide-ide yang dapat ditindaklanjuti bagi komunitas kebijakan. Organisasi ini membantu meluncurkan Earth Challenge 2020, sebuah platform untuk meningkatkan jumlah data sains warga yang terbuka dan memiliki kemampuan interoperabilitas, dengan aplikasi seluler untuk melibatkan publik.

Program Lingkungan Perserikatan Bangsa-Bangsa (UNEP)

UNEP (tautan berada di luar ibm.com) adalah otoritas lingkungan global terkemuka yang menetapkan agenda lingkungan global, mempromosikan implementasi yang koheren dari dimensi lingkungan pembangunan berkelanjutan dalam sistem Perserikatan Bangsa-Bangsa. Dibentuk pada tahun 1972, UNEP berfungsi sebagai advokat otoritatif untuk lingkungan global. Untuk informasi lebih lanjut, kunjungi: https://www.unep.org (tautan berada di luar ibm.com).