AI ເລີ່ມເຂົ້າມາຄວບຄຸມລະບົບປັບອາກາດໃນອາຄານ: ການຫັນປ່ຽນທີ່ບໍ່ຄ່ອຍມີຄົນສົນໃຈ ແຕ່ຊ່ວຍປະຢັດເງິນທຸກໆເດືອນ

ເວລາບ່າຍສາມໂມງ, ຫົວໜ້າພະແນກກົນຈັກ ແລະ ໄຟຟ້າຂອງອາຄານສຳນັກງານແຫ່ງໜຶ່ງໃນຮົງກົງ ນັ່ງຢູ່ຫ້ອງຄວບຄຸມ, ຫລຽວເບິ່ງໜ້າຈໍສະແດງຜົນເຕັມຝາ. ອຸນຫະພູມນ້ຳເຢັນທີ່ໄຫຼອອກ, ອຸນຫະພູມລົມກັບຄືນຂອງແຕ່ລະຊັ້ນ, ຄວາມຊຸ່ມຂອງອາກາດພາຍນອກ—ຕົວເລກກະພິບທຸກໆວິນາທີ. ລາວເຮັດວຽກນີ້ມາຊາວປີແລ້ວ, ຮູ້ຈັກອາລົມຂອງເຄື່ອງຈັກແຕ່ລະເຄື່ອງ ແລະ ຮູ້ວ່າຊັ້ນໃດແດ່ທີ່ຈະມີຄົນຈົ່ມວ່າໜາວໃນຊ່ວງບ່າຍ. ການປັບຄ່າຕ່າງໆຂອງລາວແມ່ນອີງຕາມປະສົບການ.

ບັນຫາແມ່ນ ລາວຈະກະສຽນໃນປີໜ້າ, ແລະ ຄົນທີ່ຈະມາສືບທອດຕ້ອງໃຊ້ເວລາสะสม (ສະສົມ) ປະສົບການຊາວປີນີ້ຈາກຈຸດເລີ່ມຕົ້ນ.

ນີ້ແມ່ນສິ່ງທີ່ AI ດ້ານອາຄານ ເຊິ່ງເປັນຂະແໜງການທີ່ບໍ່ຄ່ອຍມີຄົນສົນໃຈ ກຳລັງແກ້ໄຂຢ່າງແທ້ຈິງ—ມັນບໍ່ແມ່ນພຽງແຕ່ເລື່ອງການປະຢັດພະລັງງານ, ແຕ່ແມ່ນ ການຍ້າຍຄວາມຮູ້ກ່ຽວກັບວິທີການເຮັດວຽກຂອງອາຄານ ຈາກສະໝອງຂອງມະນຸດເຂົ້າໄປໃນລະບົບ.

ພື້ນຫລັງເຫດການ

ການໃຊ້ພະລັງງານຂອງອາຄານກວມເອົາອັດຕາສ່ວນທີ່ສຳຄັນຂອງການໃຊ້ພະລັງງານທົ່ວໂລກ, ແລະ ລະບົບປັບອາກາດກໍ່ເປັນສັດສ່ວນຫລັກ. ແຕ່ລະບົບອັດຕະໂນມັດໃນຂະແໜງການນີ້ ຍັງຄົງຕິດຢູ່ກັບລະດັບທີ່ລ້າຫລັງມາດົນນານ: ລະບົບອັດຕະໂນມັດໃນອາຄານ (BAS) แบบ (ແບບ) ດັ້ງເດີມ ແມ່ນກຸ່ມຂອງກົດເກນ if-then—ຖ້າອຸນຫະພູມເກີນຈຳກັດໃຫ້ເປີດເຄື່ອງທຳຄວາມເຢັນ, ເຖິງເວລາກໍ່ປິດໄຟ.

