۱٫ معرفی
تغییر اقلیم یکی از مهمترین چالش های بشریت است [
۱]. تشدید انتشار گاز منجر به افزایش دمای کره زمین و در نتیجه افزایش دفعات و شدت بلایای طبیعی شده است. [
۲]. مواد اولیه منتشر شده در جو شامل دی اکسید کربن (CO
2اکسید نیتروژن (NO
2دی اکسید گوگرد (SO
2و ازن (O
3) هر کدام اثرات محیطی متمایز را اعمال می کنند [
۳]. دی اکسید کربن با احتراق سوخت های فسیلی مانند زغال سنگ و نفت به عنوان گاز گلخانه ای اولیه که باعث گرم شدن کره زمین می شود برجسته می شود.
۲ انتشارات [
۴]. با توجه به ماهیت جهانی مسائل آب و هوایی، ضروری است که تصمیم گیرندگان یک استراتژی پیچیده و متنوع را اجرا کنند [
۵,
۶,
۷]. در این راستا، رهبران جهانی مجبور به همکاری و همکاری برای کاهش اثرات نامطلوب آلودگی بر گرمایش جهانی هستند. در نتیجه، توافقی در مورد یک برنامه اقدام برای محدود کردن گرمایش جهانی، معروف به توافقنامه پاریس، حاصل شد که شامل اقدامات مختلفی از جمله اهداف برای انتشار خالص گازهای گلخانهای بود. [
۸]. اقدامات کلیدی کشورهای اتحادیه اروپا برای مبارزه با تغییرات آب و هوایی شامل تصویب قانون آب و هوای اروپا، تعیین هدف جدید برای کاهش انتشار خالص گازهای گلخانه ای تا سال ۲۰۳۰ به میزان حداقل ۵۵ درصد در مقایسه با سطوح ۱۹۹۰ و الزام دستیابی به بی طرفی آب و هوا تا سال ۲۰۵۰ است. به عنوان یک تعهد قانونی این بسته اقدامات بلندپروازانه به عنوان “مناسب برای ۵۵ در سال ۲۰۳۰” شناخته می شود. [
۹].
هوش مصنوعی (AI) شاخهای از علوم کامپیوتر است که بر ایجاد سیستمها و ماشینهایی متمرکز است که وظایفی را انجام میدهند که به هوش انسانمانند نیاز دارند. [
۱۰]. این وظایف شامل یادگیری، استدلال، حل مسئله، ادراک، درک زبان و تصمیم گیری است. هوش مصنوعی چندین جنبه کلیدی را در بر می گیرد، مانند یادگیری ماشین (ML)، پردازش زبان طبیعی (NLP)، بینایی کامپیوتر، روباتیک، سیستم های خبره، محاسبات شناختی، و سیستم های مستقل. [
۱۱]. علاوه بر این، هوش مصنوعی شامل رعایت اصول اخلاقی و حکمرانی برای اطمینان از توسعه و استفاده مسئولانه، رسیدگی به انصاف، شفافیت و مسئولیت پذیری است. [
۱۲]. یادگیری ماشینی، زیرمجموعهای از هوش مصنوعی، شامل الگوریتمهای آموزشی بر روی مجموعههای داده بزرگ برای پیشبینی یا تصمیمگیری بدون برنامهریزی صریح برای هر کار است. [
۱۳]. تکنیک های ML شامل یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویتی است. پردازش زبان طبیعی سیستمهای هوش مصنوعی را قادر میسازد تا زبان انسان را بفهمند، تفسیر کنند و به آن پاسخ دهند و وظایفی مانند تشخیص گفتار، ترجمه زبان، تحلیل احساسات و تولید متن را پوشش دهند. [
۱۴]. بینایی رایانه ای به هوش مصنوعی اجازه می دهد تا اطلاعات بصری مانند تشخیص اشیا، چهره ها و صحنه ها را در تصاویر و ویدیوها تفسیر و پردازش کند. رباتیک هوش مصنوعی را با دستگاه های مکانیکی ادغام می کند تا وظایف را به صورت مستقل یا نیمه مستقل انجام دهد که نمونه آن ربات های صنعتی، وسایل نقلیه خودران و روبات های خدماتی است. [
۱۵]. سیستم های خبره از تصمیم گیری متخصص انسانی با استفاده از منطق مبتنی بر قانون برای تجزیه و تحلیل اطلاعات و ارائه توصیه ها تقلید می کنند [
۱۶]. محاسبات شناختی به فناوریهای هوش مصنوعی اشاره دارد که فرآیندهای فکری انسان را در موقعیتهای پیچیده شبیهسازی میکنند که پاسخها ممکن است مبهم یا نامطمئن باشند. سیستمهای خودمختار مستقل از مداخله انسان عمل میکنند و از هوش مصنوعی برای تصمیمگیری در زمان واقعی استفاده میکنند، همانطور که در اتومبیلهای خودران و هواپیماهای بدون سرنشین نمونهای از آن است. [
۱۷].
قابلیتهای شناختی کلیدی سیستمهای ماشینی «هوشمند»، کاربرد هوش مصنوعی را در حوزههای مختلف ممکن میسازد. [
۱۸]، که تغییرات آب و هوایی تنها یکی از آنهاست [
۱۹]. توانایی هوش مصنوعی برای پردازش مقادیر زیادی از دادههای بدون ساختار و چند بعدی با استفاده از تکنیکهای بهینهسازی پیچیده، درک مجموعه دادههای آب و هوایی در مقیاس بزرگ و پیشبینی روندهای آینده را تسهیل میکند. [
۲۰]. نگرانی های اولیه مربوط به تغییرات آب و هوایی شامل کاهش اثرات موجود تغییرات آب و هوایی و تلاش برای کاهش انتشار گازهای گلخانه ای با هدف محدود کردن گرمایش سیاره است. به طور گسترده پذیرفته شده است که افزایش مداوم غلظت گازهای گلخانه ای، اگر معکوس نشود، منجر به تغییرات قابل توجهی در آب و هوای جهانی خواهد شد و اثرات متعاقب آن بر جامعه و اقتصاد جهانی خواهد بود. [
۲۱].
به گفته آخشیک و همکاران. [
۲۲]، یادگیری ماشینی، جزء مجموعه وسیع تری از سیستم های تکنولوژیکی در نظر گرفته شده تحت عنوان هوش مصنوعی [
۲۳]، می تواند در بسیاری از حوزه ها بسیار مفید باشد، اگرچه برخی از حوزه ها وجود دارند که ممکن است به طور کامل از مزایای یادگیری خودکار استفاده نکنند. یک مثال عینی، زمینه پیش بینی انتشار گازهای گلخانه ای است که در مطالعه آنها مورد تجزیه و تحلیل قرار گرفت. مانع اصلی توسعه یادگیری خودکار در این زمینه فقدان داده های موجود است.
