Machine learning in duurzaamheid: een gids voor 2026.

Korte samenvatting: Machine learning geeft een nieuwe vorm aan duurzaamheidsinspanningen door het optimaliseren van energieverbruik, het verbeteren van grondstoffenbeheer en het voorspellen van milieueffecten. Hoewel ML-toepassingen het aantal verspilde rekencycli met wel 801 TP3T verminderen en een nauwkeurigheid van 99,731 TP3T bereiken in monitoringsystemen, brengt de technologie zelf ook duurzaamheidsuitdagingen met zich mee, aangezien datacenters 1 tot 21 TP3T bijdragen aan de wereldwijde uitstoot van broeikasgassen. 

Het vinden van een evenwicht tussen het transformatieve potentieel van machine learning en de milieubelasting ervan vereist een strategische implementatie en efficiëntiegerichte innovatie.

Machine learning is een tweesnijdend zwaard geworden in de strijd voor ecologische duurzaamheid. Enerzijds zorgt het voor een revolutie in de manier waarop organisaties ecosystemen monitoren, hulpbronnen optimaliseren en klimaatpatronen voorspellen. Anderzijds vereist de technologie enorme rekenkracht, wat juist bijdraagt aan de problemen die ze probeert op te lossen.

Het probleem is echter dat de relatie tussen machine learning en duurzaamheid niet zo eenvoudig is. De technologie kan het energieverbruik in gebouwen drastisch verlagen, landbouwopbrengsten voorspellen en milieuvervuiling met opmerkelijke precisie opsporen. Maar het trainen van één enkel AI-model kan meer elektriciteit verbruiken dan meerdere huishoudens in een jaar.

Deze gids onderzoekt beide kanten van die kwestie. Wat levert machine learning nu eigenlijk op voor duurzaamheid? Waar schiet het tekort? En hoe kunnen organisaties de voordelen ervan benutten en tegelijkertijd de milieuschade minimaliseren?

De milieukosten van machinaal leren

Voordat we dieper ingaan op toepassingen, is het belangrijk om de duurzaamheidsuitdaging te begrijpen die machine learning zelf met zich meebrengt.

Volgens onderzoek van MIT waren datacenters en informatie- en communicatietechnologie in 2020 verantwoordelijk voor 1 tot 21 biljoen ton broeikasgasemissies. Dat percentage blijft stijgen naarmate de adoptie van AI versnelt. Het probleem komt voort uit meerdere bronnen: hardwareproductie, energieverbruik tijdens modeltraining en de voortdurende operationele eisen.

Energiebehoefte van AI-training

Het trainen van grote machine learning-modellen vereist aanzienlijke rekenkracht. Volgens onderzoekers van MIT wordt ongeveer 501 TP3T aan elektriciteit gebruikt voor het trainen van een AI-model om de laatste 2-3 procentpunten in nauwkeurigheid te behalen.

Dat is een verbijsterende inefficiëntie. Organisaties streven vaak naar marginale verbeteringen in nauwkeurigheid ten koste van enorme milieubelasting – verbeteringen die de prestaties in de praktijk mogelijk niet wezenlijk beïnvloeden.

Hardware verbruikt energie gedurende de gehele levenscyclus. De productie, het transport en de verwijdering van computerapparatuur veroorzaken koolstofemissies nog voordat er ook maar één model in werking is gesteld. De gebouwde omgeving is wereldwijd verantwoordelijk voor ongeveer 301 TP3 T van het totale elektriciteitsverbruik en 401 TP3 T aan energiegerelateerde CO2-uitstoot.

De efficiëntiekloof

De meeste organisaties optimaliseren hun machine learning-workflows niet voor energie-efficiëntie. Modellen draaien op inefficiënte infrastructuur, trainingsprocessen worden onvoldoende geoptimaliseerd en rekenkracht gaat verloren.

