Can AI Help Solve the Climate Crisis? | Sims Witherspoon | TED

Translator: samantha kwee Reviewer: Reno Kanti Riananda

You may have had the experience of unboxing furniture

Anda mungkin pernah memiliki pengalaman membuka kotak furnitur

and come across instructions that go something like this:

dan menemukan instruksi yang berbunyi seperti ini:

"Assemble the bookshelf according to the provided diagram."

“Pasang rak buku sesuai dengan diagram yang disediakan.”

Yes, I know what a bookshelf looks like.

Ya, saya tahu seperti apa rak buku itu.

Probably wouldn't be reading the assembly instructions

Saya mungkin tidak akan membaca instruksi perakitan

if I didn't need a little more help with the process.

jika saya tidak butuh bantuan tambahan dengan prosesnya.

Or maybe you've opened a cookbook

Atau Anda pernah membuka buku masak

with an author who thinks you're already somewhat of a chef.

dengan seorang penulis yang mengira Anda sudah menjadi koki.

"Deglaze the pan."

“Lapisi wajan.”

What?

Apa?

(Laughter)

(Tertawa)

OK, off I go on a separate search to understand whatever that means.

Saya akan melakukan pencarian terpisah untuk memahami apa pun artinya.

Instructions that tell you what to do and not how to do it

Instruksi yang memberi tahu apa yang harus dilakukan dan bukan caranya

are pretty useless.

sangat tidak berguna.

And yet, even when we're talking

Namun, bahkan saat kita bicara

about something as important as climate change,

tentang sesuatu yang sama pentingnya dengan perubahan iklim,

we hear them all the time.

kita selalu mendengarnya.

“Transition to renewable energy.”

“Transisi ke energi terbarukan.”

“Electrify everything else.”

“Melistrikkan segala hal.”

“Deploy solutions that are equitable and fair.”

“Menyebarkan solusi yang pantas dan adil.”

Yes, let's do all of that.

Ya, mari kita lakukan semua itu.

But how?

Tapi bagaimana?

Answering how is where we understand which solutions are actually feasible,

Menjawab bagaimana adalah cara kita memahami solusi mana yang memang layak,

whether that be with today's infrastructure,

baik itu dengan infrastruktur saat ini,

our evolving regulatory environment

lingkungan peraturan kita yang berkembang,

or any of the other number of dependencies and constraints

atau jumlah ketergantungan dan kendala lain

that we have to consider.

yang harus kita pertimbangkan.

How we solve climate change

Cara mengatasi perubahan iklim

also depends on our very definition of the problem.

juga tergantung pada definisi kita tentang masalah tersebut.

It's a scientific challenge, a sociopolitical issue,

Ini adalah tantangan ilmiah, masalah sosiopolitik,

an economic problem and so much more.

masalah ekonomi, dan banyak lagi.

And how we solve it will depend on how we frame it.

Cara kita mengatasinya tergantung dari cara kita membingkainya.

There is no single answer.

Tidak ada hanya satu jawaban.

I'm a scientist,

Saya seorang ilmuwan,

so I approach climate change as a scientific challenge.

jadi saya menganggap perubahan iklim sebagai tantangan ilmiah.

I'm also a techno-optimist

Saya juga seseorang yang tekno-optimis,

and artificial-intelligence product manager,

dan manajer produk kecerdasan buatan (AI),

so I also approach it as a technological one.

jadi saya juga menganggapnya sebagai tantangan teknologi.

When it comes to a sustainable future,

Perihal masa depan yang berkelanjutan,

artificial intelligence can help us do three critical things.

kecerdasan buatan (AI) dapat membantu kita melakukan tiga hal penting.

First, it can help us understand climate change

Pertama, hal ini dapat membantu kita memahami perubahan iklim

and its effects on Earth's ecosystems.

dan pengaruhnya terhadap ekosistem Bumi.

Second, it can help us optimize current systems and infrastructure,

Kedua, dapat membantu kami meng- optimalkan sistem dan infrastruktur,

because we can't just start over from scratch today.

karena kami tidak bisa memulai dari awal hari ini.

And third, it can help us accelerate the breakthrough science we need,

Ketiga, dapat membantu kita mempercepat penemuan sains yang kita butuhkan,

such as fusion as a carbon-free energy source.

seperti fusi sebagai sumber energi bebas karbon.

