Za naprave, ki spadajo v domeno interneta stvari (ang. Internet Of Things – IoT), sta pogosto značilna nizka cena in enostavna funkcionalnost. Naprava, ki nam ob uporabi lastne baterije lahko v bazo več let pošilja meritve določene fizikalne količine, navadno stane nekaj 10 evrov. Za relativno nizek vložek lahko tako izvajamo meritve tistega dela poslovnega procesa, ki nam je pred tem predstavljal neznanko.

Če imamo v nekem obratu več takih naprav, ki nam dlje časa zbirajo meritve različnih spremenljivk, je nad pridobljenimi podatki možno izvajati tudi naprednejšo analitiko, kjer ob uporabi metod umetne inteligence poglobljeno iščemo vzorce med različnimi količinami. Metode umetne inteligence se lahko uporablja na več načinov, a najpogosteje iščemo vzročno zvezo med eno in drugo množico merjenih podatkov. V nekaterih primerih so sheme strojnega učenja lahko tudi nekoliko drugačne, saj so merjene spremenljivke lahko odvisne od stvari, ki jih ne merimo. Sektor, za katerega to drži, je zagotovo pametno ravnanje z odpadki (čeprav se verjetno na prvi pogled ne bi strinjali).

Pri ravnanju z odpadki lahko skušamo razbrati vzorce tako, da jih združimo z na prvi pogled nepovezanimi podatki. Primer tega je povezovanje meritev polnosti zabojnikov na ekoloških otokih za posamičen dan z značilnostmi dneva. Tu lahko ob zadostni količini podatkov sklepamo, kako na hitrost polnjenja vplivajo različni faktorji – letni časi (pozimi in poleti se lahko pri populaciji nabirajo drugačne smeti), različni dnevi v tednu (nekdo lahko ob nedeljah pogosteje odnese smeti kot pa na torek), prazniki in dela prosti dnevi (v enih krajih se lahko med prazničnimi obdobji količina ljudi zmanjša, v drugih pa poveča), izredni dogodki (festivali in prireditve) ter nenazadnje tudi vreme (sončen konec tedna lahko več ljudi privabi k morju itd.).

Relacije niso nujno vedno linearne, zato je smiselno imeti na voljo dovolj kompleksne modele, ki lahko iščejo tudi naprednejše vzorce. Govorimo lahko torej o pametni predikciji, pri kateri sčasoma (sčasoma zato, ker potrebujemo dovolj podatkov za dneve iz različnih kategorij) uspemo napovedovati, kako se bodo na merjenem ekološkem otoku odpadki nabirali v prihodnje. S tem, ko z določeno verjetnostjo poznamo prihodnje dogajanje (gibanje stanja polnosti), lahko tako še bolj natančno določamo kar najbolj optimalne poti odvoza odpadkov.

Lahko gremo tudi korak dlje. Kako? Iščemo lahko relacije med hitrostjo polnjenja ekoloških otokov ob določenih dneh in geopodatki na območju, na katerem izvajamo meritve. Z metodami strojnega učenja lahko namreč ugotavljamo, kako se gostota populacije, prisotnost turističnih ali javnih ustanov in ostali faktorji vpliva, ki jih najdemo v geopodatkih, odražajo na hitrosti polnitve ekoloških otokov. Dobri modeli v tej smeri nam lahko zelo pomagajo pri dimenzioniranju kapacitet na ekoloških otokih in določevanju frekventnosti pobiranja odpadkov za posamezne ekološke otoke. Pri tem je za začetek potrebno določiti, katera populacija gravitira h kateremu ekološkemu otoku. Te informacije ne poznamo, lahko pa jo skušamo smiselno oceniti (za ugotavljanje tovrstnih ocen obstajajo določene metode). Predstavljamo si lahko, da bodo različni načini ocene gravitiranja populacije k ekološkim otokom proizvedli nekoliko drugačne modele in s tem rezultate. Vsi od teh rezultatov ne morejo biti pravilni. V stroki umetne inteligence se je zaradi tega razvilo tudi postopke za iskanje najboljšega od načinov oziroma najboljšega izmed različnih modelov.

Umetna inteligenca ponuja upravljanju z odpadki roko v prihodnost. S poglobljenim razumevanjem podatkov, ki so nam na voljo, lahko odgovorni na vsakem delu upravljanja z odpadki sprejemajo boljše odločitve o tem, kako ravnati bolj učinkovito in z mislijo na bolj trajnostno prihodnost. Enostavni miselni preizkusi nam pokažejo, da je umetna inteligenca tisto, kar naše pametne naprave lahko naredi še bolj koristne. Celota namreč postane več kot le seštevek njenih delov. Internet stvari pravzaprav potrebuje umetno inteligenco. Obenem je razumljivo tudi, da zaradi potrebe po čim večji količini različnih podatkov, umetna inteligenca potrebuje internet stvari.

AVTOR
Gorazd Bone

Gorazd Bone

poslovni analitik s področja IoT
OCENITE ZAPIS