وسایل نقلیه الکتریکی به طور چشمگیری میزان انتشار گازهای گلخانهای را کاهش میدهند و به این خاطرنظربسیاری از رانندگان طرفدار محیط زیست را به خود جلب کردهاند. اما مشکلات مربوط به خدمات شارژ اسن وسایل همواره بسیاری از رانندگان را برای استفاده از وسایل نقلیه الکتریکی دلسرد میکند. ساخت یک شبکه دقیق از ایستگاههای شارژ دشواریهای خود را در پی دارد زیرا جمعآوری اطلاعات مربوط به تمام اپراتورها بسیار چالش برانگیز خواهد بود. اما طبق ادعای محققان که در 22 ژانویه در مجله Patterns منتشر شد یک سیستم هوش مصنوعی ساخته شده که میتواند نیازهای کاربران در مورد ایستگاههای شارژ را تجزیه و تحلیل کند و به کاربران این امکان را میدهد تا مکانهایی که ایستگاههای فعال یا خارج از سرویس دارند را به طور دقیق شناسایی کنند.
عمر آسنسیو، محقق اصلی و استادیار دانشکده سیاستهای عمومی در انستیتوی فناوری جورجیا میگوید: “ما میلیاردها دلار توسط بخشهای دولتی و خصوصی برای آماده سازی زیرساختهای وسایل نقلیه الکتریکی هزینه کردهایم. اما ما واقعاً درک درستی از این که این سرمایه گذاریها چقدر به نفع عموم است نداریم.” رانندگان وسایل نقلیه الکتریکی با ایجاد انجمنهایی در اپلیکیشنهای مخصوص (ایستگاه شارژیاب) تا حد زیادی مشکلات مربوط به زیرساختهای شارژ را حل کردهاند. از طرفی محققان سخت تلاش میکنند تا این بررسیها را تجزیه و تحلیل کرده و مشکلات پیش روی کاربران را بهتر درک کنند.
آسنسیو و همکارانش با کمک سیستم هوش مصنوعی خود قادر به پیشبینی عملکرد ایستگاهها در یک روز خاص هستند. آنها دریافتند که ممکن است ایستگاههای موجود در مناطق کوچک که جمعیت آن بین 10 تا 50 هزار نفر است کم باشد، زیرا در این مناطق گزارشهای مکرر در مورد مشکلات در دسترس نبودن ایستگاههای شارژ گزارش میشود. این مناطق بیشتر در ایالتهای غربی و نیمه غربی ایالات متحده مانند اورگان، یوتا، داکوتای جنوبی و نبراسکا و همچنین هاوایی واقع شدهاند.
آسنسیو میگوید: “در مقایسه با تجزیه و تحلیل انسانی، پردازش متن برای کامپیوترها همواره چالش برانگیز است.” سامیر دارور از انستیتوی فناوری جورجیا نیز میگوید: “یک بررسی میتواند شامل سه کلمه کوتاه باشد در حالی که میتواند به اندازه 25 یا 30 کلمه همراه با غلط املایی و چندین موضوع مختلف باشد. حتی در مواردی مشاهده شده که کاربران از صورتکها یا شکلکها در متن بررسیهای خود استفاده میکنند.”
برای حل کردن این مشکل، آسنسیو و تیمش الگوریتم خود را به حمل و نقل و وسایل نقلیه الکتریکی اختصاص دادهاند. آنها الگوریتم خود را با بررسی 12،720 ایستگاه شارژ موجود در ایالات متحده آموزش دادند تا بررسیهای کاربران را در هشت دسته مختلف طبقهبندی کند: عملکرد ایستگاه، در دسترس بودن، مقدار هزینه، موقعیت مکانی، نحوه نمایندگی، شیوه تعامل با کاربر، زمان سرویس دهی و دامنه کاری. هوش مصنوعی کاملا موفق عمل کرد و در تجزیه و تحلیل بررسیها در عرض چند دقیقه به 91٪ دقت و کارایی دست یافت.
آسنسیو میگوید: “این یک مرحله مهم برای استفاده از ابزارهای هوش مصنوعی است زیرا دیگر این سوال مطرح نیست که آیا هوش مصنوعی میتواند به اندازه انسان درست عمل کند یا خیر. در برخی موارد مشاهده شده که هوش مصنوعی بسیار قویتر از عملکرد متخصصان انسانی عمل کرده است.
برخلاف مطالعات پرهزینه در حوزه زیرساختهای شارژ قبلی که متکی به نظرسنجیهای گزارش شده توسط کاربران بود، هوش مصنوعی میتواند ضمن ارائه دادههای استاندارد در لحظه هزینههای تحقیقات را کاهش دهد. انتظار میرود بازار وسایل نقلیه الکتریکی در سال 2027 تا 27.6 میلیارد دلار رشد کند و این الگوریتم جدید میتواند بینشی مثبت در مورد رفتار مصرفکنندگان ایجاد کند. همچنین امکان تجزیه و تحلیل سریع، سیاستها و مدیریت زیرساختها را برای دولت و شرکتهای خصوصی آسانتر میکند. به عنوان مثال، یافتههای این تیم نشان میدهد که دادن یارانه به توسعه زیرساختها در مقایسه با تسحیل شرایط فروش یک ماشین الکتریکی موثرتر است.
این فناوری هنوز با محدودیتهایی مانند نیاز بیشتر به قدرت پردازش رایانه روبرو است و قبل از اجرای گسترده آن در بازار، آسنسیو و تیمش امیدوارند که با پیشرفت علم، تحقیقات آنها سبب مطالعات عمیقتر در مورد تأمین نیازهای مصرفکنندگان شود. او میگوید: “این یک زنگ خطر برای ما است زیرا با توجه به سرمایهگذاری گسترده در زیرساختهای وسایل نقلیه الکتریکی، ما این کار را به روشی درست انجام نمیدهیم و مسائلی مانند توزیع درست دسترسی به زیرساختها همواره یک مشکل بزرگ حل نشده باقی مانده است.”