17 نوامبر 2021 توسط The Manufacturer
چرا مانیتورینگ و هدف گذاری اغلب پتانسیل صرفه جویی واقعی خود را ارائه نمی دهد و چگونه یادگیری ماشینی می تواند بر آن غلبه کند.هرگز موضوع بزرگ‌تری از کربن زدایی موجود نبوده است که همه جا هست و به درستی اینطور است، اگر نگوییم بزرگترین چالش نسل ماست.
در میان دریای اهداف مبتنی بر علم و استراتژی‌های کاهش کربن در بلندمدت، واضح است که هیچ پاسخ واحدی برای رسیدن به صفر خالص وجود ندارد و برای اکثر سازمان‌ها این یک ماراتن است نه یک دوی سرعت. با این حال، بسیاری از کسب و کارها دوباره به دنبال کارهایی هستند که می توانند در کوتاه مدت انجام دهند تا تأثیر فوری بگذارند.
کاهش تقاضا اولین گام در هر سلسله مراتب انرژی است و استفاده از داده ها به روش تجاری قابل دوام برای این امر حیاتی است. بسیاری از سازمان‌ها مزایای اندازه‌گیری پس‌اندازهای فعال را درک می‌کنند، اما همه کسب‌وکارها این را دنبال نمی‌کنند.
بسیاری از کاربران پلتفرم های نظارت و هدف گذاری (M&T) در مورد مزایا و همچنین چالش های موجود در استخراج ارزش از سیستم خود می دانند. بازار اکنون مملو از طیف گسترده ای از سیستم های M&T است، با درجات مختلف انعطاف پذیری در جمع آوری داده ها، ابزارهای تجزیه و تحلیل و خروجی های گزارش. با این حال، همه این سیستم‌ها با زمان در دسترس برای افراد ماهر برای بررسی داده‌ها و شناسایی زمینه‌های بهبود محدود هستند. در واقع، این مشکل اکنون بیشتر از هر زمان دیگری است، زیرا سیستم ها بیشتر به هم متصل می شوند و در دسترس بودن داده ها افزایش می یابد.
تیم های تولید می خواهند کار درست را انجام دهند اما زمان بزرگترین محدودیت برای مدیریت موثر انرژی است
شرکت ورکو با بسیاری ازکسب و کار های تولیدی پیشرو در بریتانیا کار کرده است و این مسئله رو به رشد را در 15 سال گذشته مشاهده کرده است. به ویژه در طول 5 سال گذشته، شتاب سریعی در در دسترس بودن داده ها همراه با افزایش محدودیت ها در نیروی انسانی موجود برای استفاده از این وجود داشته است. در دسترس بودن داده دیگر محدودیت شماره یک مانند یک دهه پیش نیست.
ما از صدها سایت تولیدی بازخورد جمعی گرفته‌ایم، همه تلاش می‌کنند تا آنچه را که می‌توانند در زمینه مدیریت انرژی که توسط محدودیت‌های موجود در دنیای واقعی احاطه شده است، انجام دهند. نمونه‌های بی‌شماری از تیم‌هایی را دیده‌ایم که قادر به استفاده از داده‌هایی هستند که در حال حاضر به آنها دسترسی دارند. این، به نوبه خود، ایجاد پرونده تجاری برای جمع‌آوری خودکار داده‌های بیشتر در سیستم‌های پیچیده‌تر را بسیار دشوار می‌کند، که اغلب در آن بیشترین صرفه‌جویی پنهان وجود دارد.
ما به این نتیجه رسیده‌ایم که این چالش از بین نمی‌رود و رویکرد جدیدی با استفاده از هوش مصنوعی در پیش گرفته‌ایم.
Verco از جدیدترین ابزارهای یادگیری ماشینی برای ایجاد نسل جدیدی از سیستم که مناسب دهه آینده است استفاده کرده است. ما قبلاً هزاران ساعت برنامه‌نویس را برای آزمایش این فرضیه که یادگیری ماشینی می‌تواند و باید نقش مهمی در حل این مشکل ایفا کند، صرف کرده‌ایم. ما نتایج بسیار مثبتی را از آزمایش‌ها و برنامه پذیرش‌های اولیه خود دیده‌ایم، با الگوریتم‌های آموزش‌دیده مسائلی را شناسایی می‌کنند که در غیر این صورت نیاز به شناسایی چشم انسان دارند، و همچنین روندهایی که فراتر از چیزی است که چشم انسان می‌بیند و در غیر این صورت از قلم می‌افتد.
Reduct روشهای جمع‌آوری داده‌های انعطاف‌پذیر را با یک برنامه سفارشی از الگوریتم‌های یادگیری ماشینی که توسط مایکروسافت و دیگران توسعه داده شده‌اند ترکیب می‌کند تا بهترین راه‌حل موجود را برای مدیریت انرژی مبتنی بر هوش مصنوعی به شما ارائه دهد. این سیستم به روشی مشابه سایر پلتفرم‌های M&T کار می‌کند، اما نیاز به بررسی داده‌های کاربر را به طور قابل توجهی کاهش می‌دهد زیرا هوش مصنوعی این کار را برای شما انجام می‌دهد. این یک مرحله وقت گیر را حذف می کند که اغلب نقطه توقف سیستم های استاندارد M&T است.
