Juli 15, 2021

Mit maschinellem Lernen die Erderwärmung bekämpfen

Mitwirkende
Jeffrey Hagen
Gebietsleiter NL | Truppführer
Keine Artikel gefunden.
Newsletter abonnieren
Diesen Beitrag teilen

Einführung

Die globale Erwärmung ist eines der größten Probleme, mit denen die Menschheit derzeit konfrontiert ist. Trotz der Bemühungen der Regierungen, den Ausstoß von Treibhausgasen zu verringern, steigen die Emissionen täglich weiter an. Die Technologie scheint mehr und mehr ein vielversprechendes Instrument zur Bekämpfung dieses Problems zu sein.

2019 veröffentlichte climatechange.ai ein Papier, in dem einige wichtige Probleme hervorgehoben werden, bei denen bestehende Lücken durch maschinelles Lernen geschlossen werden können. Wie in dem Papier erwähnt, ist maschinelles Lernen keine Patentlösung und wird nur dann Wirkung zeigen, wenn es gut auf spezifische Probleme abgestimmt ist.
Wie in vielen Bereichen des maschinellen Lernens gibt es eine große Lücke zwischen der Forschung und der Umsetzung von Lösungen in die Praxis. Deshalb haben wir von ML6 beschlossen, einige reale Anwendungsfälle aus vier verschiedenen Bereichen zu untersuchen, in denen maschinelles Lernen eingesetzt werden kann, um dem Planeten zu helfen.


Vier Anwendungsfälle, in denen maschinelles Lernen dem Planeten helfen kann

#1: Elektrizitätssysteme: Vorhersage der variablen Produktion

Die Menge der erzeugten und verbrauchten Energie im Netz muss immer gleich sein, da es sonst zu einem Blackout kommen würde. Die zunehmende Abhängigkeit von erneuerbaren Energiequellen hat die Aufgabe, das Netz auszugleichen, immens erschwert, da die Produktion dieser Quellen je nach äußeren Bedingungen wie der Menge an Wind oder Sonneneinstrahlung variiert.

Mithilfe von maschinellem Lernen kann die kurzfristige Produktion von Wind- und Solaranlagen prognostiziert werden, ebenso wie die Vorhersage des Strombedarfs, um einem Netz näher zu kommen, das sich vollständig auf grüne Energie verlässt. Diese neuen Algorithmen für maschinelles Lernen werden domänenspezifische Erkenntnisse erfordern und komplexer sein müssen als die meisten derzeit verwendeten Methoden. Außerdem geben langfristige Prognosen den Betreibern Aufschluss darüber, wo und wann neue Wind- und Solarparks gebaut werden sollten.

Derzeit hat ML6 eine Reihe von Lösungen im Bereich der erneuerbaren Energien in Produktion. Bei Otary wird zum Beispiel ein maschinelles Lernmodell verwendet, um Erkenntnisse darüber zu gewinnen, welche Faktoren zu einer unzureichenden Leistung bei Windkraftanlagen führen können. Dies ermöglicht es, diese Effekte zu beheben und die Gesamtleistung zu erhöhen.

Nr. 2: Gebäude und Städte: HLK automatisieren

Die Zeitpläne für Anlagensysteme wie z. B. HVAC (Heizung, Lüftung und Klimaanlage) in großen Büros oder Gebäuden, werden oft nur einmal eingestellt oder von Personen vor Ort bedient. Diese Zeitpläne bleiben meist sehr statisch und ungenau. Dies kann zu sehr unerwünschten Situationen führen, wie z. B. die Aktivierung von Beleuchtung und Heizung an einem Tag, an dem niemand im Büro anwesend ist.

Intelligente Gebäude und die Menschen, die sie nutzen, erzeugen eine Menge Daten. Algorithmen des maschinellen Lernens können aus diesen Daten lernen, um HLK-Aufgaben zu automatisieren, um die Bedürfnisse der Bewohner zu antizipieren, die Kosten zu senken (durch die Verwendung von Strom, wenn er günstig ist) und die Effizienz zu erhöhen. Eine Vielzahl von Variablen kann berücksichtigt werden, wodurch der Gesamtkomfort für die Bewohner erhöht wird. In einem Unternehmen beispielsweise kann ein System, das maschinelles Lernen einsetzt, Informationen über Luftqualität, Jahreszeit, Luftfeuchtigkeit, Temperatur, Anzahl der Insassen und sogar audiovisuelle Bedürfnisse von Besprechungsplattformen nutzen, um optimale Bedingungen für diese spezielle Personengruppe zu schaffen. Indem diese Entscheidungen auf der Grundlage von generierten Daten (die die Bedürfnisse der Nutzer widerspiegeln) getroffen werden, verbessert maschinelles Lernen das Energiemanagement und reduziert somit den CO2-Fußabdruck eines Gebäudes.

