Sut mae AI yn effeithio ar Eirth Pegynol? [Fideo a Chwis]

Yn gryno: Gall deallusrwydd artiffisial helpu i amddiffyn eirth gwyn drwy gryfhau arolygon poblogaeth, monitro iâ môr, asesiadau iechyd, a rhybuddion cynnar ar gyfer cyfarfyddiadau rhwng pobl ac eirth. Mae ei werth ar ei fwyaf pan fydd arbenigwyr a chymunedau Cynhenid ​​​​yn adolygu'r canlyniadau, pan fydd data sensitif yn parhau i fod wedi'i ddiogelu, ac pan fydd y dechnoleg yn cefnogi lleihau allyriadau yn hytrach na sefyll dros weithredu ar yr hinsawdd.

Prif bethau i'w cymryd:

Atebolrwydd: Cadwch bobl yn gyfrifol am ddilysu canfyddiadau, rhagolygon a phenderfyniadau cadwraeth.

Caniatâd: Cynnwys cymunedau Cynhenid ​​cyn casglu, rhannu neu gymhwyso gwybodaeth leol.

Tryloywder: Eglurwch yn glir ansicrwydd, bylchau data, defnydd ynni, a chyfyngiadau modelu.

Archwiliadwyedd: Profi systemau'n rheolaidd mewn tywydd ac amodau goleuo Arctig go iawn.

Effaith ar ddefnyddwyr: Defnyddiwch AI dim ond pan fydd yn gwella diogelwch, amddiffyn cynefinoedd neu les anifeiliaid yn ystyrlon.

1. Sut mae AI yn effeithio ar Eirth Pegynol trwy ymchwil hinsawdd?

Y bygythiad mwyaf sy'n wynebu eirth gwyn yw colli a thrawsnewid iâ môr.

Mae eirth gwynion yn dibynnu ar rew môr fel llwyfan hela. Maent yn ei ddefnyddio i deithio, gorffwys, dod o hyd i gymariaid, a hela morloi. Pan fydd iâ yn ffurfio'n hwyrach, yn toddi'n gynharach, neu'n dod yn fwyfwy darniog, gall eirth dreulio mwy o amser ar dir a llai o amser mewn ardaloedd hela cynhyrchiol.

Mae deallusrwydd artiffisial yn helpu ymchwilwyr i ddehongli'r gyfrol enfawr o ddata amgylcheddol sy'n gysylltiedig â'r newidiadau hyn.

Gall systemau dysgu peirianyddol archwilio:

• Delweddau lloeren o rew môr

• Mesuriadau tymheredd y cefnfor

• Amcangyfrifon dyfnder eira

• Patrymau tywydd

• Cyfeiriad a chyflymder y gwynt

• Sylwadau trwch iâ

• Data symudiad yr arth

• Cofnodion amgylcheddol hanesyddol

Gall ymchwilydd dynol astudio'r setiau data hyn, wrth gwrs, ond mae eu graddfa'n aruthrol. Gall systemau lloeren gynhyrchu miloedd o ddelweddau sy'n cwmpasu darnau helaeth o'r Arctig. Gall deallusrwydd artiffisial sganio'r delweddau hyn yn gyflymach, tynnu sylw at batrymau anarferol, a helpu ymchwilwyr i gyfeirio eu sylw lle mae'n bwysicaf.

Nid yw hyn yn golygu bod deallusrwydd artiffisial yn datrys newid hinsawdd yn hudolus. Mae'n agosach at gynorthwyydd cyflym iawn gyda chydnabyddiaeth patrymau rhagorol a dim gallu i wisgo esgidiau eira. Gall ddangos i wyddonwyr ble mae amodau iâ yn newid, ond mae'n rhaid i bobl benderfynu beth i'w wneud â'r wybodaeth honno o hyd.

2. Gall deallusrwydd artiffisial helpu i gyfrif eirth gwyn yn fwy cywir 📷

Mae cyfrif eirth gwynion yn anoddach nag y mae'n swnio.

Maent yn byw mewn tiriogaethau helaeth, anghysbell. Mae eu ffwr golau yn cymysgu ag eira a rhew. Mae rhai poblogaethau wedi'u gwasgaru ar draws ardaloedd sy'n anodd, yn gostus, neu'n beryglus i ymchwilwyr eu cyrraedd. Gall arolygon traddodiadol gynnwys awyrennau, llongau, hofrenyddion, tagio corfforol, neu ymchwilwyr sy'n gweithio mewn oerfel llym.

Gall deallusrwydd artiffisial gefnogi arolygon poblogaeth trwy ddadansoddi ffotograffau o'r awyr, delweddau drôn, a delweddau lloeren.

Gellir hyfforddi systemau gweledigaeth gyfrifiadurol i adnabod siapiau a allai fod yn eirth gwyn. Unwaith y bydd y system yn nodi anifeiliaid posibl, gall ymchwilwyr adolygu'r canfyddiadau hynny yn hytrach nag archwilio pob modfedd o bob ffotograff â llaw.

Gallai hyn helpu gyda:

• Lleoli eirth mewn casgliadau delweddau mawr

• Amcangyfrif dwysedd poblogaeth

• Tracio newidiadau mewn dosbarthiad

• Adnabod mamau â chenawon

• Canfod grwpiau sydd wedi ymgynnull ger ffynonellau bwyd

• Lleihau'r amser a dreulir yn adolygu delweddau gwag

Mae yna ddal. Gall eira, creigiau, cysgodion, ffurfiannau iâ, a hyd yn oed ewyn ger yr arfordir ddrysu system adnabod delweddau. Gall craig lachar droi'n "arth wen" yn sydyn yn ôl yr algorithm, sy'n ddoniol nes bod penderfyniadau poblogaeth yn dibynnu ar y canlyniad.

Mae gwirio dynol yn parhau i fod yn hanfodol.

Gall deallusrwydd artiffisial gulhau'r chwiliad. Ni ddylai ddod yn awdurdod eithaf yn awtomatig.

3. Olrhain eirth gwyn unigol heb fynd yn rhy agos

Yn aml, mae angen i ymchwilwyr adnabod anifeiliaid unigol er mwyn deall cyfraddau goroesi, patrymau symud, atgenhedlu, ymddygiad bwydo, a defnydd cynefin.

Yn draddodiadol, gall hyn gynnwys dal arth yn gorfforol, ei dagio, neu roi coler olrhain arni. Gall y dulliau hyn ddarparu gwybodaeth werthfawr, ond maent yn gofyn am adnoddau sylweddol a gallant roi straen dros dro ar yr anifail.