با این حال، در سال های اخیر، روش های مختلف هوش مصنوعی (AI) برای ایجاد رابطه بین انرژی ورودی، تولید انرژی و انتشار گازهای گلخانه ای (GHG) برای محصولات مختلف مورد استفاده قرار گرفته است. [
۲۴]. برای این منظور، روشهای مختلف هوش مصنوعی شناختهشده برای مدلسازی و پیشبینی تولید انرژی و انتشار گازهای گلخانهای شامل سیستمهای استنتاج فازی، سیستمهای عصبی فازی تطبیقی، الگوریتمهای ژنتیک (GAs) و شبکههای عصبی مصنوعی (ANNs) است. [
۲۵,
۲۶]. منطق فازی برای مدیریت مفهوم بنیادی صدق جزئی استفاده می شود، جایی که مقادیر صدق می تواند بین کاملاً درست و کاملاً نادرست متفاوت باشد. [
۲۷]. الگوریتم ژنتیک (GA) یک الگوریتم جستجوی اکتشافی تکاملی است که انتخاب طبیعی و علم ژنتیک را بر اساس نظریه تکامل طبیعی چارلز داروین در نظر می گیرد. [
۲۸]. شبکه عصبی مصنوعی (ANN) یکی از رویکردهای هوش مصنوعی است که انواع مختلفی از مسائل پیچیده را در مقایسه با روشهای محاسباتی قدیمی حل میکند. [
۲۹]. یک روش هوش مصنوعی اخیر، سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) است که امکان یادگیری و انطباق با ادغام منطق فازی با شبکههای عصبی مصنوعی (ANNs) را فراهم میکند. [
۳۰,
۳۱].
اگرچه هوش مصنوعی مزایای بی شماری را ارائه می دهد و در پرداختن به تغییرات آب و هوایی از اهمیت حیاتی برخوردار است، تا به امروز هیچ تحقیق جامعی در مورد تأثیر آن بر انتشار گازهای گلخانه ای در اروپا انجام نشده است. بنابراین، هدف این مطالعه تحلیل و تفسیر نقش هوش مصنوعی در پرداختن به موضوع انتشار گازهای گلخانهای است که تأثیر قابل توجهی بر تغییرات آب و هوایی دارد.
تازگی این مطالعه در درجه اول از ادغام نوآورانه تکنیک های رگرسیون OLS و ENET برای ارزیابی تأثیر هوش مصنوعی بر انتشار گازهای گلخانه ای (GHG) ناشی می شود. این رویکرد تحلیلی پیشرفته درک دقیق تری از تاثیر هوش مصنوعی بر کاهش گازهای گلخانه ای فراهم می کند و از محدودیت های روش های رگرسیون سنتی فراتر می رود. علاوه بر این، اصالت این تحقیق با کاوش آن در نمونهای که قبلاً بررسی نشده در رابطه با اهداف مطالعه مورد تأکید قرار میگیرد. با پرداختن به این شکاف در ادبیات، این مطالعه نه تنها بینش های ارزشمندی را ارائه می دهد، بلکه معیاری را برای تجزیه و تحلیل مقایسه ای تعیین می کند. این نه تنها درک ما از تأثیر هوش مصنوعی بر انتشار گازهای گلخانه ای در منطقه مورد مطالعه را افزایش می دهد، بلکه بینش های گسترده تری را ارائه می دهد که در زمینه های مختلف جغرافیایی قابل استفاده است.
ساختار مقاله با مقدمه ای آغاز می شود که به موقع بودن، اهمیت و ضرورت مطالعه موضوع پیشنهادی را برجسته می کند و به دنبال آن مروری کوتاه بر وضعیت فعلی دانش ارائه می شود.
بخش ۳ داده های مورد استفاده در تجزیه و تحلیل و مدل پیشنهادی برای ارزیابی تاثیر هوش مصنوعی بر انتشار گازهای گلخانه ای را ارائه می دهد. پس از آن بخش نتایج و بحث ارائه می شود. این مقاله با بخشی در مورد نتیجهگیری، با تأکید بر جنبههای مرتبط با مفاهیم سیاسی و عملی، محدودیتهای تحقیق و جهتگیریهای تحقیقاتی آینده، به پایان میرسد.
۲٫ بررسی ادبیات
ارتباط بین هوش مصنوعی و تغییرات آب و هوایی با درجات مختلفی از اهمیت نسبت داده شده است و دانشمندان مفاهیم هوش مصنوعی را از دیدگاههای مختلف بررسی میکنند. به عنوان مثال، Cowls و همکاران. [
۱۹] نقشی را که هوش مصنوعی (AI) به عنوان یک فناوری برای مبارزه با تغییرات آب و هوایی جهانی و عوامل محرک انتشار گازهای گلخانه ای (GHG) ایفا می کند، بررسی کنید. نتایج مطالعه نشان میدهد که بهرهگیری از مزایای ارائهشده توسط هوش مصنوعی برای پرداختن به تغییرات آب و هوایی، در حالی که خطرات مرتبط را به حداقل میرساند، برای تبدیل شدن به یک استراتژی مؤثر، به رهبری دولتی پاسخگو، مبتنی بر شواهد و کارآمد نیاز دارد.
آخشیک و همکاران [
۲۲] نشان دادهاند که علیرغم محدودیتها و دادههای ورودی محدود، یادگیری ماشینی میتواند در پیشبینی انتشار گاز مفید باشد، میتواند پیشبینیهایی را با سطح قابل قبولی از دقت انجام دهد و به شکلگیری تحقیقات انتشار گازهای گلخانهای در آینده کمک میکند. مردانی و همکاران نیز به آن استدلال کرده اند. [
۳۲] و وی و همکاران [
۳۳] هوش مصنوعی می تواند به پیش بینی انتشار کربن بر اساس روندهای فعلی کمک کند.
مطالعه انجام شده توسط Rolnick و همکاران. [
۳۴] ۳۷ مورد استفاده در ۱۳ حوزه را شناسایی کرد که در آن هوش مصنوعی می تواند با تأثیر زیادی در مبارزه با تغییرات آب و هوایی استفاده شود. یاوری و همکاران [
۳۵] همچنین نقش مهمی از هوش مصنوعی در اندازهگیری وضعیت واقعی گازهای گلخانهای با توجه به فعالیتهای لجستیکی پیچیده شناسایی کرد. بنابراین، نویسندگان از استفاده از اینترنت اشیا (IoT) و هوش مصنوعی برای گزارش لحظه ای انتشار گازهای گلخانه ای حمایت می کنند، در حالی که به طور دقیق CO2 را پیش بینی می کنند.
۲ سطوح
به عنوان مثال، یک گزارش مایکروسافت/PwC در سال ۲۰۱۸ تخمین زد که استفاده از هوش مصنوعی می تواند پیامدهای زیست محیطی داشته باشد و انتشار گازهای گلخانه ای را ۱٫۵ تا ۴ درصد تا سال ۲۰۳۰ کاهش دهد (Microsoft 2018). مطالعاتی وجود دارد که CO را بررسی کرده است
۲ انتشار گازهای گلخانه ای در بخش های خاص (کشاورزی، مخابرات، معماری)، با استفاده از روش های هوش مصنوعی. طبق مطالعه اخیر اولاواد و همکاران. [
۳۶]هوش مصنوعی در بهینهسازی سیستمهای انرژی، بهبود مدلسازی و پیشبینی آب و هوا و افزایش پایداری در زمینههای متنوعی مانند حملونقل، کشاورزی و مدیریت پسماند نقش مهمی دارد. هوش مصنوعی همچنین نظارت موثر بر انتشار گازهای گلخانهای را تسهیل میکند، بنابراین توانایی آن در کمک قابل توجهی به ساختن آیندهای پایدار و بدون انتشار را برجسته میکند.
از طرفی آخشیک و همکاران. [
۳۷] اشاره می کند که تحقیقات هوش مصنوعی ردپای کربن قابل توجهی دارد. آنها توجه به نیاز به جمع آوری شواهد بیشتری را جلب می کنند که تعادل بین انتشار گازهای گلخانه ای تولید شده توسط فعالیت های تحقیقاتی هوش مصنوعی و مزایای بالقوه مربوط به بهره وری انرژی و استفاده از منابع را که هوش مصنوعی می تواند به ارمغان بیاورد را روشن کند. بنابراین، با توجه به این یافته ها، بررسی این رابطه ضروری است، زیرا زمینه فعلی مبهم است و نتایج به دست آمده اغلب متناقض است.
