** _ Este artigo foi escrito por Lina Stankovic, conferencista sênior e membro da Ethical AI Network, e Vladimir Stankovic, leitor da University of Strathclyde _ **

Você provavelmente nunca pensou em seu medidor de gás ou eletricidade como estando na vanguarda da ciência. Mas, de certa forma, esses gadgets práticos e despretensiosos oferecem um vislumbre do futuro e podem nos ensinar lições valiosas sobre as armadilhas e os benefícios do [aprendizado de máquina](https://apolitical.co/en/solution_article/why-the- a polícia deve usar o aprendizado de máquina, mas com cuidado).

Os medidores inteligentes são a próxima geração de medidores de eletricidade e gás que medem o consumo de energia doméstica. O que torna os medidores tradicionais bem conhecidos "inteligentes" é que eles usam uma rede de dados segura para enviar automaticamente e sem fio as leituras dos medidores para o seu fornecedor de energia pelo menos uma vez por mês, além de serem mais fáceis de ler para o consumidor. Isso significa que os clientes recebem contas precisas e também significa menos visitas dos engenheiros da concessionária para leitura manual dos medidores.

Com a implementação em larga escala de medidores inteligentes, que agora chega a mais de 16 milhões em todo o Reino Unido, e muito mais em todo o mundo, pesquisas e inovações significativas estão acontecendo para aproveitar ao máximo os dados que estão sendo coletados.

Alguns dos principais objetivos para pesquisadores e concessionárias são criar faturamento oportuno e preciso, aumentar a compreensão do uso de energia em casa e facilitar a transição para [energia renovável](https://apolitical.co/en/solution_article/copenhagens- vizinhança-aquecimento-sistema-cortes-carbono-emissões-em-20) e veículos elétricos, e melhor gestão da geração e distribuição de eletricidade.

Isso, por sua vez, permite que residências e serviços públicos cortem custos e atendam às mudanças climáticas e às metas de eficiência energética por meio da redução do uso desnecessário de energia .

Mas como fazemos tudo isso acontecer? A resposta está na inteligência artificial (IA).

O que a chaleira diz sobre você

Hoje, podemos usar o poder da IA para analisar dados de medidores inteligentes usando aprendizado de máquina para melhorar a forma como consumimos energia. Por exemplo, é fácil para um algoritmo "aprender" quanta energia é consumida a partir de dados históricos e prever padrões de consumo para o futuro usando algoritmos de aprendizado de máquina de série temporal, ajudando o mecanismo de IA a tomar uma decisão sobre demanda-resposta e, assim, garantir a segurança do abastecimento energético. A próxima etapa é inferir quando e com que frequência determinados dispositivos são usados em casa por meio de algoritmos de desagregação de carga ou de monitoramento de carga não intrusivo (NILM).

Esses algoritmos dividem as "cargas" individuais - de seu forno, sua chaleira e sua televisão, etc. - que contribuem para a leitura do medidor agregado a qualquer momento por meio do processamento de sinal e algoritmos de aprendizado de máquina supervisionados e não supervisionados. Isso, por sua vez, permite que o mecanismo de IA faça recomendações sobre atualizações de aparelhos, gere uma avaliação do ciclo de vida (LCA) por aparelho ou produto alimentício e quantifique estatisticamente o tipo de atividade em que gastamos nosso tempo. No entanto, isso também levanta desafios éticos claros.

** Também pode ser usado indevidamente para publicidade direcionada a café ou chá, ou inferir quando uma família toma café da manhã ou jantar, o que pode ser usado novamente para inferir quais são seus horários de trabalho **

Por exemplo, agora é possível inferir [com que frequência um indivíduo coloca a chaleira no fogo e quanta água foi usada para encher a chaleira](https://pureportal.strath.ac.uk/en/publications/understanding-usage -padrões-de-chaleira-elétrica-e-economia de energia). Isso é útil para fornecer recomendações de economia de energia e rastrear o esquecimento decorrente da velhice ou como um precursor da demência. No entanto, ele também pode ser usado incorretamente para publicidade direcionada de café ou chá, ou para inferir quando uma família toma café da manhã ou jantar, o que pode ser usado novamente para inferir quais são seus horários de trabalho. Da mesma forma, também é possível inferir quando um indivíduo está cozinhando, quando e com que frequência lava a roupa, toma banho, etc.

Além de inferir quando um indivíduo está em casa, quando está dormindo, quando está hospedando hóspedes e quais são seus padrões de consumo de energia no dia a dia, também é possível inferir, por meio de algoritmos de desagregação de carga, quais aparelhos estão sendo utilizados e, indiretamente, quais atividades domésticas indivíduos estão envolvidos em casa, de seus dados do medidor inteligente.

Por esse motivo, precisamos garantir que o uso de aprendizado de máquina em medidores inteligentes não infrinja a privacidade e a segurança dos usuários e que a tecnologia de IA em si seja transparente para os usuários, incluindo consumidores, governo e empresas que produzem a tecnologia. Essas partes interessadas devem ter um entendimento claro de quem tem acesso às medições do medidor inteligente e às informações geradas a partir da análise.

Isso tem uma implicação direta na confiabilidade da tecnologia e na atribuição de responsabilidades.

Abordando questões de privacidade

Nos últimos dois anos, foram lançadas estruturas e diretrizes sobre proteção geral de dados e manuseio ético de experimentos em indivíduos e dados pessoais de órgãos governamentais e de caridade, como os conselhos de pesquisa do Reino Unido, Instituto de Engenharia Elétrica e Elétrica (IEEE), Instituto of Engineering and Technology (IET), British Computer Society (BCS), AI4People e EU Grupo de especialistas de alto nível em IA responsável.

