Forskning på og anvendelse av potensialet i kunstig intelligens for å styrke klimamotstandskraft på regionalt og lokalt nivå

Forventet resultat

AI har potensial til å støtte eller legge til rette for praktisk talt alle aspekter av regioners arbeid med klimatilpasning. Fra risikovurdering til klimaforutsigelser, fra infrastrukturplanlegging til ressursforvaltning og mer. Bidrag til målene i AI Continent Action Plan og EU-misjonen for klimatilpasning forventes å omfatte ett av følgende: AI brukes til å forbedre handlingsrettet kunnskap om klimatilpasning for europeiske regioner og lokale myndigheter ved å integrere klimadata i beslutningsprosesser. Spesifikke sektorer i de utvalgte regionene blir mer robuste mot klimaendringer takket være bruk av AI for å forbedre deres prosesser eller teknologier, samtidig som de fremmer sin digitale transformasjon.

Omfang

Begrunnelse De siste årene har det skjedd en rask og disruptiv akselerasjon i utviklingen av kunstig intelligens, drevet av betydelige fremskritt innen bred tilgjengelighet av data, datakraft og maskinlæring. Mens potensialet til kunstig intelligens avdekkes daglig og mulighetene vokser eksponentielt, kan en slik teknologisk revolusjon betydelig akselerere Europas innsats mot klimamotstandskraft og bidra til målene i tilpasningsmisjonen. Med tanke på den stadig skiftende naturen i AI-utviklingen, bør forslagene vise at de går utover dagens standard, de bør identifisere et spesifikt gap som kan adresseres med et AI-drevet verktøy, og forklare hvorfor det vil forbedre eksisterende modeller, verktøy eller applikasjoner eller alternativt begrunne behovet for å utvikle helt nye løsninger. Spesielt bør forslaget adressere ett av de følgende to målene: Mål 1: «AI for mer tilgjengelige data» AI kan raskt behandle og identifisere mønstre i store datasett som ellers ville vært for komplekse. Forslag bør utforske hvordan AI kan integreres ytterligere, inkludert via AI-teknikker som dyp læring, for å gjøre data mer tilgjengelige og forståelige, for å legge til rette for informert beslutningstaking hos regioner og lokale myndigheter. Forbedringene bør testes med minst 3 regionale og lokale myndigheter for å sikre at de gir konkret merverdi for sluttbrukerne (dvs. beslutningstakere). Videre forventes forslag å anvende slik analyse for konkret å forbedre dataintegritet og tilgjengelighet. Mål 2: «AI for sektorbasert tilpasning» Bruk og anvendelse av maskinlæring og AI-verktøy for å hjelpe regioner og lokale myndigheter med å optimalisere ressursforvaltningen og forbedre tilpasningsteknologier i nøkkelsektor(er). Forslag bør utvikle og teste verktøyene i territoriet til minst 5 regionale eller lokale myndigheter. Arbeidet bør involvere private aktører med relevant ekspertise i den valgte sektoren (f.eks. smart landbruk, bygg- og anleggssektoren, vannforvaltning, avfallshåndtering, transport, motstandskraft i energisystemer osv.) for å sikre at slike AI-drevne verktøy er designet for skalerbarhet og implementering. Uavhengig av hvilket mål som adresseres, bør alle forslag tilby opplærings- og formidlingsmateriell for ulike målgrupper, inkludert regioner og lokale myndigheter, om hvordan man best kan dra nytte av AI-forbedringene. Det bør legges vekt på å unngå skjevheter og sikre at dataene er representative for ulike befolkningsgrupper, samt ta hensyn til mulige begrensninger og potensiell feilinformasjon ved bruk av generative AI-verktøy. For å sikre en balansert portefølje som dekker begge mål, vil tilskudd bli tildelt forslag ikke bare etter rangering, men minst også til ett forslag som er høyest rangert innen hvert mål, forutsatt at søknadene oppfyller alle terskler.

Hva dette betyr for byer og regioner

Regioner og lokale myndigheter fungerer som sluttbrukere og testarenaer, sammen med forskningspartnere. Mindre prosjekter, noe som gir et håndterbart inngangspunkt for en mellomstor by. Temaets budsjett er €12 millioner; 4 tilskudd forventes; cirka €3 millioner per prosjekt. Åpner 9. februar 2027; stenger 21. september 2027. AI for tilpasning baseres på klima- og jordobservasjonsdata; Copernicus klimaprognoser og Sentinel-tidsserier er de naturlige trenings- og inndataene.