Wat is Artificial Intelligence nou eigenlijk?
Artificial Intelligence is een breed begrip. Hoewel er een duidelijke rode draad terug te vinden is in de definitie ervan, verschillen de experts nog wel eens in hun precieze omschrijvingen. Een greep uit hun antwoorden op de vraag ‘wat is Artificial Intelligence?’:
“Een wetenschapsgebied, waarin we proberen intelligentie te leren aan machines”
“Het zijn machines en systemen die zo geavanceerd zijn dat ze menselijke intelligentie kunnen nabootsen”
“Het maken van programma’s waarvan we achteraf zeggen dat ze slim gedrag vertonen”
Wikipedia beschrijft het als volgt:
“Kunstmatige intelligentie is de simulatie van menselijke intelligentieprocessen door machines, met name computersystemen”
En we zijn ook nog zo vrij geweest de vraag aan ChatGPT zelf te stellen. Wel met de instructie om hier maximaal twee regels aan te wijden, voor je het weet geeft deze ‘intelligente machine’ je namelijk een heel boekwerk. AI over AI:
“Kunstmatige intelligentie (AI) is het vermogen van machines en computersystemen om taken uit te voeren die normaal menselijke intelligentie vereisen, zoals leren, redeneren, en probleemoplossing. Het omvat technieken zoals machine learning, waarbij systemen zichzelf verbeteren door te leren van data.”
Dus, we hebben het over de simulatie van menselijke intelligentie door machines of computerprogramma’s. We zouden nu natuurlijk kunnen gaan filosoferen over wat menselijke intelligentie dan precies inhoudt, maar die laten we even buiten beschouwing. Deze term is overigens lang niet nieuw.
Geschiedenis van AI
Artificial Intelligence bestaat eigenlijk al best lang. De term werd voor het eerste gebruikt en gelanceerd door Stanford professor John McCarthy (niet te verwarren met Joseph McCarthy – de beruchte communistenjager uit de V.S.) die het in een workshop omschreef als ‘de wetenschap en techniek van het maken van intelligente machines’. Alan Turing, bekend van de Turingtest, was hiernaast een van de eersten die serieus onderzoek deed naar de theoretische mogelijkheid van ‘machine-intelligentie’.
Het wetenschapsveld ‘kunstmatige intelligentie’ werd officieel opgericht in 1956. Vanaf 1956 is er dus al onderzoek gedaan naar AI, al bevond het veld zich toen natuurlijk wel in heel ander vaarwater dan waar we ons nu in bevinden. In de eerste decennia na 1956 richtte kunstmatige intelligentie zich voornamelijk op ‘symbolische AI’, waarbij regels en logica werden gebruikt om problemen op te lossen en taken uit te voeren. Denk hierbij aan het spelen van bordspellen, het bewijzen van wiskundige stellingen en eenvoudige taalverwerking. Deze vroege AI-toepassingen vertrouwden op vooraf geprogrammeerde kennis en regels, in plaats van op leren uit data. In de jaren 80 en 90 werd machine learning geïntroduceerd, wat leidde tot doorbraken in beeld- en spraakherkenning.
In de afgelopen jaren, en vooral in het laatste decennium, heeft de ontwikkeling van AI een nog veel explosievere groei doorgemaakt. Dit wordt duidelijk geïllustreerd in onderstaande grafiek, waarin de prestaties van AI-systemen van verschillende ‘menselijke capaciteiten’ zijn weergegeven.
Zoals je in de grafiek kunt terugzien en zoals je waarschijnlijk om je heen gemerkt hebt (en zo nee; knap gedaan), heeft AI de afgelopen jaren buitengewone vooruitgang geboekt. Verbeterde rekenkracht, de beschikbaarheid van grote hoeveelheden data en innovaties in machine learning – en met name deep learning – hebben geleid tot (veel) betere prestaties in diverse toepassingen. Daarnaast hebben de groei van open source software en cloud computing én aanzienlijke investeringen vanuit de industrie en overheden flink bijgedragen aan het stimuleren van onderzoek en ontwikkeling van AI.
AI in de energiesector
AI is ook in de energiesector niet nieuw. Traditionelere varianten worden al jarenlang gebruikt voor verschillende toepassingen. Denk hierbij bijvoorbeeld aan algoritmen voor het automatisch schakelen en balanceren van het elektriciteitsnet, foutdetectiesystemen in energienetwerken, en ook al simpele voorspellingsmodellen voor het inschatten van energieverbruik. Deze algoritmen zijn inmiddels gemeengoed en in de loop der tijd veel geavanceerder geworden. In lijn met de bredere technologische ontwikkelingen zien we de laatste jaren ook een duidelijke versnelling in het gebruik van AI binnen de energiesector. En naar alle verwachting wordt de rol van AI in ons toekomstige energiesysteem alleen maar groter.
