یک هوش مصنوعی آموزش دیده تا بتواند با خواندن بازخوردهای ۱۲ هزار ایستگاه شارژ خودرو برقی در ایالات متحده ایستگاه‌هایی که کارکرد کمی دارند یا جاهایی که تعداد ایستگاه کم است را پیدا کند. این برنامه قادر بود که با دقتی مشابه یک انسان اما با سرعتی بسیار بیشتر بازخوردها را بررسی کند تا شهرهایی با جمعیتی بین ۱۰ تا ۵۰ هزار نفر را که خدمات شارژ خودرو مناسبی دریافت نمی‌کنند شناسایی کند. این نتایج به بررسی سرمایه گذاری در زیرساخت‌های مربوط به وسایل نقلیه کمک می‌کند و امکان بررسی به موقع این ایستگاه‌ها را به جای تکیه بر ارزیابی‌های دوره‌ای،کند و هزینه بر فراهم می آورد.
اگرچه وسایل نقلیه الکتریکی که باعث کاهش انتشار گازهای گلخانه‌ای می‌شوند نظر بسیاری از رانندگان را به خود جلب کرده اما گروهی دیگر از خدمات شارژ رسانی به این ماشین‌ها اطمینان ندارند. ساخت شبکه‌ای از ایستگاه‌های شارژ قابل اطمینان کار سختی است زیرا جمع‌آوری اطلاعات از ایستگاه‌های مستقل کاری چالش برانگیز است. اکنون محققان در مجله‌ی پترنز(patterns) از ساخت یک هوش مصنوعی خبر دادند که می‌تواند بازخورد مشتری‌ها را بررسی کند تا بتواند ایستگاه‌های ناکارآمد یا از کار افتاده را پیدا کند.
عمر آسنسیو(Omar Asensio) محقق اصلی و استادیار دانشکده سیاست‌های عمومی در موسسه‌ی فناوری جورجیا می‌گوید: ما میلیاردها دلار سرمایه بخش خصوص و دولتی را صرف ساخت زیربنای وسایل نقلیه الکتریکی می‌کنیم اما واقعا درک درستی از اینکه این سرمایه‌گذاری‌ها چقدر به نفع مردم است نداریم.
رانندگان وسایل نفلیه الکتریکی این مشکل را حل کرده‌اند. آنها در اپلیکیشن‌هایی که برای یافتن ایستگاه‌های شارژ الکتریکی ساخته شده گروه‌هایی ساخته‌اند و در آن بازخورد خود از ایستگاه‌ها را به اشتراک می‌گذارند.
محققان تلاش می‌کنند تا با تجزیه و تحلیل این نظرات درک بهتری از مشکلاتی که کاربران با آن روبرو هستند پیدا کنند.
آسنسیو و همکارانش به کمک این هوش مصنوعی توانستند پیش‌بینی کنند که آیا یک ایستگاه خاص در یک روز به خصوص کارآمد و مفید بوده یا خیر. آنها همچنین متوجه شدند که مکان‌هایی با جمعیت کم بین ۱۰ تا ۵۰ هزار نفر خدمات کمتری دریافت می‌کنند و گزارشات مکرری از مشکل دسترسی به ایستگاه در این مکان‌ها وجود داشت. این جوامع بیشتر در ایالت‌های غربی و میانه غربی مانند اورگن(Oregon)، یوتا(Utah)، داکوتای جنوبی(South Dakota)، نبراسکا(Nebraska) و هاوایی(Hawaii) وجود دارند.
آسنسیو می‌گوید: هنگامی که افراد تجربه خود مربوط به شارژ وسیله‌ی نقلیه را با یکدیگر به اشتراک می‌گذارند، رفتاری جامعه‌پسند و در طرفداری از محیط زیست انجام می‌دهند که این موضوع اطلاعات رفتاری غنی برای یادگیری ماشین در اختیار ما قرار می‌دهد.
سامیر دارور( Sameer Dharur) از انستیتوی فناوری جورجیا و از نویسندگان این مقاله می‌گوید: برخلاف داده‌ها بررسی کردن متن برای کامپیوترها کار دشواریست. یک بازخورد ممکن است به اندازه‌ی سه کلمه کوتاه باشد یا ۲۵ تا ۳۰ کلمه داشته باشد و در آن غلط املایی و تنوع موضوع وجود داشته باشد. کاربران حتی گاهی شکلک‌های خندان و شکلک‌هایی دیگر نیز به متن اضافه می‌کنند.
برای حل این مشکل آسنسیو و گروهش زبان مناسب گفتگو در مورد وسایل نقلیه الکتریکی را برای الگوریتم‌شان تنظیم کردند. آنها با بازخوردهای ۱۲۷۲۰ ایستگاه شارژ الکتریکی در ایلات متحده این هوش مصنوعی را تعلیم دادند و این نظرات را به هشت دسته تقسیم بندی کردند: عملکرد، در دسترس بودن، قیمت، مکان، نمایندگی، تعامل کاربران، مدت زمان سرویس دهی و میزان نگرانی از نرسیدن به موقع به ایستگاه. این هوش مصنوعی در عرض چند دقیقه دقتی ۹۱ درصدی و قدرت یادگیری بالا در تجزیه و تحلیل داده‌ها به دست آورد.
آسنسیو می‌گوید: این مرحله‌ی مهمی در جهت حرکت به سوی گسترش هوش مصنوعی است. این هوش‌ها نه تنها می‌توانند مانند انسان‌ها خوب عمل کنند بلکه در برخی موارد بهتر از متخصصان عمل می‌کنند.
برخلاف ارزیابی‌های پرهزینه قبلی، هوش مصنوعی می‌تواند هزینه‌های تحقیقات را کاهش داده و اطلاعاتی استاندارد و به موقع ارائه دهد. انتظار می‌رود بازار شارژ وسایل نقلیه تا سال ۲۰۲۷ رشدی ۲۷ میلیارد دلاری داشته باشد.
این روش بینشی جدید در مورد رفتار مصرف‌کنندگان ایجاد می‌کند و تجزیه و تحلیل راهکارها را سرعت می‌بخشد و مدیریت زیرساخت‌ها را برای شرکت‌ها و دولت آسان‌تر می‌کند. برای مثال یافته‌ها نشان می‌دهد که کمک مالی به توسعه این زیرساخت‌ها موثرتر از فروش ماشین‌های الکتریکی است.
درحالی که این فناوری پیش از توزیع با محدودیت‌هایی از جمله نیاز به کاهش قدرت پردازش رایانه‌ای روبه‌رو است، آسنسیو و همکارانش امیدوارند با پیشرفت علم تحقیقات آنها درهای جدیدی به روی مطالعاتی عمیق‌تر در حوزه تساوی اجتماعی باز کند تا پاسخگوی نیاز مصرف کنندگان باشد.
