3.01 Umjetna inteligencija i znanja o okolišu

Definiranje sustava znanja o okolišu

Raspravama o brizi za okoliš često dominiraju kvantitativni podaci prikupljeni sa satelita, senzora i složenih klimatskih modela. Iako je nužan, takav pristup može zanemariti duboki izvor ekološke mudrosti: lokalna i tradicijska znanja o okolišu. Ta znanja, koja uključuju ono što se često naziva tradicijskim ekološkim znanjima, daleko su od pukog folklora. Riječ je o sveukupnom korpusu znanja i praksi, koji se razvija prilagodbenim procesima i često se prenosi generacijama. Ona predstavljaju živi sustav razumijevanja zamršenih odnosa između ljudi i njihova okoliša.

Projekti koji imaju za cilj očuvanje nematerijalne kulturne baštine vezane uz specifične ekosustave u osnovi su usmjereni očuvanju tih lokalnih znanja. Ona se ne nalaze uvijek u udžbenicima, već u usmenim predajama stanovnika. To je, primjerice, razumijevanje kako čitati suptilne znakove rijeke – boju vode, ponašanje ptica – kako bi se znalo gdje će biti ribe. To je znanje o tome koje biljke imaju ljekovita svojstva, kako prakticirati održivu poljoprivredu u specifičnoj mikroklimi ili kako tumačiti nebeske i atmosferske obrasce za predviđanje vremena. Taj oblik znanja temelji se na određenom mjestu, duboko je kontekstualan i relacijski te nudi cjelovitu perspektivu.

Sinergija dvaju sustava znanja

Na prvi pogled, svjetovi umjetne inteligencije (AI) i lokalnih znanja o okolišu mogu se činiti suprotnima. Umjetna inteligencija djeluje na temelju algoritama, računalne logike i statističke analize ogromnih, često dekontekstualiziranih skupova podataka. Lokalna znanja, s druge strane, ukorijenjena su u kvalitativnom promatranju, međugeneracijskoj mudrosti i dubokom, intuitivnom razumijevanju izgrađenom iz neprekidne interakcije s određenim okolišem. Međutim, nijansiraniji pogled otkriva snažan potencijal za sinergiju. Spajanjem ta dva različita načina spoznaje nastoji se premostiti jaz između analitičke snage umjetne inteligencije i vremenom provjerene, lokalno utemeljene mudrosti zajednica.

Ta se integracija može konceptualizirati kroz okvire koji stvaraju sinergiju između umjetne inteligencije i lokalnih sustava znanja. Takvi okviri koriste sposobnosti strojnog učenja za analizu složenih podataka o okolišu, istovremeno uključujući lokalna znanja kako bi se osiguralo da su prakse ekološki ispravne i kulturno relevantne. Sposobnost umjetne inteligencije za prepoznavanje uzoraka, analizu podataka i prediktivno modeliranje može povećati i pojačati doseg i utjecaj lokalnih znanja u rješavanju suvremenih ekoloških izazova. Primjerice, umjetna inteligencija može analizirati goleme skupove podataka ekoloških promatranja, tradicionalnih pokazatelja okoliša i klimatskih podataka kako bi identificirala ranjive ekosustave, predvidjela promjene u okolišu i optimizirala intervencije za očuvanje.

Ova sinergija nadilazi puku arhivsku funkciju. Ne radi se samo o korištenju umjetne inteligencije za pohranu lokalnih znanja, već o stvaranju hibridnog načina razumijevanja koji može generirati nove spoznaje koje nijedan sustav ne bi mogao proizvesti samostalno. Razmotrimo praktičan scenarij. Lokalno znanje može sadržavati pokazatelj poput: „Rijeka će vjerojatno poplaviti kada određena vrsta ptica leti dalje u unutrašnjost nego inače.“ Ovo je bogat, dugoročan i kontekstualno specifičan podatak. Istovremeno, znanstveni instrumenti pružaju kvantitativne podatke, kao što su satelitske snimke koje prikazuju otapanje snijega u udaljenim planinama ili očitanja senzora o porastu vodostaja rijeke.

Model umjetne inteligencije može se trenirati na svim tim različitim izvorima podataka. Kroz strojno učenje, može naučiti povezati pokazatelj iz lokalnog znanja – specifično ponašanje ptica – s kvantitativnim podacima sa senzora i satelita. Model bi mogao otkriti da je ponašanje ptica pouzdaniji rani pokazatelj određene vrste bujične poplave od samih satelitskih podataka, koji bi mogli imati duže vrijeme kašnjenja. Rezultat je razvoj robusnijeg, lokalno prilagođenog i učinkovitijeg sustava ranog upozoravanja. Krajnji ishod je dubok pomak od pasivnog očuvanja lokalnih znanja prema njihovoj aktivnoj primjeni unutar modernih znanstvenih okvira, stvarajući otpornije strategije upravljanja okolišem.

Uloga umjetne inteligencije u dokumentaciji i analizi

Početni korak u ovom procesu je dokumentiranje i analiza lokalnih znanja, koja često postoje u usmenom ili narativnom obliku. Umjetna inteligencija nudi moćne alate za pomoć u toj ključnoj fazi. Središnja aktivnost mnogih projekata u zajednici je prikupljanje usmenih predaja od stanovnika. Transkripti tih razgovora predstavljaju bogat, ali nestrukturiran izvor kvalitativnih podataka. Umjetna inteligencija, posebno kroz obradu prirodnog jezika (engl. Natural Language Processing, NLP), može se koristiti za sustavnu analizu tog teksta. Tehnike poput tematske analize potpomognute umjetnom inteligencijom mogu brzo obraditi velike količine transkripata kako bi se prepoznale i kategorizirale ključne teme, kao što su opetovana spominjanja promjena u toku rijeke, povijesna rasprostranjenost određenih vrsta riba ili tradicionalne prakse upravljanja zemljištem. Time se automatizira dio procesa kvalitativne analize koji bi tradicionalno zahtijevao ogroman ručni napor, omogućujući istraživačima da učinkovitije odrede ključna područja ekološkog znanja unutar narativa.

Ova primjena nije jedinstvena za riječne ekosustave. Slične primjene umjetne inteligencije pojavljuju se i u području etnobiologije. Istraživači koriste umjetnu inteligenciju za analizu golemih skupova podataka o ljekovitoj upotrebi biljaka, pomažući u klasifikaciji vrsta, predviđanju novih terapijskih primjena i potvrđivanju tradicionalnih ljekovitih tvrdnji pronađenih u povijesnim tekstovima i usmenim predajama. I u etnobotanici i u dokumentaciji lokalnih znanja o rijekama, umjetna inteligencija služi kao moćan analitički alat koji pomaže strukturirati, tumačiti i otključati vrijednost sadržanu u tradicionalnim sustavima znanja, pripremajući je za integraciju s drugim oblicima znanstvenih podataka.