کامیاب و همکاران [
۳۸] انتشار گازهای گلخانهای در صنعت کشاورزی را مورد بررسی قرار داد و طیف پیچیدهای از موانع پیش روی این بخش را با توجه به پیگیریهای کاهش انتشار آن آشکار کرد و همچنین رویکردهای جدیدی را برای رسیدگی به آنها بررسی کرد. نویسندگان به این نتیجه رسیدند که پذیرش فناوریهای پیچیده، از جمله تکنیکهای جذب کربن و نظارت مبتنی بر هوش مصنوعی، سنگ بنای استراتژیهای کاهش انتشار متعدد است. پیشرفت در زمینه راهبردهای کاهش انتشار و تأثیر فناوری، مانند هوش مصنوعی (AI)، در کاهش این مسائل در کشاورزی نیز توسط [
۳۹].
با توجه به اینکه کشاورزی حوزه وسیعی با انتشار گازهای قابل توجه است، محققان بر روی مطالعه انتشار گازهای گلخانهای بر اساس دستههای محصولات کشاورزی متمرکز شدهاند و از نوعی تکنیک هوش مصنوعی برای دیدن اینکه کدام نوع محصول بیشترین گاز را منتشر میکند، تمرکز کردهاند. برای مثال نبوی پلسرایی و همکاران. [
۴۰] استفاده از شبکههای عصبی مصنوعی (ANN) برای ارزیابی مصرف انرژی و انتشار گازهای گلخانهای در تولید هندوانه در استان گیلان. منابع اصلی انتشار گازهای گلخانه ای شناسایی شده نیتروژن (۵۴٫۲۳٪)، گازوئیل (۱۶٫۷۳٪) و برق (۱۵٫۴۵٪) بودند. مدل ANN با ساختار ۱۱-۱۰-۲ بهترین نتایج را با ضرایب همبستگی ۰٫۹۶۹ و ۰٫۹۹۵ برای بازده و انتشار گازهای گلخانه ای به همراه داشت. یک سال بعد، حسین زاده بندبافه و همکاران. [
۲۳] مطالعه تطبیقی دیگری برای ارزیابی اثربخشی روشهای مختلف هوش مصنوعی از جمله سیستمهای استنتاج فازی عصبی تطبیقی و شبکههای عصبی مصنوعی (ANNs) در مدلسازی و پیشبینی تولید انرژی و انتشار گازهای گلخانهای در مزارع پرواربندی گوسالههای شهرستانهای آبیک و البرز انجام شد. در ایران. نتایج مقایسه نشان میدهد که سیستمهای استنتاج فازی عصبی، با اعمال قوانین فازی، در مدلسازی تولید انرژی و انتشار گازهای غروب از مدل ANN دقیقتر هستند. علاوه بر این، خوشنویسان و همکاران. [
۴۱] و نبوی پلسرایی و همکاران. [
۴۲] از فناوری ANN برای پیش بینی انتشار گازهای حاصل از کشت گندم و کیوی استفاده کرد. در مطالعهای که در سطح کشورهای عضو اتحادیه اروپا انجام شد، مشخص شد که استفاده از تکنیکهای دیجیتال پهن باند لازم برای پیشرفت هوش مصنوعی، از یک سو منجر به افزایش مصرف انرژیهای تجدیدپذیر و از سوی دیگر منجر به افزایش مصرف انرژی شده است. کاهش انتشار گازهای گلخانه ای [
۴۳].
بونیر و همکاران [
۴۴] مطالعه ای را برای ارزیابی و مدیریت انتشار گازهای آلاینده در ایستگاه های پایه مخابراتی با استفاده از ترکیبی از شبکه های عصبی مصنوعی (ANN) و سیستم اینترنت اشیا (IoT) انجام داد. با توجه به نتایج، مدل ANN پیشنهادی به طور دقیق انتشار گازهای آلاینده را پیشبینی کرد و ضریب همبستگی جهانی ۰٫۹۳۷۱۹ را ارائه کرد. اجرای یک سیستم اینترنت اشیا نیز برای کاهش این انتشارات پیشنهاد شد، بنابراین راه حل های عملی برای کاهش گازهای گلخانه ای ارائه شد.
یک مطالعه اخیر [
۴۵] انتشار گازهای ناشی از ترافیک شهری را با استفاده از هوش مصنوعی و اینترنت اشیا با هدف کاهش انتشار گازهای گلخانه ای در محیط های شهری نظارت می کند. بوراگوهاین و ماهانتا [
۲۵] روشهای هوش مصنوعی (سیستمهای استنتاج عصبی فازی تطبیقی و شبکههای عصبی مصنوعی، شبکههای عصبی مصنوعی) را برای مدلسازی و پیشبینی تولید انرژی و انتشار گازهای گلخانهای از مزارع در ایران مورد ارزیابی قرار داد و نتایج نشان داد که هر دو مدل دارای مزایایی هستند، اما به دلیل استفاده از فازی. قوانین، سیستم های استنتاج عصبی فازی تطبیقی می توانند تولید انرژی و انتشار گازهای گلخانه ای را با دقت بیشتری نسبت به مدل ANN مدل کنند.
چانگ و همکاران [
۴۶] روشهای یادگیری ماشینی را برای شناسایی کارخانههایی که انتشارات مضر در سطوح بالا تولید میکنند و از الگوهای انتشار معمول منحرف میشوند، استفاده میکند. شناسایی این تخلفات زیست محیطی برای ارتقای پایداری در مدیریت زنجیره تامین بلندمدت بسیار مهم است.
Moraliyage و همکاران با اتخاذ یک روش جامع مبتنی بر هوش مصنوعی برای پروتکلهای اندازهگیری و راستیآزمایی (M&V) در زیرساختهای کارآمد انرژی. [
۴۷] اثربخشی و سهم مدل پیشنهادی را تایید کرد. این چارچوب قوی و قابل توضیح برای زیرساخت های ساختمانی کارآمد انرژی و دستیابی به انتشار خالص کربن صفر، بر تأثیر مثبت هوش مصنوعی در این زمینه تأکید می کند. ارتباط استفاده از هوش مصنوعی در تخمین انتشار دی اکسید کربن نیز مورد حمایت قرار گرفته است [
۴۸,
۴۹].کین و گونگ [
۴۹]با استفاده از درختهای تصمیمگیری و الگوریتمهای تصادفی جنگل، عوامل کلیدی مؤثر بر انتشار دیاکسید کربن، مانند عوامل اجتماعی-اقتصادی، رطوبت، دمای متوسط و بارش را شناسایی کرد. با استفاده از روش مشابه، این تحقیق عوامل تعیین کننده اصلی انتشار دی اکسید کربن را برجسته کرد.
بنابراین، از طریق تجزیه و تحلیل جامع ادبیات مربوط به استفاده از هوش مصنوعی در کاهش انتشار گازهای گلخانهای، میتوان نتیجه گرفت که این فناوریها پتانسیل قابل توجهی در کمک به کاهش انتشار دارند. این می تواند مزایای متعددی از جمله حفاظت از محیط زیست، بهبود کیفیت هوا و ترویج آینده ای پایدارتر به همراه داشته باشد.
