Ο αλγόριθμος βαθιάς μάθησης που ανέπτυξαν δύο καθηγητές στο Πανεπιστήμιο Κέιμπριτζ, θα μπορεί να εντοπίσει ποια σπίτια σπαταλούν περισσότερη ενέργεια.
Δύο ερευνητές από το Πανεπιστήμιο του Κέιμπριτζ ανέπτυξαν έναν αλγόριθμο βαθιάς μάθησης που θα μπορούσε να καταστήσει ευκολότερο, ταχύτερο και φθηνότερο τον εντοπισμό σπιτιών που σπαταλούν ενέργεια, μια σημαντική πηγή εκπομπών αερίων του θερμοκηπίου.
Εκπαιδευμένο σε δεδομένα ανοιχτού κώδικα, συμπεριλαμβανομένων των πιστοποιητικών ενεργειακής απόδοσης και των δορυφορικών εικόνων, η τεχνητή νοημοσύνη κατάφερε να εντοπίσει με ποσοστό ακρίβειας 90%, τα σπίτια που δε μπορούν να απαλλαχθούν τόσο εύκολα από τον άνθρακα.
Τα συγκεκριμένα σπίτια είναι δύσκολο να ηλεκτροδοτηθούν ή να αναβαθμιστούν για διάφορους λόγους, όπως η παλαιότητα, η δομή ή η τοποθεσία.
Το μοντέλο 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 μοντέρνο. Ωστόσο, οι ερευνητές είναι βέβαιοι ότι μπορούν να αυξήσουν σημαντικά τη λεπτομέρεια και την ακρίβεια του μοντέλου με την πάροδο του χρόνου.
Το Ηνωμένο Βασίλειο στοχεύει να απαλλάξει από τον άνθρακα όλα τα σπίτια, μέχρι το 2050. Αλλά χωρίς τρόπο εντοπισμού «προβληματικών ιδιοκτησιών» υψηλής προτεραιότητας, οι υπεύθυνοι χάραξης πολιτικής θα μπορούσαν να 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 ανοιχτού κώδικα», 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 καθαρίσουν τις ανθρακούχες εκπομπές, αλλά συχνά τους λείπουν οι πόροι για να πραγματοποιήσουν λεπτομερείς ελέγχους σε κάθε σπίτι. Το μοντέλο μας μπορεί να τους κατευθύνει σε σπίτια υψηλής προτεραιότητας, εξοικονομώντας τους πολύτιμο χρόνο και πόρους», συνέχισε.
Ο Bardhan και ένας ακόμα συγγραφέας της μελέτης, ο Maoran Sun, λένε ότι τώρα εργάζονται σε ένα ακόμη πιο προηγμένο πλαίσιο που θα φέρει πρόσθετα επίπεδα δεδομένων όπως η χρήση ενέργειας, τα επίπεδα φτώχειας και οι θερμικές εικόνες των προσόψεων κτιρίων.
Αναμένουν ότι αυτό θα αυξήσει την ακρίβεια του μοντέλου αλλά και θα παρέχει ακόμη πιο λεπτομερείς πληροφορίες.
Μέχρι τώρα, οι αποφάσεις πολιτικής απαλλαγής από τις ανθρακούχες εκπομπές 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 του παιχνιδιού για την επίλυση πολύπλοκων προβλημάτων.
Εκτός του ακαδημαϊκού χώρου, υπάρχουν αμέτρητες εταιρείες που αναθέτουν την τεχνητή νοημοσύνη στο έργο της επίλυσης της κλιματικής αλλαγής. Ένα παράδειγμα είναι το Dryad Networks, με έδρα το Βερολίνο, το οποίο αξιοποιεί τη μηχανική εκμάθηση για να επιταχύνει τους χρόνους ανίχνευσης πυρκαγιών, και το 7Analytics της Νορβηγίας που χρησιμοποιεί τεχνητή νοημοσύνη για να προβλέψει καλύτερα τις πλημμύρες και να ελαχιστοποιήσει τις ζημιές στις υποδομές.
Πηγή:dnews.gr