A mesterséges intelligencia által támogatott technológiák átalakítják az angliai hulladékfeldolgozás módját. A szigetországban az útvonal-optimalizálástól és az érzékelővezérelt gyűjtésektől a digitális hulladék-követésig és az automatizált létesítményekig az adatvezérelt technológiák egyre inkább átalakítják a hulladékgazdálkodási műveleteket, számol be róla a Circular Online.
Angliában számos helyi önkormányzat és hulladékkezelő vállalat fektet be napjainkban adatvezérelt technológiákba, hogy ezáltal is javítsa a hatékonyságot. De hogyan változtatja meg a mesterséges intelligencia a hulladékipar napi működését?
A valós idejű adatok például az adott helyszíneken a napi döntéshozatalt befolyásolhatják – a helyi önkormányzatok számára ez a hulladékkeletkezési minták jobb átlátását jelenti.
„A legnagyobb feladat, amelyhez helyi önkormányzatként adatokat használunk, a hulladékgyűjtési rendszerek optimalizálása” – mondja Dave Atkinson, York városi tanácsának környezetvédelmi és szabályozási szolgáltatásokért felelős igazgatója. A városi önkormányzat hulladékgyűjtési és -ártalmatlanítási szolgáltatásokat nyújt, így a hulladékgyűjtési rendszer optimalizálása számos előnnyel járhat számukra, beleértve a működési költségek, a szénlábnyom és a forgalmi torlódások csökkenését, vagy akár a jobb szolgáltatási szintek elérését. De ezt adatvezérelt technológiák nélkül rendkívül nehéz lenne megvalósítani.
„El lehet képzelni, mennyi adat kapcsolódik a hulladékhoz, ha mondjuk 90 000 ingatlanról és több százezer útszakaszról van szó, és a legjobb módszert keressük, hogy a hulladékgyűjtő járműveink mindenhova eljuthassanak” – mondja Atkinson.
A mesterséges intelligencia a digitális hulladékkövetésben (DWT) is segíti a vállalkozásokat, ám ez hatalmas változtatásokat igényel a napi működésben. Ráadásul a jogszabályok2018-ig a kereskedelmi és szabályozott hulladékgazdálkodási tevékenységekre összpontosítottak, az üzemeltetőktől elvárták, hogy minden engedélyezett helyszínre történő mozgás információit rögzítsék egy rendszerben. A DWT második fázisának kötelező bevezetése – legalábbis az idei februári bejelentések szerint – 2027 októberében történik meg, ez alapján kötelezővé válik a DWT-n keresztüli jelentéstétel a hulladékellátási lánc összes szereplője számára.
A kutatók szerint a jobb adatok jobb vezetői és operatív döntéseket tehetnek lehetővé a hulladékgazdálkodási ágazaton belül.
Egy 2024-ben megjelent tanulmányban, amely a Cleaner Waste Systems folyóiratban jelent meg, a kutatók felvázolták, hogyan használták a gépi tanulási modelleket – a mesterséges intelligencia egy részhalmazát – a hulladék-keletkezési trendek elemzésére és előrejelzésére. bevetették továbbá számos hulladékgazdálkodási módszer életképességének felmérésére, és az erőforrás-elosztás és a működési hatékonyság optimalizálására szolgáló modellek kidolgozására is használták. A prediktív analitikai modellekben 85%-os pontosságot értek el a hulladék-keletkezési trendek előrejelzésébene, s véleményük szerint eredményeik bizonyítják, hogy a gépi tanulási modellek fenntarthatóbb és költséghatékonyabb gyakorlatokhoz vezethetnek.
Az adatok pedig a pénzügyi tervezésben is segítenek, hiszen így a feldolgozók és újrahasznosítók láthatják, hogypl. egy hónap múlva magasabb-e a feldolgozott alapanyag műanyagtartalma, így hosszú távon kalkulálható, érdemes-e befektetni fejlesztésekbe, új berendezések telepítésébe.
Ám a mesterséges intelligencia egyik hátránya a szakemberek szerint az, hogy nem tudja megmérni az anyagokat. A hulladék mintavétele során lehet megtudni, a tárgyak nagyjából mennyit nyomnak, majd ezeket az adatokat extrapolálhatják a hulladékáram jobb megértéséhez.
Ugyanakkor számos olyan eset van, amikor az emberi ítélőképesség továbbra is kulcsfontosságú, és kiegészítheti az adatvezérelt technológiákat. A brit LitterCam startup például CCTV-felvételeket használ az alacsonyan fekvő szemét észlelésére, hogy segítsen az útseprő és a nagyobb hulladékgyűjtő járművek útvonalainak újratervezésében. Technológiájuk a járművekből származó szemetelés észlelésére is képes.