از یک سو، بررسی ادبیات نشان میدهد که این رابطه در بخشها یا شاخههای خاصی مانند کشاورزی، حملونقل و مخابرات بررسی شده است. با این حال، تحقیقات زیادی برای بررسی این رابطه به طور کلی و یا در سطح گروه های کشور وجود ندارد. با وجود این شکاف ها، همانطور که توسط Badareu و همکاران ذکر شده است. [
۵۰]این کاستی ها در تحقیقات فعلی در زمینه مورد علاقه جدید فرصت های زیادی را برای کشف دانش جدید و شناسایی راه حل هایی که می تواند کیفیت زندگی را بهبود بخشد باز می کند.
مطالعات قبلی بیشتر بر بخشهای منفرد یا کشورهای خاص متمرکز شدهاند و نتایج آنها همیشه در سطح جهانی یا به تعداد بیشتری از کشورها قابل تعمیم نیست. بنابراین، انجام مطالعه ای که این رابطه را در سطح گروه های کشوری تجزیه و تحلیل کند، برای به دست آوردن درک جامع تر و قابل تعمیم تر از تأثیر هوش مصنوعی بر انتشار گازهای گلخانه ای، مهم است.
بررسی این رابطه در مقیاس وسیعتر میتواند دیدگاههای جدیدی را به همراه داشته باشد و به شناسایی استراتژیها و راهحلهای کارآمدتر برای کاهش انتشار گازهای گلخانهای کمک کند.
۳٫ مواد و روشها
۳٫۱٫ داده ها و متغیرها
برای بررسی تأثیر هوش مصنوعی بر عملکرد محیطی، از یک سری شاخصهای انتخاب شده و پردازش شده از منابع مختلف با تمرکز بر کشورهای اروپایی استفاده کردیم. در طول تجزیه و تحلیل، ما از داده های فراوانی سالانه از سال ۲۰۱۲ تا ۲۰۲۲ برای تمام ۴۴ کشور اروپایی استفاده کردیم. این مجموعه داده جامع به ما امکان میدهد تا بررسی کاملی از روندها و الگوها را در بازه زمانی مشخص انجام دهیم و بینشهای ارزشمندی را در مورد پویایی متغیرهای مورد بررسی در کل منطقه اروپا ارائه دهیم. بنابراین، به منظور توصیف عملکرد زیست محیطی، از انتشار گازهای گلخانه ای (GHG) به عنوان متغیر وابسته استفاده کردیم که به عنوان انتشار گازهای گلخانه ای سرانه در CO بیان می شود.
۲ معادل، با داده های جمع آوری شده از پایگاه داده Eurostat [
51]. به عنوان متغیرهای توضیحی از حوزه هوش مصنوعی، ما از تعداد نصب سالانه رباتهای صنعتی (ROBOTS) گزارششده توسط فدراسیون بینالمللی رباتیک استفاده کردیم. [
۵۲]تعداد شرکتهای هوش مصنوعی (COMPANIES)، کل سرمایهگذاری در هوش مصنوعی (TOTAL_INV) به میلیاردها دلار آمریکا، و سرمایهگذاری خصوصی سالانه در هوش مصنوعی (PRIVATE_INV)، که شامل شرکتهایی میشود که بیش از ۱٫۵ میلیون دلار دریافت کردهاند. سرمایه گذاری، همچنین به دلار آمریکا بیان می شود، با تعدیل تورم، برگرفته از گزارش شاخص هوش مصنوعی [
۵۳]. رباتهای صنعتی را میتوان شاخصی برای حوزه وسیعتر هوش مصنوعی در نظر گرفت. در حالی که رباتهای صنعتی بسیاری از اصول و کاربردهای هوش مصنوعی را در بر میگیرند، اما زیرمجموعهای از کل حوزه هوش مصنوعی را نشان میدهند که چندوجهی است و فراتر از رباتیک است. بسیاری از روبات های مدرن از هوش مصنوعی برای بهبود عملکرد خود استفاده می کنند. برای مثال، الگوریتمهای هوش مصنوعی میتوانند رباتها را قادر به تشخیص اشیا، حرکت در محیطها، درک و پاسخگویی به گفتار انسان و یادگیری از تجربیات کنند. رباتهای مستقل از هوش مصنوعی برای تصمیمگیری بدون دخالت انسان استفاده میکنند. به عنوان مثال می توان به اتومبیل های خودران، هواپیماهای بدون سرنشین و روبات های صنعتی در خطوط تولید اشاره کرد. ربات ها مانند دستیاران شخصی (مثلا ربات هایی که در خانه ها یا مراقبت های بهداشتی استفاده می شوند)، از هوش مصنوعی برای تعامل با انسان ها به شیوه ای طبیعی تر و موثرتر استفاده می کنند. تعداد شرکت های هوش مصنوعی می تواند نشان دهنده اندازه و رشد صنعت هوش مصنوعی باشد. یک صنعت بزرگتر معمولاً از نظر مصرف انرژی و منابع مورد نیاز برای عملیات و تولید، ردپای زیست محیطی مهمتری دارد. تعداد بیشتری از شرکتهای هوش مصنوعی میتوانند نوآوری را تحریک کنند و منجر به توسعه الگوریتمها و سختافزارهای کارآمدتر هوش مصنوعی شوند که میتواند مصرف کلی انرژی و انتشار گازهای گلخانهای عملیات هوش مصنوعی را کاهش دهد. شرکتهای هوش مصنوعی اغلب برای آموزش و اجرای مدلهای هوش مصنوعی به مراکز داده بزرگ متکی هستند که مقادیر قابل توجهی انرژی مصرف میکنند. شرکت های بیشتر به معنای مراکز داده و منابع محاسباتی بیشتر است که بر انتشار گازهای گلخانه ای تأثیر می گذارد.
استفاده از مولفههای هوش مصنوعی در تجزیه و تحلیل میتواند درک دقیقتری از چگونگی تأثیر فناوریهای هوش مصنوعی بر نتایج یا متغیرهای مورد علاقه ارائه دهد. یک شاخص هوش مصنوعی میتواند برای ترکیب پیچیدگی اجزای مختلف هوش مصنوعی در یک معیار مفید باشد، اما این میتواند منجر به از بین رفتن جزئیات و ظرافتهای خاص در پشت اثرات مشاهدهشده شود. با تجزیه و تحلیل مؤلفههای هوش مصنوعی، محققان میتوانند بهتر تشخیص دهند که کدام جنبه یا عملکرد هوش مصنوعی بیشترین تأثیر را بر نتایج مورد مطالعه دارد و میتوانند درک بهتری از مکانیسمهای اساسی ارائه دهند. علاوه بر این، تجزیه و تحلیل مؤلفههای هوش مصنوعی میتواند امکان شناسایی تفاوتها یا تغییرات احتمالی در تأثیرات مؤلفههای مختلف هوش مصنوعی را فراهم کند، که ممکن است برای توسعه سیاستها یا استراتژیهای مناسب مهم باشد.
