بسیاری از مشکلاتی که دولت‌ها از حل آن‌ها عاجز هستد به راحتی و با استفاده از جمع‌سپاری قابل حل است. دولت فرانسه برای سنجش و تخمین دقیق میزان تابش آفتاب پلتفرمی جمع‌سپار را توسعه داده است. متن حاضر، مصاحبه با یک دانشمند داده از Etalab دولت فرانسه می‌باشد.
EtaLab کارگروه ویژۀ نخست‌وزیر فرانسه در امور مربوط به دادۀ باز، دادۀ حکومتی باز و تحولات داده محور است.
علی‌رغم معرفی انگیزه‌های مالی توسعۀ محصولات سیستم‌های تولید انرژی خورشیدی، فرانسه در میان 28 کشور اروپایی که به ازای هر فرد محصولات تولید انرژی خورشیدی در اختیار دارد در مقام پانزدهم ایستاده است.
در مقام مقایسه، کشور آلمان به ازای هر فرد پنج برابر بیشتر محصول تولید می‌کند. پس از 2010، نگرانی‌ها درباره تخصیص یارانه‌ها و افزایش بار بر روی منابع مالی منجر به کاهش انگیزه‌ها شد.
درحالی‌که آلمان و سایر کشورها دفاتر ثبت خورشیدی (ثبت عمومی املاک) را به‌منظور ارزیابی پتانسیل پشت‌بام‌های داوطلب، برای نصب صفحات خورشیدی گسترش داده‌اند، چنین اقداماتی در فرانسه هم چنان محدود به چند شهر می‌شود، برست و پاریس موفق‌ترین این موارد بوده‌اند. اغلب این دفاتر ثبت از مدل سه‌بعدی شهر استفاده می‌کنند، نیازمند جمع‌آوری و پردازش داده‌های پرهزینه هستند و درنتیجه بیشتر برای نواحی پرجمعیت استفاده می‌شوند.
یک دفتر ثبت خورشیدی باز، به ارزیابی پتانسیل پشت‌بام‌ها برای نصب صفحات خورشیدی می‌پردازد که تمامی ناحیه را دربرمی گیرد، نه‌تنها به نفع مقامات دولتی خواهد بود بلکه به نفع کل جامعه هم خواهد بود از تأمین‌کنندگان انرژی گرفته تا نصابان صفحات خورشیدی، شرکتهای مشاوره و مالکان خانه‌ها.
تیم EtaLab از رویکردی نوین و مقرون‌به‌صرفه استفاده می‌کند داده‌های باز را با الگوریتم‌های بازترکیب می‌کند، با تکیه‌بر کمک‌های خارجی سعی دارد تا یک دفتر ثبت خورشیدی را در سطح ملی تأسیس کند.
دفتر ثبت املاک فرانسه خطوط هر ساختاری را تعیین می‌کند. شکل پشت‌بام‌ها هنوز تعیین نشده است و برای تشخیص تیغه‌ای که از غرب به شرق (مناسب برای نصب صفحات خورشیدی) و شمال به جنوب باشند، نیاز به بررسی‌های تصویری داریم. بنابراین، از تصاویر ماهواره‌ای و هوایی که تمامی سرزمین فرانسه را تحت پوشش قرار می‌دهند استفاده می‌شود تا بهترین موقعیت‌ها و دقیق‌ترین آن‌ها شناسایی شوند.
EtaLab با استفاده از جمعی از کد نویسان کار طراحی و راه‌اندازی یک پلت فرم جمع سپار را همراه با کمک توسعه‌دهندگان مشتاق انجام داده است. پلت فرم تصویری از یک پشت‌بام را نشان می‌دهد و از کاربر خواسته می‌شود تا جهت آن را آماده کند. پلت فرم سرگرم‌کننده و تا اندازه‌ای اعتیادآور نیز هست، ظرف مدت سه هفته حدود صد هزار شرکت‌کننده داشته، که به ما این امکان را می‌دهد با اطمینان کامل حدود ده هزار پشت‌بام را دسته‌بندی کنیم. فقط یک مورد تخریب بناهای تاریخی داشتیم که به‌آسانی شناسایی شد و از پروژه حذف گردید.
تصویر ۱:پلت فرم جمع سپاری:تصویر یک پشت‌بام همراه با 4 گزینۀ محتمل جهت‌یابی
چنین چیزی در قیاس با پنجاه میلیون ساختمانی که در فرانسه وجود دارد نمونه‌ای کوچک به شمار می‌آید، اما برای راه‌اندازی یک برنامه خودکار دسته‌بندی کافی است. ما با استفاده از تکنیک‌های استاندارد در پردازش تصاویر، بالأخص محاسبات لجستیکی و شبکه‌های عمیق عصبی، یک برنامه دسته‌بندی ساختیم که در هشتاد در صد موارد درست‌کار می‌کرد. بعدها نتایج خودکار را به آن اضافه کردیم که در میزان دقت با نتایج انسانی برابری می‌کرد. آن را در سخت‌افزارهای استاندارد اجرا کردیم، و برنامه دسته‌بندی کننده در کسری از ثانیه درباره تصویر تصمیم می‌گرفت.
