Sfida 1: Unire i dati sui rifiuti marini del mondo

Stimare il volume di rifiuti marino sparsi nei cinque oceani è più difficile di quanto sembri. Non esiste un metodo standard di raccolta dei dati sui rifiuti marini che guidi i paesi e le organizzazioni. Il Wilson Center, una delle principali organizzazioni politiche non partitiche degli Stati Uniti, insieme all'UNEP e al team Data Science and AI Elite (DSE) di IBM, aveva bisogno di armonizzare tonnellate di schemi e metadati per poter utilizzare i dati provenienti da ogni angolo del mondo.

Per promuovere una collaborazione più efficace tra tutti gli stakeholder, l'UNEP ha fissato l'obiettivo chiave di istituire una piattaforma globale per i rifiuti marini. Con IBM Knowledge Catalog in IBM Cloud Pak for Data, sono stati in grado di pulire, attraversare, classificare, conformare e rendere disponibili i dati giusti per i data scientist in modo rapido e automatico. La soluzione ha inoltre consentito ai citizen scientist di tracciare le origini dei dati, collaborare con altri scienziati, richiedere set di dati e condividere i propri insight sui set di dati utilizzando meccanismi di classificazione e tagging.

Sfida 2: Conquistare i set di dati condizionali per preservare la salute delle spiagge

La seconda sfida era calcolare il volume dei rifiuti marini sulle spiagge. Le indagini statisticamente randomizzate aiutano a creare stime scientifiche accurate, ma la raccolta dei dati sui rifiuti è, per sua stessa natura, casuale. I dati sugli sforzi di pulizia, fortemente dipendenti dalle squadre di pulizia volontarie, possono essere falsati da pregiudizi temporali e spaziali. Ad esempio, un volontario potrebbe raccogliere quotidianamente i rifiuti sulla spiaggia, ma ciò che raccoglie ogni giorno è diverso da ciò che può trovare chi effettua la raccolta a cadenza settimanale o mensile, portando a campioni altamente dipendenti da una miriade di variabili, e quindi difficili da confrontare e analizzare.

E gli sforzi di pulizia non sono costanti da luogo a luogo: alcuni luoghi vengono puliti troppo frequentemente e altri raramente o mai, indicando che i campioni non sono né indipendenti né distribuiti in modo identico (IID). Tali set di dati condizionali impediscono la risoluzione dei problemi utilizzando i tipici metodi di machine learning.

Per affrontare queste sfide, il team DSE ha utilizzato il metodo dell'inferenza bayesiana con le tecniche di campionamento Makov Chain Monte Carlo (MCMC). L'approccio bayesiano ha permesso di tenere conto di alcune incertezze nel problema. MCMC ha permesso loro di creare una catena di eventi dipendenti per stimare i parametri dell'inquinamento dei mari. Questo proof-of-concept ha rivelato che tale metodologia ibrida unica può essere adattata e modificata per migliorare la forza del modello.

Il team DSE ha creato una pipeline di machine learning in IBM Cloud Pak for Data per stabilire un ciclo di vita AI end-to-end ottimizzato. Una volta stabilito un livello di base per la misurazione dei rifiuti marini, è riuscito a prevedere il numero di volontari necessari per la pulizia di una particolare spiaggia. Considerate le tendenze e le politiche attuali, il modello aiuterà a prevedere la quantità di rifiuti previsti cinque anni nel futuro.

Sfida 3: Guardare al futuro per rafforzare la prevenzione e il sostegno

Il modo migliore per risolvere il problema dei rifiuti marini è prevenirli. Guardando al futuro, come possono le comunità costiere prevenire danni permanenti alle coste incontaminate? Il team DSE ha creato una previsione in serie temporali per aiutare a monitorare la plastica marina e sviluppare politiche più accurate ed efficaci per eliminarla. Per rendere il set di dati facilmente utilizzabile, il team ha creato un dashboard esecutivo che consente ai vari stakeholder di:

• Monitora la progressione della densità dei rifiuti marini anno dopo anno
• Suddividere i dati per località nazionale allo scopo di valutare le tendenze dei rifiuti nel tempo
• Concentrarsi su spiagge specifiche per una raccolta dati più granulare
• Definire la metodologia per consigliare le migliori app mobili ai gruppi di volontariato

Mettendo in atto un ciclo di vita end-to-end dell'AI, scienziati e politici potrebbero ottenere ancora più valore dai set di dati del Wilson Center, sia per coordinare le pulizie che per prevedere una tempistica per arrivare all'inquinamento zero. Il dashboard digitale personalizzato di IBM rende il lavoro facilmente accessibile e condivisibile anche per chi non possiede competenze tecniche.

