Applied Machine Learning in Distributed and Dynamic Environments

Abstract

Η Τεχνητή Νοημοσύνη (Artificial Intelligence - AI) παίζει όλο και πιο σημαντικό ρόλο στην καθημερινότητα των ανθρώπων εν έτει 2025. Αν και το γενικό ενδιαφέρον επικεντρώνεται κυρίως στην παραγωγική τεχνητή νοημοσύνη (Generative AI), μεγάλο μέρος των εφαρμογών που χρησιμοποιούμε καθημερινά βασίζεται σε πιο παραδοσιακούς τομείς, όπως η μηχανική μάθηση (Machine Learning - ML). Στο πλαίσιο αυτό, πολλά εργαλεία τεχνητής νοημοσύνης εκτελούν προβλέψεις σχετικές με την καθημερινότητα (όπως εκτιμήσεις σχετικά με την κίνηση οχημάτων στους δρόμους) σε ζωντανά δεδομένα. Το γεγονός αυτό οδηγεί συχνά στο φαινόμενο όπου τα δεδομένα μεταβάλλονται με την πάροδο του χρόνου (concept drift), προκαλώντας μείωση της απόδοσής του μοντέλου (model drift).

Η παρούσα διπλωματική εργασία αποτελεί την μία εκ των τριών διπλωματικών εργασιών που συνθέτουν μια εφαρμογή λογισμικού, που υλοποιήθηκε σε συνεργασία με τους συμφοιτητές μου, Γιώργο Κυριακόπουλο και Σεραφείμ Τζελέπη. Τα τρία ζητήματα με τα οποία ασχοληθήκαμε είναι η κατανάλωση καυσίμου, ο εκτιμώμενος χρόνος άφιξης (Estimated Time of Arrival - ETA) και ο αριθμός των στάσεων για ένα όχημα που εκτελεί ένα ταξίδι (trip) μεταξύ της αφετηρίας και του προορισμού του στην περιοχή του κέντρου της Αθήνας. Το τελικό αποτέλεσμα είναι η ανάπτυξη της ολοκληρωμένης πλατφόρμας που:

1. Παρακολουθεί σε συνθήκες concept drift λόγω βροχής τη λειτουργία των τριών αντίστοιχων μοντέλων τεχνητής νοημοσύνης που ανέπτυξε ο καθένας μας κατά τη διάρκεια δύο ημερών προσομοίωσης και παρέχει σχετικές πληροφορίες στον διαχειριστή της πλατφόρμας σχετικά με την κατάσταση των μοντέλων και τη λειτουργία της πλατφόρμας. 2. Δίνει τη δυνατότητα στον τελικό χρήστη για κάθε χρονική στιγμή να επιλέγει δύο σημεία στον χάρτη του κέντρου της Αθήνας και να λαμβάνει πρόβλεψη για το καύσιμο που θα κάψει, τον χρόνο που θα χρειαστεί και τις φορές που το όχημα του θα ακινητοποιηθεί.

Η παρούσα διπλωματική εργασία κάνει τρεις βασικές συνεισφορές στην ολοκληρωμένη πλατφόρμα:

1. την ανάπτυξη μιας διαδικασίας (pipeline) που περιλαμβάνει την επεξεργασία δεδομένων (preprocessing) που δημιουργήθηκαν με το εργαλείο SUMO, με σκοπό την εκπαίδευση ενός μοντέλου για την πρόβλεψη κατανάλωσης καυσίμου. 2. τον σχεδιασμό της γενικής μορφής της πλατφόρμας σε επίπεδο διεπαφής χρήστη (User Interface) 3. τη δημιουργία ενός αυτοματοποιημένου εργαλείου που χρησιμοποιεί παραγωγική τεχνητή νοημοσύνη (Generative AI) για να δημιουργεί αναλυτικές αναφορές σε μορφή γραπτού κειμένου σε φυσική γλώσσα για τους διαχειριστές του συστήματος.