แม້ແຕ່ໂຮງງານໄຟຟ້ານິວເຄລຍກໍ່ຍັງໃຊ້ AI: 3 ເສັ້ນທາງໃນການນຳໃຊ້ AI ເຂົ້າໃນອຸດສາຫະກຳພະລັງງານ ແລະ ບົດຮຽນສຳລັບໄຕ້ຫວັນ

ວິສະວະກອນຄວບຄຸມຂະບວນການຜະລິດຄົນໜຶ່ງທີ່ເຮັດວຽກຢູ່ໂຮງງານປິໂຕເຄມີ ຢູນລິນ (Yunlin) ມາເປັນເວລາ 20 ปี ເຄີຍເວົ້າປະໂຫຍດໜຶ່ງກັບຂ້ອຍ ເຊິ່ງຂ້ອຍຈື່ໄວ້ຕະຫຼອດວ່າ: "ເຊັນເຊີໃນໂຮງງານພວກເຮົາແມ່ນມີຫຼາຍຈົນລົ້ນ, ແຕ່ອັນທີ່ເອົາມາໃຊ້ຕັດສິນໃຈແທ້ໆ ແມ່ນມີແຕ່ຕາຕະລາງສອງສາມອັນນັ້ນ."

ຕໍ່ມາ ປະໂຫຍດນີ້ໄດ້ຖືກສຕາດອັບ (Startup) ຈາກປະເທດອັງກິດແປອອກມາເປັນຕົວເລກ. Applied Computing ລະບຸວ່າ ເວລາດຳເນີນການຕັດສິນໃຈທາງທຸລະກິດຂອງໂຮງງານກັ່ນນ້ຳມັນ ແລະ ປິໂຕເຄມີ, ຂໍ້ມູນທີ່ຖືກນຳມາໃຊ້ແມ່ນມີບໍ່ເຖິງ 8% ຂອງຂໍ້ມູນທັງໝົດທີ່ມີຢູ່.

ແລ້ວ 92% ທີ່ເຫຼືອໄປໃສ? ມັນນອນເຊື່ອງຊຶມຢູ່ໃນຄັງເກັບກຳປະຫວັດຂໍ້ມູນ ໂດຍທີ່ບໍ່ມີໃຜມີເວລາເບິ່ງ.

ເປັນຫຍັງອຸດສາຫະກຳພະລັງງານຈຶ່ງຍາກເປັນິເສດ

ຄວາມຍາກໃນການນຳ AI ມາໃຊ້ໃນອຸສາຫະກຳພະລັງງານ ແລະ ສາທາລະນູປະໂພກ ແມ່ນບໍ່ໄດ້ຢູ່ໃນລະດັບດຽວກັນກັບບໍລິສັດທົ່ວໄປເລີຍ. ສາເຫດມີຢູ່ 3 ຢ່າງ.

ການຄວບຄຸມກວດກາຢ່າງເຂັ້ມງວດ. ເອກະສານທຸກສະບັບຂອງໂຮງງານໄຟຟ້ານິວເຄຼຍອາດຈະຖືກກວດສອບ ແລະ ທຸກການຕັດສິນໃຈຕ້ອງສາມາດຕິດຕາມກວດສອບໄດ້. ຄຳວ່າ "ໂບແລນ (Model) ບອກມາ" ບໍ່ສາມາດໃຊ້ເປັນເຫດຜົນໄດ້.

ຄ່າໃຊ້ຈ່າຍຂອງຄວາມຜິດພາດແມ່ນສູງຫຼາຍ. ເວັບໄຊຂາຍເຄື່ອງອອນລາຍແນະນຳສິນຄ້າຜິດພາດ ຄວາມເສຍຫາຍກໍແມ່ນອໍເດີດຽວ; ແຕ່ຖ້າພາຣາມິເຕີ (Parameter) ການເຮັດວຽກຂອງໂຮງງານກັ່ນນ້ຳມັນຜິດພາດ ມັນອາດໝາຍເຖິງການຢຸດເຕົາ ຫຼື ເກີດอุบัติເຫດດ້ານຄວາມປອດໄພ.

