در این سال من با گروهی از معلمان در دبیرستان ویمبلدون (Wimbledon) کار کرده بودم و برای شروع هوش مصنوعی (AI) سعی کردم به دانش آموزان دبیرستانی علم‌داده و همچنین مهارت‌های یادگیری ماشین را با استفاده از تجزیه و تحلیل کردن داده‌های واقعی آموزش بدم. ما روی مسائل تغییرات آب و هوایی تمرکز کردیم و علاوه بر این به توان مصرفی مدارس نگاه ویژه‌ای داشته‌ایم. در واقع، قصد داشتیم یک آنالیز از مصرف انرژی در مدارس با استفاده از یادگیری ماشین را انجام دهیم.

افراد روی سه منبع مختلف داده برای بررسی توان مصرفی مدرسه کار کردند:

1. داده‌های انرژی مصرفی مدرسه که از برنامه‌ی Energy Sparks جمع آوری شده بودند.
2. آنها با استفاده از پلتفرم Arduinos داده‌های مربوط به نور، حرکت و دما را جمع آوری کردند.
3. داده‌های دستگاه دیتا-متر هوشمند را که مربوط به خانوارها در سراسر لندن است و یک دیتاست بزرگ می‌باشد را جمع آوری کردیم و آن را با استفاده از اطلاعات در مورد توان مدرسه‌ی خود مقایسه کردیم.

دستگاه دیتا-متر هوشمند: یک دستگاه الکترونیک می‌باشد که اطلاعاتی از قبیل مصرف انرژی الکتریکی و سطح ولتاژ و … را نشان می‌دهد.

یافته‌های ما:

داده‌ها را با استفاده از کگل تجزیه و تحلیل کردیم

1. استفاده از انرژی در مدارس بالا است حتی زمانی‌که مدارس بسته هستند

با توجه به نمودار زیر کمترین مقدار مصرف انرژی مدرسه حدود 20kW/h می‌باشد  که اوج مصرف انرژی روزانه اغلب به حدود 120kW/h~ می‌رسد. در مقابل بیشینه‌ی انرژِی که برای خانواده‌ها در لندن مصرف می‌شود 5kW/h است.

در نتیجه به دانش آموزان فرصتی برای بررسی عواملی که در مصرف انرژی مدارس نقش داشتند داده شد تا مصرف انرژی در مدارس را کاهش دهند. این کار علاوه بر تشویق دانش آموزان باعث می‌‌شود تا آن‌ها در خانه‌ی خود هم مصرف انرژی را تغییر بدهند و صرفه‌جویی کنند. همچنین ما می‌توانیم کاهش واضحی از مصرف انرژی در سال 2020 را مشاهده کنیم این در حالتی است که دانش آموزان در خانه مانده‌اند.

2. مصرف انرژی بطور واضح و شفاف روند‌های زمانی را نشان می‌دهد

هنگامی که مصرف انرژی مدرسه را طی چندین ماه رسم می‌کنیم، می‌توانیم روند روزانه را در ساعات اوج مصرف انرژی و همچنین در ساعات تعطیل شدن از مدارس که مصرف انرژی کاهش می‌یابد را مشاهده کنیم، مخصوصاً در روز یکشنبه. علاوه بر این تعطیلاتی بطور منظم وجود دارد که دانش آموزان استراحت می‌کنند و اساساً مصرف انرژی در طی هفته کاهش می‌یابد.

3. ابزار مدل‌سازی سری زمانی فیسبوک برخی از این روند‌ها را ثبت کرده است

ابزار فیسبوک را تست کردیم که داده‌های سری زمانی را با ورودی‌هایی که از کاربر دریافت می‌کند مدل سازی می‌کند. همچنین مبتدیان می‌توانند با سرعت و بدون نیاز به یادگیری ریاضی، مدل‌سازی کنند. در شکل زیر داده‌های واقعی مصرف انرژی با خط‌وط آبی و پیش‌بینی بوسیله‌ی مدل آموزش داده شده با خطوط قرمز مشخص شده‌اند.

علاوه بر این می‌توان مشاهده کرد مدل بطور روزانه روند نوسانی را یاد گرفته است و همچنین مصرف انرژی را در  تعطیلات (آخر هفته) به خوبی آموزش دیده است. مورد اولی که این مدل آموزش ندیده است واریانس مصرف انرژی می‌باشد که در آخر هفته بسیار کمتر است. بنابراین همان روند نوسان را با میانگین کمتری تکرار می‌کند. مورد دیگری که این مدل آموزش ندیده (یاد نگرفته)، پیش‌بینی تعطیلات مدرسه است.