Mae adnabod â chymorth AI yn cynnig posibilrwydd arall.

Gall modelau gweledigaeth gyfrifiadurol archwilio nodweddion fel:

• Strwythur yr wyneb

• Creithiau a marciau

• Siâp y corff

• Arddull symudiad

• Patrymau ffwr

• Siâp y glust

• Gwahaniaethau maint

Gall eirth gwyn ymddangos bron yn union yr un fath i'r arsylwr achlysurol. Arth wen, trwyn du, pawennau enfawr - wedi gwneud. Ond gall delweddau manwl ddatgelu gwahaniaethau bach sy'n helpu ymchwilwyr i wahaniaethu rhwng un anifail ac un arall.

Gallai'r math hwn o fonitro anfewnwthiol ganiatáu i wyddonwyr ddilyn eirth unigol trwy weld camera dro ar ôl tro. Gallai leihau'r angen am drin corfforol mewn rhai lleoliadau ymchwil, er ei bod yn annhebygol y bydd yn disodli coleri a samplu biolegol yn llwyr.

Ni all ffotograff fesur popeth. Ni all ddarparu cemeg gwaed, lefelau hormonau, tymheredd y corff, na gwybodaeth enetig yn uniongyrchol. Mae ffotograffiaeth â chymorth deallusrwydd artiffisial yn un darn o'r pos ymchwil, nid y jig-so rhewllyd cyfan. 🧩

4. Tabl Cymharu: Sut mae offer AI yn cefnogi cadwraeth eirth gwyn

Mae'r tabl yn gwneud i AI ymddangos yn daclus a threfnus. Anaml y bydd ymchwil Arctig yn ymddwyn felly. Mae batris yn marw. Mae eira yn claddu offer. Mae tywydd yn newid heb seremoni. Mae eirth yn crwydro allan o'r golwg oherwydd, yn anghyfleus, nid ydyn nhw wedi darllen y cynllun ymchwil.

Er hynny, gall y technolegau hyn wneud monitro yn fwy effeithlon ac yn llai ymwthiol pan gânt eu cymhwyso'n ofalus.

5. Rhagweld ble bydd eirth gwyn yn symud 🗺️

Mae symudiadau eirth gwyn yn cael eu dylanwadu'n gryf gan iâ môr, argaeledd ysglyfaeth, tymor, tywydd, oedran, rhyw, statws atgenhedlu, ac ymddygiad unigol.

Gall modelau AI gyfuno'r newidynnau hyn i amcangyfrif ble y gallai eirth deithio nesaf.

Er enghraifft, gallai system ragfynegol ddadansoddi symudiadau iâ diweddar, daearyddiaeth arfordirol, gweld eirth yn y gorffennol, ac argaeledd bwyd. Yna gall nodi lleoliadau lle mae eirth gwyn yn fwy tebygol o agosáu at drefi, gwersylloedd, ffyrdd, neu safleoedd diwydiannol.

Gall y wybodaeth hon gefnogi systemau rhybuddio cynnar.

Efallai y bydd cymunedau’n gallu:

• Cynyddu patrolau mewn ardaloedd risg uchel

• Gwastraff bwyd diogel

• Rhybuddio trigolion

• Addasu llwybrau teithio

• Symudwch atyniadau i ffwrdd o aneddiadau

• Paratowch timau ymateb bywyd gwyllt hyfforddedig

Nid creu system ffuglen wyddonol sy'n olrhain pob arth fel parsel dosbarthu yw'r nod. Y nod yw lleihau syndod.

Gall cyfarfyddiadau annisgwyl fod yn beryglus i bobl ac eirth. Gall arth sy'n mynd i mewn i anheddiad dro ar ôl tro gael ei dychryn, ei adleoli, neu ei ladd os yw'r awdurdodau'n credu ei fod yn peri bygythiad uniongyrchol. Gallai rhagweld gwell roi mwy o amser i gymunedau gymryd mesurau ataliol.

Felly gall deallusrwydd artiffisial amddiffyn eirth gwynion yn anuniongyrchol drwy helpu pobl i atal sefyllfaoedd sy'n gorffen yn ddrwg.

6. Lleihau gwrthdaro rhwng pobl ac eirth gwynion

Wrth i amodau iâ môr newid, mae rhai eirth yn treulio cyfnodau hirach ger arfordiroedd neu aneddiadau dynol. Gallant chwilio am ffynonellau bwyd eraill, yn enwedig pan fo cyfleoedd hela naturiol yn gyfyngedig.

Yn anffodus, mae cymunedau dynol yn cynnwys atynwyr pwerus:

• Gwastraff cartref

• Cig wedi'i storio

• Bwyd anifeiliaid

• Gweddillion pysgota

• Warysau bwyd

• Mannau coginio awyr agored

• Safleoedd Tirlenwi

Nid oes gan arth wen llwglyd fawr o barch at ffiniau eiddo. Mae'n anodd beio'r anifail. Nid yw ffens denau yn edrych yn arbennig o ystyrlon pan fydd bwyd yn eistedd ar yr ochr arall.

Gall systemau camera sy'n cael eu galluogi gan AI ganfod anifeiliaid mawr sy'n agosáu at ardaloedd gwarchodedig. Gall rhai systemau wahaniaethu rhwng eirth gwyn a chŵn, pobl, cerbydau, neu fywyd gwyllt arall. Pan ganfyddir arth debygol, gellir anfon rhybudd at ymatebwyr lleol.

Gall hyn wneud atal gwrthdaro yn fwy targedig. Yn lle gwylio ffrwd camera yn gyson, gall staff ymateb pan fydd y system yn sylwi ar rywbeth anarferol.

Fodd bynnag, mae dibynadwyedd yn bwysig iawn. Gall gormod o larymau ffug ddysgu pobl i anwybyddu'r rhybuddion. Gall canfodiadau a fethwyd greu ymdeimlad o ddiogelwch anghywir. Rhaid i systemau hefyd weithredu mewn tywyllwch, stormydd eira, niwl ac oerfel difrifol - yn y bôn yr holl amodau y mae electroneg yn eu mwynhau leiaf. ❄️

Dylai AI gefnogi ymatebwyr lleol profiadol, nid eu disodli.

7. Yr hyn y gall deallusrwydd artiffisial ei ddatgelu am iechyd eirth gwyn

Gall cyflwr corfforol arth roi cliwiau am ei fynediad at fwyd.

Gall ymchwilwyr astudio ffotograffau neu fideo i amcangyfrif maint y corff, cronfeydd braster, ystum, symudiad a chyflwr cyffredinol. Gall deallusrwydd artiffisial helpu i safoni rhai o'r asesiadau gweledol hyn.

