Ao aplicar técnicas de inteligência artificial explicável, os engenheiros podem melhorar a confiança dos usuários nas previsões geradas por modelos de inteligência artificial. Essa abordagem foi recentemente testada na geração de energia eólica por uma equipe que inclui especialistas da EPFL.
A inteligência artificial explicável (XAI) é um ramo da IA que ajuda os usuários a espiarem a caixa preta dos modelos de IA para entender como sua saída é gerada e se suas previsões podem ser confiáveis. Recentemente, a Xai ganhou destaque em tarefas de visão computacional, como reconhecimento de imagem, onde a compreensão das decisões do modelo é fundamental. Com base em seu sucesso nesse campo, agora está gradualmente sendo estendido a vários campos onde a confiança e a transparência são particularmente importantes, incluindo assistência médica, transporte e finanças.
Pesquisadores do Laboratório de Engenharia e Eólica e Energia Renovável da EPFL (WIRE) adaptam Xai aos modelos de IA de caixa preta usados em seu campo. Em um estudo aparecendo em Energia aplicadaeles descobriram que o XAI pode melhorar a interpretabilidade da previsão de energia eólica, fornecendo informações sobre a série de decisões tomadas por um modelo de caixa preta e pode ajudar a identificar quais variáveis devem ser usadas na entrada de um modelo.
“Antes que os operadores da grade possam efetivamente integrar a energia eólica em suas grades inteligentes, eles precisam de previsões diárias confiáveis de geração de energia eólica com uma baixa margem de erro”, diz o Prof. Fernando Porté-Agel, que é a cabeça de Wire. “Previsões imprecisas significam que os operadores de grade precisam compensar no último minuto, geralmente usando energia mais cara à base de combustível fóssil”.
Previsões mais credíveis e confiáveis
Os modelos atualmente usados para prever a produção de energia eólica são baseados na dinâmica de fluidos, modelagem climática e métodos estatísticos – mas ainda têm uma margem de erro não negligenciável. A IA permitiu que os engenheiros melhorassem as previsões de energia eólica usando dados extensos para identificar padrões entre as variáveis do modelo climático e a potência da turbina eólica. A maioria dos modelos de IA, no entanto, funciona como “caixas pretas”, tornando difícil entender como elas chegam a previsões específicas. O XAI aborda esse problema, fornecendo transparência aos processos de modelagem que levam às previsões, resultando em previsões mais credíveis e confiáveis.
Variáveis mais importantes
Para realizar seu estudo, a equipe de pesquisa treinou uma rede neural selecionando variáveis de entrada de um modelo climático com uma influência significativa na geração de energia eólica – como direção do vento, velocidade do vento, pressão do ar e temperatura – juntamente com dados coletados de parques eólicos na Suíça e em todo o mundo. “Adaptamos quatro técnicas XAI e desenvolvemos métricas para determinar se a interpretação dos dados por uma técnica é confiável”, diz Wenlong Liao, principal autor do estudo e um pós -doutorado em Wire.
No aprendizado de máquina, as métricas são o que os engenheiros usam para avaliar o desempenho do modelo. Por exemplo, as métricas podem mostrar se a relação entre duas variáveis é causação ou correlação. Eles são desenvolvidos para aplicações específicas – diagnosticando uma condição médica, medindo o número de horas perdidas para o congestionamento do tráfego ou calculando a avaliação do mercado de ações de uma empresa. “Em nosso estudo, definimos várias métricas para avaliar a confiabilidade das técnicas XAI. Além disso, as técnicas confiáveis XAI podem identificar quais variáveis devemos levar em consideração nossos modelos para gerar previsões confiáveis”, diz Liao. “Até vimos que poderíamos deixar certas variáveis fora de nossos modelos sem torná -las menos precisas”.
Mais competitivo
De acordo com Jiannong Fang – um cientista da EPFL e co -autor do estudo – essas descobertas podem ajudar a tornar a energia eólica mais competitiva. “Os operadores do sistema de energia não se sentirão muito confortáveis, confiando na energia eólica se não entender os mecanismos internos em que seus modelos de previsão se baseiam”, diz ele. “Mas com a abordagem baseada em XAI, os modelos podem ser diagnosticados e atualizados, geram previsões mais confiáveis das flutuações diárias da energia eólica”.
Referências
Wenlong Liao, Jiannong Fang, Lin Ye, Birgitte Bak-Jensen, Zhe Yang e Fernando Porté-Agel, “Podemos confiar em inteligência artificial explicável na previsão de energia eólica ', Applied Energy, 15 de dezembro de 2024. https://doi.org' /10.1016/j.apenergy.2024.124273