Maar hier wordt het interessant. Onderzoek toont aan dat efficiëntietools het aantal verspilde rekencycli met wel 80% kunnen verminderen zonder verlies aan nauwkeurigheid. Dat is een enorme kans – een kans die de meeste organisaties nog niet hebben benut.

Machine learning-toepassingen bevorderen duurzaamheid

En nu de positieve kant. Machine learning maakt duurzaamheidsinitiatieven mogelijk die voorheen niet op grote schaal haalbaar waren.

Energiebeheer en netoptimalisatie

Machine learning verandert de manier waarop elektriciteitsnetten functioneren. Algoritmen voorspellen vraagpatronen, integreren hernieuwbare energiebronnen en balanceren de belasting in realtime.

De technologie blijkt bijzonder waardevol voor de integratie van hernieuwbare energiebronnen. De opwekking van zonne- en windenergie fluctueert afhankelijk van de weersomstandigheden. Machine learning-modellen voorspellen de opwekkingscapaciteit en passen de werking van het elektriciteitsnet daarop aan, waardoor de afhankelijkheid van fossiele brandstoffen als back-upbron afneemt.

Slimme gebouwen gebruiken machine learning om verwarming, koeling en verlichting te optimaliseren op basis van bezettingspatronen en externe omstandigheden. Deze systemen verminderen het energieverbruik zonder in te boeten aan comfort – ze leren de voorkeuren van de gebruikers kennen en passen zich automatisch aan.

Milieumonitoring en -behoud

Machine learning is uitermate geschikt voor het verwerken van sensorgegevens voor milieumonitoring. Toepassingen variëren van het volgen van de luchtkwaliteit tot het observeren van wilde dieren.

Neem bijvoorbeeld waterkwaliteitsmonitoring. Onderzoek naar slimme, op machine learning gebaseerde waterbeheersystemen voor steden toont aan dat sensoren die waterkenmerken zoals pH-waarde en troebelheid detecteren, de kostenefficiëntie, meetnauwkeurigheid en waterbesparing verbeteren. De gegevens worden vervolgens naar cloudservices gestuurd die via mobiele apparaten toegankelijk zijn. Deze systemen bereiken een opmerkelijke precisie: een nauwkeurigheid van 99,731 TP3T voor pH-sensoren en 99,411 TP3T voor troebelheidssensoren.

Toepassingen in de landbouw zijn eveneens veelbelovend. Onderzoek heeft aangetoond dat machine learning-patroonherkenningsmodellen rookverontreiniging in wijnranken kunnen detecteren, terwijl modellen die rookverontreiniging in bessen en wijn voorspellen, zijn ontwikkeld met behulp van niet-invasieve methoden voor teledetectie en machine learning.

Resourceoptimalisatie in de productie

De maakindustrie is een van de meest grondstofintensieve sectoren. Machine learning optimaliseert productieprocessen, vermindert afval en verlengt de levensduur van apparatuur.

Voorspellend onderhoud maakt gebruik van sensorgegevens om apparatuurstoringen te voorspellen voordat ze zich voordoen. In plaats van vaste onderhoudsschema's te volgen – die ofwel middelen verspillen aan onnodig onderhoud ofwel storingen missen die zich voordoen tussen geplande controles – identificeren machine learning-modellen de optimale interventiemomenten.

Productieoptimalisatiealgoritmen verminderen materiaalverspilling door parameters in realtime aan te passen. Kwaliteitscontrolesystemen detecteren defecten eerder in het productieproces, waardoor wordt voorkomen dat er middelen worden geïnvesteerd in producten die uiteindelijk toch worden afgekeurd.

Slimme steden en stedelijke duurzaamheid

Stedelijke gebieden concentreren zich zowel op milieu-uitdagingen als op kansen voor toepassingen van machine learning. Smart city-initiatieven zetten machine learning in voor transport, afvalbeheer, watersystemen en infrastructuurplanning.