Yn hytrach na dibynnu'n llwyr ar farn un person, gall model hyfforddedig gymharu delwedd yn erbyn casgliad mawr o anifeiliaid a aseswyd yn flaenorol. Gallai nodi eirth sy'n ymddangos yn anarferol o denau neu sy'n dangos newidiadau dros amser.

Gallai hyn helpu gwyddonwyr i ymchwilio i:

• Straen maethol

• Newidiadau yng nghyflwr cyfartalog y corff

• Gwahaniaethau rhwng rhanbarthau

• Cyflwr mamau a chenawon

• Anafiadau posibl

• Cyfleoedd bwydo wedi'u newid

Gallai deallusrwydd artiffisial hefyd gynorthwyo gyda dadansoddi delweddau thermol, er bod ffwr, pellter, tywydd ac ongl camera yn cymhlethu dehongli.

Mae temtasiwn i drin AI gweledol fel milfeddyg digidol. Nid yw. Gall arth edrych yn denau oherwydd yr ongl, ffwr gwlyb, ystum, goleuadau, neu amrywiad tymhorol. Mae angen profi'r system yn ofalus, a dylid cyfuno ei chanlyniadau ag arsylwadau maes a data biolegol.

Gall rhif sy'n edrych yn hyderus ar sgrin fod yn anghywir o hyd. Weithiau'n anghywir iawn.

8. Dronau, robotiaid, ac ymchwil llai ymledol 🚁

Gall gwaith maes Arctig fod yn gostus ac yn beryglus. Gall ymchwilwyr deithio ar draws iâ ansefydlog, trwy dywydd garw, ac i mewn i ardaloedd lle mae ysglyfaethwyr mawr yn byw. Mae arolygon awyrennau hefyd angen tanwydd, criwiau hyfforddedig, ac amodau ffafriol.

Gall dronau a systemau a weithredir o bell helpu i gasglu delweddau wrth gyfyngu ar rai mathau o aflonyddwch dynol.

Gall deallusrwydd artiffisial wella ymchwil sy'n seiliedig ar dronau drwy helpu gyda:

• Llwybrau hedfan awtomataidd

• Sefydlogi delwedd

• Canfod anifeiliaid

• Amcangyfrif pellter

• Mapio cynefinoedd

• Trefnu delweddau

• Osgoi cyfrifiadau dyblyg

Nid cyflymder yn unig yw'r prif fantais cadwraeth. Dyma'r posibilrwydd o gasglu data gwerthfawr o bellter pellach.

Serch hynny, gall dronau darfu ar fywyd gwyllt os ydyn nhw'n hedfan yn rhy isel, yn agosáu'n rhy agos, neu'n cynhyrchu synau anghyfarwydd. Mae arth wen sy'n newid cyfeiriad, yn rhoi'r gorau i orffwys, yn gadael ardal fwydo, neu'n mynd yn gynhyrfus oherwydd drôn yn talu cost egnïol.

Mae hynny'n bwysig mewn amgylchedd lle mae calorïau'n anodd eu cael.

Mae angen rheolau gweithredu llym ar ymchwil gyfrifol ar gyfer drôns. Nid yw'r ffaith y gall drôn agosáu at anifail yn golygu y dylai. Mae gan dechnoleg arfer o wneud i syniadau gwael edrych yn drawiadol.

9. Sut mae deallusrwydd artiffisial yn effeithio'n negyddol ar eirth gwyn?

Mae ochr gadarnhaol deallusrwydd artiffisial yn derbyn llawer o sylw, ond mae gan ddeallusrwydd artiffisial ôl troed amgylcheddol hefyd.

Mae systemau AI yn rhedeg ar seilwaith ffisegol. Mae angen trydan ar ganolfannau data. Mae gweinyddion yn cynhyrchu gwres ac mae angen oeri arnynt. Mae angen deunyddiau, gweithgynhyrchu, cludiant ac ailosod ar sglodion cyfrifiadurol. Nid yw offer digidol yn ddibwys dim ond oherwydd bod eu meddalwedd yn ymddangos ar sgrin.

Pan ddaw trydan o ffynonellau ynni allyriadau uchel, gall galw cynyddol am gyfrifiadura gyfrannu at allyriadau nwyon tŷ gwydr. Mae'r allyriadau hynny'n dylanwadu ar gynhesu byd-eang, sy'n effeithio ar rew môr yr Arctig.

Mae'r gadwyn yn edrych rhywbeth fel hyn:

Mwy o alw cyfrifiadurol → mwy o ddefnydd o ynni → allyriadau ychwanegol posibl → mwy o bwysau cynhesu → amhariad parhaus ar gynefinoedd yr Arctig

Nid yw hynny'n golygu bod pob cymhwysiad AI yn niweidiol i eirth gwyn yn awtomatig. Mae ffynonellau ynni, effeithlonrwydd caledwedd, maint model, systemau oeri, ac amlder defnydd i gyd yn bwysig.

Efallai y bydd angen llawer llai o adnoddau ar fodel bach a gynlluniwyd i ddadansoddi delweddau cadwraeth na system enfawr at ddibenion cyffredinol sy'n gwasanaethu miliynau o bobl.

Y pwynt canolog yw bod gan AI gymwysiadau cadwraeth uniongyrchol a chostau amgylcheddol anuniongyrchol. Mae esgus mai dim ond un ochr sy'n bodoli fel edmygu blaen disglair mynydd iâ wrth anghofio'r rhan eithaf sylweddol oddi tano.

10. Canolfannau data a phwysau hinsawdd yr Arctig

Mae effaith amgylcheddol canolfan ddata yn dibynnu ar sut mae'n cael ei phweru a'i weithredu.

Mae ffactorau pwysig yn cynnwys:

• Ffynhonnell ei drydan

• Gofynion oeri

• Effeithlonrwydd caledwedd

• Defnydd dŵr

• Defnydd gweinydd

• Oes yr offer

• Rheoli gwres gwastraff

• Arferion gwastraff electronig

Gall systemau effeithlon sy'n cael eu pweru gan drydan allyriadau is gael effaith hinsawdd lai. Gall systemau aneffeithlon sy'n cael eu pweru gan danwydd ffosil gyfrannu'n fwy at allyriadau.

Gall datblygwyr AI leihau pwysau amgylcheddol drwy adeiladu modelau llai ar gyfer tasgau arbenigol, defnyddio caledwedd effeithlon, osgoi cyfrifiadau diangen, ac amserlennu llwythi gwaith heriol pan fydd trydan glanach ar gael.