Today, I'd like to talk about that second one,

Hari ini, saya ingin berbicara tentang yang kedua,

optimizing current systems,

mengoptimalkan sistem saat ini,

and specifically, how we can use AI to harness a superpower

khususnya bagaimana kita bisa memakai AI untuk memanfaatkan kekuatan super

we already have in this fight:

yang sudah kita miliki dalam masalah ini:

wind energy.

energi angin.

Renewables are unquestionably a key to a sustainable future,

Energi terbarukan pastinya suatu kunci untuk masa depan yang berkelanjutan,

but the problem is they're unpredictable.

tetapi masalahnya adalah: mereka tidak bisa diprediksi.

Sometimes, the sun shines and the wind blows,

Terkadang, matahari bersinar dan angin bertiup,

and sometimes, it just doesn't.

dan terkadang tidak.

Now, for an electricity systems operator,

Untuk operator sistem listrik,

who needs supply to meet demand in real time, 24-7,

yang membutuhkan pasokan untuk memenuhi permintaan secara real time, 24-7,

this is hugely problematic.

ini sangat bermasalah.

Renewables can't be 100 percent reliably scheduled.

Energi terbarukan tidak dapat dijadwalkan 100 persen dengan andal.

Now, unfortunately, fossil-fuel plants are the opposite.

Sayangnya, pembangkit bahan bakar fosil adalah kebalikannya.

You can burn a specific amount of coal at a set time

Anda dapat membakar sejumlah batubara tertentu pada waktu yang ditentukan

to deliver exactly the amount of electricity you want

untuk memberikan listrik dengan jumlah yang Anda inginkan

in a predictable time window.

dalam jangka waktu yang bisa diprediksi.

So ...

Jadi...

if you're a power systems manager

jika Anda seorang manajer yang tugasnya adalah menyediakan listrik,

whose job is to literally keep the lights on,

which source are you more confident depending on?

sumber mana yang lebih Anda percayai?

But here's one of the places where AI can come in.

Tapi inilah salah satu situasi di mana AI bisa membantu.

It is a powerful tool for forecasting.

AI adalah alat yang ampuh untuk meramalkan.

AI systems can ingest vast amounts of historical data

Sistem AI dapat menelan sejumlah besar data historis

and help us predict future events.

dan membantu kami memprediksi masa depan.

So, while we can't eliminate the variability of wind,

Jadi, meskipun kita tidak dapat menghilangkan variabilitas angin,

we can use AI to more accurately predict its availability.

kita dapat memakai AI untuk lebih akurat memprediksi ketersediaannya.

That was my team’s “what” to do.

Itulah “apa” yang tim saya yang akan lakukan.

Use AI to accelerate the transition to renewables, like wind energy.

Gunakan AI untuk mempercepat transisi ke energi terbarukan, seperti angin.

The tough part was the “how” to do it.

Bagian yang sulit adalah “bagaimana” melakukannya.

First, we researched the challenge.

Pertama, kami meneliti tantangannya.

We read papers, we spoke to domain experts,

Kami membaca buku, kami berbicara dengan ahli domain,

we found out everything we could about the problem.

kami menemukan semua yang kami bisa tentang masalah ini.

Our team, which is a mix of research scientists,

Tim kami, yang merupakan campuran peneliti,

engineers, a product manager, a program manager

insinyur, manajer produk, manajer program,

and an impact analyst,

dan analis dampak,

decided that a neural net trained on historical weather data

memutuskan bahwa jaring saraf yang dilatih tentang data cuaca historis

and turbine power-production information

dan informasi produksi daya turbin

would likely help us accomplish our goal.

kemungkinan akan membantu kami mencapai tujuan kami.

Next, we needed to find two core elements:

Selanjutnya, kami perlu menemukan dua elemen inti:

data to train the system

data untuk melatih sistem

and a partner who was willing to deploy it.

dan mitra yang bersedia menerapkannya.

Both of these can be major obstacles

Kedua hal ini bisa menjadi

when it comes to deploying AI in real-world scenarios.

kendala utama dalam hal penerapan AI dalam skenario dunia nyata.

