Δύο ερευνητές από το Πανεπιστήμιο του Κέιμπριτζ ανέπτυξαν έναν αλγόριθμο βαθιάς μάθησης που θα μπορούσε να καταστήσει ευκολότερο, ταχύτερο και φθηνότερο τον εντοπισμό των σπιτιών που σπαταλούν ενέργεια – μια σημαντική πηγή εκπομπών αερίων του θερμοκηπίου.
Το σύστημα τεχνητής νοημοσύνης εκπαιδεύτηκε σε δεδομένα ανοικτού κώδικα, συμπεριλαμβανομένων πιστοποιητικών ενεργειακής απόδοσης και δορυφορικών εικόνων, και στη συνέχεια εντόπισε τα σπίτια που είναι δύσκολο να απαλλαγούν από τις ανθρακούχες εκπομπές, με ακρίβεια 90%, σύμφωνα με τη μελέτη. Αυτά τα σπίτια είναι δύσκολο να ηλεκτροδοτηθούν ή να αναβαθμιστούν για διάφορους λόγους, όπως η παλαιότητα, η δομή ή η τοποθεσία.
Το μοντέλο μπόρεσε να εντοπίσει συγκεκριμένα μέρη ενός κτιρίου – όπως η οροφή και τα παράθυρα – τα οποία χάνουν τη μεγαλύτερη θερμότητα, καθώς και αν ένα σπίτι είναι παλιό ή νεόδμητα. Ωστόσο, οι ερευνητές είναι βέβαιοι ότι μπορούν να αυξήσουν σημαντικά την ακρίβεια του μοντέλου με την πάροδο του χρόνου.
Το Ηνωμένο Βασίλειο στοχεύει στην απαλλαγή όλων των σπιτιών από τον άνθρακα, ακόμη και εκείνων που διαθέτουν ρεύμα, μέχρι το 2050. Εάν όμως δεν υπάρχει ένας αποτελεσματικός τρόπος εντοπισμού των προβληματικών ακινήτων υψηλής προτεραιότητας, οι υπεύθυνοι χάραξης πολιτικής θα δυσκολευτούν να επιτύχουν αυτούς τους στόχους, δήλωσαν οι ερευνητές.
«Είναι η πρώτη φορά που η τεχνητή νοημοσύνη εκπαιδεύεται για να εντοπίζει κτίρια που είναι δύσκολο να απαλλαγούν από τις ανθρακούχες εκπομπές, χρησιμοποιώντας δεδομένα ανοικτού κώδικα», δήλωσε η Δρ. Ρονίτα Μπάρνταν, επικεφαλής της Ομάδας Βιώσιμου Σχεδιασμού του Cambridge και συν-συγγραφέας της μελέτης.
«Οι υπεύθυνοι χάραξης πολιτικής πρέπει να γνωρίζουν πόσα σπίτια πρέπει να απαλλαγούν από τις ανθρακούχες εκπομπές, αλλά συχνά δεν διαθέτουν τους πόρους για να πραγματοποιήσουν λεπτομερείς ελέγχους σε κάθε σπίτι. Το μοντέλο μας μπορεί να τους κατευθύνει στα σπίτια υψηλής προτεραιότητας, εξοικονομώντας τους πολύτιμο χρόνο και πόρους», συνέχισε η ερευνήτρια.
Η Μπάρνταν και ο έτερος συγγραφέας της μελέτης, Μαόραν Σαν, εξελίσσουν περαιτέρω τον αλγόριθμο ώστε να υπολογίζει και άλλα δεδομένα, όπως τη χρήση ενέργειας, τα επίπεδα φτώχειας και τις θερμικές εικόνες των προσόψεων των κτιρίων. Αναμένουν ότι αυτό θα βελτιώσει την ακρίβεια του μοντέλου και θα παρέχει ακόμη πιο λεπτομερείς πληροφορίες.
Μέχρι τώρα, οι αποφάσεις για την πολιτική απαλλαγής από τον άνθρακα βασίζονταν σε στοιχεία που προέρχονταν από περιορισμένα σύνολα δεδομένων, δήλωσαν οι ερευνητές, οι οποίοι είναι αισιόδοξοι για τη δύναμη της τεχνητής νοημοσύνης να το αλλάξει αυτό.
Εκτός του ακαδημαϊκού χώρου, υπάρχουν και άλλες εταιρείες που χρησιμοποιούν την τεχνητή νοημοσύνη για την αντιμετώπιση της κλιματικής αλλαγής. Για παράδειγμα, η Dryad Networks, με έδρα το Βερολίνο, αξιοποιεί τη μηχανική μάθηση για να επιταχύνει τους χρόνους ανίχνευσης πυρκαγιών. Τέλος, η νορβηγική 7Analytics χρησιμοποιεί τεχνητή νοημοσύνη για την καλύτερη πρόβλεψη πλημμυρών και την ελαχιστοποίηση των ζημιών στις υποδομές.
Η σχετική μελέτη δημοσιεύθηκε στο περιοδικό Sustainable Cities and Society.
ΠΗΓΗ: The Next Web