In diesem Bereich wurden einige bemerkenswerte Ergebnisse erzielt, wie z. B. DeepMind von Google, das die Kühlungsrechnung des Google-Rechenzentrums um 40 % senken konnte. Ein weiteres Beispiel ist DeltaQ, das die Energiekosten von Sodexo um 30 % senkte und gleichzeitig den Zeitaufwand für den Betrieb der Energiesysteme des Gebäudes erheblich reduzierte.

Im Wesentlichen sind intelligente Gebäude ein ziemlich großer und komplexer Anwendungsfall, bei dem verschiedene Methoden wie überwachtes Lernen, unüberwachtes Lernen und Reinforcement Learning eingesetzt werden können. Die Verwendung dieser Methoden führt zu geringeren Stromkosten, einem geringeren CO2-Fußabdruck und einer höheren Zufriedenheit und Produktion der Bewohner.

#3: Wälder: Gegen die illegale Abholzung

Es wird geschätzt, dass mehr als die Hälfte des weltweit stattfindenden Holzeinschlags illegal ist. Illegale Holzfäller verwenden hauptsächlich eine Technik, die als selektiver Holzeinschlag bezeichnet wird und im Gegensatz zum Kahlschlag steht. Beim Kahlschlag wird ein großer Teil des Waldes abgeholzt, so dass außer Holzresten und einer verwüsteten Landschaft wenig zurückbleibt. Beim selektiven Holzeinschlag werden ein oder zwei Bäume gefällt, während der Rest intakt bleibt, bevor man zu einem anderen Gebiet weiterzieht. Diese Technik macht es viel schwieriger, illegale Holzfäller auf Satellitenbildern zu erkennen.

Neuere Methoden des maschinellen Lernens sind jedoch immer leistungsfähiger geworden und sie sind genau genug, um selektiv gefällte Bäume auf Satellitenbildern zu erkennen (die zudem eine stark verbesserte Auflösung aufweisen).

Durch den Einsatz von maschinellem Lernen auf Satellitenbildern zur Aufdeckung illegaler Abholzungsaktivitäten ist es also möglich, die unverzichtbaren Regenwaldbäume zu erhalten, die dem Klimawandel entgegenwirken. Außerdem können diejenigen, die an illegalen Aktivitäten beteiligt sind, bestraft werden.

Nr. 4: Industrie: Bedarfsprognose

Produkte werden häufig überproduziert und überlagert. Überschüssige Produkte verschwenden nicht nur Ressourcen durch ihre Produktion, sondern verursachen auch Treibhausgasemissionen, wenn sie transportiert und in klimatisierten Lagern gelagert werden.

Die Industrie sammelt mehr Daten als je zuvor und Cloud-Speicher und -Rechner werden immer erschwinglicher. Durch die Implementierung einer Bedarfsprognose auf Basis dieser verfügbaren Daten werden Angebot und Nachfrage besser aufeinander abgestimmt, wodurch der produzierte Abfall gesenkt wird. Dies vermeidet versunkene Kosten für das Unternehmen und reduziert gleichzeitig den ökologischen Fußabdruck. Darüber hinaus gibt die Nachfrageprognose einem Unternehmen wertvolle Informationen über das Potenzial seiner Produkte in bestimmten Regionen. Dies ermöglicht den Managern, fundiertere Entscheidungen über Budgetierung, Preisgestaltung und Wachstumsstrategie zu treffen.

Kurz gesagt: Bessere Prognosen bedeuten eine Maximierung der Umsätze und Ergebnisse mit mehr Umsatz und Gewinn für Einzelhändler bei gleichzeitiger Reduzierung der Treibhausgasemissionen.

Fazit

Maschinelles Lernen ist ein vielversprechendes Werkzeug, um die durch menschliche Aktivitäten verursachten Treibhausgasemissionen zurückzudrängen. Diese Technik kann in verschiedenen Bereichen wie elektrischen Systemen, intelligenten Gebäuden, der Abholzung von Wäldern und der Industrie einen erheblichen Mehrwert bieten. Oftmals wird der ökologische Nutzen auch durch einen geschäftlichen Nutzen ergänzt, wie z. B. eine Reduzierung der Kosten, Automatisierung von Prozessen usw.

Sind Sie daran interessiert, ein CSR-Projekt (Corporate Social Responsibility) mit ML6 zu starten? Bitte lassen Sie es uns wissen!

Verwandte Beiträge

Alle anzeigen
Keine Ergebnisse gefunden.
Es gibt keine Ergebnisse mit diesen Kriterien. Versuchen Sie, Ihre Suche zu ändern.
Stiftung Modelle
Unternehmen
Unser Team
Verantwortungsvolle und ethische KI
Strukturierte Daten
Chat GPT
Nachhaltigkeit
Stimme und Ton
Front-End-Entwicklung
Schutz und Sicherheit von Daten
Verantwortungsvolle/ethische KI
Infrastruktur
Hardware und Sensoren
MLOps
Generative KI
Verarbeitung natürlicher Sprache
Computer Vision