Transportnetwerken gebruiken machine learning om de verkeersstroom te optimaliseren, waardoor files en de bijbehorende uitstoot worden verminderd. Openbaarvervoerssystemen passen routes en dienstregelingen aan op basis van vraagvoorspellingen. Parkeerbeheersystemen leiden automobilisten naar beschikbare parkeerplaatsen, waardoor de tijd die wordt besteed aan het zoeken naar een parkeerplek – een belangrijke bron van stedelijke uitstoot – wordt verkort.

De gebouwde omgeving en koolstofreductie

Gebouwen vormen een cruciale uitdaging op het gebied van duurzaamheid. De gebouwde omgeving is wereldwijd verantwoordelijk voor ongeveer 301 TP3T van het totale elektriciteitsverbruik en 401 TP3T aan energiegerelateerde CO2-uitstoot.

De CO2-uitstoot die vrijkomt bij de bouw, het onderhoud en de sloop van gebouwen – dit is verantwoordelijk voor 111.000 ton aan wereldwijde broeikasgasemissies. Dit staat los van de operationele emissies gedurende de levensduur van een gebouw.

Machine learning voor het verbeteren van de gebouwefficiëntie

Machine learning-toepassingen in de gebouwde omgeving richten zich zowel op operationele efficiëntie als op materiaaloptimalisatie. Operationele modellen voorspellen de verwarmings- en koelbehoefte op basis van weersvoorspellingen, bezettingspatronen en historische gegevens. Deze systemen koelen of verwarmen ruimtes voor tijdens daluren, wanneer elektriciteit goedkoper en schoner is.

Materiaaloptimalisatie maakt gebruik van machine learning om koolstofarme alternatieven voor de bouw te identificeren. Algoritmen analyseren bouwspecificaties en suggereren materiaalvervangingen die de CO2-uitstoot verminderen, terwijl de structurele eisen behouden blijven.

Het Small Business Innovation Research-programma van de EPA ondersteunt de ontwikkeling van technologieën om recycling en materiaalhergebruik te verbeteren – cruciaal voor het verminderen van de grondstoffenbehoefte van de gebouwde omgeving. Materiaalhergebruik vermindert de noodzaak om natuurlijke grondstoffen te winnen en te verwerken, wat verantwoordelijk is voor ongeveer de helft van alle wereldwijde emissies van de productie van materialen en producten.

Toepassingen van de circulaire economie

Machine learning ondersteunt initiatieven voor de circulaire economie door materiaalstromen te optimaliseren en recyclingprocessen te verbeteren. Computervisiesystemen sorteren recyclebare materialen nauwkeuriger dan handmatige processen. Vraagvoorspelling helpt bij het koppelen van teruggewonnen materialen aan fabrikanten die ze kunnen gebruiken.

Kijk, dit gaat niet alleen over recyclingbakken. Het gaat erom de levenscyclus van materialen fundamenteel te herzien – machine learning gebruiken om materialen door de toeleveringsketen te volgen, mogelijkheden voor hergebruik te identificeren en afvalstromen te koppelen aan productiebehoeften.

Klimaatmodellering en -voorspelling

Klimaatwetenschap genereert enorme datasets afkomstig van satellieten, weerstations, oceaanboeien en atmosferische sensoren. Machine learning verwerkt deze data op schalen die onmogelijk zijn voor traditionele statistische methoden.

Weers- en klimaatvoorspellingen

Machine learning-modellen verbeteren de nauwkeurigheid van weersvoorspellingen door complexe patronen in atmosferische gegevens te herkennen. Betere voorspellingen maken efficiënter energiebeheer, landbouwplanning en rampenbestrijding mogelijk.

Klimaatmodellering maakt gebruik van machine learning om mondiale klimaatprojecties te verfijnen tot regionaal en lokaal niveau. Beleidsmakers hebben lokale voorspellingen nodig om investeringen in infrastructuur te plannen, maar traditionele klimaatmodellen werken met een grove resolutie. Machine learning-algoritmen overbruggen deze kloof door verbanden te leren tussen grootschalige klimaatpatronen en lokale omstandigheden.