Voorspellingen en optimalisatie
AI speelt vooral een grote rol in voorspellingen en optimalisatie, en dit is dan ook waar het merendeel van het wetenschappelijk onderzoek naar praktische toepassingen in de energiesector op gericht is. Het accuraat kunnen voorspellen van energievraag- en opwekking wordt steeds belangrijker. We zijn in toenemende mate afhankelijk van weersafhankelijke, hernieuwbare energiebronnen, en binnen ons energienetwerk kan elektriciteit nog niet langdurig effectief worden opgeslagen.
Hoe accurater de voorspellingen zijn – en dat worden ze met de technologische ontwikkelingen – hoe efficiënter het net gebruikt kan worden en hoe betrouwbaarder deze wordt. AI is bijzonder nuttig voor voorspellingen in de energieproductie omdat het enorme hoeveelheden data kan analyseren en patronen kan herkennen die voor mensen onzichtbaar zijn. Hierin worden allerlei complexe factoren meegenomen zoals lokale variaties in temperatuur en windstromen (voorspellingen van hoe luchtstromen in een windmolenpark elkaar beïnvloeden), atmosferische chemie (hoeveel zonlicht bereikt een gebied door fijnstof in de lucht), of de invloed van zeestromingen. Door deze gegevens te combineren met weersvoorspellingen en historische verbruiksgegevens, maakt AI het mogelijk om nauwkeurige voorspellingen te doen. Dit leidt tot een efficiëntere planning, minder verspilling en een hogere betrouwbaarheid van het energienetwerk.
Optimale energievraag en netbeheer
Naast het voorspellen van energieopwekking wordt een accurate inschatting van de energievraag ook steeds belangrijker. Met de huidige uitdagingen rondom netcongestie en piekbelasting op het elektriciteitsnet is een efficiënt gebruik van het netwerk van groot belang. Dit kan niet alleen worden gerealiseerd met betere voorspellingen, maar ook door het gebruik van geavanceerde Energy Management Systems (EMS). Dankzij machine learning worden deze systemen steeds efficiënter en beter afgestemd op veranderende omstandigheden.
AI-methoden kunnen bijvoorbeeld worden ingezet om omgevingsparameters te monitoren, zoals temperatuur of luchtvochtigheid. Deze informatie helpt systemen om dynamische veranderingen in de omgeving snel te herkennen en hierop adequaat te reageren. Dergelijke systemen kunnen op verschillende schaalniveaus worden toegepast, van individuele gebouwen en woningen tot volledige wijken, zoals bij smart grids.
Energiehandel en prijsbepaling
Een andere essentiële toepassing van AI in de energiesector is energiehandel en prijsbepaling. Door energiemarkten te modelleren en prijsontwikkelingen te voorspellen, stelt AI traders in staat om beter geïnformeerde beslissingen te nemen. Dit draagt bij aan een efficiëntere en stabielere energiemarkt.
AI in ontwerp en onderhoud van energiesystemen
Als laatste voorbeeld kijken we naar de steeds belangrijkere rol van AI in het ontwerpen en optimaliseren van energiesystemen. Door gebruik te maken van geavanceerde algoritmes kunnen kritieke projectparameters, zoals locatiekeuze en systeemconfiguratie, efficiënter worden geïdentificeerd en geoptimaliseerd. Een mooi voorbeeld hiervan is de toepassing van AI bij waterstoftechnologie:
De Hydrogen Plant Configurator van Siemens is een innovatieve tool aangedreven door generatieve AI. Deze geavanceerde chatbot ondersteunt gebruikers bij het ontwerpen van waterstofproductiefaciliteiten door ontwerpwensen te verzamelen en vervolgens systemen en lay-outs te optimaliseren. Daarnaast biedt de configurator nauwkeurige technische voorspellingen, zoals het verwachte energieverbruik en de warmteproductie.