ວິສະວະກອນບໍ່ເຊື່ອໃຈກ່ອງດຳ (Black Box). ຈຸດນີ້ສຳຄັນທີ່ສຸດ ແຕ່ຖືກປຶກສາຫາລືໜ້ອຍທີ່ສຸດ. ເມື່ອທ່ານເອົາໜ້າຈໍທີ່ມີ "ຄຳແນະນຳຈາກ AI ໃຫ້ເພີ່ມອຸນຫະພູມຂຶ້ນ 5 ອົງສາ" ໄປໃຫ້ວິສະວະກອນອາວຸໂສເບິ່ງ, ຄຳຖາມທຳອິດຂອງລາວຈະແມ່ນ "ເປັນຫຍັງ". ຖ້າຕອບບໍ່ໄດ້, ລະບົບນີ້ກໍເປັນໄດ້ພຽງແຕ່ເຄື່ອງປະດັບ.

ຍ້ອນຄວາມຍາກແບບນີ້ແລ້ວ ກໍລະນີການນຳ AI ໄປໃຊ້ງານຈິງໃນອຸດສາຫະກຳພະລັງງານຈຶ່ງມີຄຸນຄ່າແກ່ການສຶກສາເປັນພິເສດ—ການສາມາດຜ່ານການກວດສອບຈາກບ່ອນນີ້ໄດ້ ກໍເທົ່າກັບວ່າໄດ້ຜ່ານການທົດສອບຄວາມກົດດັນທີ່ເຂັ້ມງວດທີ່ສຸດແລ້ວ.

ເສັ້ນທາງທີ 1: ເຮັດເລື່ອງເອກະສານກ່ອນ, ບໍ່ແຕະຕ້ອງລະບົບຄວບຄຸມ

ຈຸດເລີ່ມຕົ້ນທີ່ສົມເຫດສົມຜົນທີ່ສຸດ ແມ່ນວຽກເຫຼົ່ານັ້ນທີ່ "ສຳຄັນແຕ່ຈະບໍ່ລະເບີດ".

Nuclearn ຄືຕົວແທນຂອງເສັ້ນທາງນີ້. ສິ່ງທີ່ພວກເຂົາເຮັດຄືການອັດຕະໂນມັດເອກະສານ ແລະ ຂະບວນການເຮັດວຽກຂອງໂຮງງານໄຟຟ້ານິວເຄຼຍ—ການຈັດໝວດໝູ່ ແລະ ກັ່ນຕອງລາຍງານເງື່ອນໄຂໂດຍອັດຕະໂນມັດ, ການຄົ້ນຫາຂໍ້ມູນອຸປະກອນ ແລະ ອາໄຫຼ່, ການຄົ້ນຫາເອກະສານວິສະວະກຳ ແລະ ຕອບຄຳຖາມ. ສາຍຜະລິດຕະພັນຖືກແບ່ງຕາມພະແນກຕົວຈິງ: Equipment AI, Parts AI, Engineering AI, Performance Improvement AI ແລະ ຍັງມີແຊັດບອດສະເພາະວຽກນິວເຄຼຍທີ່ຊື່ວ່າ AtomAssist ອີກດ້ວຍ.

ເປົ້າໝາຍຂອງພວກເຂົາແມ່ນລຽບງ່າຍ: "ການດຳເນີນງານທີ່ໄວຂຶ້ນ, ງານຄ້າງຫຼຸດລົງ ແລະ ຄວາມສ່ຽງທີ່ຫຼຸດລົງ". ບໍລິສັດໃຫ້ບໍລິການແກ່ສະຖານນິວເຄຼຍກວ່າ 70 ແຫ່ງໃນອາເມລິກາເໜືອ ແລະ ອັງກິດ, ໂດຍທີມງານຜູ້ກໍ່ຕັ້ງມາຈາກສະຖານທີ່ຕ່າງໆ ເຊັ່ນ: ໂຮງງານໄຟຟ້ານິວເຄຼຍ Palo Verde.

