Matthijs bedenkt slimme afvalroutes voor minder CO2-uitstoot
HBO-ICT
Bedrijven in Amsterdam kunnen hun afval laten ophalen door de gemeente. Maar afvalwagens stoten veel CO₂ uit, vooral als ze veel ritten maken. In opdracht van de gemeente Amsterdam bouwden Matthijs en 2 medestudenten een AI-model om afvalroutes duurzamer te maken. Zodat de afvalwagens minder brandstof gebruiken en er minder CO₂ de lucht in gaat.
Een opdracht voor een software engineer
Die maakt en bouwt de software die AI gebruikt, zorgt ervoor dat alles goed werkt in apps, en koppelt het aan andere systemen. Een software engineer schrijft code, test alles en maakt het sneller en beter, zodat AI-modellen top presteren en betrouwbaar zijn.
Met AI-technologie kun je echte problemen oplossen
Hoe? Dat leerde Matthijs tijdens de minor Applied Artificial Intelligence. Matthijs: 'Het model moest de routes kunnen beoordelen en verbeteren. Daarom moesten we eerst bepalen welke duurzaamheidsfactoren de meeste invloed hadden op de route. We keken o.a. naar CO2-uitstoot, het aantal km en stops en het aantal stoplichten. '
Een route met minder stoplichten is beter
'Stoplichten verhogen de CO2-uitstoot. Als een vrachtwagen stil staat en weer optrekt, stoot hij meer CO₂ uit. Met een constante snelheid doorrijden is beter. Daar moest ons AI-model dus o.a. rekening mee houden.'
We zochten naar het beste AI-model
In de wereld van AI zijn er verschillende modellen en technieken, elk met hun eigen toepassingen en voordelen. Matthijs: 'Je krijgt daar les over tijdens je opleiding, we googelden veel en met de gemeente Amsterdam bespraken we elke week waar we tegenaan liepen. Uiteindelijk kozen we voor het Deep Q-Learning model.'
Het Deep Q-learning model leert van gegevens
Zo kan het steeds betere, snellere en groenere routes vinden. Dit model is supergoed in het maken van keuzes waar veel bij komt kijken, zoals het plannen van de beste afvalroutes. Andere AI-modellen zijn meer geschikt voor simpele taken met vaste regels, zoals automatisch e-mails sorteren of gezichten en woorden herkennen in foto's en teksten.
Honderden uren coderen en data controleren
'Van de gemeente kregen we data die we konden gebruiken in het model. Die moesten we goed controleren. Er was bijvoorbeeld één vrachtwagen die zogenaamd 1000 stops in een middag had gemaakt – dat kan gewoon niet. We moesten door 12,4 miljoen rijen data heen, een berg werk. Ook het programmeren (in programmeertaal Phyton) was een intensieve klus. We werkten een halfjaar lang, drie dagen per week aan de opdracht.'
Tevreden opdrachtgever
'Het lastigste: het vooronderzoek en beslissen welke data we wel en niet moesten gebruiken. We kregen namelijk weinig richtlijnen van de opleiding, maar dat was juist leerzaam. En uiteindelijk presenteerden we ons model aan de gemeente. Ze waren er erg blij mee en we kregen een 8.'