Let's start with data.

Mari kita mulai dengan data.

There are massive gaps in climate-critical data --

Ada kesenjangan besar dalam data kritis iklim --

not just in electricity,

tidak hanya di listrik,

but in agriculture, transportation, industry and many other sectors.

tetapi di bidang pertanian, transportasi, industri, dan banyak sektor lainnya.

Some of our data, we could purchase or download for free --

Beberapa data kami, kami dapat membeli atau mengunduh secara gratis --

weather forecasts, for instance.

prakiraan cuaca, misalnya.

But some of the data we needed was proprietary,

Tetapi beberapa data yang kami butuhkan adalah hak milik,

and this would be, like, turbine power-production information

dan ini akan menjadi, seperti, informasi produksi tenaga turbin

and other operational data from the wind farms.

dan data operasional lainnya dari ladang angin.

Now, we needed that proprietary data so that we could train our models

Jadi, kami membutuhkan data kepemilikan itu supaya kami dapat melatih model kami

to learn the relationship between historical weather

untuk mempelajari hubungan antara cuaca historis

and historical power production,

dan produksi tenaga historis

so it could then then make predictions about future power availability

sehingga kemudian dapat membuat prediksi tentang ketersediaan daya di masa depan

based on what data said about future weather.

berdasarkan data yang dikatakan tentang cuaca di masa depan.

Now it's probably worth mentioning here

Di sini mungkin perlu disebutkan

that we were looking at a few years of data

bahwa kami melihat data beberapa tahun

on hourly resolution,

dalam resolusi per jam,

not historical data at a timescale

bukan data historis pada skala waktu

that would have massive climactic differences from present day.

yang akan memiliki perbedaan klimaks besar dari hari ini.

In addition to data,

Selain data,

we needed to find a partner with domain expertise

kami perlu menemukan mitra dengan keahlian domain

and the willingness and scale to test new systems.

dan kemauan serta skala untuk menguji sistem baru.

You know, surprisingly, this can be a major hurdle

Anda tahu, secara mengejutkan, ini bisa menjadi rintangan besar

when it comes to deploying AI in the real world.

dalam hal menyebarkan AI di dunia nyata.

Believe it or not, it's not every wind-farm manager

Percaya atau tidak, tidak semua manajer ladang angin

that wants to let a bunch of AI researchers

ingin membiarkan sekelompok peneliti AI

test on their multimillion- or multibillion-dollar systems.

menguji sistem jutaan atau miliaran dolar mereka.

But the thing is, in order to prove that AI works,

Tapi masalahnya, untuk membuktikan bahwa AI berfungsi,

we have to have deployment opportunities in the real world.

kita harus memiliki peluang penyebaran di dunia nyata.

Luckily for us, Google was a ready and willing partner.

Untungnya bagi kami, Google mitra yang siap dan bersedia.

OK, yes, DeepMind is a part of Google,

Ya, DeepMind adalah bagian dari Google,

but it's not a given that they would let us test on their systems.

tetapi itu tidak pasti bahwa mereka akan membiarkan kami menguji di sistem mereka.

Yet they let us test on 700 megawatts of their wind-power capacity,

Tapi mereka membiarkan kami menguji 700 MW kapasitas tenaga angin mereka,

which is equivalent to a large wind farm in the United States.

yang setara dengan ladang angin besar di Amerika Serikat.

This made them an excellent proxy for external wind-farm operators.

Ini menjadikan mereka proxy yang baik untuk operator pertanian angin eksternal.

They also lent us an expert team to advise on metrics and benchmarks

Mereka juga memberi ahli untuk memberi saran tentang metrik dan tolak ukur

and to share the data that we needed.

dan untuk berbagi data yang kami butuhkan.

This is another critical component of AI for the real-world deployments.

Ini adalah komponen penting lain dari AI untuk penyebaran dunia nyata.

Working with a domain-expert team that can tell you what they need,

Bekerja dengan tim ahli domain yang dapat memberi tahu Anda yang mereka butuhkan,

how they need it to work,

bagaimana mereka membutuhkannya untuk menjaga sistem tetap aman,

which constraints keep the system safe,

what quantifiable metrics to use to measure AI performance

metrik terukur apa yang digunakan untuk mengukur kinerja AI,

and how much better that AI performance needs to be

dan seberapa jauh lebih baik kinerja AI yang dibutuhkan

than their previous systems

daripada sistem sebelumnya

to make the cost of switching over even worth it.

untuk membuat biaya peralihan bahkan sepadan.