ຈົ່ງສັງເກດວ່າພວກເຂົາຕັ້ງໃຈຫຼີກລ່ຽງຫຍັງແหน່: ການຄວບຄຸມໜ່ວຍຜະລິດ, ການຕັດສິນໃຈທີ່ກ່ຽວຂ້ອງກັບຄວາມປອດໄພ — ແມ່ນບໍ່ແຕະຕ້ອງເລີຍ. ຜົນຜະລິດທຸກຢ່າງຈາກ AI ຈະຖືກສົ່ງໄປໃຫ້ມະນຸດເປັນຜູ້ຕັດສິນໃຈ. ການຈຳກັດຂອບເຂດຂອງຕົນເອງແບບນີ້ບໍ່ແມ່ນຄວາມອ່ອນແອ, ແຕ່ເປັນເຫດຜົນທີ່ເຮັດໃຫ້ມັນຖືກນຳມາໃຊ້ງານໄດ້.

ໂຮງງານໄຟຟ້ານິວເຄຼຍແມ່ນໜຶ່ງໃນອຸດສາຫະກຳທີ່ມີເອກະສານຫຼາຍທີ່ສຸດໃນໂລກ, ທຸກຄວາມຜິດປົກກະຕິຕ້ອງໄດ້ເປີດລາຍງານເງື່ອນໄຂ ແລະ ທຸກສະບັບຕ້ອງໄດ້ຮັບການຈັດປະເພດ ແລະ ກັ່ນຕອງໂດຍມະນຸດ. ວຽກປະເພດນີ້ "ມີປະລິມານຫຼາຍ, ກົດລະບຽບຈະແຈ້ງ, ແຕ່ໃຊ້ເວລາຂອງວິສະວະກອນຢ່າງມະຫາສານ" ຈຶ່ງເປັນຈຸດເດັ່ນທີ່ເໝາະສົມທີ່ສຸດສຳລັບ AI.

ເສັ້ນທາງທີ 2: ໃຊ້ຟີຊິກເປັນຜູ້ຮັກສາປະຕູ

ເສັ້ນທາງທີສອງມີຄວາມກ້າວໜ້າທາງດ້ານເຕັກນິກຫຼາຍຂຶ້ນ ແລະ ສະຫຼາດກວ່າ.

ຜະລິດຕະພັນ Orbital ຂອງ Applied Computing ປະກອບດ້ວຍສາມໂບແລນທີ່ວາງຊ້ອນກັນ. ໂບແລນອຸກຊຸມເວລາ (Time Series Model) ເຊື່ອມຕໍ່ກັບລະບົບຄວບຄຸມ ແລະ ຄັງເກັບກຳປະຫວັດຂໍ້ມູນ ເພື່ອຄາດຄະເນແນວໂນ້ມ ແລະ ກວດຈັບຄວາມຜິດປົກກະຕິ; ໂບແລນພາສາຖືກຝຶກອົບຮົມດ້ວຍຄວາມຮູ້ດ້ານວິສະວະກຳເຄມີ ເຊິ່ງสามารถແປເອກະສານພາຍໃນໂຮງງານ ແລະ ສະເໜີແນວທາງການປະຕິບັດງານໄດ້.

ສ່ວນຊັ້ນທີ່ຢູ່ກາງນັ້ນແມ່ນກຸນແຈສຳຄັນ: ໂບແລນຟີຊິກເຮັດໜ້າທີ່ກວດກາຄວາມຮຽບຮ້ອຍ, ຮັບປະກັນວ່າຜົນການຄາດຄະເນສອດຄ່ອງກັບຄວາມສົມດຸນຂອງມະຫາຊົນ (Mass Balance), ການອະນຸລັກພະລັງງານ ແລະ ຫຼັກການຈະເລີນກຳລັງຂອງປະຕິກິລິຍາເຄມີ (Reaction Kinetics).

ການອອກແບບນີ້ແກ້ໄຂບັນຫາຄວາມເຊື່ອໃຈທີ່ໄດ້ກ່າວມາກ່ອນໜ້ານີ້ຢ່າງົງກົງ. ໂບແລນທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນຢ່າງດຽວອາດຈະໃຫ້ຄຳແນະນຳທີ່ເບິ່ງຄືວ່າສົມເຫດສົມຜົນທາງສະຖິຕິ ແຕ່ເປັນໄປບໍ່ໄດ້ເລີຍໃນທາງຟີຊິກ. ຖ້າວິສະວະກອນເຫັນຜົນຜະລິດແບບນີ້ຈັກຄັ້ງໜຶ່ງ, ລະບົບນີ້ກໍຈະໝົດຄວາມໝາຍໃນໃຈຂອງພວກເຂົາທັນທີ.