Questi strumenti consentono a un attore dell’UNEP come la Costa Rica di monitorare i propri progressi verso l’obiettivo nazionale di eliminare completamente la plastica.

Sfida 4: Far sì che più persone si preoccupino dei rifiuti marini

La leadership dell'UNEP voleva approfondire ulteriormente i dati per creare un legame tra il pubblico e la questione dei rifiuti marini. Per ottenere questa connessione, l'organizzazione ha pensato a un avatar digitale come punto di riferimento per le informazioni. E così è nato un personaggio digitale chiamato Sam.

"Sam può connettersi emotivamente con gli utenti perché è davvero reattivo", spiega Richard Darden, Distinguished Engineer e Digital Human Advocate di IBM.

Le risposte emotive di Sam derivano da IBM Watson Assistant sfruttando la tecnologia IBM Watson Speech to Text. Questi programmi possono interpretare l'intento di un utente, e quindi elaborare la risposta di Sam ottenendola dal vasto archivio dell'UNEP e da altre fonti.

Queste informazioni vengono poi filtrate da un avatar realistico costruito da Soul Machines, un'azienda di San Francisco che produce quelle che definisce "persone digitali".

Sfruttando la potenza della tecnologia per combattere l'inquinamento da plastica, IBM ha dimostrato alla United Nations Environment Assembly il suo impegno per la tutela dell'ambiente, sottolineando che l'AI è uno strumento fondamentale per misurare i progressi futuri e può influenzare la politica diretta sugli interventi in materia di gestione della plastica nei mari, per costruire un ecosistema marino sostenibile. L'UNEP ora si sta concentrando nel rendere la raccolta dei dati più semplice e di maggiore impatto.

Il Wilson Center sta esplorando modi per utilizzare la citizen science nei report dell'UNEP oltre la pulizia delle spiagge, anche con app mobili più sofisticate con rilevamento e classificazione degli oggetti, come spiega la dott.ssa Anne Bowser, Director of Innovation del Wilson Center e responsabile del progetto.

Sulla base del successo iniziale della sua collaborazione con IBM, Bowser ritiene che più obiettivi UNEP (link esterno a ibm.com) trarrebbero vantaggio dal potenziamento dei citizen scientist con l'AI. "L'AI è un potente alleato per la citizen science e può aiutare le comunità locali e globali", afferma Bowser. "Questi sono solo i primi passi verso la realizzazione di questo potenziale".

Il Wilson Center (link esterno a ibm.com), istituito dal Congresso degli Stati Uniti nel 1968 come forma ufficiale di commemorazione del presidente Woodrow Wilson, è il più importante forum non-partisan del paese per affrontare problemi globali tramite una ricerca indipendente e un dialogo aperto per informare le idee attuabili per la comunità politica. L'organizzazione ha aiutato a lanciare Earth Challenge 2020, una piattaforma pensata per aumentare la quantità di dati di citizen science aperti e interoperabili, con un'app mobile in grado di coinvolgere il pubblico.

Lo United Nations Environment Programme (UNEP)

L'UNEP (link esterno a ibm.com) è la principale autorità ambientale del mondo che definisce l'agenda globale in materia di ambiente e promuove l'attuazione coerente della dimensione ambientale dello sviluppo sostenibile all'interno del sistema delle Nazioni Unite. Formata nel 1972, funge da sostenitore autorevole per l'ambiente globale. Per ulteriori informazioni, visita: https://www.unep.org (link esterno a ibm.com).