Voorspelling van extreme gebeurtenissen

Machine learning biedt met name veel potentie voor het voorspellen van extreme weersomstandigheden, zoals overstromingen, droogtes, hittegolven en stormen. Deze gebeurtenissen veroorzaken onevenredig veel schade, en zelfs bescheiden verbeteringen in de nauwkeurigheid van de voorspellingen leiden tot aanzienlijke voordelen.

Vroegtijdige waarschuwingssystemen op basis van machine learning geven gemeenschappen meer tijd om zich voor te bereiden en te evacueren. Landbouwsystemen kunnen plantschema's of irrigatie aanpassen op basis van droogtevoorspellingen. Energiebedrijven kunnen reparatieploegen inzetten vóór de verwachte stormen.

Gebruik machine learning in duurzaamheidsworkflows met AI Superior.

Duurzaamheidsprojecten zijn vaak gebaseerd op milieumonitoring, operationele rapportage, prognosesystemen en analyse van natuurlijke hulpbronnen. AI Superieur Ze helpen organisaties bij het structureren van machine learning-workflows die datagedreven duurzaamheidsinitiatieven en analytische processen ondersteunen. Hun diensten omvatten AI-consultancy, machine learning-ontwikkeling, data-analyse, AI-softwareontwikkeling en modelvalidatie.

AI Superior kan duurzaamheidsgerichte initiatieven ondersteunen door:

• Het ordenen van milieu- en operationele gegevens
• Het bouwen van voorspellings- en optimalisatiemodellen
• Het ontwikkelen van AI-prototypes voor analytische workflows
• Ondersteuning van de integratie met interne rapportagesystemen

Neem contact op met AI Superior om de workflow en implementatiemogelijkheden op het gebied van duurzaamheid te evalueren.

Uitdagingen en beperkingen

Eerlijk gezegd: machine learning is geen wondermiddel voor duurzaamheid. De technologie kent aanzienlijke beperkingen en uitdagingen.

Gegevensvereisten en -kwaliteit

Machine learning-modellen vereisen grote hoeveelheden kwalitatief hoogwaardige data. Veel duurzaamheidstoepassingen beschikken niet over voldoende historische data of kampen met problemen rond de datakwaliteit.

Omgevingssensoren kunnen defect raken, verkeerd gekalibreerd worden of ruisende metingen opleveren. Historische gegevens bevatten hiaten. Trainingsgegevens weerspiegelen mogelijk niet de huidige omstandigheden, aangezien klimaatpatronen veranderen.

Het verzamelen van data roept op zichzelf al vragen op over duurzaamheid. Het opzetten en onderhouden van sensornetwerken vereist middelen en energie. Organisaties moeten de voordelen van monitoring afwegen tegen de milieukosten van de monitoringinfrastructuur.

Modelinterpreteerbaarheid

Veel krachtige machine learning-modellen werken als 'black boxes' – hun interne logica blijft ondoorzichtig, zelfs voor ontwikkelaars. Dit levert problemen op voor toepassingen op het gebied van duurzaamheid, waar belanghebbenden de aanbevelingen van het model moeten begrijpen en erop moeten kunnen vertrouwen.

Regelgevers kunnen blackbox-modellen voor milieunaleving afwijzen. Gemeenschappen die getroffen worden door beslissingen op basis van machine learning verdienen transparante uitleg. Wetenschappers hebben interpreteerbare modellen nodig om inzicht te bevorderen in plaats van alleen maar voorspellingen te doen.

Implementatiebarrières

Technische bekwaamheid is geen garantie voor acceptatie. Organisaties stuiten op belemmeringen bij de implementatie van machine learning voor duurzaamheid: beperkte technische expertise, hoge opstartkosten, integratieproblemen met verouderde systemen en weerstand tegen verandering binnen de organisatie.

