Intelligenza artificiale, clima e ambiente

Intelligenza artificiale, clima e ambiente

 

L’articolo tratta dell’impatto ambientale di una tecnologia che sta rivoluzionando la vita dell’uomo: l’intelligenza artificiale (IA). L’IA è una disciplina in costante e rapido sviluppo, difficile da definire, analizzare e regolare. Tuttavia, il cambiamento climatico, in quanto minaccia incombente sulla salute dell’uomo e del pianeta richiede l’utilizzo di tecnologie come l’IA che ci permettano di implementare soluzioni creative ed efficienti, ma che siano al contempo sostenibili. La Parte I dell’articolo si focalizza sulle nozioni base relative all’IA e ai limiti incontrati nella quantificazione e delineazione del suo impatto sull’ambiente. La Parte II esamina invece gli impatti ambientali diretti e indiretti evidenziandone sia gli aspetti positivi che negativi, che servirà da base per l’analisi della proposta di regolamento europeo sull’IA nella Parte III. Data la mancanza di considerazioni ambientali nella proposta della Commissione UE, particolare attenzione viene posta sulle modifiche proposte dalla Commissione parlamentare europea per l’ambiente, la sanità pubblica e la sicurezza alimentare (ENVI), che se implementate, tracceranno la strada per una transizione europea digitale e al contempo sostenibile.  
 

Parte I: Nozioni base sull’intelligenza artificiale

Introduzione

L’intelligenza artificiale (IA) ha pervaso ormai molti settori, sia industriali che pubblici, ed è entrata a far parte delle nostre vite quotidiane. I dispositivi con i quali già siamo familiari - come gli assistenti vocali – hanno dimensioni ridotte o sono addirittura apparentemente “immateriali”, come le raccomandazioni sui programmi “scelti per te” sulle piattaforme di streaming. Per questo non è intuitivo interrogarsi sull’impatto ambientale di questa tecnologia.

Tuttavia, dietro ogni applicazione virtuale e digitale giace una domanda fisica di materie prime ed energia. Basti pensare che occorrono 83.000 processori e 40 minuti per simulare l’1% dell’attività del cervello umano per un secondo.[1] È importante capire i costi ambientali di questa tecnologia, che se da un lato richiede un consumo ingente di risorse, è una risorsa in sé in quanto offre nuove possibilità e opportunità per combattere il cambiamento climatico e proteggere l’ambiente.

Che cos’è l’IA?

Nonostante questa tecnologia abbia fatto la sua prima comparsa già negli anni ’40 con i primi studi su macchine e sistemi intelligenti, non si è ancora delineata una definizione generalmente accettata. In termini generali, l’IA può essere definita come una disciplina che appartiene al campo dell’informatica e che studia metodi e strumenti per consentire ad una macchina di fare cose che appaiono intelligenti. [2]  È dunque un software sviluppato con diverse tecniche o approcci, che per una determinata serie di obiettivi delineati dall’uomo, può generare output come contenuti, previsioni, raccomandazioni o decisioni.[3] È Importante comprendere che l’IA è in realtà un concetto ampio che racchiude diverse aree come ad esempio il Machine Learning, il Deep Learning e la Computer Vision. Ogni campo funziona in maniera differente e richiede risorse computazionali diverse, motivo per il quale diverse aree dell’IA avranno un impatto ambientale distinto.

Machine Learning

Il Machine Learning (apprendimento automatico) è un campo dell’IA che studia i meccanismi che permettono ad una macchina di migliorare le proprie prestazioni nel tempo. Una volta inseriti i dati, l’algoritmo apprende grazie all’esperienza e all’osservazione e non grazie alla programmazione.[4] Osservando coppie di input/output cercherà di capire la loro relazione e fare previsioni e prendere decisione informate. Maggiori dati il programma acquisisce, migliori saranno le sue risposte, funzioni e capacità.[5] Mentre nei sistemi esperti, un esperto codifica conoscenze e competenze all’interno dei programmi informativi, con il Machine Learning questa inferenza prestabilita viene a mancare, e la macchina deriva conoscenze e identifica pattern dopo esser stata esposta ad una quantità ingente di dati.[6]

Deep learning

Il Deep Learning (apprendimento profondo) è un sottoinsieme del Machine Learning, ed è caratterizzato da algoritmi multistrato che formano una rete neurale artificiale, che si propone di replicare tramite software le attività neuronali del cervello umano. Gli algoritmi del Deep Learning possiedono quindi maggiore complessità di astrazione, consentendo ai computer di apprendere con precisione e in tempi più rapidi rispetto ai processi canonici del Machine Learning. [7]

Computer vision

La computer vision (visione artificiale) è un campo dell’IA che permette di ricavare informazioni a partire da immagini, video e input visivi e funziona quindi come la vista umana. Attraverso telecamere, dati e algoritmi, l’IA è capace di analizzare migliaia di prodotti o processi al minuto, superando le capacità e possibilità umane.[8]

L’IA offre quindi opportunità inimmaginabili fino poco tempo fa. Tuttavia, l’aumento del suo utilizzo deve essere accompagnato da uno studio dei suoi impatti ambientali. Da questo punto di vista, l’IA ha infatti una doppia natura: essa può fungere da strumento per fronteggiare la crisi climatica e ambientale, ma al contempo esserne un elemento motore dato che richiede ingenti usi di materie prime, acqua ed energia, oltre a generare emissioni di CO2. L’OCSE ne ha recentemente identificato sia gli impatti ambientali diretti che indiretti. Gli effetti diretti riguardano tutte le fasi del ciclo di vita dell’IA: progettazione, trasporto, operazioni e fine vita; mentre quelli indiretti riguardano le applicazioni della tecnologia. [9]

Limiti dell’indagine

Il problema principale che emerge nel quantificare l’impatto ambientale dell’IA è la mancanza di dati, dovuta a diversi motivi. Innanzitutto, essendo una tecnologia relativamente nuova, è molto difficile trovare dati specifici che siano differenziati dalle Tecnologie d’Informazione e Telecomunicazione (ICT).[10] Questo è un limite importante perché “non è possibile migliorare quello che non possiamo misurare”. [11]  Dato che la maggioranza dei dati IA-specifici sono quelli relativi alla fase operativa, che coinvolge il training e l’inferenza, l’analisi sarà circoscritta a questa fase.[12] In secondo luogo, un grosso limite alla quantificazione del danno ambientale è l’accesso ai dati sull’IA dovuto al fatto che molte informazioni sono mantenute confidenziali a causa dei diritti di proprietà detenuti dalle aziende che operano nel settore. [13]