And that's just to name a few.

Dan itu hanya untuk beberapa.

So at this point, we have our idea,

Jadi pada titik ini, kami memiliki ide kami,

we have our data, we have our deployment partner.

kami memiliki data kami, kami memiliki mitra penyebaran kami.

Now, to test and deploy our system.

Sekarang, untuk menguji dan menyebarkan sistem kami.

Improving the accuracy of electricity-supply forecast

Meningkatkan akurasi perkiraan pasokan listrik

is incredibly important.

sangat penting.

If predictions are higher than actual generation,

Jika prediksi lebih tinggi dari pembangkit yang sebenarnya,

renewable electricity managers may not have enough supply to meet demand.

manajer listrik terbarukan mungkin tidak bisa memenuhi permintaan.

This, in turn, drives the purchase of carbon-intensive fossil fuels

Hal ini, bergilir, mendorong pembelian bahan bakar fosil intensif karbon

to cover that gap,

untuk menutupi celah itu,

because they're largely what makes up backup generation.

karena merekalah yang membentuk generasi cadangan.

Now, the good news.

Sekarang, kabar baiknya.

Our AI system performed 20 percent better than Google's existing systems.

Sistem AI kami berkinerja 20 persen lebih baik dari sistem Google yang ada.

Even better news is that Google decided to scale this technology.

Kabar baiknya adalah Google memutuskan untuk menskalakan teknologi ini.

And scaling is so important.

Dan penskalaan sangat penting.

We will run out of time in the climate countdown

Kami akan kehabisan waktu dalam hitungan mundur iklim

if we aren't deploying solutions that are widely applicable.

jika kami tidak menerapkan solusi yang dapat diterapkan secara luas.

This particular solution is being developed

Solusi khusus ini sedang dikembangkan menjadi produk perangkat lunak

into a software product

that French company Engie is among the first to pilot.

yang diuji coba pertama kali oleh perusahaan Prancis, Engie.

But, you know,

Tidak perlu organisasi riset besar untuk melakukan pekerjaan semacam ini.

it doesn't even take a major research organization to do this kind of work.

Where we focused on AI for supply-side forecasting,

Saat kami berfokus pada AI untuk peramalan sisi penawaran,

a small UK-based nonprofit called Open Climate Fix

sebuah organisasi nirlabal yang berbasis di Inggris bernama Open Climate Fix

is focusing on AI for demand-side forecasting.

berfokus pada AI untuk peramalan sisi permintaan.

They found a willing partner in the UK National Grid,

Mereka menemukan mitra yang bersedia di Grid Nasional Inggris,

and are currently deploying forecasts that are two times more accurate

dan saat ini menyebarkan perkiraan yang dua kali lebih akurat

than the UK grid's previously used systems.

daripada sistem grid Inggris yang sebelumnya digunakan.

Now, all of this is to say is that AI can help us

Semua ini membuktikan bahwa AI dapat membantu kita

with the transition to renewable energy,

dengan transisi ke energi terbarukan,

but scientists and technologists,

tetapi para ilmuwan dan teknolog,

we're not going to be able to do that alone.

kita tidak akan dapat melakukannya sendiri.

We need to be working with partners and experts

Kita perlu bekerja dengan mitra dan ahli

who can teach us the “how.”

yang dapat mengajari kita “bagaimana”.

So for those of you interested in this space,

Jadi, bagi Anda yang tertarik dengan bidang ini,

if you're a domain expert,

jika Anda seorang ahli domain,

please share the problems you face and the challenges that you have

silakan bagikan masalah yang Anda hadapi dan tantangan yang Anda miliki

so that our sector can ensure

sehingga sektor kami dapat memastikan

that AI pursuits will have impact in the real world

bahwa pengejaran AI akan berdampak di dunia nyata

and not be purely academic.

dan tidak murni akademis.