Kleinere organisaties – zoals gemeenten, landbouwcoöperaties en kleine fabrikanten – beschikken vaak niet over de middelen om op maat gemaakte machine learning-oplossingen te ontwikkelen. Ze hebben behoefte aan toegankelijke, betaalbare tools in plaats van geavanceerde onderzoeksmodellen.

Het terugslageffect

Hier wordt het lastig. Efficiëntieverbeteringen leiden soms tot een toename van de totale consumptie – een fenomeen dat economen het rebound-effect noemen.

Wanneer machine learning een proces efficiënter en goedkoper maakt, gaan organisaties er wellicht gewoon meer van gebruiken. Datacenters worden energiezuiniger per berekening, maar organisaties voeren meer berekeningen uit. Gebouwen gebruiken energie efficiënter, maar een lagere energieconsumptie stimuleert grotere gebouwen of een hogere bezettingsgraad.

Machine learning zelf illustreert deze paradox. Naarmate modellen efficiënter worden, nemen de drempels voor implementatie af en neemt het aantal ML-toepassingen toe – wat mogelijk de totale AI-gerelateerde emissies verhoogt, zelfs als de efficiëntie per model verbetert.

Strategieën voor duurzaam machinaal leren

Organisaties kunnen de duurzaamheidsvoordelen van machine learning maximaliseren en tegelijkertijd hun ecologische voetafdruk minimaliseren. Verschillende strategieën zijn veelbelovend.

Modellen op de juiste schaal

Niet elk probleem vereist het grootste en krachtigste model. Organisaties zouden de complexiteit van het model moeten afstemmen op de taakvereisten, in plaats van standaard te kiezen voor te grote architecturen.

Kleinere modellen trainen sneller, verbruiken minder energie en draaien efficiënter in productie. Ze zijn vaak voldoende voor goed gedefinieerde taken met een beperkte reikwijdte. Het nastreven van marginale nauwkeurigheidsverbeteringen met enorme modellen is zelden zinvol als die verbeteringen zich niet vertalen in betere resultaten in de praktijk.

Bedenk dat 50% aan trainingsenergie wordt besteed aan de laatste 2-3 procentpunten van de nauwkeurigheid. Organisaties zouden zich moeten afvragen of die punten relevant zijn voor hun specifieke toepassing.

Transferleren en voorgegetrainde modellen

Transfer learning past bestaande, vooraf getrainde modellen aan nieuwe taken aan, in plaats van modellen helemaal opnieuw te trainen. Deze aanpak reduceert de benodigde rekenkracht aanzienlijk.

Eén organisatie draagt de milieukosten voor de training van een basismodel. Honderden of duizenden andere organisaties passen dat model aan hun specifieke behoeften aan met minimale extra training. Het energieverbruik per toepassing daalt aanzienlijk.

Efficiënte infrastructuur en bedrijfsvoering

Waar en hoe modellen draaien is van belang. Datacenters die op hernieuwbare energie draaien, verminderen de CO2-uitstoot van machine learning-activiteiten. Efficiënte hardware – processors die geoptimaliseerd zijn voor machine learning-workloads – levert meer rekenkracht per eenheid energie.

Ook operationele procedures zijn belangrijk. Door trainingstaken in te plannen op momenten dat de opwekking van hernieuwbare energie hoog is, wordt de afhankelijkheid van fossiele brandstoffen verminderd. Het uitschakelen of afschalen van ongebruikte resources voorkomt verspilling.

Die reductie van 80% in verspilde computercycli? Organisaties bereiken dit door beter resourcebeheer, niet door technologische doorbraken. Ze profileren de werklast, elimineren inefficiënties en optimaliseren de planning.

Model snoeien en kwantisatie

Snoeien verwijdert onnodige verbindingen in neurale netwerken. Kwantisatie vermindert de numerieke precisie van modelparameters. Beide technieken verkleinen de modelgrootte en verminderen de rekenkracht die nodig is, met minimale impact op de nauwkeurigheid.