ບັນຫາຂອງການຄວບຄຸມດ້ວຍກົດເກນຄື ອາຄານແມ່ນລະບົບອຸນຫະພູມສາດ (Thermodynamics). ຝາອາຄານເກັບຄວາມຮ້ອນ, ມຸມແສງຕາເວັນປ່ຽນແປງຕະຫຼອດມື້, ຈຳນວນຄົນມີຜົນຕໍ່ພາລະງານ, ແລະ ເງື່ອນໄຂອາກາດພາຍນອກຜັນຜວນຢ່າງຕໍ່ເນື່ອງ, ເຊິ່ງປັດໄຈເຫຼົ່ານີ້ສົ່ງຜົນກະທົບເຊິ່ງກັນແລະກັນ. ການອາໄສກົດເກນຕາຍຕົວເຮັດໃຫ້ຕອບສະໜອງໄດ້ພຽງແຕ່ຫລັງຈາກເກີດເຫດການແລ້ວ, ຊ້າກວ່າຄວາມເປັນຈິງສະເໝີ ແລະ ບໍ່ມີໃຜມີເວລາທີ່ຈະມາປັບແຕ່ງຢ່າງຕໍ່ເນື່ອງ.

ດັ່ງນັ້ນ, ໃນຊ່ວງສອງາມປີມານີ້ ຈຶ່ງມີ 4 ເສັ້ນທາງເຕັກໂນມັດທີ່ແຕກຕ່າງກັນຢ່າງຊັດເຈນ ເຊິ່ງການເລືອກໃຊ້ຂອງແຕ່ລະແບບແມ່ນໜ້າສົນໃຈທີ່ຈະນຳມາປຽບທຽບກັນ:

ແບບທີ 1: ເຂົ້າຄວບຄຸມໂດຍກົງ. PassiveLogic ໃຫ້ທັດສະນະວ່າອາຄານຄວນເຮັດວຽກຄືກັບລົດຂັບເຄື່ອນອັດຕະໂນມັດ (Self-driving car) ທີ່ຂັບເຄື່ອນດ້ວຍຕົນເອງ. ມັນສ້າງ Digital Twin ທີ່ອີງຕາມຟີຊິກ ເພື່ອໃຫ້ລະບົບເຂົ້າໃຈພຶດຕິກຳອຸນຫະພູມສາດທີ່ແທ້ຈິງຂອງອາຄານນັ້ນໆ, ຈາກນັ້ນໃຫ້ Inference Agent ພັດທະນາຍຸດທະສາດການຄວບຄຸມ ແລະ ປັບປຸງໃຫ້ດີຂຶ້ນຕະຫຼອດ 24 ຊົ່ວໂມງ. ນີ້ແມ່ນຄວາມມຸ່ງມະຸ້ງດ້ານເຕັກໂນມັດທີ່ສູງທີ່ສຸດໃນ 4 ເສັ້ນທາງ, ໂດຍບໍລິສັດໄດ້ສຳເລັດການລະດົມທຶນ Series C ຈຳນວນ 74 ລ້ານໂດລາສະຫະລັດໃນປີ 2025.

ແບບທີ 2: ให้คำแนะนำ (ໃຫ້ຄຳແນະນຳ), ຄົນເປັນຜູ້ປະຕິບັດ. Nantum AI ເນັ້ນໄປທີ່ດ້ານການຳເນີນງານ—ກ່ອນອື່ນແມ່ນດຶງຂໍ້ມູນທີ່ກະແຈກກະຈາຍຈາກລະບົບຕ່າງໆເຂົ້າມາຈັດລະບຽບ, ຈາກນັ້ນຈຶ່ງໃຫ້ຄຳແນະນຳໃນການປັບປຸງ, ພ້ອມທັງຈັດລາຍງານ ESG ແລະ ຄວາມສ່ຽງດ້ານສະພາບອາກາດ. ມັນຖືກຊື້ກິດຈະການໂດຍ Johnson Controls ແລ້ວ. ສຳລັບກໍລະນີສຶກສາຕົວຈິງ, ອາຄານສຳນັກງານ Bentall Five ລາຍງານວ່າຫລັງຈາກນຳມາໃຊ້, ການໃຊ້ພະລັງງານຫຼຸດລົງ 11% ແລະ ການປ່ອຍກາບອນຫຼຸດລົງ 12%.

