Δύο ερευνητές από το Πανεπιστήμιο του Cambridge ανέπτυξαν έναν αλγόριθμο βαθιάς μάθησης (Deep Learning) που θα μπορούσε να καταστήσει ευκολότερο, ταχύτερο και φθηνότερο τον εντοπισμό σπιτιών που σπαταλούν ενέργεια. Η “χαμένη ενέργεια” από τα σπίτια είναι μια σημαντική πηγή επιβάρυνσης των εκπομπών αερίων του θερμοκηπίου.
Ο συγκεκριμένος αλγόριθμος που είναι μέρος ενός συστήματος τεχνητής νοημοσύνης που εκπαιδεύτηκε σε δεδομένα οικιακής σπατάλης ενέργειας συμπεριλαμβανομένων των πιστοποιητικών ενεργειακής απόδοσης και των δορυφορικών εικόνων.
O αλγόριθμος της τεχνητής νοημοσύνης εντόπισε σπίτια (με μεγάλη επιβάρυνση στο περιβάλλον) με ακρίβεια 90%, σύμφωνα με τη μελέτη. Αυτά τα σπίτια είναι δύσκολο να ηλεκτροδοτηθούν ή να αναβαθμιστούν για διάφορους λόγους, όπως η ηλικία, η δομή ή η τοποθεσία.
Το σύστημα αυτό μπορεί να εντοπίσει συγκεκριμένα μέρη ενός κτιρίου, όπως η οροφή και τα παράθυρα, που χάνουν τη μεγαλύτερη θερμότητα και αν ένα σπίτι είναι παλιό ή νεότερο. Ωστόσο, οι ερευνητές είναι βέβαιοι ότι μπορούν να αυξήσουν σημαντικά τη λεπτομέρεια και την ακρίβεια του μοντέλου με την πάροδο του χρόνου και την εξέλιξη του συστήματος.
Το Ηνωμένο Βασίλειο στοχεύει να απαλλάξει από τον άνθρακα όλα τα σπίτια, ακόμη και τα παλιά μέχρι το 2050. Αλλά χωρίς τρόπο εντοπισμού αυτών «προβληματικών ιδιοκτησιών» υψηλής επιβάρυνσης, οι υπεύθυνοι της πολιτικής χάραξης θα δυσκολευτούν να επιτύχουν αυτούς τους στόχους, είπαν οι ερευνητές.
«Είναι η πρώτη φορά που η τεχνητή νοημοσύνη εκπαιδεύεται για τον εντοπισμό κτιρίων που είναι δύσκολο να απελευθερωθούν από τον άνθρακα, χρησιμοποιώντας δεδομένα και ένα σύστημα εντοπισμού.» δήλωσε η Dr Ronita Bardhan, επικεφαλής της Ομάδας Αειφόρου Σχεδιασμού του Cambridge και συν-συγγραφέας της μελέτης.
«Οι αρμόδιοι για τη χάραξη πολιτικής πρέπει να γνωρίζουν πόσα σπίτια πρέπει να απαλλαγούν από τις ανθρακούχες εκπομπές, αλλά συχνά τους λείπουν οι πόροι και τα “εργαλεία” για να πραγματοποιήσουν λεπτομερείς ελέγχους σε κάθε σπίτι. Το σύστημα αυτό μπορεί να τους κατευθύνει σε σπίτια υψηλής προτεραιότητας, εξοικονομώντας τους πολύτιμο χρόνο και πόρους», συνέχισε.
Ο Bardhan και ο έτερος συγγραφέας της μελέτης, ο Maoran Sun εξελίσσουν συνέχεια τον αλγόριθμο ώστε να υπολογίζει και άλλα δεδομένα όπως η χρήση ενέργειας, η ποσότητα των υλικών του κτιρίου, η φθορές των υλικών, ακόμα και αρχειοθέτηση εικόνων με θερμικές κάμερες των προσόψεων κτιρίων. Αναμένουν ότι αυτό θα αυξήσει την ακρίβεια του μοντέλου αλλά και θα παρέχει ακόμη πιο λεπτομερείς πληροφορίες.
Μέχρι τώρα οι αποφάσεις τις πολιτείας για την απαλλαγή από τις ανθρακούχες εκπομπές κτιρίων βασίζονταν σε στοιχεία που προέρχονται από περιορισμένα σύνολα δεδομένων, είπαν οι ερευνητές οι οποίοι είναι αισιόδοξοι για τη δύναμη της τεχνητής νοημοσύνης να το αλλάξει αυτό.
Η ικανότητα των αλγορίθμων AI να εξάγουν αξία από τεράστιες ποσότητες δεδομένων είναι αναμφισβήτητα μια αλλαγή που συμβαίνει σήμερα και θα βοηθήσει στην επίλυση πολύπλοκων προβλημάτων.
Εκτός του ακαδημαϊκού χώρου, υπάρχουν αμέτρητες εταιρείες που κάνουν χρήση της τεχνητής νοημοσύνης για το μεγάλο θέμα της επίλυσης της κλιματικής αλλαγής. Για παράδειγμα η περίπτωση της Dryad Networks με έδρα το Βερολίνο η οποία αξιοποιεί τη μηχανική εκμάθηση για να επιταχύνει τους χρόνους ανίχνευσης πυρκαγιών, ή το 7Analytics της Νορβηγίας που χρησιμοποιεί τεχνητή νοημοσύνη για να προβλέψει καλύτερα τις πλημμύρες και να ελαχιστοποιήσει τις ζημιές σε υποδομές.
H μελέτη δημοσιεύθηκε στο περιοδικό Sustainable Cities and society
Πηγή άρθρου : The Next Web
Διαβάστε ακόμα : Που χρησιμοποιούμε ήδη την τεχνητή νοημοσύνη
Μηχανικός Πληροφορικής – Web Content Publisher
Ονομάζομαι Θέμης Βασιλόπουλος και μέσα από το blog thinktech.gr επικεντρώνομαι σε θέματα τεχνολογίας με σκοπό να είναι κατανοητή από όλους.
Ακολουθήστε με στα Social και εγγραφτείτε στο newsletter για να ενημερώνεσθε όποτε δημοσιεύω καινούριο άρθρο.
“Η Τεχνολογία με απλά λόγια”