ເມື່ອເພີ່ມຂໍ້จำกัดທາງຟີຊິກເຂົ້າໄປແລ້ວ, ຄຳແນະນຳຂອງ AI ຈະຕົກຢູ່ໃນຂອບເຂດທີ່ເປັນໄປໄດ້ທາງຟີຊິກຢ່າງໜ້ອຍທີ່ສຸດ, ແລະ ວິສະວະກອນສາມາດກວດສອບດ້ວຍຕົນເອງໄດ້ວ່າ "ຄຳແນະນຳນີ້ມີຄວາມສົມເຫດສົມຜົນບໍ". ນີ້ຄືຈຸດແບ່ງແຍກວ່າຈະສາມາດນຳໄປໃຊ້ງານໄດ້ຫຼືບໍ່.

ບໍລິສັດມີສຳນັກງານໃຫຍ່ຢູ່ລອນດອນ ແລະ ໃຫ້ຄວາມສຳຄັນກັບການເຮັດວຽກທາງໄກ (Remote-first), ຜູ້ກໍ່ຕັ້ງແມ່ນສິດເກົ່າຈາກວິທະຍາໄລ Imperial College London ໂດຍມີ Dan Jeavons ຜູ້ອຳນວຍການຝ່າຍໂຄງການ AI ຂອງ Shell ມາເປັນປະທານ, ແລະ ໄດ້ລະດົມທຶນຮອບ Seed ສຳເລັດແລ້ວ 9 ລ້ານປອນ. ດ້ວຍພື້ນຫຼັງການປະຕິບັດຕົວຈິງຈາກ Shell, ສິ່ງນີ້ຈຶ່ງເປັນປັດໄຈຢັ້ງຢືນທີ່ສຳຄັນໃນອຸດສາຫະກຳນີ້.

ເສັ້ນທາງທີ 3: ແກ້ໄຂບັນຫາ "ສ້າງຂຶ້ນມາບໍ່ໄດ້"

ເສັ້ນທາງທີສາມແມ່ນກ້າວໄປໄກກວ່າເກົ່າ.

Everstar ບໍ່ໄດ້ແນໃສ່ການດຳເນີນງານຂອງໂຮງງານໄຟຟ້າທີ່ມີຢູ່ແລ້ວ, ແຕ່ແນໃສ່ບັນຫາທີ່ໂຮງງານໄຟຟ້ານິວເຄຼຍສ້າງຂຶ້ນມາໃໝ່ແລ້ວບໍ່ສຳເລັດ. Gordian ຂອງພວກເຂົາແມ່ນແພລດຟອມ AI ສໍາລັບວຽກງານນິວເຄຼຍ ເຊິ່ງครอบคลุมເຖິງວິສະວະກຳ, ໃບອະນຸຍາດລະບຽບກົດໝາຍ, การรับรอง ແລະ ການຝຶກອົບຮົມບຸກຄະລາກອນ; ໃນຂະນະທີ່ Titan ເປັນລະບົບການຜະລິດຂະໜາດໃຫຍ່, ໂດຍບໍລິສັດໄດ້ວາງເປົ້າໝາຍ "ສ້າງກຳລັງການຜະລິດໃຫ້ໄດ້ 400 GW ໃນສະຫະລັດອາເມລິກາ ພາຍໃນປີ 2050".

ຂັ້ນຕອນ 6 ຢ່າງທີ່ພວກເຂົາເຈາະຕະຫຼາດມີດັ່ງນີ້: ວິສະວະກຳ ແລະ ໃບອະນຸຍາດທາງກົດໝາຍ, ການຮັບຮອງຜູ້ສະໜອງ, ການພັດທະນາຊັບພະຍາກອນມະນຸດ, ການຄວບຄຸມຄຸນນະພາບການຜະລິດ, ປະສິດທິພາບການກໍ່ສ້າງ ແລະ ການດຳເນີນງານຂອງໂຮງງານໄຟຟ້າແບບເອົງ. ຕຳແໜ່ງຢ່າງເປັນທາງການຂອງພວກເຂົາແມ່ນ "ການຍ້າຍນິວເຄຼຍຈາກເຈ້ຍໄປສູ່ໂຄງສ້າງເຫຼັກ".