ແບບທີ 3: ຊອກຫາຄວາມຜິດປົກກະຕິ, จัดลำดับความสำคัญ (ຈັດລຳດັບຄວາມສຳຄັນ). Enersee ຈາກປະເທດເບວຢຽມ ມຸ່ງເນັ້ນໄປທີ່ລູກຄ້າແບບສາຂາ—ຮຸ່ນຊຸບເປີມາເກັດ, สาขาธนาคาร (ສາຂາທະນາຄານ) ເຊິ່ງມີຈຳນວນສະຖານທີ່ຈຳນວນຫຼາຍ. ມັນໃຊ້ AI ເພື່ອປຽບທຽບຮູບແບບການໃຊ້ໄຟຟ້າຂອງແຕ່ລະສະຖານທີ່, ຊອກຫາບັນຫາທີ່ເຊື່ອງຊ້ອນເຊັ່ນ: "ຕູ້ແຊ່ຂອງຮ້ານນີ້ກິນໄຟຫຼາຍກວ່າຮ້ານໃນຮູບແບບດຽວກັນເຖິງ 30%", ຈາກນັ້ນສ້າງລາຍຊື່ໜ້າວຽກທີ່ຈັດລຳດັບຄວາມສຳຄັນແລ້ວ. ທາງການລະບຸວ່າໄດ້ຄຸ້ມຄອງຫຼາຍກວ່າ 1,000 ສະຖານທີ່ແລ້ວ.

ແບບທີ 4: ເບິ່ງລວມໄປເຖິງเปลือกอาคาร (ເປືອກອາຄານ). Joulea ใช้ (ໃຊ້) ໂດຣນບິນຕາມແນວຝາອາຄານເພື່ອຖ່າຍຮູບຄວາມຮ້ອນ, ໃຫ້ AI ວິເຄາະຫາຈຸດ Thermal Bridge ແລະ ຈຸດຮົ່ວໄຫຼ. ນີ້ແມ່ນສ່ວນທີ່เติมเต็ม (ຕື່ມເຕັມ) ສິ່ງທີ່ຫຼາຍລະບົບມັກມອງຂ້າມ: ບໍ່ວ່າລະບົບປັບອາກາດຈະຖືກປັບປຸງໃຫ້ດີປານໃດກໍ່ຕາມ, ຖ້າຝາ ແລະ ຂອບປ່ອງຢ້ຽມຍัง (ຍັງ) ມີຄວາມຮ້ອນຮົ່ວໄຫຼ, พลังงาน (ພະລັງງານ) ກໍ່ຈະຮົ່ວໄຫຼອອກໄປຕະຫຼອດເວລາ.