نمودار روی محور چپ، چگالی هسته و خط رگرسیون (خط قرمز) را برای نشان دادن ارتباط بین متغیرهای وابسته و مستقل ترکیب میکند. چگالی هسته (ناحیه آبی) توزیع احتمال متغیرهای توضیحی را به تصویر می کشد، در حالی که خط رگرسیون روند داده ها را نشان می دهد. این نمایش بصری به ارزیابی توزیع متغیر (دایرههای آبی) و همبستگیهای بالقوه، همانطور که توسط خط رگرسیون نشان داده میشود، کمک میکند. روند نزولی نشان داده شده در
شکل ۱ ارتباط معنی داری بین انتشار گازهای گلخانه ای و چندین عامل کلیدی مرتبط با سطوح سرمایه گذاری هوش مصنوعی، روبات های صنعتی عملیاتی و حضور صنعت هوش مصنوعی را نشان می دهد. همانطور که نشان داده شد، همزمان با نوسانات در سطوح سرمایه گذاری هوش مصنوعی، روبات های صنعتی عملیاتی و حضور صنعت هوش مصنوعی، کاهش قابل توجهی در انتشار گازهای گلخانه ای وجود دارد. این نشاندهنده یک رابطه بالقوه بین پیشرفتهای فناوری هوش مصنوعی و کاهش انتشار گازهای گلخانهای است که نشاندهنده پتانسیل صنایع مبتنی بر هوش مصنوعی برای کمک به تلاشهای پایداری زیستمحیطی است. تجزیه و تحلیل بیشتر این روندها می تواند بینش های ارزشمندی در مورد تأثیر پذیرش هوش مصنوعی بر نتایج زیست محیطی ارائه دهد و تصمیم گیری استراتژیک در سیاست ها و ابتکارات صنعتی با هدف ارتقای پایداری را ارائه دهد.
تجزیه و تحلیل آمار توصیفی نقش مهمی در درک مجموعه داده های مورد استفاده در مدل ایفا می کند. بینش هایی را در مورد توزیع داده ها ارائه می دهد، موارد پرت را شناسایی می کند و ارتباطات بین متغیرها را روشن می کند. این تحلیل به شناسایی دقیق اطلاعات مربوطه و اعتبار سنجی فرضیه ها کمک می کند. از طریق جمع بندی و کاوش کامل داده ها، تجزیه و تحلیل آمار توصیفی پایه و اساس تصمیم گیری و پرس و جوهای آماری بعدی را تشکیل می دهد.
آزمون Jarque-Bera نرمال بودن توزیع داده ها را برای هر متغیر در داخل ارزیابی می کند
میز ۱. این آزمون آماری برای تعیین اینکه آیا چولگی و کشیدگی مجموعه داده با توزیع نرمال مطابقت دارد یا خیر استفاده می شود. یک کم
پ-value (زیر سطح معناداری انتخاب شده، اغلب ۰٫۰۵) نشان می دهد که داده ها به طور قابل توجهی از توزیع نرمال انحراف دارند. این نتایج نشان می دهد که، به جز TOTAL_INV و PRIVATE_INV، سایر متغیرها به طور قابل توجهی از توزیع نرمال در سطح معنی داری معمولی ۰٫۰۵ انحراف ندارند.
۳٫۲٫ مدل رگرسیون خالص الاستیک
روش بکار گرفته شده در این مطالعه به طور دقیق برای اطمینان از تجزیه و تحلیل داده های جامع و قابل اعتماد، همانطور که در
شکل ۲. این فرآیند با ارزیابی ثابت بودن مجموعه داده آغاز می شود، که یک مرحله مهم در تجزیه و تحلیل است. برای این منظور، آزمایشهای ریشه واحد دیکی-فولر (ADF) و فیلیپس-پرون (PP) تقویت شده اعمال میشوند. تست ADF با تخمین رگرسیون زیر انجام می شود:
جایی که Δyتی اولین تفاوت از yتی، تی یک روند زمانی است و هتی عبارت خطا است. فرضیه صفر اچ۰ از آزمون این است که ج = ۰ (نشان دهنده یک ریشه واحد)، و اگر رد شود، نشان دهنده ثابت بودن است.
تست PP از مدل زیر استفاده می کند:
آزمون PP هرگونه همبستگی سریال و ناهمسانی در خطاها را تصحیح می کند هتی. این تستها به تعیین اینکه آیا دادههای سری زمانی ثابت نیستند یا خیر، کمک میکند، که برای اعتبارسنجی مناسب بودن آن برای رویههای آماری بیشتر ضروری است. ایستایی نشان می دهد که ویژگی های آماری داده ها مانند میانگین و واریانس در طول زمان ثابت می ماند که پیش نیاز بسیاری از مدل های تحلیلی است.
پس از تایید ثابت بودن داده ها، مرحله بعدی شامل بررسی همبستگی خودکار در مجموعه داده است. این از طریق تجزیه و تحلیل ماتریس همبستگی به دست می آید که درجه همبستگی بین نقاط زمانی مختلف را نشان می دهد. درک ساختار همبستگی خودکار به شناسایی هر گونه الگو یا وابستگی اساسی در داده ها کمک می کند، که می تواند به طور قابل توجهی بر دقت و قدرت پیش بینی مدل تأثیر بگذارد.
برای اطمینان از استحکام تحلیلهای رگرسیون بعدی، این روش شامل بررسیهای دقیق برای چند خطی بودن، ناهمسانی و توزیع باقیماندهها است. چند خطی برای شناسایی و کاهش هر گونه همبستگی بالا بین متغیرهای مستقل، که می تواند ضرایب رگرسیون را تحریف کرده و مدل را ضعیف کند، مورد بررسی قرار می گیرد. بررسیهای ناهمگونی برای تأیید اینکه واریانس باقیماندهها در تمام سطوح متغیرهای مستقل ثابت میماند، انجام میشود و اطمینان حاصل میشود که مفروضات مدل درست است. علاوه بر این، ارزیابی توزیع باقیمانده به تأیید اینکه باقیمانده ها به طور معمول توزیع شده اند کمک می کند، که برای اعتبار نتایج رگرسیون بسیار مهم است.
پارامترهای مدل اولیه با استفاده از رگرسیون حداقل مربعات معمولی (OLS) برآورد میشوند. OLS یک روش ساده و قابل اعتماد برای تخمین روابط بین متغیرها ارائه می دهد که به عنوان پایه ای برای تکنیک های مدل سازی پیشرفته تر عمل می کند. با تکیه بر نتایج OLS، روش سپس از رگرسیون Elastic Net (ENET) برای اصلاح مدل استفاده میکند. ENET جریمههای رگرسیون کمند و ریج را ترکیب میکند و یک رویکرد متعادل برای مدیریت هر دو انتخاب متغیر و منظمسازی ارائه میدهد که به بهبود تعمیمپذیری و عملکرد مدل کمک میکند.
در چارچوب ENET، انتخاب مدل بهینه یک مرحله حیاتی است. این از طریق یک ارزیابی کامل از چگونگی تکامل ضرایب مدل در پارامترهای مختلف تنظیم به دست می آید. نمایشهای گرافیکی این تغییرات بینشهای ارزشمندی را در مورد رفتار و پایداری مدل ارائه میکند و تصمیمگیری آگاهانه را در مورد بهترین تنظیمات پارامتر تسهیل میکند. علاوه بر این، خطاهای اعتبارسنجی متقابل به صورت گرافیکی برای ارزیابی عملکرد پیشبینی مدل ENET نشان داده میشوند. اعتبار سنجی متقابل تضمین می کند که مدل بیش از حد مناسب نیست و می تواند به خوبی به داده های دیده نشده تعمیم داده شود، در نتیجه قابلیت اطمینان و استحکام نتایج تحلیلی نهایی را افزایش می دهد.
از زمان آغاز به کار، رگرسیون ENET محبوبیت قابل توجهی در آمار، یادگیری ماشین، و رشته های مختلف دیگر به دست آورده است، به دلیل ظرفیت آن برای مدیریت داده های با ابعاد بالا و کاهش بیش از حد برازش. این یک عبارت جریمه را در تابع هدف حداقل مربعات معمولی (OLS) گنجانده است و ضرایب متغیر کمتر مهم را تشویق می کند که دقیقاً صفر باشند. در نتیجه، این منجر به مدلهای پراکنده میشود، که در آن تنها زیرمجموعهای از پیشبینیکنندهها انتخاب میشوند، در حالی که بقیه به طور موثر نادیده گرفته میشوند.