Mae hyn yn bwysig i eirth gwyn oherwydd nid un peiriant, un cwmni, nac un dechnoleg sy'n achosi cynhesu'r Arctig. Mae'n deillio o allyriadau cronedig ar draws trafnidiaeth, cynhyrchu trydan, diwydiant, amaethyddiaeth, adeiladu, seilwaith digidol, a llawer o weithgareddau eraill.

Mae AI yn un rhan o'r system ehangach honno.

Ni ddylai ddod yn ddihiryn cyfleus sy'n tynnu sylw oddi wrth ffynonellau allyriadau mwy. Ar yr un pryd, ni ddylai dderbyn eithriad hudol dim ond oherwydd ei fod yn teimlo'n ffwturistaidd. 💻

11. Gall modelau hinsawdd gwell wella penderfyniadau cadwraeth

Un o rolau mwyaf gwerthfawr AI yw helpu gwyddonwyr i ddeall dyfodol posibl lluosog.

Mae cynllunio cadwraeth yn gofyn am fwy na gwybod sut olwg sydd ar amodau heddiw. Mae angen i reolwyr bywyd gwyllt amcangyfrif ble gallai cynefin addas aros, sut y gallai llwybrau teithio newid, a pha boblogaethau allai wynebu'r pwysau mwyaf.

Gall modelau hinsawdd a chynefinoedd wedi'u gwella gan AI archwilio perthnasoedd rhwng:

• Hyd yr iâ

• Crynodiad iâ

• Tymheredd y cefnfor

• Dosbarthiad seliau

• Amodau arfordirol

• Gweithgaredd dynol

• Symudiad yr arth

• Llwyddiant atgenhedlu

Gall y modelau hyn helpu ymchwilwyr i brofi gwahanol senarios.

Er enghraifft, gall ymchwilwyr archwilio beth all ddigwydd i boblogaeth o arth wen pan fydd ei chyfnod hela yn y gwanwyn yn fyrrach. Gallant archwilio sut y gallai eirth ymateb pan fydd iâ'r haf yn encilio ymhellach o'r tir, neu pa ardaloedd arfordirol a allai brofi ymweliadau eirth yn amlach.

Anaml y bydd yr atebion yn syml. Nid yw eirth gwyn i gyd yn ymateb yn union yr un ffordd. Mae gwahanol boblogaethau'n byw o dan amodau ecolegol gwahanol. Efallai na fydd patrwm a welir mewn un rhanbarth yn trosglwyddo'n berffaith i un arall.

Gall deallusrwydd artiffisial ddatgelu tueddiadau, ond mae ecoleg leol yn dal i fod yn bwysig. Gall model byd-eang anwybyddu'r manylion mân y mae cymunedau gogleddol ac ymchwilwyr maes yn eu deall trwy brofiad uniongyrchol.

12. Rhaid i wybodaeth frodorol aros yn ganolog 🧭

Mae llawer o gymunedau Cynhenid ​​wedi byw ochr yn ochr ag eirth gwyn ers cenedlaethau. Mae eu gwybodaeth yn cynnwys arsylwadau o ymddygiad eirth, iâ môr, tywydd, amodau teithio, ysglyfaeth, symudiadau tymhorol, a newid ecolegol.

Ni ddylai systemau AI drin y wybodaeth hon fel haen addurniadol ddewisol sy'n cael ei hychwanegu ar ôl i'r gwaith technegol gael ei gwblhau.

Gall arbenigedd lleol helpu ymchwilwyr i farnu a yw allbwn algorithm yn gwneud synnwyr. Gall ddatgelu patrymau y mae synhwyro o bell yn eu methu. Gall hefyd atal pobl o'r tu allan rhag camddehongli data sy'n ymddangos yn syml ar gyfrifiadur ond sydd ag ystyr gwahanol ar lawr gwlad.

Dylai prosiectau cyfrifol ystyried:

• Pwy sy'n berchen ar y data

• Pwy sy'n penderfynu sut mae'n cael ei ddefnyddio

• A roddodd cymunedau ganiatâd gwybodus

• A allai data lleoliad sensitif gael ei gamddefnyddio

• Pwy sy'n elwa o'r dechnoleg

• A all pobl leol gael mynediad at y canlyniadau

• Sut mae gwybodaeth draddodiadol yn cael ei chydnabod a'i diogelu

Mae hyn yn arbennig o bwysig gyda data lleoliad bywyd gwyllt. Gallai gwybodaeth olrhain fanwl amlygu anifeiliaid i aflonyddwch, pwysau twristiaeth, neu weithgarwch anghyfreithlon.

Nid yw mwy o ddata o reidrwydd yn well. Ar adegau, mae diogelu gwybodaeth yn rhan o ddiogelu'r arth.

13. Perygl modelau AI rhagfarnllyd neu anghyflawn

Mae deallusrwydd artiffisial yn dysgu o ddata, ac yn aml mae setiau data Arctig yn anghyflawn.

Mae rhai ardaloedd yn cael eu monitro'n aml oherwydd eu bod yn haws eu cyrraedd. Gall rhanbarthau eraill dderbyn llai o arolygon oherwydd pellter, cost, tywydd, neu ffiniau gwleidyddol. Mae hyn yn creu gwybodaeth anwastad.

Gall model sydd wedi'i hyfforddi'n bennaf ar ranbarthau sydd wedi'u hastudio'n dda berfformio'n wael mewn mannau eraill.

Mae problemau posibl yn cynnwys:

• Eirth coll mewn tirweddau anghyfarwydd

• Drysu ffurfiannau iâ gydag anifeiliaid

• Goramcangyfrif poblogaethau mewn ardaloedd sydd wedi cael llawer o ffotograffau

• Tanamcangyfrif gweithgaredd mewn rhanbarthau anghysbell

• Camddarllen delweddau a ddaliwyd mewn goleuadau anarferol

• Trin patrymau symud hen ffasiwn fel ymddygiad cyfredol

Nid yw rhagfarn bob amser yn golygu bod rhywun wedi dylunio system annheg yn fwriadol. Yn aml mae'n dechrau gyda bylchau yn y data.

Dychmygwch ddysgu AI i adnabod eirth gwyn gan ddefnyddio lluniau clir yn ystod y dydd yn bennaf, yna ei ddefnyddio yn ystod niwl, tywyllwch, eira'n chwythu, a gwelededd rhannol. Efallai y bydd y system yn cael trafferth oherwydd bod amodau'r maes yn fwy afreolus na'i set hyfforddi.