ຈຸດສຳຄັນໃນຄັ້ງນີ້

• เส้นแบ่ง (ເສັ້ນແບ່ງ) ຄືການ "ໃຫ້ຄຳແນະນຳ" ຫຼື "ຄວບຄຸມໂດຍກົງ": ນີ້ເປັນຕົວຕັດສິນຄວາມລັງເລໃຈທາງຈິດໃຈໃນການນຳມາໃຊ້. ຫນ່ວຍງານຄຸ້ມຄອງອາຄານສ່ວນໃຫຍ່ຍັງຄົງລະມັດລະວັງໃນການມອບສິດການຄວບຄຸມລະບົບປັບອາກາດໃຫ້ລະບົບອັດຕະໂນມັດ.
• ຕົວເລກຜົນສຳວິດ ຕ້ອງເບິ່ງທີ່ຈຸດຕັ້ງຕົ້ນ (Baseline): การลดลง (ການຫຼຸດລົງ) ຂອງການໃຊ້ພະລັງງານ 11% ອາດຈະເບິ່ງຄືວ່າທຳມະດາ, ແຕ່ສຳລັບອາຄານສຳນັກງານຂະໜາດໃຫຍ່, ນັ້ນຄືຄ່າໄຟຟ້າປະຈຳປີທີ່ຈິງຈັງ. ໃນທາງກົງກັນຂ້າມ, ຄຳໂຄສະນາໃນເວັບໄຊທາງການທີ່ວ່າ "ປະຢັດພະລັງງານສະເລ່ຍ 31%" ສ່ວນໃຫຍ່ມັກຈະມີເງື່ອນໄຂເບື້ອງຕົ້ນ.
• ພື້ນຖານເຊັນເຊີເປັນຕົວຕັດສິນທຸກຢ່າງ: ຖ້າບໍ່ມີເຊັນເຊີແບ່ງໂຊນທີ່ພຽງພໍ ແລະ ບໍ່ມີອຸປະກອນທີ່ສາມາດຄວບຄຸມຈາກໄລຍະໄກໄດ້, ຕໍ່ໃຫ້ຕົວແບບ (Model) ຈະເກັ່ງປານໃດກໍ່ບໍ່ມີປະໂຫຍດ. ຕົ້ນທຶນในการปรับปรุง (ໃນການປັບປຸງ) ອາຄານເກົ່າອາດຈະສູງກວ່າຕົວຊອບແວເອງເສຍອີກ.
• ການລວມຕົວໃນອຸດສາຫະກຳຢ່າງຊັດເຈນ: BrainBox AI ຖືກຊື້ກິດຈະການໂດຍ Trane Technologies, Nantum ຖືກຊື້ກິດຈະການໂດຍ Johnson Controls. ບໍລິສັດຜະລິດລະບົບຄວບຄຸມອາຄານດັ້ງເດີມກຳລັງໃຊ້ການຊື້ກິດຈະການເພື່ອເພີ່ມເຕີມຊັ້ນຊອບແວ AI.

ການວິເຄາະຜົນກະທົບຕໍ່ຕະຫຼາດ

ສຳລັບຜູ້ໃຊ້ງານທົ່ວໄປ: ປະຊາຊົນທົ່ວໄປອາດຈະບໍ່ຮູ້ສຶກຫຍັງໃນໄລຍະສັ້ນ, ແຕ່ຖ້າທ່ານເຮັດວຽກຢູ່ໃນອາຄານສຳນັກງານ, ການປ່ຽນແປງທີ່ຊັດເຈນທີ່ສຸດຫຼັງຈາກລະບົບເຫຼົ່ານີ້ຖືກນຳໃຊ້ຢ່າງແຜ່ຫຼາຍຄື "ຕອນບ່າຍສາມໂມງຈະບໍ່ໜາວຈົນຕ້ອງໃສ່ເສື້ອແຈັກເກັດອີກຕໍ່ໄປ" — ເພາະການຄາດການພາລະງານຖືກເຮັດໄດ້ດີຂຶ້ນ, ອຸນຫະພູມຈະມີຄວາມສະຖຽນຂຶ້ນຫຼາຍ.