É muito difícil generalizar o tipo e o nível de privacidade e responsabilidade de um sistema de IA, pois o contexto é absolutamente crítico - as diretrizes para lidar com experimentos em testes em animais não são exatamente as mesmas que as diretrizes para algoritmos de IA online que recomendam produtos baseados em história de compras.

Pertinente ao contexto da medição inteligente, a [Avaliação de proteção e impacto de dados (DPIA)](https://ico.org.uk/for-organisations/guide-to-data-protection/guide-to-the-general-data -protection-Regulation-gdpr / accountability-and-governance / data-protection-impact-assessments /) é um passo importante em direção à privacidade de dados. Desenvolvido pela Força Tarefa de Rede Inteligente da Comissão Europeia e pelo Escritório dos Comissários de Informação do Reino Unido, dois órgãos que se dedicam a identificar cenários regulatórios adequados e recomendações para tratamento de dados, segurança de dados e proteção de dados, o DPIA oferece um modelo para Smart Grid e Smart Metering Sistemas dentro de uma estrutura de privacidade e segurança de dados que protege e possibilita a privacidade.

** A chave para tudo isso é a identificação dos riscos - esperados e inesperados - para os dados específicos em mãos **

O DPIA é um passo na direção certa, pois define processos para construir e demonstrar conformidade com o GDPR. Em primeiro lugar, o DPIA define os tipos de operações de processamento de dados e dá grande ênfase na identificação de riscos para a privacidade e os dados pessoais em vários estágios de um projeto, ou seja, durante a concepção do sistema, antes da utilização do novo sistema e durante todo o uso do sistema. Isso garante que todos os riscos sejam capturados, incluindo tipos de uso esperados e inesperados do sistema.

A chave para tudo isso é a identificação dos riscos - esperados e inesperados - para os dados específicos em mãos. Os especialistas estão fazendo descobertas significativas no que diz respeito ao tipo de informação que pode ser inferida sobre uma família e indivíduos a partir de seus dados de medidores inteligentes.

Novos aplicativos estão sendo desenvolvidos constantemente para ultrapassar os limites do que os medidores inteligentes podem fazer. Alguns deles incluem:

  • Recomendações de retrofit personalizadas, em que a "saúde" ou "eficiência energética" do aparelho é identificada por sua "assinatura elétrica", com recomendações subsequentes para manutenção ou atualização
  • Criação de modelos de consumo baseados em dados para melhorar a precisão do aparelho e dos alimentos [avaliação do ciclo de vida](https://pureportal.strath.ac.uk/en/publications/appliance-electrical-consumption-modelling-at-scale- using-smart-m) (LCA) refletindo melhor como os usuários finais do dispositivo usam seus dispositivos. Em um eletrodoméstico ou LCA alimentar, a pegada ambiental do eletrodoméstico geral ou do ciclo de vida do alimento pode ser quantificada com precisão, [desde a origem de materiais, fabricação, transporte, consumo doméstico e descarte](https://pureportal.strath.ac.uk/ pt / publicações / aparelho-consumo-elétrico-modelagem-em-escala-usando-smart-m)
  • Pesquisas escaláveis sobre como as pessoas estão vivendo suas vidas em casa sem recorrer a questionários, por ex. mapeando os usos finais de energia [para compreender e quantificar o tempo e a frequência das atividades da vida diária](https://pureportal.strath.ac.uk/en/publications/measuring-the-energy-intensity-of-domestic- atividades-de-inteligente-)

Com a crescente popularidade das tecnologias de casa inteligente, como Google Assistant, Alexa da Amazon e Siri da Apple, é mais fácil fazer inferências adicionais sobre um indivíduo em sua casa e [fornecer funcionalidade de controle avançado sobre eletrodomésticos e aquecimento ambiente](https: //pureportal.strath.ac.uk/en/publications/smart-homes-control-and-energy-management-how-do-smart-home-techn) que podem ser potencialmente prejudiciais para o indivíduo.

Em conclusão, é necessário mais esforço para identificar claramente os benefícios e riscos que são abertos pelos mecanismos de IA que utilizam algoritmos de aprendizado de máquina antes de adotá-los para a tomada de decisão. Os algoritmos de aprendizado de máquina devem ser transparentes para os usuários para garantir a confiança. É necessária investigação sobre ferramentas de transformação de dados adequadas para alterar os dados, de forma que sejam úteis, mas não prejudiciais, e recomendações podem ser inferidas, dependendo do nível de consentimento individual para compartilhar seus dados. Também é importante explicar claramente aos indivíduos quais são os benefícios e os riscos quando seus dados pessoais estão sendo compartilhados para análise.

** Conforme a tecnologia evolui, mais pode ser inferido dos dados do medidor inteligente, portanto, a revisão dos benefícios e riscos é um processo contínuo **

Conforme a tecnologia evolui, mais pode ser inferido dos dados do medidor inteligente, portanto, a revisão dos benefícios e riscos é um processo contínuo. Isso deve ser realizado por uma gama de partes interessadas e competências, incluindo aqueles que entendem os elementos de detecção do medidor e sinais de medição para aqueles que fazem inferências usando aprendizado de máquina e aqueles que gerenciam e oferecem os serviços.

Enquanto a tecnologia de aprendizado de máquina abre riscos de uso indevido e má interpretação de dados, esta tecnologia também é a solução para fornecer responsabilidade conforme os dados do medidor pessoal fluem de casa, onde são capturados para a nuvem, para o (s) provedor (es) de tecnologia e, finalmente, terminam -do utilizador. - Lina Stankovic e Vladimir Stankovic

_ (Crédito da imagem: Unsplash) _