از نظر ریاضی، تابع هدف برآوردگر ENET [
54] را می توان به صورت زیر بیان کرد:
جایی که متر تعداد نمونه ها را نشان می دهد پ تعداد پیش بینی کننده ها را نشان می دهد، yمن نشان دهنده متغیر هدف برای مننمونه ام، ایکسij نشان دهنده مقدار jپیش بینی کننده ام برای مننمونه ام، بj مخفف ضریب مربوط به jپیش بینی کننده ام، ب۰ عبارت رهگیری را نشان می دهد و ل پارامتر تنظیمی است که قدرت مدت مجازات را تنظیم می کند. مانند ل افزایش می یابد، ضرایب بیشتر به سمت صفر میل می کنند و در نتیجه یک مدل ساده تر با پیش بینی کننده های کمتر ایجاد می شود.
۴٫ نتایج و بحث
قبل از انجام تحلیل رگرسیون شبکه الاستیک، انجام چندین آزمایش و تحلیل اولیه برای اطمینان از کفایت آماده سازی داده ها و آمادگی مدل، مفید و ضروری است. آزمایشهای اولیه شامل ارزیابی ثابت بودن دادههای سری زمانی با استفاده از دیکی-فولر (ADF) تقویتشده است. [
۵۵] و فیلیپس-پرون (PP) [
56] تست ها این آزمونها فرضیه صفر را ارزیابی میکنند که دادههای سری زمانی به عنوان ریشه واحد دارند.
نتایج آزمایشات ADF و PP، نشان داده شده در
جدول ۲، بینش ارزشمندی در مورد ثابت بودن داده های سری زمانی برای متغیرهای GHG، ROBOTS، COMPANIES، TOTAL_INV، و PRIVATE_INV ارائه می دهد. به طور کلی، این آزمونها سطوح مختلفی از شواهد را در برابر فرضیه صفر ریشه واحد نشان میدهند که درجات متفاوتی از ثابت بودن را در بین متغیرها نشان میدهد. برای GHG، در حالی که هر دو آزمون شواهدی را علیه ثابت بودن نشان میدهند، سطح معنیداری طبق آزمون ADF مرزی است. ROBOTS شواهدی را علیه ثابت بودن نشان می دهد، با هر دو آزمایش نتایج قابل توجهی، به ویژه آزمون PP ارائه می شود. COMPANIES و PRIVATE_INV شواهد قوی علیه ثابت بودن را نشان میدهند، با هر دو آزمون نتایج بسیار مهمی به دست میآیند که نشاندهنده رد واضح فرضیه صفر است. TOTAL_INV شواهدی را علیه ثابت بودن نشان میدهد، با آزمایش PP نتایج قابل توجهتری در مقایسه با آزمایش ADF ارائه میکند.
علاوه بر این، بررسی داده ها برای همبستگی خودکار مهم است.
جدول ۳ نتایج ماتریس همبستگی را برای متغیرهای درون مدل نمایش می دهد. این پیامدها تحلیل کوواریانس را به عنوان ضرایب همبستگی بین متغیرهای مختلف به تصویر میکشند. با توجه به نتایج ارائه شده، شواهدی مبنی بر خودهمبستگی بین متغیرها وجود ندارد.
انجام رگرسیون حداقل مربعات معمولی (OLS) قبل از استفاده از رگرسیون خالص الاستیک، ارزیابی تشخیصی دادهها و ارزیابی مفروضات رگرسیون خطی را ممکن میسازد. این بررسی ها ممکن است شامل بررسی چند خطی بودن، ناهمسانی و بررسی دقیق توزیع های باقیمانده باشد. رگرسیون OLS به شناسایی پیش بینی کننده های مربوطه برای ادغام در مدل شبکه الاستیک کمک می کند. تکنیک هایی مانند انتخاب گام به گام یا رتبه بندی اهمیت ویژگی بر اساس ضرایب OLS برای مشخص کردن متغیرهای مهم قبل از اعمال منظم استفاده می شود.
نتایج حاصل از برآورد حداقل مربعات معمولی (OLS) بینش ارزشمندی را در رابطه بین متغیرهای پیش بینی کننده و متغیر وابسته، انتشار گازهای گلخانه ای نشان می دهد.
جدول ۴). هر تخمین ضریب قدرت و جهت این رابطه را نشان می دهد، در حالی که آمار و احتمالات t مرتبط، اهمیت آماری این تخمین ها را ارزیابی می کند. مقدار R-squared بالا ۰٫۹۱۷ نشان می دهد که مدل تقریباً ۹۱٫۷٪ از واریانس در انتشار گازهای گلخانه ای را توضیح می دهد که نشان دهنده قدرت توضیحی قوی است.
ضریب ۵٫۶۲ × ۱۰−۰۵ با خطای استاندارد ۱٫۱۷ × ۱۰−۰۵ نشان میدهد که به ازای هر واحد افزایش تعداد رباتها، افزایش آماری معنیداری تقریباً ۱۰×۵٫۶۲ وجود دارد.−۰۵ واحدهای انتشار گازهای گلخانه ای، نشان می دهد که فرآیندهای اتوماسیون شامل روبات ها ممکن است به مصرف انرژی یا انتشار بیشتر کمک کند. از سوی دیگر، با ضریب ۰٫۰۱۱۰۹۳- و خطای استاندارد ۰٫۰۰۲۵۲۸، رابطه منفی برای شرکت ها نشان می دهد که با افزایش تعداد شرکت ها به میزان یک واحد، انتشار گازهای گلخانه ای تقریباً ۰٫۰۱۱۰۹۳ واحد کاهش می یابد، که نشان می دهد شرکت های بزرگتر ممکن است بیشتر داشته باشند. فرآیندهای کارآمد یا سیاست های زیست محیطی برای کاهش انتشار گازهای گلخانه ای در مقایسه با شرکت های کوچکتر. ضریب ۱٫۴۱۶۵۱۶ با خطای استاندارد ۰٫۵۱۹۳۲۰ برای TOTAL_INV نشان میدهد که افزایش یک واحدی در کل سرمایهگذاری با افزایش آماری معنیدار تقریباً ۱٫۴۱۶۵۱۶ واحد در انتشار گازهای گلخانهای همراه است، که نشان میدهد فعالیتهای اقتصادی ناشی از افزایش سرمایهگذاری ممکن است منجر به انتشار بیشتر شود. ، احتمالاً به دلیل افزایش تولید یا مصرف. با این حال، اگرچه ضریب PRIVATE_INV منفی است (-۱٫۳۸ × ۱۰−۰۹رابطه با انتشار گازهای گلخانه ای در سطح معمولی از نظر آماری معنی دار نیست (پ = ۰٫۰۶۱۶)، نشان می دهد که سطوح بالاتر سرمایه گذاری خصوصی ممکن است با انتشار گازهای گلخانه ای کمی کمتر همراه باشد، اما تحقیقات بیشتری برای تایید این رابطه مورد نیاز است.
تجزیه و تحلیل شبکه الاستیک (ENET) یک چارچوب قوی ارائه میکند که به طور موثر چندین اشکال را که در رگرسیون حداقل مربعات معمولی (OLS) با آن مواجه میشویم، مانند چند خطی بودن و بیشبرازندگی، برطرف میکند. این یک تعادل هماهنگ بین سوگیری و واریانس را به دست میآورد، در نتیجه دقت پیشبینی و تفسیرپذیری را در زمینههای مختلف دنیای واقعی افزایش میدهد. نتایج به دست آمده از تخمین ENET در شرح داده شده است
جدول ۵.
