Hoe ziet de toekomst van Machine Learning (ML) en Artificial Intelligence (AI) eruit in de energiesector? Ik neem je mee in de basis en potentiële toepassingen ervan, zoals het model dat ik zelf heb gebouwd. Dat model voorspelt energieverbruik op basis van openbare weerdata van het KNMI. Daarnaast bespreek ik ook de risico’s en ethische overwegingen. 

Machine Learning in een vogelvlucht 

Laten we beginnen bij het begin. Wat is ML en wat is AI? Ze worden vaak door elkaar gehaald omdat ze in elkaars verlengde liggen, maar ze zijn wezenlijk anders. Artificial Intelligence is wat de term doet suggereren. Een computer die menselijke intelligentie nabootst. Dit kan een “simpele” chatbot zijn. Denk aan Alexa: voorgeprogrammeerd om een groot aantal vragen te beantwoorden maar kan geen antwoord geven op vragen die ze nooit heeft gezien. De recentere chatbots zoals ChatGPT kunnen dit wel. Ze gebruiken een wiskundig algoritme om het meest waarschijnlijke antwoord te voorspellen. Dit wiskundige algoritme is een Neuraal Netwerk en dat is een vorm van Machine Learning. Machine Learning is de ruggengraat van moderne AI-systemen. Maar daar houdt het niet op.  

Dus wat doet Machine Learning precies?  

ML modellen zijn wiskundige functies die bekende data gebruiken om patronen te herkennen, die worden gebruikt om onbekende data te voorspellen (behalve bij reinforcement learning). Dit is een zeer brede definitie en lijkt op het eerste gezicht niet heel indrukwekkend, maar wordt beter op schaal.  

Zo is het bijvoorbeeld algemeen bekend dat er in de winter meer wordt gestookt dan in de zomer, en er dus meer energie wordt verbruikt door consumenten. Door deze kennis zou je aan de hand van het gemiddelde verbruik van de voorgaande jaren keuzes kunnen maken over de inkoop en verkoop van energie. Het is echter onbegonnen werk om handmatig niet alleen de temperatuur, maar ook luchtdruk, windrichting, bewolking, energielabel, type huishouden, gasprijs, etc. te gebruiken om voor ieder huishouden in Nederland te voorspellen hoe veel energie ze volgende week gaan gebruiken. Met Machine Learning kan dit wel. Je computer (of server) doet duizenden berekening per seconde om een model te trainen dat zo accuraat mogelijk is en kan voorspellen hoe veel energie een bepaald gezin op ieder moment gaat gebruiken.  

Hoe pas je dat toe in de energiesector? 

In de afbeelding hieronder zie je mijn projectje. Met vrij beschikbare data heb ik een model gemaakt dat de gemiddelde energieconsumptie per huishouden voorspelt. De blauwe lijn is de oude, bekende data (de training set) en de gele lijn (test set) is data die het model nog nooit gezien heeft. De groene lijn is het door het model voorspelde energieverbruik. Je kan de test set met de voorspellingen vergelijken om te bepalen hoe accuraat het model is. Je kan zien dat de voorspelling zeer goed in de buurt zit van de echte data.  

Energieverbruik is niet het enige wat je kan voorspellen. Netwerkbezetting, terug levering, storingen, prijs, vraag, lekdetectie, kerosineverbruik. Het kan allemaal voorspeld worden. Als je goede data hebt is jouw fantasie het enige obstakel. Helaas is het hebben van goede data wel een zeer belangrijke vereiste en kan het grote gevolgen hebben wanneer er niet voorzichtig mee wordt omgegaan. 

Risico’s en ethische overwegingen 

Het gebruik van Machine Learning en AI brengt ook risico’s en ethische overwegingen met zich mee. Een van de grootste risico’s is de kwaliteit van de data. Als de data die wordt gebruikt om het model te trainen niet representatief is, kan dit leiden tot onnauwkeurige voorspellingen. Dit kan bijvoorbeeld gebeuren als er sprake is van bias in de data. Bias kan ontstaan wanneer de data die wordt gebruikt om het model te trainen niet een accurate weergave is van de werkelijkheid.  

Een ander risico is dat ML-modellen ‘black boxes’ kunnen zijn. Dit betekent dat het soms moeilijk (lees: praktisch onmogelijk) is om te begrijpen hoe het model tot een bepaalde voorspelling is gekomen. Dit kan problematisch zijn, vooral als het model wordt gebruikt voor belangrijke beslissingen. 

Op ethisch vlak kun je deze technieken nog niet zomaar loslaten.. Een van de belangrijke overwegingen is het risico op discriminatie. Machine Learning modellen leren van de data die je ze geeft. Als deze data bevooroordeeld is, dan zal het model dat ook zijn. Dit kan leiden tot ongelijke behandeling of discriminatie. Een voorbeeld hiervan is de toeslagenaffaire, waarbij ML modellen werden gebruikt om fraude op te sporen, maar uiteindelijk leidde tot etnisch profileren. 

Daarnaast is er ook de kwestie van verantwoordelijkheid. Wie is verantwoordelijk als een ML-model een fout maakt? Is het de ontwikkelaar van het model, de persoon die het model heeft getraind, of de persoon die het model in de praktijk heeft toegepast? Deze vragen zijn nog steeds onderwerp van debat. 

Conclusie 

Machine Learning en AI hebben het potentieel om een grote impact te hebben op de energiesector. Ze kunnen helpen bij het voorspellen van energieverbruik, netwerkbezetting, storingen en nog veel meer. Echter, het is belangrijk om bewust te zijn van de risico’s en ethische overwegingen die hierbij komen kijken. Het is essentieel om zorgvuldig om te gaan met data, privacy en verantwoordelijkheden. En misschien nog wel belangrijker: om te streven naar transparantie over hoe deze technologieën worden toegepast.