Op grotere schaal bieden neurale netwerken voordelen door storingen in energiesystemen sneller te detecteren. Dit minimaliseert de uitvaltijd en verhoogt de betrouwbaarheid van deze systemen. Daarnaast neemt het aantal toepassingen voor voorspellend onderhoud toe. AI wordt ingezet om de prestaties van energie-assets continu te monitoren en mogelijke defecten vroegtijdig te signaleren. Deze technologie is veelbelovend binnen de offshore windsector, waar volop wordt ontwikkeld en geëxperimenteerd:
Windturbines op zee worden gemiddeld eens per maand geïnspecteerd om ervoor te zorgen dat ze optimaal blijven functioneren. Met offshore windparken die honderden turbines tellen, brengt dit grote logistieke uitdagingen en hoge kosten met zich mee. Bovendien wordt preventief onderhoud vaak te vroeg of te laat uitgevoerd, wat onnodige kosten veroorzaakt. AI biedt een oplossing door onderhoud nauwkeurig te plannen, precies op het moment dat een onderdeel dreigt te falen. Dit voorkomt overbodige inspecties en verhoogt de efficiëntie aanzienlijk. En waar dit onderhoud nu nog door mensen wordt gedaan, is er een goede kans dat deze rol in de toekomst weggelegd is voor robotica. Denk hierbij aan autonome robots die binnen in de windmolens reparaties kunnen uitvoeren of drones die inspecties op lastig bereikbare plekken mogelijk maken.
Een blik op de toekomst
Zoals we hebben gezien, speelt AI al een essentiële rol in de energiesector en groeit deze rol met de dag. De komende jaren zullen gekenmerkt worden door een nog sterkere integratie van AI-technologieën in veel facetten van de energievoorziening. Met name machine learning zal een drijvende kracht zijn achter deze groei, en het beheer van toekomstige netwerken zal steeds afhankelijker worden van geavanceerde analysetools.
Niet iedereen staat echter te springen om de alsmaar groeiende impact van AI op onze samenleving. Volgens een expert uit het veld overschatten velen bovendien de huidige mogelijkheden van AI: er wordt bij wijze al ingebeeld dat de robots de fabrieken uit komen rennen. Dat is iets waar – gelukkig – voorlopig nog geen sprake van is. Al zal dat voor sommigen misschien al een geruststellende gedachte zijn, toch is het begrijpelijk dat er ook zorg ontstaat.
De grafiek hieronder laat resultaten uit een survey zien van 2021 (dus nog een paar jaar voor de ChatGPT hype), waarin je ziet dat de meningen flink uiteenlopen per land. In Nederland en West-Europese landen is de meerderheid in de veronderstelling dat het ons vooral gaat helpen in de toekomst (niet al deze landen zijn terug te vinden in de grafiek, zie hier de link met alle landen).
Het is belangrijk te beseffen dat er zeker uitdagingen liggen in de toekomst van AI. Denk hierbij aan kwesties rondom data security en privacy, ethische vraagstukken, en de noodzaak van duidelijke wet- en regelgeving. Daarnaast zijn er risico’s verbonden aan de afhankelijkheid van datakwaliteit en het belang van robuuste netwerken. Ook is het aannemelijk dat er veranderingen plaats gaan vinden op de arbeidsmarkt. Bepaalde vaardigheden zullen belangrijker worden terwijl andere minder relevant worden. Ook zullen er nieuwe rollen gaan ontstaan. Een laatste uitdaging die we hier niet ongenoemd willen laten is de energiebehoefte van AI zelf. De trainings- en operationele processen van complexe AI-modellen verbruiken aanzienlijke hoeveelheden energie, wat de paradox oproept dat een technologie die duurzaamheid moet bevorderen, ook zelf een substantiële voetafdruk kan achterlaten.
Ondanks de uitdagingen ziet de toekomst van AI in de energiesector er veelbelovend uit. Steeds meer aandacht wordt besteed aan energie-efficiëntie bij de ontwikkeling en het gebruik van AI, met initiatieven die zich richten op het stroomlijnen van algoritmen en het inzetten van hernieuwbare energiebronnen om AI-systemen te ondersteunen. Tegelijkertijd biedt AI oplossingen die verder reiken dan de uitdagingen die het zelf met zich meebrengt: van geavanceerdere voorspellingen en optimalisaties tot het voorkomen van verspilling en het verbeteren van onderhoudsprocessen. Een succesvolle implementatie vraagt om een doordachte aanpak waarin innovatie en balans centraal staan, maar de technologie heeft zonder twijfel de potentie om een sleutelrol te spelen in de transitie naar een duurzamer, veerkrachtiger en slimmer energiesysteem.
Laura Dignum
De energietransitie is cruciaal voor een leefbare wereld. Met samenwerking, innovatie en daadkracht geloof ik dat we het kunnen realiseren, en hier zet ik mij volledig voor in!
Met ervaring als adviseur hernieuwbare energie en technology consultant breng ik graag disciplines samen met effectieve communicatie en een positieve instelling. Ik zie bovendien veel kansen in AI om duurzame innovatie verder te versnellen en complexe vraagstukken op te lossen.