Mae'r egwyddor honno'n berthnasol i bron bob system AI.

14. A allai deallusrwydd artiffisial dynnu sylw oddi wrth weithredu ystyrlon ar yr hinsawdd?

Mae risg bod technoleg drawiadol yn creu'r argraff o gynnydd heb fynd i'r afael â gwraidd y broblem.

Gallai sefydliad lansio system fonitro eirth gwyn uwch a derbyn digon o sylw cadarnhaol. Yn y cyfamser, gallai'r gweithgaredd economaidd ehangach sy'n gysylltiedig â'r sefydliad hwnnw barhau i gynhyrchu allyriadau sylweddol.

Nid yw monitro dirywiad yr un peth â hatal dirywiad.

Gall deallusrwydd artiffisial ddweud wrth ymchwilwyr fod iâ môr yn diflannu. Gall fapio'r golled yn hyfryd, ei hanimeiddio, ei rhagweld, a chynhyrchu dangosfwrdd gyda deuddeg tab. Ond nid oes angen disgrifiad mwy tlws o golled cynefin ar eirth gwynion. Mae angen iddynt weld yr amodau sy'n cefnogi eu cynefin yn gwella.

Dylai prosiectau ymarferol AI gysylltu â phenderfyniadau pendant, fel:

• Diogelu cynefinoedd hanfodol

• Lleihau allyriadau

• Rheoli gweithgaredd diwydiannol

• Gwella storio gwastraff

• Cefnogi diogelwch cymunedol

• Targedu adnoddau cadwraeth

• Lleihau aflonyddwch diangen ar anifeiliaid

Heb weithredu, mae AI mewn perygl o ddod yn larwm mwg hynod soffistigedig mewn adeilad lle nad oes neb yn bwriadu diffodd y tân. Trosiad amherffaith, efallai - ond mae'r pwynt yn parhau. 🔥

15. Sut olwg ddylai fod ar arth wen gyfrifol artiffisial

Dylai system gyfrifol fod yn gywir, yn ymwybodol o ynni, yn dryloyw, wedi'i hysbysu'n lleol, ac wedi'i chysylltu ag angen cadwraeth gwirioneddol.

Ni ddylai gasglu data dim ond oherwydd bod y dechnoleg yn ei ganiatáu.

Mae prosiectau AI cryf fel arfer yn dechrau gyda chwestiwn ymarferol:

• A yw niferoedd eirth gwyn yn newid yn y rhanbarth hwn?

• Pa gynefinoedd sy'n cael eu defnyddio amlaf?

• Ble mae cyfarfyddiadau rhwng pobl ac eirth yn cynyddu?

• A ellir cwblhau arolygon gyda llai o aflonyddwch?

• Pa eirth allai fod yn profi straen maethol?

• Sut mae amodau iâ yn effeithio ar symudiad?

O'r fan honno, gall ymchwilwyr ddewis yr offeryn lleiaf a mwyaf priodol.

Gall dull cyfrifol gynnwys:

1. Nodau cadwraeth clir
   Dylai'r prosiect ddatrys problem ddiffiniedig yn hytrach na defnyddio deallusrwydd artiffisial ar gyfer cyhoeddusrwydd.

2. adolygu dynol
   wirio canfyddiadau a rhagfynegiadau pwysig.

3. Cyfranogiad cymunedol
   Dylai gwybodaeth leol a chynhenid ​​lunio'r prosiect o'r cychwyn cyntaf.

4. cyfrifyddu amgylcheddol
   ystyried yr ynni a'r caledwedd sydd eu hangen i weithredu'r system.

5. Diogelu data
   Dylid rheoli gwybodaeth sensitif am fywyd gwyllt a chymunedau yn ofalus.

6. Profi rheolaidd
   Dylid gwerthuso modelau o dan amodau Arctig go iawn, nid yn unig mewn setiau data labordy dilys.

7. Cyfathrebu clir
   Dylai ymchwilwyr esbonio ansicrwydd yn hytrach na chyflwyno rhagfynegiadau fel canlyniadau gwarantedig.

Mae deallusrwydd artiffisial yn gweithio orau fel offeryn cefnogi penderfyniadau. Mae'n dod yn beryglus pan fydd pobl yn tybio bod awtomeiddio yn dileu'r angen am farn.

16. Sut mae AI yn effeithio ar Eirth Pegynol yn y tymor hir?

Mae'r effaith hirdymor yn dibynnu llai ar a yw AI yn bodoli ac yn fwy ar sut mae pobl yn dewis ei ddefnyddio.

Gallai deallusrwydd artiffisial ddod yn rhan werthfawr o gadwraeth eirth gwyn. Gallai helpu ymchwilwyr i arsylwi ardaloedd mwy, nodi risgiau sy'n dod i'r amlwg, ymateb i wrthdaro yn gynt, a deall newid amgylcheddol yn gliriach.

Gallai hefyd gynyddu'r galw am ynni, annog casglu data diangen, a dod yn wrthdyniad caboledig oddi wrth weithredu ar yr hinsawdd.

Gall y ddau ganlyniad ddigwydd ar yr un pryd.

Dyna'r gwir rhwystredig. Anaml y bydd technoleg yn gwbl dda neu'n gwbl ddrwg. Mae'n tueddu i chwyddo blaenoriaethau'r bobl a'r sefydliadau sy'n ei defnyddio.

Pan fo cadwraeth yn flaenoriaeth, gall deallusrwydd artiffisial wella monitro a gwneud penderfyniadau. Pan fo twf, cyfleustra, neu gyhoeddusrwydd yn cael blaenoriaeth, gellir gwthio pryderon amgylcheddol o'r neilltu.

Nid yw'r arth wen yn poeni a yw algorithm yn arloesol. Mae'n poeni a oes digon o rew môr sefydlog, digon o ysglyfaeth, a digon o le i oroesi.

Persbectif Cloi 🐾

Felly, sut mae AI yn effeithio ar Eirth Pegynol?

Mae'n helpu gwyddonwyr i olrhain anifeiliaid, astudio iâ môr, dadansoddi ffotograffau, rhagweld symudiadau, asesu cyflwr y corff, a lleihau cyfarfyddiadau peryglus â phobl. Gall yr offer hyn wneud ymchwil Arctig yn gyflymach, yn fwy diogel, ac, mewn rhai achosion, yn llai aflonyddgar.