Even better,

Lebih baik lagi,

if you want to incentivize ML researchers to work on your problems,

jika Anda ingin menginsentif peneliti ML untuk mengatasi masalah Anda,

I'll let you in on a little secret:

saya akan memberi Anda sedikit rahasia:

build a competition, and they will come.

bangunlah kompetisi, dan mereka akan datang.

(Laughter)

(Tertawa)

It's true.

Itu benar.

Just don't forget the datasets and metrics.

Hanya saja, jangan lupa kumpulan data dan metriknya.

If you are a data holder, where it’s safe and responsible to do so,

Jika Anda adalah pemegang data yang aman dan bertanggung jawab,

please share data related to those challenges.

silakan bagikan data yang terkait dengan tantangan tersebut.

If you're not sure whether the data you have is even climate-critical,

Jika Anda tidak yakin apakah data yang Anda miliki bahkan kritis- iklim,

you can check out Climate Change AI's website,

Anda dapat memeriksa situs web AI Perubahan Iklim,

where they have published a wish list of climate-critical datasets.

di mana mereka telah menerbitkan daftar keinginan set data kritis iklim.

Access to these datasets

Akses ke kumpulan data ini

would unblock crucial research and innovation in AI for climate.

akan membuka blokir penelitian dan inovasi penting dalam AI untuk iklim.

If you're a deployment partner,

Jika Anda adalah mitra penyebaran,

please, let us know who you are,

beri tahu kami siapa Anda,

especially if you're willing to test innovative systems.

terutama jika Anda bersedia menguji sistem inovatif.

And for everyone who's interested in this space,

Dan untuk semua orang yang tertarik dengan bidang ini,

please know you do not have to be technical to work in tech.

ketahuilah bahwa Anda tidak harus teknis untuk bekerja di bidang teknologi.

AI for climate action requires a variety of skill sets

AI untuk aksi iklim membutuhkan berbagai keahlian

and a diversity of backgrounds

dan keragaman latar belakang

that, yes, includes research scientists and engineers,

yang tentu saja mencakup ilmuwan dan insinyur penelitian,

but it also includes ethicists and policy experts,

tetapi juga mencakup ahli etika dan pakar kebijakan,

communication teams, product managers,

tim komunikasi, manajer produk,

program managers and so many more folks.

manajer program, dan banyak lagi.

Now for the warning label.

Sedikit peringatan.

AI is not a silver bullet.

AI bukanlah jawaban untuk segalanya.

It will not solve all problems driving climate change.

AI tidak akan menyelesaikan semua masalah perubahan iklim.

It isn't even the right tool for many of the challenges that we face.

Ini bahkan bukan alat yang tepat untuk banyak tantangan yang kita hadapi.

AI is also not a technology without tensions.

AI juga bukan teknologi tanpa ketegangan.

It needs to be deployed safely and responsibly.

AI perlu dikerahkan dengan aman dan bertanggung jawab.

Not to mention,

Belum lagi, sebelum jaringan kami dijalankan dengan energi bersih,

until our grids are run on clean energy, AI itself will carry a carbon footprint,

AI akan menghasilkan jejak karbon

as will any energy-intensive technology we use.

seperti halnya teknologi intensif energi yang kami gunakan.

But AI can be a transformational tool in our fight against climate change --

Namun, AI bisa menjadi alat transformasi dalam melawan perubahan iklim --

it's just on all of us to wield it effectively.

tergantung kita semua untuk menggunakannya secara efektif.

The “why” we need to is absolutely harrowing.

“Mengapa” yang kita butuhkan benar-benar mengerikan.

The “what” we can do is really exciting.

“Apa” yang bisa kita lakukan sangat menarik.

But it’s the “how” we can do it

Tapi “bagaimana” kita bisa melakukannya

that will illuminate feasibility and help us drive impact.

yang akan menerangi kelayakan dan membantu kita mendorong dampak.

So, in your next climate action conversations,

Jadi, dalam percakapan aksi iklim Anda berikutnya,

when someone presents you with an exciting "what,"

ketika seseorang memberi Anda “apa” yang menarik,

please help to advance the conversation

tolong bantu untuk memajukan percakapan

to the impactful "how."

ke “bagaimana” yang berdampak.

Thank you.

Terima kasih.

(Cheers and applause)

(Sorak-sorai dan tepuk tangan)