सतत परिवहन को प्रोत्साहित करने के लिए मशीन लर्निंग का उपयोग

मशीन लर्निंग आज उपलब्ध AI के सबसे उन्नत रूपों में से एक है। डेटा दर्ज करने, उसमें संबंध पहचानने और पूर्वानुमान लगाने की इसकी क्षमता इसे आज की कई गंभीर समस्याओं के लिए आदर्श समाधान बनाती है। हाल ही में इसका एक नया उपयोग सामने आया है: टिकाऊ परिवहन नेटवर्क की योजना बनाने और उन्हें अपनाने के लिए प्रोत्साहन देने में सहायता करना।

मशीन लर्निंग एल्गोरिदम

मशीन लर्निंग एल्गोरिदम आज कई रूपों में उपलब्ध हैं और आपके आसपास हर जगह इस्तेमाल होते हैं। ये प्रणालियाँ अपने विशिष्ट कार्यों में लगातार बेहतर हो रही हैं, और आवश्यकताओं के अनुसार चुनने के लिए कई एल्गोरिदम उपलब्ध हैं। लोकप्रिय उदाहरणों में कृत्रिम तंत्रिका नेटवर्क, निर्णय वृक्ष और सपोर्ट वेक्टर मशीन शामिल हैं।

जब आप Netflix (NFLX ) की सुझाई गई सामग्री या सोशल मीडिया फ़ीड देखते हैं, कंपनियों के चैटबॉट से बातचीत करते हैं या स्वचालित वाहनों में यात्रा करते हैं, तो आप मशीन लर्निंग एल्गोरिदम पर निर्भर होते हैं। ये प्रणालियाँ तेज़, कम परिचालन लागत वाली और प्रभावी हैं तथा नई तरह की जानकारी प्रदान करती हैं। यही बातें इन्हें टिकाऊ परिवहन नेटवर्क को आगे बढ़ाने के लिए आदर्श बनाती हैं।

सतत परिवहन लक्ष्य

प्रदूषण बढ़ने और पर्यावरणीय परिस्थितियाँ बिगड़ने के साथ टिकाऊ परिवहन विकल्पों की माँग और उपलब्धता दोनों लगातार बढ़ी हैं। अब जीवाश्म ईंधन इस्तेमाल किए बिना गंतव्य तक पहुँचने के अनेक तरीके हैं। इलेक्ट्रिक वाहन चलाने से लेकर साइकिल चलाने तक, टिकाऊ परिवहन का चलन बढ़ रहा है।

स्रोत मार्केट वॉच – यूएस में शीर्ष सतत परिवहन अपनाने की दरें

महत्वपूर्ण परिवर्तन आवश्यक है

टिकाऊ परिवहन नेटवर्क बेहतर बनाने में समय गँवाने की गुंजाइश नहीं है। दुनिया भर के शहरों की सड़कों पर पहले से बहुत अधिक कारें हैं। इससे जाम, परेशानी और पर्यावरणीय नुकसान होते हैं। मशीन लर्निंग जीवाश्म ईंधन पर दुनिया की निर्भरता घटाने और अधिक लाभकारी तथा हरित जीवन की दिशा में बढ़ने में मदद कर सकती है।

इसके लिए मशीन लर्निंग डेवलपरों को ऐसे एल्गोरिदम बनाने होंगे जो बहुत से अलग-अलग कारकों को ध्यान में रखें। टिकाऊ परिवहन के लिए मशीन लर्निंग का इस्तेमाल केवल स्वचालित कारों से ईंधन बचाने तक सीमित नहीं है; इसका उद्देश्य ऐसा शहर बनाना है जो लोगों को हर तरह के पर्यावरण-अनुकूल परिवहन के लिए प्रेरित और प्रोत्साहित करे।

हरित परिवहन की ओर प्रयास

स्थिरता की यह कोशिश कई शहरों में पहले से दिखाई देती है, जहाँ साइकिल पथ और लेन अधिक आम हो गए हैं। उचित स्थान पर बनाए जाने पर ये लेन अर्थव्यवस्था को बढ़ावा देती हैं, स्थानीय पर्यावरण सुधारती हैं और नागरिकों को स्वस्थ रखती हैं। जिन शहरों में इन्हें जोड़ा गया है, वहाँ परिणाम स्थान, पहुँच और अन्य व्यवस्थागत कारकों के अनुसार अलग रहे हैं।