Ar yr un pryd, mae deallusrwydd artiffisial yn defnyddio ynni ac yn dibynnu ar seilwaith sy'n ddwys o ran adnoddau. Pan fydd yr ynni hwnnw'n cyfrannu at allyriadau nwyon tŷ gwydr, mae'n ychwanegu at y pwysau hinsawdd ehangach sy'n effeithio ar gynefinoedd eirth gwyn.

Y dull mwyaf adeiladol yw peidio â gwrthod deallusrwydd artiffisial na'i ddathlu'n ddall. Y dull mwyaf adeiladol yw defnyddio'r dechnoleg yn ddetholus, yn effeithlon, ac yn onest.

Ni all deallusrwydd artiffisial achub eirth gwynion ar ei ben ei hun. Ni all unrhyw algorithm ddisodli iâ môr. Ond pan gaiff ei baru â lleihau allyriadau, diogelu cynefinoedd, gwybodaeth Gynfrodorol, ymchwil gyfrifol, a chamau cadwraeth ymarferol, gall helpu bodau dynol i wneud penderfyniadau gwell.

Ac a dweud y gwir, penderfyniadau gwell yw'r hyn sydd eu hangen ar eirth gwyn - nid mwy o sŵn digidol wedi'u gwisgo mewn côt gaeaf. 🐻❄️🌍

Enghraifft o'r byd go iawn: Adeiladu cynorthwyydd rhybuddio cynnar arth wen

Senario

Mae cymuned arfordirol ffuglennol yn yr Arctig wedi gweld sawl arth wen ger ei hardal storio gwastraff yn ystod yr hydref. Mae swyddogion bywyd gwyllt lleol eisoes yn dibynnu ar batrolau a ffrydiau camera, ond mae monitro chwe chamera yn barhaus yn anymarferol, yn enwedig dros nos.

Mae'r gymuned yn penderfynu profi system rhybuddio â chymorth deallusrwydd artiffisial. Mae ei phwrpas yn fwriadol gul: nodi delweddau a allai gynnwys arth wen, rhybuddio ymatebydd hyfforddedig a chofnodi penderfyniad yr ymatebydd. Nid yw'n actifadu ataliadau yn awtomatig, yn cyhoeddi lleoliad yr arth nac yn penderfynu a ddylid adleoli anifail.

Mae'r system yn cyfuno canfod camera â golygfeydd diweddar, amodau iâ môr, cyfeiriad y gwynt a denwyr hysbys. Mae gwybodaeth leol a brodorol yn helpu i benderfynu ble y dylid gosod camerâu ac a yw patrymau symud awgrymedig y model yn gredadwy. Mae hyn yn adlewyrchu egwyddor ehangach yr erthygl y dylai deallusrwydd artiffisial gefnogi pobl brofiadol yn hytrach na disodli eu barn.

Beth sydd ei angen ar y cynorthwyydd

• Delweddau camera o'r lleoliadau defnyddio, gan gynnwys tywyllwch, niwl, eira a gwelededd rhannol

• Enghreifftiau wedi'u gwirio o eirth gwynion, cŵn, pobl, cerbydau, creigiau ac eira'n lluwchio

• Rheolau clir sy'n diffinio pryd y dylid anfon rhybudd

• Map o ardaloedd storio bwyd, llwybrau teithio a lleoliadau sensitif eraill

• Rheolaethau mynediad yn atal defnyddwyr heb awdurdod rhag gweld data lleoliad bywyd gwyllt byw

• Ymatebydd enwol sy'n gyfrifol am adolygu pob rhybudd blaenoriaeth uchel

• Rheolau a gymeradwywyd gan y gymuned ar gyfer casglu, cadw a dileu delweddau

• Gweithdrefn ar gyfer adrodd am ganfyddiadau a fethwyd, larymau ffug a methiannau offer

• Dewis wrth gefn â llaw ar gyfer cyfnodau pan nad yw camerâu, cyfathrebiadau na'r model ar gael

Cyfarwyddyd enghreifftiol

Adolygwch bob delwedd camera sy'n dod i mewn a'i dosbarthu fel "arth wen debygol", "arth wen bosibl", "nid arth wen" neu "delwedd anhygyrch". Rhowch lefel hyder a disgrifiwch y dystiolaeth weladwy yn fyr.

Anfonwch rybudd ar unwaith dim ond pan fydd arth wen debygol neu bosibl yn ymddangos o fewn y parth monitro y cytunwyd arno. Peidiwch byth â disgrifio canfod fel un sicr. Peidiwch ag actifadu ataliadau nac argymell camau gweithredu yn erbyn anifail. Dangoswch y ddelwedd, lleoliad y camera, yr amser canfod a'r lefel hyder i'r ymatebwr hyfforddedig i'w gwirio.

Peidiwch â rhannu lleoliadau manwl gywir y tu allan i'r tîm ymateb awdurdodedig. Pan fo gwelededd yn wael, labelwch y ddelwedd yn anhygyrch yn hytrach na dyfalu.

Sut i'w brofi

Mae'r tîm yn creu set brawf o 120 o ddelweddau a dynnwyd yn lleol:

• 30 yn cynnwys eirth gwynion i'w gweld yn glir

• 20 yn cynnwys eirth sydd wedi'u cuddio'n rhannol neu sydd ymhell i ffwrdd

• 50 sy'n cynnwys gwrthrychau larwm ffug cyffredin, fel cŵn, pobl, banciau eira a cherbydau

• 20 o ddelweddau na ellir eu defnyddio a dynnwyd yn ystod tywyllwch, eira trwm neu rwystr lens

Caiff pob delwedd ei hadolygu'n annibynnol gan ddau arsylwr lleol profiadol. Daw eu dosbarthiad cytunedig yn ateb cyfeirio.

Dylai'r prawf wirio:

• Faint o'r 50 o ddelweddau arth y mae'r cynorthwyydd yn eu fflagio'n gywir

• Faint o ddelweddau nad ydynt yn arth sy'n sbarduno rhybudd yn anghywir

• A yw delweddau na ellir eu defnyddio wedi'u labelu'n gywir

• A yw pob rhybudd yn cynnwys y camera a'r amser cywir

• A yw gwybodaeth sensitif am leoliad yn parhau i fod wedi'i chyfyngu

• P'un a yw'r system yn perfformio'n wahanol yn y nos neu yn ystod tywydd gwael

• A all ymatebwyr ddiystyru a chofnodi dosbarthiadau anghywir

Gallai rheol dderbyn ymarferol ei gwneud yn ofynnol i'r system ganfod o leiaf 48 o'r 50 delwedd o arth gan gynhyrchu dim mwy na phump o rybuddion ffug ar draws y 50 delwedd nad ydynt yn arth. Dewisiadau prosiect yw'r trothwyon hynny, nid safonau diogelwch cyffredinol, ac efallai y bydd y gymuned yn gofyn am berfformiad llymach cyn ei ddefnyddio.

