La explicación es una rama de la inteligencia artificial (XAI) que ayuda a los consumidores a echar un vistazo a la caja negra de los modelos de IA para que puedan entender cómo se produce su producción y si se pueden confiar en sus predicciones. Recientemente, Zee ha ganado importancia en la identificación de trabajos de visión por computadora como la imagen, donde deben entenderse las decisiones modelo. Empujando su éxito en este sector, ahora se está expandiendo gradualmente a diferentes sectores, donde la confianza y la transparencia son especialmente importantes, incluida la atención médica, el transporte y las finanzas.
Los investigadores del EPFL Wind Engineering and Renewable Energy Laboratory (Wire) han hecho de Zee de acuerdo con el modelo de IA Black Box utilizado en su campo. Aparece en un estudio Energía aplicadaEncontraron que al proporcionar información en términos de decisiones tomadas por el modelo Zee Blackbox, la interpretación de la profecía de la energía eólica puede mejorar y puede ayudar a identificar qué variables en la entrada del modelo.
El profesor Fernando Port Eagle, jefe del cable, dice: “Antes de que los operadores de la red integren efectivamente la energía eólica en su cuadrícula inteligente, ofrecen una producción confiable de energía de aire con un error de bajo margen. Debe irse”. “Las predicciones no válidas significan que los operadores de la red tienen que pagar en el último minuto, a menudo usan energía más costosa basada en combustible”.
Predicciones más confiables y confiables
Los modelos utilizados actualmente para predecir la potencia eólica se basan en la dinámica de fluidos, el modelado estacional y los métodos estadísticos, pero tienen un margen negativo de error. La IA ha permitido a los ingenieros mejorar las predicciones de la potencia eólica mediante el uso de una amplia gama de datos entre los modelos meteorológicos y las muestras entre la potencia de salida de la turbina eólica. Sin embargo, la mayoría de los modelos de IA actúan como “cajas negras”, es difícil entender cómo alcanzan predicciones específicas. Zee predijo el problema al proporcionar transparencia en el proceso de modelado, lo que resultó en predicciones más confiables y confiables.
Variables más importantes
Para realizar sus estudios, el equipo de investigación seleccionó variables de entrada del modelo estacional con una influencia significativa en la potencia de salida del aire, como la dirección del viento, la velocidad del viento, la presión del aire y las temperaturas. Parques eólicos en Suiza y en todo el mundo. “Desarrollamos cuatro técnicas ZE y preparamos una matriz, que muestra si la interpretación de los datos de la técnica”, dice Wen Long Liao, el autor principal del estudio y un cable.
En el aprendizaje automático, la matriz es la que utiliza para evaluar el rendimiento del modelo de ingeniero. Por ejemplo, la matriz puede mostrar si la relación entre las dos variables es la causa o la conexión. Han sido desarrollados por aplicaciones específicas, diagnóstico de afección médica, midiendo las horas de tráfico o calculando el diagnóstico del mercado de valores de una empresa. “En nuestro estudio, en nuestro estudio, explicamos varias matriz para evaluar la confianza de las técnicas de Zee. Además, las técnicas confiables de Zi no se pueden identificar sobre qué variables ofrecemos confiables. Para producir las noticias deben incluirse en su modelo”. “Incluso hemos visto que podemos dejar algunas variables fuera de nuestro modelo para que sin hacerlas menos”.
Más competitivo
Según el científico de Jianong Feng-an EPFL y coautor del estudio, estos resultados pueden ayudar a que la fuerza del aire sea más competitiva. “Los operadores del sistema de energía no se sentirán demasiado cómodos para confiar en la energía eólica si no entienden el mecanismo interno de que sus predicciones se basan en el modelo”. “Pero con el enfoque basado en Zee, los modelos se pueden diagnosticar y actualizar, por lo que la volatilidad diaria de la Fuerza Aérea crea una predicción más confiable”.
