Halen duurzame energiesystemen al alles uit kunstmatige intelligentie?

Halen duurzame energiesystemen al alles uit kunstmatige intelligentie?

Het idee van kunstmatig intelligente beslissingssystemen is niet nieuw. Het nabootsen of verbeteren van het menselijke gedachtenproces met behulp van computers, was reeds ruim voor diens opkomst een theoretisch concept. Vanwaar dan de recente hype rondom kunstmatige intelligentie (vaak afgekort AI voor ‘artificial intelligence’)? Op fundamenteel niveau hebben we dit te danken aan één recente ontwikkeling: sterk verbeterde computerkracht.

Kunstmatige intelligentie werd voorheen gebruikt voor algoritmen die relatief intelligente interacties konden aangaan. Dit komt grofweg neer op het vermogen om een bepaalde situatie te kunnen interpreteren en op autonome wijze tot actie kan overgaan. Een simpel voorbeeld hiervan is de computer die het batje beweegt in Pong (de speelhalklassieker uit de jaren ’70). Hoewel mensen op enig moment in het spel altijd zullen verliezen van de computer, is deze AI niet zeer intelligent te noemen. Het kan immers niets anders dan Pong spelen!

Pong, speelhalklassieker uit de 1970’s. Als je lang genoeg speelt wint de computer altijd.

Rond het moment dat Pong uitkwam, was de theorie omtrent kunstmatige intelligentie al veel verder gevorderd. Er werden methoden voorgesteld die veel meer verwantschap vertonen met de manier waarop mensen beslissingen nemen. Tegenwoordig worden deze neurale netwerken genoemd. De toepassing hiervan, was door een gebrek aan geschikte computers echter nog lang niet mogelijk. Dat is zo gebleven tot computerchips in recente jaren dusdanig waren verbeterd, dat deze berekeningen in recente jaren wel mogelijk bleken. Sindsdien breken verschillende typen neurale netwerken record na record als het gaat om kunstimatige intelligentie taken.

Maar hoe kan dit herontdekte type kunstmatige intelligentie helpen om energiesystemen slimmer te maken?

  1. Automatische patroonherkenning. Verborgen patronen in een constante stroom van data zijn voor mensen vaak onmogelijk te herkennen. Hoewel wij zeer goed getraind zijn in het herkennen van patronen in afbeeldingen en geluid, laten onze zintuigen ons in de steek als het gaat om abstractere data. Deep learning richt zich op het toepassen van het menselijk vermogen voor patroonherkenning, door netwerken gebruiken die geïnspireerd zijn door het menselijk zintuigstelesel. Dit maakt het toepassen van patroonherkenning in complexere stromen van data, zoals bijvoorbeeld energieproductie en -verbruik, mogelijk.
  2. Betere autonome beslissingssystemen. Een van de gewenste mogelijkheden van kunstmatig intelligente systemen, is niet alleen om te begrijpen wat er gebeurt in het systeem, maar ook om hiernaar te handelen. Sommige, met name cruciale, systemen kunnen falen als een verkeerde beslissing wordt genomen. Een kunstmatige intelligentie zal hiermee toch zeker rekening moeten kunnen houden! Eén van de meest geschikte methoden om dit te doen is reinforcement learning. De kunstimatige intelligentie word ‘beloond’ voor goede beslissingen en ‘gestraft’ voor verkeerde. Zodra dit gecombineerd wordt met deep learning kunnen beslissingen in veel gevallen aan menselijke standaarden voldoen. Dit is uitzonderlijk belangrijk voor autonome energysystemen.
  3. Verbeterde fouttolerantie. Los van of beslissingen worden genomen door mensen of computers, kunnen sommige beslissingen fouten in het systeem veroorzaken. Dit is uiteraard hoogst onwenselijk. In de meeste gevallen dienen fouten te allen tijde vermeden te worden. Het is echter niet altijd eenvoudig om uit te vinden op welke manieren een systeem kan falen en hoe daarop voor te bereiden. Een andere manier om dit probleem te benaderen, is door een kunstmatige intelligente aanvaller in te zetten, die zal proberen fouten in het systeem te triggeren. Aan de hand hiervan kunnen operators (menselijk of kunstmatig) leren hoe zij potentiële fouten kunnen voorkomen en de fouttolerantie kunnen verhogen.

Sobolt is al vroeg in deze ‘nieuw AI’ ontwikkeling aangehaakt en kan alle bovenstaande technologieën in de praktijk toepassen. Dit gaat verder het visualiseren van data of het automatiseren van oplossingen. Het gaat om het daadwerkelijk vervangen van de noodzaak voor menselijke intelligentie door een geschikte kunstmatige evenknie.

Bent u bezig kosten voor uw (duurzame) energiesysteem omlaag te brengen, prestaties te verhogen of autonomie te vergroten? Of bent u op zoek naar innovaties die uw product of systeem naar een volgend niveau kunnen brengen? We gaan graag met u om tafel om te bekijken waar eventuele kansen liggen.

Neem contact op, of stuur een e-mail naar Danny Hetharia om een gesprek in te plannen.

Comments are closed.