Canlyniad

Canlyniad darluniadol: Yn ystod treial pythefnos o hyd, mae'r chwe chamera yn cynhyrchu 1,800 o ddigwyddiadau delwedd. Mae'r cynorthwyydd yn nodi 42 i'w hadolygu gan bobl. Mae ymatebwyr yn cadarnhau bod 11 yn cynnwys eirth gwynion, bod 24 yn larymau ffug a bod saith yn anhygyrch.

Byddai archwiliad â llaw o'r holl 1,800 o ddigwyddiadau yn cymryd tua 15 awr ar 30 eiliad y ddelwedd. Mae adolygu'r 42 digwyddiad wedi'u fflagio yn cymryd tua 21 munud, tra bod gwiriad dyddiol ar hap o 180 o ddelweddau heb eu fflagio yn ychwanegu 90 munud. Felly, mae cyfanswm yr amser adolygu tua 1 awr a 51 munud, gostyngiad darluniadol o tua 13 awr ar draws y treial.

Fodd bynnag, dim ond os yw'r ansawdd yn parhau'n uchel y mae'r arbediad amser yn dderbyniol. Yn y set brawf, tybiwch fod y system yn nodi 49 o 50 o ddelweddau arth ac yn nodi chwech o 50 o ddelweddau nad ydynt yn arth yn anghywir. Mae hynny'n gadael un ddelwedd arth a fethwyd a chwe rhybudd ffug. Rhaid ymchwilio i'r canfyddiad a fethwyd cyn i'r system gael ei thrin fel un weithredol.

Mae'r ffigurau hyn yn amcangyfrif enghreifftiol yn seiliedig ar y rhagdybiaethau a nodwyd, nid tystiolaeth o ddefnydd cymunedol. Maent hefyd yn eithrio amser gosod, cynnal a chadw, hyfforddi a datblygu modelau.

Beth all fynd o'i le

Gall model sydd wedi'i hyfforddi'n bennaf ar ffotograffau clir yn ystod y dydd fethu yn ystod eira chwythu neu dywyllwch yr Arctig. Gall ffurfiannau iâ, cŵn a dillad adlewyrchol gynhyrchu larymau ffug dro ar ôl tro. Dros amser, gallai ymatebwyr ddechrau anwybyddu rhybuddion.

Risg fwy difrifol yw diffyg hyder. Gall camera fod wedi rhewi, wedi'i bwyntio i'r cyfeiriad anghywir neu'n methu â gweld arth yn agosáu y tu allan i'w faes golygfa. Ni ddylid byth ddehongli "dim rhybudd" fel prawf nad oes arth yn bresennol.

Mae angen amddiffyn data lleoliad hefyd. Gallai cyhoeddi darganfyddiadau byw amlygu eirth i aflonyddwch neu ddatgelu gwybodaeth y mae'r gymuned yn ei hystyried yn sensitif. Gall delweddau ddal trigolion, cerbydau neu weithgareddau preifat, gan greu pryderon preifatrwydd pellach.

Yn olaf, gallai'r system fethu'n sefydliadol hyd yn oed pan fydd ei model yn perfformio'n dda. Ychydig o bwrpas sydd i rybuddion pan nad oes neb wedi'i neilltuo i'w hadolygu, mae rheolau uwchgyfeirio yn amwys, nid oes offer ataliol ar gael neu nid yw staff wedi ymarfer y weithdrefn ymateb.

Tecawê ymarferol

Nid y system rhybuddio am eirth gwyn cryfaf yw'r un sydd â'r model mwyaf datblygedig. Dyma'r un sy'n canfod risg wedi'i diffinio'n glir, yn perfformio'n ddibynadwy mewn amodau lleol, yn amddiffyn gwybodaeth sensitif ac yn gadael pob penderfyniad pwysig gyda phobl hyfforddedig sy'n deall y gymuned a'r eirth.

Cwestiynau Cyffredin

Sut mae deallusrwydd artiffisial yn effeithio ar eirth gwynion a'u cynefin Arctig?

Mae deallusrwydd artiffisial (AI) yn helpu ymchwilwyr i fonitro iâ môr, olrhain symudiadau eirth, adolygu delweddau bywyd gwyllt, a rhagweld newid amgylcheddol. Gall yr offer hyn ddangos ble mae amodau cynefinoedd yn dirywio a pha boblogaethau a allai wynebu mwy o straen. Ar yr un pryd, mae AI yn dibynnu ar ganolfannau data a chaledwedd ffisegol sy'n defnyddio llawer o ynni, felly gall ei ôl troed amgylcheddol ychwanegu'n anuniongyrchol at y pwysau hinsawdd sy'n lleihau iâ môr yr Arctig.

Sut mae deallusrwydd artiffisial yn cael ei ddefnyddio i gyfrif eirth gwyn?

Gall gweledigaeth gyfrifiadurol sganio ffotograffau o'r awyr, lluniau drôn, a delweddau lloeren am siapiau sy'n debyg i eirth gwynion. Mae hyn yn caniatáu i ymchwilwyr ganolbwyntio ar ganfyddiadau tebygol yn hytrach nag archwilio pob delwedd â llaw. Gan y gall eira, creigiau, cysgodion, a rhew sbarduno cyfatebiaethau ffug, mae angen i arbenigwyr hyfforddedig wirio canfyddiadau arwyddocaol o hyd cyn iddynt gael eu cynnwys mewn amcangyfrifon poblogaeth.

A all deallusrwydd artiffisial adnabod eirth gwyn unigol heb eu tagio?

Gall dadansoddi delweddau â chymorth deallusrwydd artiffisial wahaniaethu rhwng eirth unigol drwy archwilio nodweddion wyneb, creithiau, siâp y corff, siâp y glust, manylion y ffwr, a phatrymau symud. Gall hyn gefnogi monitro dro ar ôl tro drwy ffotograffau wrth leihau'r angen i drin yn gorfforol mewn rhai sefyllfaoedd. Ni all ddisodli coleri, samplu genetig, nac archwiliadau milfeddygol pan fydd ymchwilwyr angen gwybodaeth fiolegol neu iechyd fanwl.

