Milline on tehisintellekti tegelik potentsiaal elektrisüsteemide rakendustes?

Tallinna Tehnikaülikooli IT-teaduskonna abiprofessori Juri Belikovi sõnul on tehisintellekti arengust võita paljudel, sh teadusel, majandusel, tööstusel ja ka elektritarbijatel.Foto: TalTech

Viimase paari aasta jooksul on töötatud välja mitmeid uusi tehisintellekti (XAI) tehnikaid, mille eesmärk on parandada masinõppe mudelite seletatavust. Oluline teadusartikkel, mis analüüsib nimetatud arenguid, ilmus äsja ajakirjas Energy & AI.

Üks artikli autoritest on Tallinna Tehnikaülikooli IT-teaduskonna abiprofessor Juri Belikov, kelle sõnul keskendusid nad oma värskelt ilmunud artiklis “Explainable Artificial Intelligence (XAI) techniques for energy and power systems: Review, challenges and opportunities” just XAI kasutamise potentsiaalile elektrisüsteemide rakendustes. Ühtlasi püüavad autorid selgitada, millised on sellel teekonnal suurimad väljakutsed ja ka piirangud.

“Samuti leiab artiklist värske ülevaate hiljutistest XAI-teemalistest töödest energiavaldkonnas ja analüüsi praegustest suundumustest,” märgib Belikov, kes loodab, et käesolev artikkel käivitab viljakaid arutelusid ja julgustab teadlasi keerulise, ent tulevikku silmas pidades üliolulise teemaga edasi tegelema.

Võita on tehisintellekti arengust paljudel, sh teadusel, majandusel, tööstusel ja ka elektritarbijatel!

Süvaõppe areng aitab järgmisele astmele liikuda

XAI eesmärk on aidata nii teadlastel, arendajatel, ekspertidel kui ka kasutajatel paremini mõista masinõppe (ML) mudelite sisemist toimimist.

Vaatamata laialdasele kasutuselevõtule ja suurepärasele jõudlusele peetakse aga masinõppemudeleid jätkuvalt “mustaks kastiks”, kuna on väga raske mõista, kuidas sellised mudelid praktikas töötavad. Seetõttu on kõrget vastutust nõudvas elektrisüsteemide valdkonnas ekspertidel raske nende mudelite tehtud otsuseid ja soovitusi usaldada ja põhjendada.

Kuid just tänu süvaõppe (deep learning (DL)) arengule on viimasel paaril aastal ka elektrisüsteemide rakenduste jaoks töötatud välja üha paremaid klassifikaatoreid ja masinõppe algoritme. Võrreldes traditsiooniliste algoritmidega näivad nendel süvaõppemeetoditel olevat vähemalt teatud stsenaariumide korral mitmeid eeliseid nt tõhususe, mürakindluse ja täpsuse osas.

Mis on peamised takistused?

Vaatamata selliste algoritmide ilmselgele edule on põhiraskuseks see, et kuna masinõppe mudelid on sageli väga keerulised, ei pruugi olla selge, kuidas või miks nad teatud otsuseid teevad ja kuidas reaalmaailma andmeid käsitlevad.

Näiteks elektrisüsteemide planeerimise ja ekspluateerimisega tegelevad eranditult elektrieksperdid, kes tuginevad teadmistele elektrisüsteemidest, tugiprogrammidest ja valdkonna kogemustest, mida aja jooksul kogutakse. Seetõttu võib elektrisüsteemide valdkonna ekspertidel olla raske masinõppel põhinevate algoritmide tehtud otsuseid ja soovitusi usaldada, mis piirab nende praktilist kasutamist. See probleem torkab eriti silma olukordades, mis nõuavad kõrget töökindluse taset (ja just see ongi energiatööstuses tavaline).

Just eelnimetatud probleemi tõttu ongi viimasel paaril aastal välja töötatud mitmeid uusi tehnikaid ja põhimõtteid masinõppemudelite seletatavuse parandamiseks.

Kui artikli eesmärk on rõhutada XAI kasutamise potentsiaali energia- ja elektrisüsteemide kontekstis, tuues sh välja probleemid ja kitsaskohad, siis oluliseks saab pidada ka kokkuvõtet töödest, mis on seotud XAI kasutamisega elektri- ja energiarakendustes.

Autorid annavad näiteks vastuse, millised XAI tehnikad on kõige levinumad ja miks, ning selgitavad, miks nimetatud rakenduste jaoks kasutatakse just konkreetseid meetodeid.

Veel kord – kuigi XAI võib muuta masinõppetehnikate kasutamise praktikas lihtsamaks, tuleb siiski arvestada mitmesuguste takistustega, nagu standardimine, turvalisus ja põhjendamatu usaldusväärsus.

Esitatud on XAI ja energiasüsteemidega seotud potentsiaalseid rakendusi ja pakutud välja tuleviku uurimissuundi (nt optimaalne energiahaldus ja -kontroll, energiatarbimise rakendused, süsteemi monitooring).

Üks väga suure potentsiaaliga uurimisvaldkond võiks autorite hinnangul olla XAI kasutamine eesmärgiga kiirendada taastuvenergia kasutusevõttu ja energiasalvestite integreerimist erinevatesse rakendustesse. Samuti soovitatakse keskenduda veelgi rohkem DL-mudelitele, kuna hoolimata nende suurest täpsusest ei saa neid jätkuvalt vajalikul määral usaldada.

Värske teadusartikliga saab tutvuda ajakirja Energy & AI värskes numbris.

Populaarsed lood mujal Geeniuses

Igal argipäeval

Ära jää ilma päeva põnevamatest lugudest

Saadame sulle igal argipäeval ülevaate tehnoloogia-, auto-, raha- ja meelelahutusportaali olulisematest lugudest.