ສຳລັບການນຳໃຊ້ໃນລະດັບວິສາຫະກິດ: ຂໍ້กำหนด (ຂໍ້ກຳນົດ) ດ້ານລາຍງານຄວາມຍືນຍົງຂອງບໍລິສັດຈົດທະບຽນມີຄວາມເຂັ້ມງວດຂຶ້ນທຸກປີ, ແລະ ລະບົບປັບອາກາດແມ່ນສ່ວນທີ່ງ່າຍທີ່ສຸດທີ່ຈະວັດແທກການປັບປຸງ. ໂອກາດຢູ່ບ່ອນນີ້ ບໍ່ແມ່ນພຽງແຕ່ການປະຢັດຄ່າໄຟຟ້າ, ແຕ່ແມ່ນ ຄ່າໄຟຟ້າທີ່ປະຢັດໄດ້ສາມາດນຳໄປຂຽນລົງໃນການເປີດເຜີຍຂໍ້ມູນ ESG ໄດ້ໂດຍກົງ. ເຫດຜົນດຽວກັນນີ້ຍັງຂະຫຍາຍໄປສູ່ອຸປະກອນອຸດສາຫະກຳ, ການຕິດຕາມສະພາບເຄື່ອງຈັກແບບ MOVUS ຊ່ວຍຍູ້ "ການບຳລຸງຮັກສາແບບຄາດການ (Predictive Maintenance)" ໄປอีกขั้น (ອີກຂັ້ນໜຶ່ງ) ກາຍເປັນຄຳແນະນຳທີ່ຈັດລຳດັບຕາມຜົນກະທົບຕໍ່ການຜະລິດ; ສຳລັບບໍລິສັດວິສະວະກຳກົນຈັກ ແລະ ໄຟຟ້າ ສາມາດເບິ່ງວິທີທີ່ BuildOps ປະສົມປະສານໃບສັ່ງງານບໍລິການ ແລະ ໂຄງການວິສະວະກຳເຂົ້າໄວ້ໃນລະບົບດຽວກັນ.

ສຳລັບນັກພັດທະນາ: ความท้าทาย (ຄວາມທ້າທາຍ) ໃນຂະແໜງການນີ້ບໍ່ໄດ້ຢູ່ທີ່ຕົວແບບ, ແຕ່ຢູ່ທີ່โปรโตคอลการสื่อสาร (Communication Protocols). ລະບົບຄວບຄຸມອາຄານໃນຫຼາຍໆບ່ອນຍັງເປັນລະບົບປິດ ແລະ ຜູ້ຜະລິດບໍ່ຍິນຍອມເປີດອິນເຕີເຟດ, ການດຶງຂໍ້ມູນອອກມາກໍ່ຖືວ່າເປັນດ່ານທຳອິດແລ້ວ. ທີມງານທີ່ສາມາດແກ້ໄຂບັນຫາ "ການສົນທະນາກັບລະບົບ BAS ເກົ່າ" ໄດ້ນັ້ນ, ມີຄວາມຫາຍາກກວ່າທີມງານທີ່เก่งเรื่องโมเดล (ເກັ່ງເລື່ອງ Model) ຫຼາຍ.

ທ່າອ່ຽງການພັດທະນາໃນອະຄອນ

ແບບໃຫ້ຄຳແນະນຳຈະຖືກນຳໃຊ້ກ່ອນ, ການຄວບຄຸມອັດຕະໂນມັດຕ້ອງໃຊ້ເວລາ. ນີ້ແມ່ນບັນຫາຄວາມເຊື່ອໝັ້ນ ບໍ່ແມ່ນບັນຫາເຕັກໂນມັດ. ໃຫ້ຂໍ້ມູນສາມາດເບິ່ງເຫັນໄດ້ກ່ອນ, ໃຫ້ເງິນຄ່າໄຟຟ້າທີ່ປະຢັດໄດ້ຖືກພິສູດໃຫ້ເຫັນ, ແລ້ວຈค่อย (ຄ່ອຍ) ມາເວົ້າເລື່ອງການມອບສິດຄວບຄຸມ. ໂຄງການໃດທີ່ຮີບຮ້ອນໂດດຂ້າມໄປຫາລະບົບອັດຕະໂນມັດເຕັມຮູບແບບ, ສ່ວນใหญ่มັກຈະຕິດຂັດຍ้อน (ຍ້ອນ) ໜ່ວຍງານຄຸ້ມຄອງອາຄານບໍ່กล้าเซ็นชื่อ (ບໍ່ກ້າເຊັນຊື່).

