TAVOITTEET
- Avustaa Kaleva Mediaa energian säästämisessä sekä kustannusten ja hiilipäästöjen vähentämisessä painatusprosessin aikana.
- Tutkia neuroverkkojen hyödyntämismahdollisuuksia projekteissa, jotka liittyvät energiankulutuksen hallintaan.
- Parantaa tietämystä ChatGPT:n käytöstä työkaluna neuroverkon kehittämisessä.
RAJOITUKSET
- Työt suoritetaan nykyisellä laitteistolla.
- Painatusaikojen uudelleenjärjestely halvempien sähköhintojen aikaan ei ole mahdollista tiukkojen painatusaikataulujen vuoksi.
TAIDOT JA TEKNOLOGIAT
- ChatGPT
- neuroverkot
- koneoppiminen
- Python
Koneoppimisen käyttö poikkeavuuksien havaitsemiseksi energiankulutustiedoista
Projektin alussa yhdistimme ohjelmistoasiantuntijoidemme osaamisen ChatGPT:n ehdotuksiin ja asiakasedustajien haastatteluihin. Havaitsimme, että Kaleva Medialla oli käytettävissä mittavasti dataa aiemmasta energiankulutuksesta. Käytännössä tämä tarkoitti sitä, että meillä oli kymmeniä miljoonia rivejä energiankulutustietoja käytettävissämme.
Iso datamäärä poiki idean käyttää koneoppimista poikkeavuuksien havaitsemiseksi datasta. Tiedon avulla voitaisiin mahdollisesti esimerkiksi tunnistaa vialliset laitteet, ennen kuin tilanne muuttuu vaaralliseksi. Tehtävä edellytti Python-skriptien luomista tietojen keräämiseksi ja analysoimiseksi.
Neuroverkkojen kouluttaminen asettaa vaatimuksia datan laadulle ja määrälle
Seuraavassa vaiheessa siirryimme kouluttamaan neuroverkkoa siihen, miten erilaisia muuttujia ja signaaleja tulisi painottaa. Poikkeavuuksien havaitsemiseksi valitsimme neuroverkkotyypin, jota kutsutaan 'takaisinkytkeytyväksi neuroverkoksi' (RNN). Tämä erikoistunut neuroverkko on taitava käsittelemään ajallisesti jäsenneltyä dataa. Neuroverkon tehtäväksi annettiin tunnistaa, jos tietyntyyppinen energiankulutus yleensä seuraisi toista. Tämä lähestymistapa mahdollisti ennustemallin kehittämisen, joka hahmotteli, miltä "normaali" energiankulutus näytti, helpottaen poikkeamien tunnistamista normaalista.
Nyt meillä oli käytössämme neuroverkko, joka kykeni ennustamaan energiankulutuksen ajallista kehitystä. Seuraava haasteemme oli löytää optimaaliset parametrit neuroverkolle minimoidaksemme erotuksen ennusteen ja todellisen datan välillä. Tavoitteena oli havaita poikkeamat ilman vääriä hälytyksiä.
Datan puhdistaminen on ensisijaisen tärkeää, ehkäpä kriittisin vaihe, kun suunnitellaan neuroverkkoa. Jos dataa ei puhdisteta huolellisesti, tuloksena oleva malli on tehoton. Kokeemme vahvistivat, että neuroverkkoja voidaan käyttää poikkeavuuksien havaitsemiseen energiankulutusdatasta. Datan tulisi kuitenkin olla riittävän yksityiskohtaista ja kattaa riittävän pitkän ajanjakson. Tämä tieto on arvokasta yrityksille, jotka harkitsevat vastaavien koneoppimisalgoritmien käyttöönottoa. Tallennettujen havaintotietojen tulisi olla mahdollisimman kattavia ja tämä hetki on oivallinen aloittaa kattavan datan keruu.
Lue koko tutkimus, mukaan lukien vaiheittainen raportti tapauksesta.>>
Jos haluat tietää, miten tekoälyä voisi hyödyntää omassa organisaatiossasi, tiimimme on valmiina auttamaan. Case studyn tiimi: Tero Halkoaho, Tapani Mattila ja Jussi Puhakka
Haluatko lisätietoja?
