Se você já se perguntou por que o Google Tradutor se tornou muito melhor na tradução nos últimos anos, a resposta é devido às redes neurais artificiais.
Desde novembro de 2016, a ferramenta de tradução online da empresa usa um novo sistema de tradução (NMT). É baseado na tradução automática com base em exemplos, o que ajuda o sistema a aprender com milhões de exemplos em seu banco de dados. O sistema agora também permite a tradução direta de um idioma para outro, enquanto as versões anteriores do Google Translate precisavam traduzir o texto para o inglês antes de poder traduzi-lo para outro idioma.
Em geral, as redes neurais artificiais proporcionaram melhorias tangíveis e levaram a um salto tecnológico significativo. As redes neurais artificiais são uma tecnologia de aprendizado artificial que funciona de maneira semelhante ao cérebro humano.
Essa tecnologia também tem muitas aplicações em potencial no campo da inteligência artificial e, como a IA agora é amplamente usada para gerenciamento e análise de energia, também é ideal para os negócios de energia solar. Pesquisadores da Universidade de Sydney, na Austrália, e da Universidade Pablo de Olavide, na Espanha, por exemplo, propuseram uma nova abordagem para a previsão de energia solar que combina redes neurais e sequências de padrões pela primeira vez.
A novidade deste novo estudo é adicionar os poderosos efeitos das redes neurais artificiais aos efeitos das sequências de padrões. Em matemática, as sequências de padrão são comumente usadas para prever o que acontece antes ou depois de um conjunto de números organizados em uma ordem específica, e já foram utilizados na previsão de geração de energia fotovoltaica. A abordagem descrita no documento da Pattern Sequence Neural Network for Solar Power Forecasting, baseia-se na ideia de que é possível construir um modelo de previsão separadamente para cada tipo de padrões de sequência.
A Rede de Sequência de Padrões Neurais (PSNN) proposta pelos cientistas foi comparada à Previsão Baseada em Sequência de Padrões (PSF), que é um método de previsão que combina agrupamento e correspondência de sequências, também baseado em sequenciamento de padrões, mas isso não funciona com redes neurais. Segundo os cientistas, o PSNN combina a extração eficiente de sequências de padrões e a similaridade dos algoritmos PSF com as vantagens das redes neurais para modelar relações complexas e não lineares.
«A PSNN é uma abordagem geral que pode ser usada com diferentes algoritmos de agrupamento e extração de sequência de cluster e pode ser aplicada a várias sequências de tempo relacionadas», explicaram os pesquisadores.
O desempenho da abordagem foi testado em um conjunto de dados australianos que incluíam informações da previsão solar fotovoltaica e meteorológica durante um período de dois anos. Os dados fotovoltaicos foram coletados em um conjunto de telhados da Universidade de Queensland, em Brisbane.
«Os dados fotovoltaicos brutos foram medidos a cada minuto e adicionados em intervalos de 30 minutos, levando o valor médio do intervalo», disse o grupo de pesquisa.
O PSNN, que pode ser aplicado a várias séries temporais complementares, funciona usando uma sequência de rótulos de cluster e extraindo sequências de padrões diferentes para criar um modelo de previsão de NN separado para cada um deles. Os testes mostraram que todos os modelos PSNN superam seus modelos PSF correspondentes na previsão de energia solar.
«Todas as versões do PSNN superaram os métodos do PSF, e as diferenças foram estatisticamente significativas», disseram os pesquisadores.
A equipe de pesquisa agora planeja determinar se os modelos de previsão sazonal podem melhorar a precisão dessa abordagem ou se esses métodos podem ser aplicados a outras tarefas de previsão.
Al enviar este formulario, usted acepta que pv magazine utilice sus datos con el fin de publicar su comentario.
Sus datos personales solo se divulgarán o transmitirán a terceros para evitar el filtrado de spam o si es necesario para el mantenimiento técnico del sitio web. Cualquier otra transferencia a terceros no tendrá lugar a menos que esté justificada sobre la base de las regulaciones de protección de datos aplicables o si pv magazine está legalmente obligado a hacerlo.
Puede revocar este consentimiento en cualquier momento con efecto para el futuro, en cuyo caso sus datos personales se eliminarán inmediatamente. De lo contrario, sus datos serán eliminados cuando pv magazine haya procesado su solicitud o si se ha cumplido el propósito del almacenamiento de datos.
Puede encontrar más información sobre privacidad de datos en nuestra Política de protección de datos.