जिन शहरों में साइकिल लेन सफलतापूर्वक बनाई गई हैं, वहाँ परिणाम उत्साहजनक रहे हैं। टोरंटो जैसे शहरों ने पूरे शहर में फैली साइकिल लेन और पथ विकसित किए हैं। इनके कारण साइकिल दुर्घटनाएँ घटी हैं, अधिक लोग साइकिल चला रहे हैं और शहर में आने-जाने के लिए ई-बाइक का इस्तेमाल बढ़ा है।

शहर नियोजकों द्वारा सामना की जाने वाली समस्याएँ जिन्हें मशीन लर्निंग सिस्टम हल कर सकते हैं

शहर नियोजकों की प्रमुख समस्याओं में बुनियादी ढाँचे के बारे में डेटा की कमी शामिल है। आपका शहर जल्द साइकिल लेन जोड़ना चाहे, तो उसे यातायात और अन्य अहम कारकों पर असर समझने के लिए काफी शोध करना होगा। नियोजकों को साइकिल मार्गों का स्थान इस तरह तय करना चाहिए कि वे आपस में जुड़े हों, न कि बिखरे हुए और असंबद्ध मार्ग हों जिनका कोई वास्तविक उपयोग न हो।

मशीन लर्निंग बहुत बड़ी मात्रा में डेटा लेकर उसकी तुलना शहर की बनावट जैसी स्थान-विशिष्ट जानकारी से कर सकती है। इससे AI समान परिस्थितियों वाले स्थानों के वास्तविक डेटा पर सिमुलेशन चलाकर सबसे अच्छा मार्ग तय कर सकती है। सर्वोत्तम मार्ग चुनने में केवल यह देखना पर्याप्त नहीं कि पथ के लिए जगह है या वह समुदाय के प्रमुख केंद्रों से होकर गुजरता है; कई अन्य पहलुओं पर भी विचार करना होता है।

उपयोगितावादी बनाम समानतापरक दृष्टिकोण

भविष्य में मशीन लर्निंग प्रणालियों को उपयोगी डेटा दे सकने वाले एक अध्ययन ने उपयोगितावादी और समानतापरक मार्ग-निर्धारण पद्धतियों की जाँच की। शोधकर्ताओं ने तीन मॉडलों की समीक्षा की: पूरे शहर का उपयोगितावादी मॉडल, क्षेत्र-आधारित उपयोगितावादी मॉडल और समानतापरक मॉडल। उन्होंने पाया कि सर्वोत्तम साइकिल मार्गों की योजना बनाना शुरुआती अनुमान से कहीं अधिक जटिल है, क्योंकि कई मामलों में किसी क्षेत्र को सबसे बड़ा लाभ उसके बाहर की सुविधाओं से मिलता है। इसलिए मशीन लर्निंग एल्गोरिदम यह तय करने में मदद कर सकते हैं कि पूरे समुदाय को लाभ पहुँचाने वाले टिकाऊ परिवहन नेटवर्क तक भरोसेमंद पहुँच कैसे बनाई जाए।

सतत परिवहन के लिए प्रोत्साहन की कमी

टिकाऊ परिवहन को अपनाने में मशीन लर्निंग भी महत्वपूर्ण भूमिका निभा सकती है। पिछले दो दशकों में पश्चिमी देशों में इलेक्ट्रिक वाहनों की ओर बदलाव धीमा रहा है। वर्षों तक पेट्रोल की कीमतें गिरने पर इस तकनीक में रुचि भी घट जाती थी।

हाल ही में दुनिया के पश्चिमी देशों ने ऐसी मात्रात्मक पद्धतियाँ विकसित करना शुरू किया है जो इस परिवहन को अपनाने में मदद करने वाले बुनियादी ढाँचे को बेहतर प्राथमिकता दे सकें। डेवलपर अब एक और उभरती तकनीक, ब्लॉकचेन, की ओर भी रुख कर रहे हैं। यह मशीन लर्निंग प्रणाली के साथ मिलकर यात्रियों को टिकाऊ परिवहन विकल्प चुनने के लिए प्रोत्साहित कर सकती है।

ब्लॉकचेन तकनीक इन प्रणालियों को वास्तविक समय में विशाल मात्रा में डेटा संसाधित करने और उपयोगकर्ताओं को प्रोत्साहित करने के लिए विशेष रूप से बनाए गए टोकन के रूप में सटीक पुरस्कार देने में सक्षम बनाती है। यह मॉडल उभरते मूव-टू-अर्न क्षेत्र सहित कई उद्योगों में पहले से इस्तेमाल हो रहा है। M2E ऐप सक्रिय रहने पर पुरस्कार देते हैं। उपयोगकर्ता अपने कदम, साइकिल गतिविधियाँ और अन्य कार्य दर्ज करके उनके आधार पर पुरस्कार प्राप्त कर सकते हैं।

एआई व्यक्तिगत सतत परिवहन के लिए शहर नियोजन को कैसे सुधार सकता है?