روش تنظیم شبکه الاستیک با مقدار آلفا روی ۰٫۵ استفاده شد و مقدار لامبدا حاصل در حداقل خطا ۶٫۸۳۹ × ۱۰ است.−۰۵. این مقدار لامبدا بهعنوان تعیینکننده درجه منظمسازی اعمال شده در مدل عمل میکند، که در آن مقادیر بالاتر به معنای منظمسازی قویتر است. علاوه بر این، رگرسیونها با استفاده از انحراف معیار جمعیت دچار تغییر شکل شدند. اعتبارسنجی متقابل با استفاده از روش K-fold با پنج برابر، با ترکیب یک مولد اعداد تصادفی با دانه ۹۳۰,۰۰۲,۵۷۷ انجام شد که ارزیابی عملکرد مدل و توانایی تعمیم آن را تسهیل میکند. میانگین مربعات خطا به عنوان معیار انتخاب در طول فرآیند اعتبار سنجی متقابل، با هدف به حداقل رساندن خطاهای پیش بینی و افزایش دقت مدل عمل می کند. در مورد ضرایب، برای متغیر ROBOTS، ضریب ۴٫۹۸ × ۱۰ است.−۰۵، نشان می دهد که افزایش تعداد ربات ها با افزایش انتشار گازهای گلخانه ای مطابقت دارد. برعکس، ضریب شرکتها -۰٫۰۱۱۴۵۳ است، که نشان میدهد افزایش تعداد شرکتها با کاهش انتشار گازهای گلخانهای همراه است. TOTAL_INV ضریب ۰٫۳۳۱۵۲۲ را نشان می دهد، که نشان دهنده یک رابطه مثبت با انتشار گازهای گلخانه ای است، به این معنی که سرمایه گذاری کل بالاتر منجر به افزایش انتشار گازهای گلخانه ای می شود. با این حال، PRIVATE_INV ضریب بسیار کوچکی را نشان می دهد (۲٫۶۱-× ۱۰−۱۰، نشان دهنده تأثیر ناچیز بر انتشار گازهای گلخانه ای است. علاوه بر این، مدل ۸۲٫۶۳ درصد از واریانس انتشار گازهای گلخانه ای را توضیح می دهد که نشان دهنده تناسب رضایت بخش با داده ها است.
مقایسه بین نتایج بهدستآمده از رگرسیون OLS و منظمسازی خالص الاستیک، تفاوتهای قابلتوجهی را در برآورد ضرایب برای پیشبینیکنندههای مربوط به متغیر GHG برجسته میکند. در مدل OLS، تخمینهای ضرایب برای پیشبینیکنندههایی مانند ROBOTS، COMPANIES و TOTAL_INV سطحی از سازگاری را نشان میدهد که با انتظارات مطابقت دارد و تأثیرات مربوطه را بر انتشار گازهای گلخانهای نشان میدهد. با این حال، پس از بررسی دقیق تر مدل منظم سازی شبکه الاستیک، در حالی که ضرایب ROBOTS، COMPANIES، و TOTAL_INV مقادیر مشابهی را نشان می دهند، تفاوت های قابل توجهی در ضرایب نسبت داده شده به PRIVATE_INV وجود دارد. اگرچه ضرایب PRIVATE_INV در هر دو مدل در حول و حوش صفر قرار دارد، مدل منظم سازی شبکه الاستیک خطاهای استاندارد بسیار کوچکتری تولید می کند که نشان دهنده دقت افزایش یافته در برآورد است. این اختلاف بر اهمیت استفاده از تکنیکهای منظمسازی قوی مانند Elastic Net برای اصلاح تخمینهای ضریب و بهبود دقت کلی مدل تأکید میکند، بهویژه در مواردی که متغیرهای پیشبینیکننده چند خطی بودن را نشان میدهند، یا زمانی که با مجموعه دادههای با ابعاد بالا سروکار داریم. علاوه بر این، ضریب ترم رهگیری (C) در مدل منظمسازی شبکه الاستیک با مدل OLS متفاوت است و تأثیر منظمسازی را بر رهگیری مدل نشان میدهد. به طور کلی، این مقایسهها بر تأثیر تکنیکهای منظمسازی مانند Elastic Net بر تخمینهای ضریب و استحکام مدل تأکید میکند، بهویژه در سناریوهایی که پیشبینیکنندهها سطوح مختلفی از تأثیر را بر متغیر وابسته دارند.
نتایج بهدستآمده از طریق ENET میتواند تخمین پایدارتر و دقیقتری از ضرایب مدل ارائه دهد و منظمسازی تعبیهشده میتواند به کاهش تغییرات برآوردگرها کمک کند و انتخاب خودکار متغیرهای مربوطه را امکانپذیر کند. بنابراین، در حالی که OLS ممکن است در برخی موارد سادهتر و آسانتر برای تفسیر باشد، ENET میتواند تخمینهای قویتری ارائه دهد و مشکلات خاص دادهای خاص را بهتر مدیریت کند و آن را در زمینههای تحلیل خاص مرتبطتر کند.
جدول ۶ پیشرفت لامبدا را در ستون اصلی، در کنار درجه آزادی مدل، که در ستون بعدی مشخص شده است، نشان می دهد. ستون بعدی هنجار L1 ضرایب را نشان می دهد، در حالی که ستون نهایی مقدار مربع R را نشان می دهد و بینش هایی را در مورد قدرت توضیحی مدل ارائه می دهد.
مسیر تجزیه و تحلیل ENET به طور خلاصه تغییر ضرایب مدل را در پارامترهای تنظیم متفاوت مشخص می کند. این تصویر تشخیصی را در تنظیمات ضریب مربوط به شدت منظمسازی ارائه میدهد و تعادل بین پیچیدگی و کارایی مدل را روشن میکند. چنین نمایش بصری شناسایی پارامترهای منظمسازی بهینه و تشخیص متغیرهای محوری را که توانایی پیشبینی مدل را اثبات میکنند، تسهیل میکند.
که در
شکل ۳، ما به تکامل ضرایب در رابطه با جریمه لامبدا می پردازیم. همانطور که انتظار می رفت، افزایش جریمه منجر به کاهش پیچیدگی مدل می شود و در نتیجه ضرایب به تدریج به سمت صفر همگرا می شوند. از طریق اعتبارسنجی متقاطع، مدل در +۱ SE (لامبدا = ۰٫۰۹۶۹۴) انتخاب میشود و با نقطهای که اکثر ضرایب از مدل حذف شدهاند، همسو میشود.
در ادامه، یک تصویر گرافیکی از خطاهای اعتبارسنجی متقاطع را معرفی می کنیم.
شکل ۴ مسیر لامبدا را در
ایکسمحور، در کنار معیارهای خطای میانگین هر دو مجموعه آموزشی و آزمایشی روی
y-محور. همانطور که انتظار میرفت، خطای آموزشی به طور مداوم سطح پایینتری نسبت به خطای آزمون حفظ میکند، که حاکی از عملکرد برتر مدل در دادههای آموزشی در مقایسه با دادههای دیده نشده است. این مشاهدات با رفتار مرسوم پیشبینیشده در طول ارزیابی مدل و روشهای اعتبارسنجی مطابقت دارد.