ການເປີດເຜີຍຂໍ້ມູນ ESG ຈະກາຍເປັນແຮງຜັກດັນຫຼັກ. ເມື່ອທຽບກັບການຮຽກຮ້ອງ "ປະຢັດຄ່າໄຟ" ທີ່ຕ້ອງມາຄິດໄລ່ຜົນຕອບແທນ, "ຄວາມຕ້ອງການຕາມກົດໝາຍໃຫ້ເປີດເຜີຍຂໍ້ມູນ" ແມ່ນຄວາມຕ້ອງການທີ່ຫຼີກລ່ຽງບໍ່ໄດ້. ຜ້າຄາດການວ່າໃນສອງປີຂ້າງໜ້າ, ແຮງຈູງໃຈໃນການຈັດຊື້ຈັດຈ້າງຈະປ່ຽນຈາກການປະຢັດພະລັງງານໄປສູ່ການປະຕິບັດຕາມກົດລະບຽບ.

ຕະຫຼອດຊ່ອງຫວ່າງ (Niche market) ທີ່ບໍ່ຄ່ອຍມີຄົນສົນໃຈຍັງຄົງມີພື້ນທີ່. ເມື່ອທຽບກັບຕະຫຼາດ AI ທົ່ວໄປທີ່ມີການແຂ່ງຂັນກັນສູງແລ້ວ, SaaS ສຳລັບອຸດສາຫະກຳເຊັ່ນ: ອາຄານ, ອຸດສາຫະກຳ, ແລະ สาธารณูปโภค (ສາທາລະນູປະໂພກ) ມີຄູ່ແຂ່ງໜ້ອຍກວ່າຫຼາຍ, ຍິ່ງໄປກວ່ານັ້ນຄວາມຜູກພັນຂອງລູກຄ້າຍັງສູງ — ຊອບແວທີ່ຖືກຕິດຕັ້ງເຂົ້າໄປໃນລະບົບຄວບຄຸມອາຄານແລ້ວ, ມັກຈະບໍ່ຖືກປ່ຽນແທນເລີຍ.

TheAI學院 ບົດສະຫຼຸບ ແລະ ຄວາມເຫັນ

ຄວາມສົນໃຈຂອງຂ້ອຍທີ່ມີຕໍ່ຂະແໜງການນີ້, ມາຈາກການສັງເກດການທີ່ເປັນຈິງຢ່າງຍິ່ງ: ສຽງເວົ້າກ່ຽວກັບ AI ພ້ອມກັນໄປກະຈົກຢູ່ທີ່ແອັບພລິເຄຊັນ Generative AI, ແຕ່ AI ທີ່ສ້າງຜົນຕອບແທນທີ່ສາມາດວັດແທກໄດ້ທຸກໆເດືອນຢ່າງແທ້ຈິງ, ກັບເປັນ SaaS ຂອງອຸສາຫະກຳເຫຼົ່ານີ້ທີ່ບໍ່ມີໃຜເວົ້າເຖິງ. ການທີ່ອາຄານແຫ່ງໜຶ່ງສາມາດປະຢັດຄ່າໄຟຟ້າໄດ້ 11%, ໃນໜຶ່ງປີກໍ່ຄືເງິນຈຳນວນຫຼວງຫຼາຍທີ່ຈັບຕ້ອງໄດ້, ແລະ ສາມາດປະຢັດໄດ້ທຸກໆປີ.

ຄວາມເຫັນ: AI ດ້ານອາຄານອາດຈະບໍ່ແມ່ນເລື່ອງທີ່ໜ້າຕື່ນຕາຕື່ນໃຈ, ແຕ່ມັນແມ່ນໜຶ່ງໃນການນຳໃຊ້ AI ທີ່ "ສາມາດຄິດໄລຜົນຕອບແທນໄດ້ຢ່າງຊັດເຈນ" — ແລະ ໃນຊ່ວງເວລາທີ່ໂຄງການ AI ຫຼາຍໂຄງການຍັງພະຍາຍາມพิสูจน์ตัวเอง (ພິສູດຕົວເອງ) ວ່າໃຊ້ງານได้จริง (ໄດ້ແທ້), ການສາມາດຄິດໄລ່ຕົວເລກບັນຊີໄດ້ຢ່າງຈະແຈ້ງ ກໍ່ຖືວ່າເປັນກຳແພງ