Τα τελευταία χρόνια, η Τεχνητή Νοημοσύνη (AI) έχει αποκτήσει σημασία σε ένα ευρύ φάσμα τομέων. Ωστόσο, ο ορισμός του όρου δημιουργεί ορισμένες δυσκολίες. Κεντρικό στοιχείο της Τεχνητής Νοημοσύνης είναι ότι λαμβάνει και εφαρμόζει αποφάσεις με βάση δεδομένα (πληροφορίες) ανεξάρτητα σε σχέση με τους καθορισμένους στόχους. Ο όρος τεχνητή διακρίνει το AI από τη «φυσική νοημοσύνη» που αποδίδεται στους ανθρώπους και στα ζώα. Οι στενότεροι ορισμοί βλέπουν την AI ως κλάδο της επιστήμης των υπολογιστών που ασχολείται με τη μηχανική μάθηση και την αυτοματοποίηση της ευφυούς συμπεριφοράς. Ωστόσο, ο ορισμός της νοημοσύνης παραμένει ασαφής και αποκλείει άλλους τομείς έρευνας, όπως η ρομποτική ή η γλωσσολογία.
Τεχνητή νοημοσύνη: η προσπάθεια διαφοροποίησης
Η Τεχνητή Νοημοσύνη βρίσκεται στα χείλη όλων τώρα. Είναι ο ταχύτερα αναπτυσσόμενος κλάδος της βιομηχανίας υψηλής τεχνολογίας. Η γερμανική κυβέρνηση βλέπει την τεχνητή νοημοσύνη ως βασική στρατηγική για την αντιμετώπιση ορισμένων από τις μεγαλύτερες προκλήσεις της εποχής μας, όπως η αλλαγή του κλίματος και η ρύπανση.
Είναι δύσκολο να καθοριστεί μια σαφής διαφοροποίηση της Τεχνητής Νοημοσύνης ή ακόμη και ενός ακριβούς ορισμού. Το AI χρησιμοποιείται συχνά σε σύνδεση ή μερικές φορές ακόμη και συνώνυμο με τους όρους μηχανική εκμάθηση, μεγάλα δεδομένα ή βαθιά μάθηση. Αυτές οι ανακρίβειες οφείλονται κυρίως στην έννοια της νοημοσύνης, η οποία αποφεύγει έναν σαφή και ξεκάθαρο ορισμό.
Η Τεχνητή Νοημοσύνη διακρίνεται σαφώς από τη «φυσική νοημοσύνη» που αποδίδεται στους ανθρώπους και τα ζώα. Η Τεχνητή Νοημοσύνη είναι η ευφυΐα, για παράδειγμα, μηχανών, αλγορίθμων, προγραμμάτων, εφαρμογών ή συστημάτων. Αυτά μπορούν να συλλέγουν δεδομένα, να τα επεξεργάζονται και να παράγουν αποτελέσματα.
Αλλά τι είναι ακριβώς η νοημοσύνη; Διάφοροι τομείς έρευνας έχουν ήδη προσπαθήσει να καθορίσουν τη νοημοσύνη – και έχουν καταλήξει σε διαφορετικά συμπεράσματα. Μια κεντρική πτυχή της νοημοσύνης στην τεχνητή νοημοσύνη είναι ότι λαμβάνει αποφάσεις με βάση τις πληροφορίες και εκτελεί δράσεις σε σχέση με τους στόχους της. Υπό ορισμένες συνθήκες, αυτό περιλαμβάνει τη συλλογή αυτών των πληροφοριών και την ευέλικτη αντίδραση στις αλλαγές και το περιβάλλον. Με άλλα λόγια, αυτό σημαίνει ότι το AI μαθαίνει από την εμπειρία και λαμβάνει νέες αποφάσεις ανεξάρτητα.
Ακόμα και με αυτόν τον ορισμό, ο όρος παραμένει δύσκολο να κατανοηθεί. Στην πράξη, επομένως, είναι συνηθισμένο να μιλάμε για ισχυρή ή αδύναμη AI. Ένα ισχυρό AI είναι εκείνο στο οποίο η εφαρμογή έχει όλες τις πτυχές που σχετίζονται με την ανθρώπινη νοημοσύνη, όπως η ικανότητα εξαγωγής λογικών συμπερασμάτων, η ύπαρξη γενικών γνώσεων, η ικανότητα να μάθουν να αντιλαμβάνονται και να κατανοούν τη γλώσσα, να σχεδιάζουν και να προβλέπουν, να κινούνται και χειρισμός αντικειμένων και αναγνώριση συναισθημάτων.
Ένας άλλος κοινός ορισμός της τεχνητής νοημοσύνης είναι ότι η Τεχνητή Νοημοσύνη είναι μια υποεπιστημονική επιστήμη υπολογιστών που στοχεύει στο να επιτρέπει στις μηχανές να εκτελούν εργασίες έξυπνα. Αν και η επιστήμη των υπολογιστών είναι πολύ σημαντική για την τεχνητή νοημοσύνη, η Τεχνητή Νοημοσύνη εφαρμόζεται σε άλλους τομείς, όπως στατιστικά στοιχεία, ρομποτική, γλωσσολογία ή φιλοσοφία.
Υπάρχει ακόμη μια συζήτηση για το τι θεωρείται ήδη AI και ποια είναι η υπολογιστική ισχύς των μηχανών. Οι μεταβάσεις είναι ρευστές, κυρίως λόγω των οριστικών ανακριβειών.