4. وارد کردن فرا داده‌های بیشتر باعث بهبود پیش‌بینی‌ها می‌شود

دانش‌آموزان داده‌های مربوط به مدرسه مانند نور، دما و حرکت را با استفاده از Arduinos جمع آوری کردند. وقتی‌ که این داده‌ها وارد مدل شدند، باعث بهبود پیش‌بینی مصرف انرژی طی روزهای تعطیل شده‌اند.

5. تمام منابع داده دارای نقص بودند

بزرگترین منبع داده‌ای که ما در اختیار داشتیم یک دیتاست در مورد مصرف انرژی در لندن بود. ولی این داده‌ها با الگویی که ما در مدرسه دیدیم متفاوت است. توان مصرفی مدرسه اوج آن در طول روز کاری هست، در صورتیکه اوج مصرف انرژی خانه قبل و بعد کار می‌باشد. همینطور خانه‌ها در تعطیلات آخر هفته‌ توان بیشتری استفاده می‌کنند و مدارس در طول هفته از توان بیشتری استفاده خواهند کرد.

شکل فوق مصرف انرژی پیش‌بینی شده با مدل آموزش داده شده را نشان می‌دهد که داده‌های بکار رفته در این مدل، داده‌های مربوط به خانوارها در لندن می‌باشد که این پیش‌بینی‌ها با خطوط قرمز مشخص شده‌اند و در مقابل خطوط آبی مصرف انرژی واقعی مدرسه را مشخص می‌کنند.

دومین منبع داده‌ی بزرگ، داده‌هایی هستند که توسط دستگاه دیتا-متر هوشمند ایجاد شده بودند و بسیار برای پیش‌بینی مصرف انرژی در آینده مفید هستند. اما تعطیلات مدارس بوسیله‌ی مدل قابل پیش‌بینی نبود، در واقع اغلب پیش‌بینی‌ها اشتباه بودند.

در شکل فوق خطوط قرمز مصرف انرژی پیش‌بینی شده توسط مدل آموزش داده شده را نشان می‌دهد که از داده‌های مصرف انرژی مدرسه برای آموزش این مدل استفاده شده است. در مقابل آن مصرف انرژی واقعی مدرسه با خطوط آبی مشخص شده است.

کوچکترین دیتاست مربوط به داده‌هایی بود که با استفاده از Arduinos جمع آوری شده بودند. همچنین داده‌های حرکت با توان مصرفی همبستگی خیلی خوبی داشتند اما در طی چند هفته از داده‌ها برای مدل‌سازی استفاده کردیم و تنها قادر به پیش‌بینی برای چند روز آینده بودیم.

جمع بندی:

بررسی داده‌های دنیای واقعی از مصرف انرژی مدارس، بینش‌های مفیدی را برای مداخله در کاهش مصرف انرژی مدارس بما ارائه داد. بعنوان مثال، متناسب‌سازی گرمایش مدارس به منظور کاهش مصرف، هنگامی که مدارس در مواقع تعطیلات و یا قرنطینه‌های احتمالی آینده، مورد استفاده قرار نمی‌گیرند.

داده‌ها همچنین، به دانش‌آموزان این فرصت را داد که بتوانند مهارت‌های برنامه‌نویسی، ریاضی، تفکر انتقادی و مدیریتی خود را بهتر بسازند. داده‌هایی که دانش‌آموزان جمع‌آوری کردند، نشان داد که مصرف انرژی در زمان اوج از زمان معمولی کمتر بود. این مورد، به دانش‌آموزان فرصت بررسی اشتباهات صورت گرفته توسط الگوریتم را محیا کرد و همچنین، باعث شد که آنها بتوانند تشخیص دهند که چرا مصرف انرژی، بیش از حد پیش‌بینی شده برای یک هفته‌ی خاص بود.

همچنان که برنامه در دبیرستان ویمبلدون به پیش می‌رود، ما قصد داریم تا داده‌های بیشتری را از Arduinos جمع‌آوری کنیم. امیدواریم این کار منجر به کسب یک مدل بهتر به مرور زمان شود. این پروژه، یک درس بزرگ (در مدارس و برای دانش‌آموزان) در خصوص ساختن مدل‌های هوش مصنوعی به منظور اخذ پیش‌بینی‌های ارزشمند بود. چنین کارهایی وقتی موفقیت بیشتری کسب می‌کنند که از قبل برای آنها برنامه‌ریزی شود و همچنین از قبل شروع به جمع‌آوری کرده باشیم. اما مهم است که داده‌های مناسب را جمع‌آوری کنیم، چون یک حجم عظیم از داده‌های نامربوط یا گمراه‌کننده، می‌تواند از یک مقدار کم از داده‌های مناسب، نتیجه‌ی وحشتناک‌تری داشته باشد.

منبع:

Analyzing Power Usage in Schools with Machine Learning