I denne første blog af en serie på fire om kunstig intelligens (AI) og machine learning (ML), jeg
se på, hvad det er, og hvorfor det har potentiale til at omdanne genanvendelses- og affaldssektoren.
Andre blogs i denne serie vil omfatte:
• Brug af AI og ML i MRF'er og til at forstå din materialesammensætning
• Hvordan AMCS udvikler AI- og ML-løsninger til genanvendelse af køretøjer
• Fremtiden for AI og ML i genanvendelsessektoren.
Hvad er kunstig intelligens (AI)?
I det væsentlige involverer AI processer og algoritmer, der kan replikere nogle menneskelige færdigheder som f.eks.
problemløsning og læring. På nogle måder er AI allerede bedre til nogle opgaver end
såsom at spotte mønstre i store data arrays. Men vi er ikke på det punkt, hvor AI er
lige så talentfuld som den menneskelige hjerne, og det bliver det måske aldrig.
Når ai bruges på visse opgaver, kan den fokusere på processer, som vi kan finde besværlige eller
ude af stand til det. Du vil f.eks. ikke placere en medarbejder på dit køretøj for at kontrollere
hver vare i de skraldespande, du indsamler, men kameraer og AI er i stand til dette.
AI bruges også som et overordnet udtryk, så inden for det er der undersæt som f.eks.
forstærkning af læring og dyb læring.
Hvad er maskinlæring (ML)?
ML er AI, der tager databehandling videre. Det lærer ved at blive trænet. Du fortæller AI, hvad der er
forkert, og så lærer den, hvad der er rigtigt ved hjælp af ML. I genanvendelsessektoren kan det være, at du
vil træne ML'en til at genkende PET-flasker. Så du viser det HDPE flasker, pap
kasser, ståldåser osv. og PET-flasker.
Som du træner det, vil det sandsynligvis ikke altid genkende PET-flaskebilleder, men når det
får det rigtige, du bekræfter, at det er. I baggrunden bruger ML matematiske modeller til at
kode sig selv på PET-flaskernes egenskaber, indtil den begynder at identificere dem hver gang.
Men i stigende grad rykker ML frem, så det ikke længere skal trænes. Dette uden opsyn
læring gør det muligt at få øje på mønstre i data og finde ud af tingene selv. Dette er især nyttigt
i komplekse datasæt, hvor der ikke er nogen indlysende tendenser, der kan ses af mennesker.
Eksempler på denne type ML er de anbefalinger, du kan modtage fra Netflix eller
YouTube, der lærer dine visningsvaner at kende og derefter foreslår andre ting, du måske kan lide.
Hvad er forstærkning læring?
Der er også en type ML kaldet forstærkning læring, hvor det lærer af
miljø, den er placeret i. Dette er nyttigt til robotteknologi, hvor enheden konstant
Forbedre. I genanvendelsessektoren kan det være, at robotter bruger forstærkningslæring i
fremtid til at indsamle skraldespande, forstå de udfordringer, der stilles foran dem, såsom porte,
planter og træer eller genstande placeret mod skraldespanden – alt sammen ting, som mennesker kan håndtere
let, men robotteknologi i øjeblikket kæmper med.
Hvad er dyb læring?
Deep learning er en form for ML, hvor kunstige neurale netværk bruges til at replikere og
overgå menneskelig analyse. Det er blevet brugt til oversættelsesformål, medicinsk billedanalyse
klimavidenskab.
Potentielle fremtidige anvendelser for deep learning kan omfatte menneskelignende evne til at vurdere
forurening på sorteringslinjer eller identifikation af materialer, således at forskellige papirkvaliteter kan
sorteres.
Hvorfor er AI vigtigt?
Vi lever i et samfund drevet af data. Det er ikke nødvendigvis kun strukturdata som tal
på et regneark, men i stigende grad ustrukturerede data såsom billeder og tweets også.
Det betyder, at AI bruges til alt fra databehandling til selvkørende køretøjer.
Som et eksempel kan ai bruges til at behandle kundedata for bedre at forstå
og genanvende genereret af kunder. Mønstre kan ses, der giver dig mulighed for at køre
din virksomhed mere effektivt, identificere, hvor det kan give mening for dig at køre en fødevare
affalds- eller papirgenanvendelsesrute
Faktisk er vores AMCS-ruteoptimeringssoftware en form for AI, da den analyserer og arbejder ud
den optimale tidsplan baseret på mønsteret af de kunder, du har brug for at servicere.
Når det kommer til dine køretøjer, ai er tilbøjelige til at omdanne, hvordan de bruges i den kommende
År. Der findes allerede løsninger, der kan forudsige vedligeholdelsesplaner, især når
kombineret med telematik. (Læs min seneste blog om at reducere transportomkostningerne med
telematik).
Men selvkørende kapacitet vil sandsynligvis være almindelig på køretøjer i den nærmeste fremtid, og AI er
grundfjeldet i det her.
Ved at analysere millioner af billeder, genkende og træffe beslutning om data som f.eks.
omkring dig, fodgængere, cyklister, måske endda en bin blæst ind i vejen af stærk vind,
AI ved hjælp af sofistikerede ML algoritmer og kunstige neurale netværk beslutter, hvordan man
betjene køretøjet sikkert og effektivt.
Vi er ikke helt på det punkt, hvor selvkørende snart vil blive brugt til genanvendelse og affald
forvaltning, men det er sandsynligt, at det vil blive normalt i løbet af de næste par år.
Men kunstig intelligens gør allerede en forskel for genanvendelses- og affaldshåndteringsvirksomheder, og
i løbet af de næste par artikler, vil jeg vise dig hvordan.
Jeg vil også se på, hvordan din virksomhed sandsynligvis vil være meget anderledes i fremtiden takket være AI og ML.