मशीन लर्निंग ऐतिहासिक डेटा की तुलना वास्तविक समय की जानकारी से करके बेहतर निर्णय लेने में दोनों के लाभ जोड़ती है। शहर नियोजक इस जानकारी का उपयोग उपयोगी परिवहन विकल्प तैयार करने, उनका परीक्षण करने, उन्हें योजना में शामिल करने और उन्हें बनाने तक के लिए कर सकते हैं।

मशीन लर्निंग एल्गोरिदम शहर नियोजकों को समुदाय के मूल बुनियादी ढाँचे में टिकाऊ विकल्प अधिक प्रभावी ढंग से जोड़ने में सक्षम बनाते हैं। वे बड़ी मात्रा में ऐतिहासिक और पर्यावरणीय डेटा जैसे बाहरी कारकों को ध्यान में रख सकते हैं। इससे यातायात प्रवाह का अधिक सटीक अनुमान लगाया जा सकता है।

क्या मार्गों की बहुमुखीता बढ़ाने से सतत परिवहन प्रथाओं को प्रोत्साहन मिलता है?

टिकाऊ परिवहन मार्गों की बहुउपयोगिता बढ़ाने से उन्हें अपनाने का प्रोत्साहन निश्चित रूप से बढ़ेगा। यात्रियों और सवारों को स्वस्थ जीवनशैली, कम ध्वनि प्रदूषण, पेट्रोल पर कम निर्भरता और अन्य लाभ मिलते हैं। मशीन लर्निंग के मार्गदर्शन में ऐसे नए रास्ते भी बनाए जा सकते हैं जो समय बचाएँ, आकर्षक दृश्य प्रदान करें और शहर के गतिविधि केंद्रों तक पहुँच दें।

चार्जिंग बुनियादी ढांचा

इलेक्ट्रिक वाहनों के चार्जिंग बुनियादी ढाँचे की रूपरेखा तय करने में मशीन लर्निंग प्रणालियाँ अहम भूमिका निभाएँगी। इलेक्ट्रिक वाहनों का चलन बढ़ रहा है, लेकिन कई समुदायों में अब भी एक भी चार्जिंग स्टेशन नहीं है। इन्हें अधिक अपनाने के लिए व्यावहारिक और आसानी से सुलभ चार्जिंग ढाँचा बनाना आवश्यक है।

मशीन लर्निंग प्रणालियाँ चार्जिंग की दक्षता बढ़ाने में भी सहायता करेंगी। जैसे-जैसे अधिक लोग पूरी तरह इलेक्ट्रिक वाहनों की ओर बढ़ रहे हैं, चार्जिंग दक्षता एक बड़ी चिंता बनती जा रही है। इलेक्ट्रिक वाहन की बैटरी चार्ज करने में समय लग सकता है। मशीन लर्निंग एल्गोरिदम इस समय को घटाने के साथ-साथ बैटरी की कुल उपयोगी आयु बढ़ाने में मदद कर सकते हैं।

वायु प्रदूषण में कमी

आप जिस हवा में साँस लेते हैं, उसका आपके स्वास्थ्य पर सीधा प्रभाव पड़ता है। इसलिए प्रमुख राजमार्गों के पास रहने वाले लोगों में उम्र बढ़ने के साथ फेफड़ों से जुड़ी कोई समस्या होना आम है। यही चिंता चीनी बाज़ार को प्रेरित करने वाला कारक थी, जो अब दुनिया की सबसे बड़ी और सबसे सक्रिय इलेक्ट्रिक वाहन अर्थव्यवस्था है।

इलेक्ट्रिक वाहन प्रणालियाँ उत्सर्जन नहीं करतीं, इसलिए वे हवा की शुद्धता बनाए रखने और ऐसी खतरनाक स्थिति रोकने के लिए उपयुक्त हैं जिसमें नागरिक अनजाने ही पूरे दिन घातक रसायनों के संपर्क में रहते हैं। जैसे-जैसे सड़कों पर अधिकांश वाहन इलेक्ट्रिक होते जाएँगे, वायु गुणवत्ता में भी उसी अनुपात में सुधार होना चाहिए।