Geoptimaliseerde en gekwantiseerde modellen werken sneller en verbruiken minder energie in productieomgevingen. Voor applicaties die op edge-apparaten of embedded systemen worden ingezet, zijn deze optimalisaties essentieel, maar ze bieden ook voordelen voor cloudimplementaties.

Toekomstige richtingen en onderzoek

Machine learning voor duurzaamheid blijft een actief onderzoeksgebied met belangrijke open vragen en opkomende richtingen.

Gefedereerd leren voor milieugegevens

Federated learning traint modellen over gedistribueerde datasets zonder de gegevens te centraliseren. Deze aanpak pakt privacykwesties aan en vermindert de vereisten voor gegevensoverdracht – beide relevant voor milieu-toepassingen.

Meerdere organisaties of rechtsgebieden kunnen samenwerken aan machine learning-modellen, terwijl hun data lokaal blijven. Federated learning maakt regionale klimaatmodellering mogelijk zonder gevoelige infrastructuurdata te verplaatsen. Landbouwcoöperaties kunnen inzichten delen zonder individuele boerderijgegevens openbaar te maken.

AI voor materiaalontdekking

Het ontdekken van nieuwe materialen vereist traditioneel jarenlange laboratoriumexperimenten. Machine learning versnelt dit proces door materiaaleigenschappen te voorspellen op basis van moleculaire structuren.

Toepassingen voor duurzaamheid omvatten onder meer betere batterijen voor energieopslag, efficiëntere zonnepanelen, materialen voor koolstofafvang en koolstofarme alternatieven voor grondstofintensieve bouwmaterialen. De potentiële impact is aanzienlijk, maar het vakgebied bevindt zich nog in een vroeg stadium.

Hybride benaderingen

Door machine learning te combineren met traditionele, op natuurkunde gebaseerde modellen, worden de sterke punten van beide benaderingen benut. Op natuurkunde gebaseerde modellen coderen gevestigde wetenschappelijke inzichten. Machine learning-modellen identificeren patronen in data die op natuurkunde gebaseerde modellen over het hoofd zien.

Hybride modellen zijn veelbelovend voor de klimaatwetenschap, waarbij fundamentele natuurwetten het gedrag op grote schaal bepalen, maar complexe interacties plaatsvinden op kleinere schaal. Ze winnen aan populariteit bij het modelleren van energiesystemen en ecologische voorspellingen.

Edge computing en IoT-integratie

Door machine learning-modellen uit te voeren op edge-apparaten – sensoren, camera's, embedded controllers – in plaats van op cloudservers, worden de vereisten voor gegevensoverdracht verminderd en worden realtime reacties mogelijk gemaakt.

Edge ML is waardevol voor milieumonitoring op afgelegen locaties met beperkte connectiviteit. Wildcamera's verwerken beelden lokaal om de gewenste diersoorten te detecteren. Landbouwsensoren nemen irrigatiebeslissingen zonder cloudcommunicatie. Deze systemen werken onafhankelijk en verbruiken minimale energie.

Strategische keuzes maken

Organisaties die machine learning inzetten voor duurzaamheid, staan voor strategische beslissingen die zowel de effectiviteit als de milieu-impact bepalen.

Zelf bouwen versus adopteren

Het ontwikkelen van op maat gemaakte machine learning-modellen biedt maximale flexibiliteit, maar vereist aanzienlijke middelen en expertise. Het gebruik van bestaande platforms of kant-en-klare modellen verlaagt de drempel, maar kan ten koste gaan van de specificiteit.

De meeste organisaties zouden moeten beginnen met het implementeren van bestaande oplossingen in plaats van helemaal vanaf nul te beginnen. Kant-en-klare oplossingen voor veelvoorkomende duurzaamheidstaken – zoals energiemonitoring, vraagvoorspelling en sensoranalyse – zijn inmiddels aanzienlijk verbeterd. Ze leveren sneller waarde op en hebben lagere milieukosten dan maatwerk.