Μηχανική εκμάθηση
Ο όρος Machine Learning (ML) χρησιμοποιείται συχνά σε συνδυασμό με την τεχνητή νοημοσύνη και έχει μεγάλη σημασία στην ενεργειακή βιομηχανία. Ωστόσο, τα ML και AI δεν είναι τα ίδια, δεδομένου ότι η Machine Learning περιλαμβάνει ένα μέρος, αλλά δεν είναι όλα τα AI. Η Μηχανική Εκμάθηση σημαίνει ότι οι μηχανές μπορούν να μάθουν ανεξάρτητα, δηλαδή να εξαγάγουν συμπεράσματα για το μέλλον από τις εμπειρίες τους και να λύσουν προβλήματα που δεν υπήρχαν πριν.
Τεχνητή νοημοσύνη (AI) στη βιομηχανία ενέργειας
Η Τεχνητή Νοημοσύνη καθίσταται ολοένα και πιο σημαντική στη βιομηχανία ενέργειας και έχει μεγάλες δυνατότητες για τον μελλοντικό σχεδιασμό του ενεργειακού συστήματος. Τυπικοί τομείς εφαρμογής είναι το εμπόριο ηλεκτρικής ενέργειας, τα έξυπνα δίκτυα ή ο τομέας σύνδεσης ηλεκτρικής ενέργειας, θερμότητας και μεταφορών. Προαπαιτούμενα για αυξημένη χρήση της τεχνητής νοημοσύνης στο ενεργειακό σύστημα είναι η ψηφιοποίηση του ενεργειακού τομέα και ένα αντίστοιχο μεγάλο σύνολο δεδομένων που είναι πολύτιμο. Η τεχνητή νοημοσύνη βοηθάει την ενεργειακή βιομηχανία να είναι πιο αποτελεσματική και ασφαλής με την ανάλυση και αξιολόγηση των όγκων δεδομένων.
Τεχνητή νοημοσύνη στο ηλεκτρικό δίκτυο – Έξυπνα πλέγματα και ζεύξη τομέων
Συγκεκριμένα, η AI είναι παρούσα στον τομέα της ευφυούς δικτύωσης καταναλωτών ηλεκτρικής ενέργειας και γεννητριών πέρα από τα όρια του τομέα. Με την αυξανόμενη αποκέντρωση και την ψηφιοποίηση του ηλεκτρικού δικτύου, καθίσταται πιο δύσκολη η διαχείριση του μεγάλου αριθμού των συμμετεχόντων στο δίκτυο και η διατήρηση του δικτύου σε ισορροπία. Αυτό απαιτεί αξιολόγηση και ανάλυση μιας πλημμύρας δεδομένων. Η Τεχνητή Νοημοσύνη βοηθά στην επεξεργασία αυτών των δεδομένων όσο το δυνατόν γρηγορότερα και αποτελεσματικότερα.
Τα έξυπνα πλέγματα είναι ένας άλλος τομέας εφαρμογής. Αυτά τα δίκτυα μεταφέρουν όχι μόνο ηλεκτρισμό αλλά και δεδομένα. Ειδικά με τον αυξανόμενο αριθμό πτητικών μονάδων παραγωγής ενέργειας, όπως η ηλιακή και η αιολική ενέργεια, καθίσταται όλο και πιο σημαντικό για την παραγωγή ενέργειας.
Ως μη ρυπογόνες αξιόπιστες πηγές ενέργειας, τα αυτόνομα υβριδικά συστήματα φωτοβολταϊκών / αιολικών / κυψελών καυσίμου (PV / άνεμος / FC) μελετώνται από διάφορες πτυχές τα τελευταία χρόνια. Σε τέτοια συστήματα, το βέλτιστο μέγεθος είναι το κύριο ζήτημα για ένα οικονομικά αποδοτικό σύστημα. Υπάρχει η δυνατότητα να αξιολογηθεί η απόδοση διαφορετικών τεχνικών τεχνητής νοημοσύνης (AI) για βέλτιστο μέγεθος ενός υβριδικού συστήματος PV / ανέμου / FC για τη συνεχή ικανοποίηση της ζήτησης φορτίου με το ελάχιστο συνολικό ετήσιο κόστος.
Για το σκοπό αυτό, διαμορφώνεται το πρόβλημα μεγέθους και τέσσερις γνωστοί ευρετικοί αλγόριθμοι – heuristic algorithms , συγκεκριμένα, βελτιστοποίηση σωματιδίων (PSO), tabu search (TS), προσομοιωμένη ανόπτηση (SA) και αναζήτηση αρμονίας (HS), εφαρμόζονται στο σύστημα και τα αποτελέσματα συγκρίνονται ως προς το συνολικό ετήσιο κόστος. Μπορεί να φανεί ότι όχι μόνο τα μέσα αποτελέσματα που παράγονται από το PSO είναι πιο ελπιδοφόρα από αυτά των άλλων αλγορίθμων, αλλά και το PSO έχει την πιο στιβαρή.
Ως άλλη έρευνα, υπάρχει και για το μέγεθος όπου πραγματοποιείται επίσης για ένα υβριδικό σύστημα PV / ανέμου / μπαταρίας και τα αποτελέσματα συγκρίνονται με αυτά του συστήματος PV / ανέμου / FC.
——————————
Ο κ. Lorenzo Campanis είναι Founder & CEO, Artlimes (artlimes.io)
Ο Δρ. Σοφοκλής Μακρίδης είναι Αναπληρωτής Καθηγητής Παν. Πατρών, Διευθυντής Εργ. «Φυσικής Περιβάλλοντος και Τεχνολογιών Υδρογόνου»