Sut mae deallusrwydd artiffisial yn helpu i atal gwrthdaro rhwng bodau dynol ac eirth pegynol

Gall camerâu a modelau symudiad sy'n cael eu galluogi gan AI rybuddio cymunedau pan allai eirth fod yn agosáu at aneddiadau, gwersylloedd, ffyrdd, neu ardaloedd storio bwyd. Mae rhybuddion cynnar yn rhoi mwy o amser i ymatebwyr lleol sicrhau atynwyr, newid llwybrau teithio, cynyddu patrolau, neu baratoi timau ymateb hyfforddedig. Mae'r systemau hyn angen profi'n ofalus oherwydd gall canfodiadau a fethwyd a larymau ffug dro ar ôl tro greu pryderon diogelwch difrifol.

A all deallusrwydd artiffisial ragweld ble bydd eirth gwyn yn symud nesaf?

Gall modelau rhagfynegol gyfuno amodau iâ môr, tywydd, daearyddiaeth arfordirol, golygfeydd blaenorol, argaeledd ysglyfaeth, a data symudiadau hanesyddol. Gallant nodi ardaloedd lle mae eirth yn fwy tebygol o deithio neu agosáu at aneddiadau dynol. Amcangyfrifon yw'r rhagolygon hyn, nid gwarantau, oherwydd gall ymddygiad unigol, amodau tymhorol, ac ecoleg leol arwain eirth i symud yn wahanol i'r patrymau a ragfynegwyd.

Sut gall deallusrwydd artiffisial helpu gwyddonwyr i asesu iechyd eirth gwyn?

Gall deallusrwydd artiffisial ddadansoddi ffotograffau neu fideo am arwyddion gweladwy fel maint y corff, ystum, symudiad, cronfeydd braster, ac anafiadau posibl. Gall cymharu delweddau dros amser helpu ymchwilwyr i ganfod straen maethol neu newidiadau rhanbarthol yng nghyflwr y corff. Mae cyfyngiadau o hyd ar ddadansoddiad gweledol oherwydd gall ongl camera, ffwr gwlyb, goleuadau, pellter, ac amrywiad tymhorol wneud i arth iach ymddangos yn anarferol o denau.

A yw dronau'n ddiogel ar gyfer ymchwil i eirth gwyn?

Gall dronau gasglu delweddau, mapio cynefinoedd, a chefnogi arolygon poblogaeth wrth leihau rhywfaint o waith maes peryglus. Gall deallusrwydd artiffisial gynorthwyo gyda chynllunio hediadau, didoli delweddau, canfod anifeiliaid, ac atal cyfrifiadau dyblyg. Gall dronau barhau i darfu ar eirth pan gânt eu hedfan yn rhy isel neu eu dwyn yn rhy agos, felly mae angen rheolau gweithredu llym ac arsylwi ymddygiad anifeiliaid yn agos ar brosiectau cyfrifol.

Sut mae deallusrwydd artiffisial yn effeithio'n negyddol ar eirth gwynion?

Mae systemau AI angen trydan, oeri, sglodion cyfrifiadurol, gweithgynhyrchu, cludiant ac ailosod offer. Pan fydd y seilwaith hwn yn dibynnu ar ynni allyriadau uchel, gall gynyddu allyriadau nwyon tŷ gwydr a dwysáu'r pwysau cynhesu sy'n effeithio ar gynefinoedd yr Arctig. Mae graddfa'r effaith yn amrywio'n sylweddol yn ôl maint y model, effeithlonrwydd caledwedd, ffynonellau trydan, defnydd gweinyddion, ac a yw'r gwaith cyfrifiadurol yn gwasanaethu pwrpas cadwraeth clir.

Pam mae gwybodaeth Frodorol yn bwysig mewn prosiectau deallusrwydd art gwyn?

Mae gan gymunedau brodorol wybodaeth fanwl am ymddygiad eirth gwyn, iâ môr, tywydd, ysglyfaeth, amodau teithio, a newid tymhorol. Gall yr arbenigedd hwn helpu ymchwilwyr i ddehongli canlyniadau modelau ac adnabod patrymau y gallai synhwyro o bell eu hanwybyddu. Dylai prosiectau cyfrifol hefyd fynd i'r afael â chydsyniad, perchnogaeth data, mynediad at ganfyddiadau, diogelu lleoliadau sensitif, a chydnabyddiaeth deg o wybodaeth draddodiadol.

Beth sy'n gwneud prosiect cadwraeth arth wen AI yn gyfrifol?

Mae prosiect cyfrifol yn dechrau gyda phroblem gadwraeth sydd wedi'i diffinio'n glir ac yn defnyddio'r offeryn lleiaf addas i fynd i'r afael â hi. Dylai canfyddiadau a rhagfynegiadau arwyddocaol gael eu hadolygu gan bobl, tra dylid profi modelau o dan amodau maes Arctig. Mae prosiectau cryf hefyd yn cynnwys cymunedau lleol, yn amddiffyn data sensitif, yn cyfleu ansicrwydd, yn ystyried y defnydd o ynni, ac yn cysylltu eu canfyddiadau â phenderfyniadau cadwraeth ymarferol.

Cyfeiriadau

1. Panel Rhynglywodraethol ar Newid Hinsawdd (IPCC) - Colli a thrawsnewid iâ môr - ipcc.ch

2. Arolwg Daearegol yr Unol Daleithiau (USGS) - Dosbarthiad a symudiadau eirth gwyn - usgs.gov

3. NASA Earthdata - earthdata.nasa.gov

4. Pysgodfeydd NOAA - fisheries.noaa.gov

5. Canolfan Genedlaethol ar gyfer Gwybodaeth Biotechnoleg, PubMed Central - Delweddau lloeren - pmc.ncbi.nlm.nih.gov

6. Cyhoeddiadau Gwyddoniaeth Canada - Gall dronau a systemau a weithredir o bell helpu i gasglu delweddau - cdnsciencepub.com

7. Asiantaeth Ynni Ryngwladol (IEA) - iea.org

8. Rhaglen Amgylchedd y Cenhedloedd Unedig (UNEP) - Mae gan ddeallusrwydd artiffisial ôl troed amgylcheddol hefyd - unep.org

9. Sefydliad Cenedlaethol Safonau a Thechnoleg (NIST) - nist.gov

10. Cytundeb yr Arth Wen - Cynnwys Pobloedd Cynhenid ​​ac Ymgorffori gwybodaeth ecolegol draddodiadol - polarbearagreement.org

11. Eirth Polar Rhyngwladol - Systemau rhybuddio cynnar am Eirth-dar - polarbearsinternational.org

12. YouTube - youtube.com

Dewch o hyd i'r AI Diweddaraf yn y Siop Swyddogol ar gyfer Cynorthwywyr AI

Amdanom Ni