Maatwerkontwikkeling is zinvol wanneer applicaties specialistische domeinkennis vereisen, met unieke datastructuren werken of op een schaal opereren waarbij efficiëntieoptimalisatie de investering rechtvaardigt.

Impact meten

Organisaties zouden zowel de duurzaamheidsvoordelen van ML-toepassingen als de milieukosten van de technologie zelf moeten meten. Deze dubbele boekhouding geeft een compleet beeld.

Het meten van de voordelen hangt af van de toepassing: energiebesparing, vermindering van emissies, behoud van grondstoffen, vermindering van afval. Om de ecologische voetafdruk van machine learning te meten, is het nodig om het energieverbruik tijdens training, het operationele energieverbruik en de impact op de levenscyclus van de hardware te volgen.

De netto-impact bepaalt of een machine learning-toepassing daadwerkelijk bijdraagt aan duurzaamheid of slechts de milieubelasting verplaatst.

Betrokkenheid van belanghebbenden

Duurzaamheidsinitiatieven raken diverse belanghebbenden: werknemers, klanten, gemeenschappen en toezichthouders. Een effectieve inzet van machine learning vereist dat deze groepen vroegtijdig worden betrokken en dat hun zorgen worden aangepakt.

Transparantie over hoe modellen werken, welke gegevens ze gebruiken en hoe beslissingen worden genomen, schept vertrouwen. Mechanismen voor feedback en beroep voorkomen dat machine learning-systemen oncontroleerbare black boxes worden.

Gemeenschappen die milieu-infrastructuur beheren, verdienen inspraak in de manier waarop ML-systemen die infrastructuur beheren. Werknemers die te maken krijgen met door ML gestuurde proceswijzigingen hebben training en ondersteuning bij de overgang nodig.

Beleids- en bestuursaspecten

De wisselwerking tussen machinaal leren en duurzaamheid roept beleidsvragen op waar overheden en organisaties zich nu op beginnen te richten.

Koolstofboekhouding voor AI

Moeten organisaties de CO2-voetafdruk van hun machine learning-activiteiten rapporteren? Sommige landen overwegen een CO2-voetafdrukregistratie voor datacenters en computerinfrastructuur verplicht te stellen.

Gestandaardiseerde meetmethoden zouden vergelijkingen mogelijk maken en efficiëntieverbeteringen stimuleren. Maar er blijven uitdagingen bestaan op het gebied van meting, zoals het toewijzen van gedeelde infrastructuurkosten, het rekening houden met de impact van de levenscyclus van hardware en het verwerken van aankopen van hernieuwbare energie.

Stimulansen en normen

Overheidsstimulansen kunnen de toepassing van machine learning voor duurzaamheid versnellen en tegelijkertijd een efficiënte implementatie bevorderen. Belastingvoordelen, subsidies of preferentiële aanbestedingen voor koolstofarme AI-oplossingen creëren vraag vanuit de markt.

Technische standaarden garanderen interoperabiliteit en stellen minimale efficiëntie-eisen vast. Brancheorganisaties ontwikkelen benchmarks voor de efficiëntie van machine learning-modellen, richtlijnen voor duurzame AI-ontwikkeling en raamwerken voor impactbeoordeling.

Internationale samenwerking

Klimaatverandering en milieuvervuiling kennen geen grenzen. Toepassingen van machine learning voor duurzaamheid profiteren van internationale gegevensuitwisseling en gezamenlijke modelontwikkeling.

Organisaties zoals het Intergovernmental Panel on Climate Change (IPCC) integreren steeds vaker AI en machine learning in hun klimaatbeoordelingsprocessen. Internationale onderzoeksamenwerkingen bundelen middelen en expertise om gezamenlijke uitdagingen aan te pakken.

Veelgestelde vragen