این چالش دسته‌بندی بعدها توسط صدها تیم دیگر دربازی‌های علوم داده‌ای که یک رقابت علوم داده‌ای بین‌المللی است به کار گرفته شد. تیم برنده از شبکه‌های جدید عصبی و تکنیک‌های پیش‌رفته‌تری چون تقویت داده، تنظیم دقیق‌تر و آموزش گروهی استفاده می‌کرد، و میزان خطایش به کمتر از سی درصد رسید.
اقدام و راه‌حل
نقشۀ کشوری ِجهت پشت‌بام‌ها نشان می‌دهد که تفاوت‌هایی بین مناطقی که تحت تأثیر باد و ویژگی‌های جغرافیایی هستند وجود دارد. برای مثال، اکثر پشت‌بام‌هایی که در بریتنی هستند جهت مطلوبی دارند این در حالی است که در دره رون قضیه کاملاً برعکس است. این نقشه اهمیت بسزایی دارد زیرا می‌توانیم به ارزیابی ارتباط انگیزه‌های خورشیدی در سطح محلی و منطقه‌ای بپردازیم. ارزش این را دارد که با موقعیت خورشید مقایسه شود تا پتانسیل‌های خورشیدی در آن ارزیابی شوند.
تصویر ۲: نقشه جهت پشت‌بام‌ها. مناطقی که جهات مطلوبی دارند بارنگ قرمز مشخص‌شده است.
دفتر ثبت خورشیدی سایه‌ها یا زوایای شیب‌دار پشت‌بام‌ها را به‌حساب نمی‌آورد و پشت‌بام‌هایی را که اشکال پیچیده‌ای داشتند را حذف کرد. بااین‌حال در نظر دارد تا با داده‌های محلی دقیق‌تر و ارزشمندتر نتایج بهتری را ارائه دهد. تمامی داده‌ها 1 و هم‌چنین کدهای 2 استفاده‌شده در این پروژه باز و قابل استناد هستند. بنابراین هرکسی که در این زمینه کار می‌کند، چه در بخش عمومی یا بخش‌های خصوصی، به‌راحتی به آن‌ها دسترسی دارد و می‌تواند با سرعت یک دفتر ثبت خورشیدی بهتر را بر روی آنچه ما ارائه کردیم تأسیس کند و یا آن را در کشور دیگری پیاده کند.
تصویر ۳: میزان تابش افقی ــ فرانسه.
آموزه‌ها
EtaLab به‌عنوان خدمات دولتی که وابسته به دفتر نخست‌وزیری است رویکردهای فراگیر را به رویکردهای بسته یا محدود ترجیح می‌دهد. پروژه‌های یادگیری ماشینی مانند این، منحصراً مناسب مشارکت‌های عمومی است. هر شهروندی سوای مهارت و تخصصش، می‌تواند با استفاده از پلت فرم جمع سپار کمک خود را ارائه دهد.
هم‌چنین فراخوان مشارکت عمومی تنها راه‌حل طبیعی برای تبلیغ و اشاعۀ اهداف پروژه است.
تیم EtaLab در طول توسعه پلت فرم جمع سپاری، راه‌اندازی مجموعۀ آموزشی و ساخت برنامه دسته‌بندی خودکار از مشارکت‌های داوطلبانه هم برخوردار بوده است. علاوه بر این اساس پروژۀ ما بر داده باز و ابزارهای منابع باز استوار است. در این روش، یک تیم دونفره ظرف مدت چند ماه با نادیده گرفتن هزینه‌های سخت‌افزاری به توسعه این پروژه پرداختند.
گرچه از پروژه‌هایی که از آموزه‌های ماشینی استفاده می‌کنند به‌عنوان “داده حجیم ” یاد می‌شود، در این مورد بی‌مسما است، زیرا ما با یک روش خاص از مقیاس‌های کوچک، روش‌های سریع و مقرون‌به‌صرفه که شامل مقدار داده‌های قابل مدیریت بود، استقبال می‌کردیم.
اساس چنین رویکردی استفاده از ابزارهایی است که کار تصمیم‌گیرندگان دولتی را تسهیل کند من‌جمله سیاست‌گذاری‌های مربوط به بخش انرژی. می‌توان آن را برای موارد مشابه نیز به کاربرد؛ برای مثال، تشخیص خطوط اتوبوس و محل عبور عابران پیاده، یا طبقه‌بندی استفاده از زمین و غیره.
ما خارج از محدودۀ تحقیقمان، کاربرد پیش رفته‌ترین و خوش‌ساخت‌ترین راه‌حل‌های یادگیری ماشینی مجانی با منابع باز را نشان دادیم. هم‌اکنون مهندسان و توسعه‌دهندگان می‌توانند بدون اینکه هیچ تخصصی درزمینۀ پردازش تصاویر داشته باشند یا اینکه نیازی به یادگیری زیاد داشته باشند تصاویر را استخراج کنند. احتمال دارد که چنین ابزارهایی به‌طور فزاینده‌ای گسترش یابند و درنهایت راهشان را در جعبه‌ابزار مهندسان فناوری اطلاعات بیابند.
وبسایت ETALAB