ईवी समुदायों के लिए समर्थन

बिक्री प्रक्रिया के दौरान ग्राहकों द्वारा निर्माताओं से पूछे जाने वाले सवालों का जवाब देने में मशीन लर्निंग प्रणालियाँ पहले से मदद कर रही हैं। भविष्य में यही विचार स्कूटर का स्वामित्व और भी आसान बना सकता है। मशीन लर्निंग एल्गोरिदम आपको अन्य इलेक्ट्रिक वाहन मालिकों से जोड़ सकते हैं, ताकि आप जानकारी, विचार और अनुभव साझा कर सकें।

कंपनियाँ जो मशीन लर्निंग-युक्त परिवहन प्रोत्साहन सिस्टम से लाभ उठा सकती हैं

इलेक्ट्रिक वाहन बाज़ार की तेज़ वृद्धि तुरंत दिखाई देती है। इलेक्ट्रिक कारों से लेकर ई-बाइक तक, कई निर्माता इस क्षेत्र में प्रवेश कर रहे हैं और उत्पाद विकल्पों की संख्या रिकॉर्ड स्तर पर पहुँच गई है। यहाँ एक ऐसी कंपनी है जो निकट भविष्य में राजस्व बढ़ाने के लिए मशीन लर्निंग एल्गोरिदम अपना सकती है।

Vista Outdoor

Vista Outdoor की शुरुआत 2015 में अमेरिका स्थित आउटडोर उपकरणों के निर्माता और डिज़ाइनर के रूप में हुई थी। कंपनी बढ़कर एक बड़े व्यवसाय में बदल गई है, जिसके नियंत्रण में अब उद्योग की कई सहायक कंपनियाँ हैं। QuietKat ई-बाइक ऐसा ही एक व्यवसाय है जिसने उसे काफी सफलता दिलाई है।

QuietKat ई-बाइक 750-1,000 वॉट के मिड-ड्राइव मोटर और उच्च गुणवत्ता वाली सामग्री के साथ बेहतरीन प्रदर्शन देती हैं। ये कठिन ऑफ-रोड परिस्थितियों के लिए बनाई गई हैं और इन्हें हर तरह के भूभाग पर चलने वाली साइकिलों के रूप में वर्गीकृत किया जाता है। इनमें कंपनी की अपनी VPO तकनीक भी है, जो पैडल चलाने की निगरानी करती है और आवश्यकता होने पर अतिरिक्त शक्ति देती है।

Quietkat प्रारंभ में COVID-19 के फैलने के कारण कठिनाई में पड़ा, और कोई भी यात्रा नहीं कर सका। इस यात्रा की कमी ने कंपनी को बड़े नुकसान पहुंचाए। हालांकि, महामारी समाप्त होने के बाद ई‑बाइक की मांग में तेज़ी आई, और आज, Quietkat ई‑बाइक पेशेवर‑ग्रेड ऑफ‑रोड बाइक्स के प्रमुख प्रदाता हैं। इस वृद्धि ने Vista Outdoor के प्रदर्शन को सीधे बढ़ावा दिया है।

हाल ही में Vista Outdoor ने ऋण सहित 3.35 अरब डॉलर के बिक्री समझौते पर हस्ताक्षर किए, जिसके तहत कंपनी दो भागों में विभाजित हुई। बिक्री की खबर से निवेशकों का भरोसा बढ़ा और VSTO का बाज़ार पूँजीकरण 2.58 अरब डॉलर तक पहुँच गया। इससे पहले कंपनी ने घोषणा की थी कि वह जल्द अपने नवीनतम वित्तीय विवरण जारी करेगी। इन कारकों के कारण इलेक्ट्रिक वाहन बाज़ार में निवेश चाहने वाले ट्रेडरों के लिए VSTO को “खरीद” माना गया है।

सतत परिवहन का नया युग

टिकाऊ परिवहन का युग आ गया है। अब शहर नियोजकों और निर्माताओं को मिलकर काम करना चाहिए ताकि यह बदलाव अधिकतम आसान और सुलभ हो। इसलिए परिवहन क्षेत्र में इस तकनीक का और अधिक समावेश होने की उम्मीद है, जिससे जल्द ही अधिकांश लोगों के यात्रा मार्ग कहीं अधिक स्वच्छ और सुरक्षित हो सकते हैं।

एआई की अन्य शानदार परियोजनाओं के बारे में जानें।