نتایج ارائه شده در مطالعه ما دیدگاه متفاوتی را با یافته های سایر محققان ارائه می دهد که مزایای قابل توجه استفاده از ربات ها در کاهش انتشار دی اکسید کربن را برجسته کرده اند. [
۴۸,
۴۹]. در مقابل، تحقیقات آخشیک و همکاران. [
۲۲]، مردانی و همکاران. [
۳۲]و وی و همکاران [
۳۳] تأثیر مستقیم هوش مصنوعی بر کاهش انتشار را شناسایی نمی کند، بلکه سهمی در پیش بینی انتشار کربن دارد، بنابراین مدل سازی و تحقیقات آینده در این زمینه را تسهیل می کند. همچنین یاوری و همکاران. [
۳۵] نقش مهم هوش مصنوعی را در اندازهگیری دقیق انتشار گازهای گلخانهای با توجه به فعالیتهای لجستیکی پیچیده برجسته کرد، و به نفع استفاده از اینترنت اشیا (IoT) و هوش مصنوعی برای نظارت بر زمان واقعی انتشار گازهای گلخانهای و برآورد دقیق CO2 اشاره کرد.
۲ سطوح نتایج شناسایی شده در این مطالعه با یافته های سایر محققان در این زمینه که تأثیر قابل توجه استفاده از ربات را در کاهش انتشار دی اکسید کربن شناسایی کرده اند در تضاد است. [
۵۷,
۵۸]. این اختلافات در یافته ها نیز توسط تحقیقات انجام شده توسط لی و همکاران تأیید می شود. [
۵۹]، که تأثیر استفاده از ربات در بخش های مختلف را بررسی کرد و اشاره کرد که تأثیرات آن بر انتشار گازهای گلخانه ای متغیر است. در برخی موارد، معرفی رباتها حتی میتواند با افزایش مصرف انرژی مورد نیاز برای تولید و عملکرد آنها، انتشار گازهای گلخانهای را افزایش دهد. بنابراین، در حالی که برخی از مطالعات مزایای بالقوه فناوریهای پیشرفته، از جمله هوش مصنوعی و رباتها، را در کاهش انتشار گازهای گلخانهای نشان میدهند، تحقیقات ما و سایر نویسندگان [
۵۹] نشان می دهد که تأثیر ممکن است به طور قابل توجهی متفاوت باشد، بسته به زمینه خاص و نحوه اجرای این فناوری ها. این تنوع در نتایج بر نیاز به تجزیه و تحلیل عمیقتر و مناسبتر برای بهینهسازی استفاده از فناوریهای پیشرفته در تلاشهای کاهش کربن تاکید میکند. علاوه بر این، یافتههای ما با شناسایی تأثیر شرکتهای بزرگتر و سرمایهگذاریهای قابل توجهی که میتواند به کاهش انتشار گازهای گلخانهای کمک کند، بعد جدیدی به این بحث اضافه میکند. این همبستگی هنوز به طور گسترده در ادبیات مورد بررسی قرار نگرفته است، با مطالعاتی که به طور خاص رابطه بین اندازه شرکت و اثربخشی سرمایه گذاری فناوری در کاهش انتشار گازهای گلخانه ای را بررسی می کند. بنابراین، تحقیق ما راه جدیدی برای بررسی پیشنهاد میکند که نشان میدهد منابع بزرگتر و تعهدات استراتژیک بلندمدت میتوانند نقش تعیینکنندهای در بهینهسازی تاثیر فناوریهای سبز داشته باشند. بنابراین، ادامه تحقیقات در این زمینه، شفاف سازی این پویایی ها و بهینه سازی استراتژی های اجرایی برای فناوری های نوظهور به منظور به حداکثر رساندن مزایای زیست محیطی آنها ضروری است. این رویکرد یکپارچه میتواند راهحلهای مؤثرتری برای کاهش انتشار گازهای گلخانهای جهانی و ترویج آیندهای پایدار ارائه دهد.
۵٫ نتیجه گیری و پیامدهای سیاست
این یافتهها نشان میدهد که استقرار رباتهای صنعتی و سرمایهگذاری در فناوریهای هوش مصنوعی ممکن است تأثیر قابلتوجهی بر انتشار گازهای گلخانهای داشته باشد، با شرکتهای بزرگتر و سطوح سرمایهگذاری بالاتر به طور بالقوه در کاهش انتشار گازهای گلخانهای نقش دارد. با این حال، رابطه بین سرمایه گذاری خصوصی در هوش مصنوعی و انتشار گازهای گلخانه ای نیاز به بررسی بیشتر دارد. این نتیجهگیریها بینشهای ارزشمندی را برای سیاستگذاران و ذینفعان فراهم میکند که هدفشان توسعه استراتژیهایی برای کاهش انتشار گازهای گلخانهای است، در حالی که از پتانسیل فناوریهای هوش مصنوعی برای توسعه پایدار استفاده میشود.
یافتههای این مطالعه توصیههای سیاستی مختلفی را برای کاهش تأثیر پیشبینیکنندهها بر انتشار گازهای گلخانهای (GHG) و تقویت توسعه پایدار پیشنهاد میکند. دولت ها می توانند از طریق مشوق هایی مانند یارانه ها یا معافیت های مالیاتی برای شرکت هایی که در ماشین آلات و فرآیندهای کارآمد انرژی سرمایه گذاری می کنند، پذیرش فناوری های سبز و شیوه های پایدار را در صنایعی که به شدت به اتوماسیون و هوش مصنوعی وابسته هستند، ترویج کنند. بهعلاوه، تأمین مالی تلاشهای تحقیق و توسعه با هدف فناوریهای سازگار با محیطزیست میتواند پیشرفت در این حوزه را تسریع کند. مقررات و استانداردهای سختگیرانه زیست محیطی برای صنایع هوش مصنوعی و اتوماسیون نیز بسیار مهم است که شامل اقداماتی مانند تعیین محدودیت انتشار گازهای گلخانه ای، اجرای استانداردهای بهره وری انرژی و تشویق استفاده از منابع انرژی تجدیدپذیر در صورت امکان است.
علاوه بر این، سرمایهگذاری در طرحهای تحقیق و توسعه با هدف افزایش پایداری زیستمحیطی فناوریهای هوش مصنوعی باید اولویتبندی شود و بر پروژههایی که به توسعه منابع انرژی پاکتر، بهبود بهرهوری انرژی در سیستمهای هوش مصنوعی و کاوش راهحلهای نوآورانه برای کاهش انتشار اختصاص داده شدهاند، تمرکز کنند. برنامههای آموزشی و آموزشی برای کارگران در صنایع آسیبدیده میتواند اتخاذ شیوههای پایدار، از جمله آموزش در مورد فناوریهای کارآمد انرژی و افزایش آگاهی در مورد اثرات زیستمحیطی فرآیندهای صنعتی را تسهیل کند. همکاری از طریق مشارکتهای دولتی و خصوصی ضروری است، و از تخصص و منابع ذینفعان مختلف برای رسیدگی موثر به چالشهای زیستمحیطی، هدایت نوآوری و ترویج توسعه پایدار ضروری است. اجرای مکانیسمهای قیمتگذاری کربن و تقویت همکاریهای بینالمللی نیز گامهای ضروری برای تشویق کاهش انتشار و دستیابی به اهداف مشترک در مبارزه با تغییرات آب و هوایی در مقیاس جهانی است.
با اجرای این توصیههای سیاستی، دولتها، کسبوکارها و سایر ذینفعان میتوانند به طور مؤثری تأثیر هوش مصنوعی بر انتشار گازهای گلخانهای را بررسی کنند، در حالی که از پتانسیل هوش مصنوعی و اتوماسیون برای توسعه پایدار استفاده میکنند. این اقدامات می تواند به گذار به سمت اقتصاد کم کربن کمک کند و به کاهش اثرات نامطلوب تغییرات آب و هوایی کمک کند.