ມີໜຶ່ງເລື່ອງທີ່ຕ້ອງອະທິບາຍໃຫ້ຈະແຈ້ງຄື: ສິ່ງທີ່ AI ສามารถเร่งຮັດໄດ້ແມ່ນການກະກຽມເອກະສານ, ການຄົ້ນຫາຂໍ້ມູນ ແລະ ການກວດສອບຄວາມສອດຄ່ອງ ເຊິ່ງໃຊ້ເວລາເຮັດວຽກເປັນຈຳນວນຫຼາຍ, ແຕ່ການກວດສອບຈາກໜ່ວຍງານຄວບຄຸມກົດລະບຽບຍັງคงຕ້ອງການເວລາຄືເກົ່າ. ຄວາມເຂົ້າໃຈທີ່ສົມເຫດສົມຜົນແມ່ນການຫຍໍ້ "ການລໍຖ້າສົ່ງເອກະສານ", ບໍ່ແມ່ນການຫຍໍ້ "ການກວດສອບຕາມກົດລະບຽບ".

ແຕ່ການມີຢູ່ຂອງບໍລິສັດນີ້ເອງກໍສະແດງໃຫ້ເຫັນຄວາມຈິງຂໍ້ໜຶ່ງວ່າ: ຄໍຂວດທີ່แท้จริง ຂອງການຟື້ນຟູພະລັງງານນິວເຄຼຍແມ່ນຢູ່ໃນດ້ານການປະຕິບັດ, ບໍ່ແມ່ນດ້ານເຕັກໂນໂລຊີ. ບໍ່ແມ່ນວ່າສ້າງບໍ່ເປັນ, ແຕ່ຂະບວນການ, ห่วงโซ่อุปทาน (Supply Chain) ແລະ ບຸກຄະລາກອນລ້ວນແຕ່ຂາດວັກຂາດຕອນ.

ອີກເລື່ອງໜຶ່ງ, Overstory ກໍຈັດຢູ່ໃນກຸ່ມໃຫຍ່ນີ້ເຊັ່ນກັນ — ພວກເຂົາໃຊ້ພາບຖ່າຍດາວທຽມເພື່ອວິເຄາະຄວາມສ່ຽງຈາກຕົ້ນໄມ້ໃບຫຍ້າທີ່ຢູ່ໃກ້ສາຍສົ່ງໄຟຟ້າ, ໃຫ້ບໍລິສັດໄຟຟ້າ 6 ໃນ 10 อันดับແຳກຂອງອາເມລິກາເໜືອ, ຊ່ວຍປ່ຽນງົບປະມານການຕັດແຕ່ງຂອງບໍລິສັດໄຟຟ້າຈາກ "ຕາມຮອບວຽນ" ມາເປັນ "ຕາມຄວາມສ່ຽງ".

ການວິເຄາະຜົນກະທົບຕໍ່ຕະຫຼາດ

ຕໍ່ກັບຜູ້ໃຊ້ງານ

ຄົນທົ່ວໄປອາດຈະບໍ່ໄດ້ໃຊ້ເຄື່ອງມືເຫຼົ່ານີ້ໂດຍົງ, ແຕ່ຜົນກະທົບນັ້ນເກີດຂຶ້ນທາງອ້ອມແຕ່ເປັນຄວາມຈິງ: ไฟดับໜ້ອຍລົງ, ບິນຄ່າໄຟສະຖຽນຂຶ້ນ, ອຸບັດຕິເຫດຄວາມປອດໄພໃນການເຮັດວຽກຫຼຸດລົງ. ການຈັດການຄວາມສ່ຽງດ້ານຕົ້ນໄມ້ໃບຫຍ້າແບບ Overstory ນັ້ນ ກໍຄືບັນຫາຽດຽວກັນກັບບັນຫາຕົ້ນໄມ້ລົ້ມທັບເສົາໄຟຟ້າໃນຊ່ວງລະດູມໍສຸມຂອງໄຕ້ຫວັນທຸກໆປີ.

ຕໍ່ກັບภาคธุรกิจ

ນີ້ຄືຈຸດສຳຄັນ. ອຸດສາຫະກຳປິໂຕເຄມີ (CPC, ຕລະກູນ Formosa Group), ໄຟຟ້າ (Taipower), ໂຮງງານ ແລະ ອາຄານຂອງເຊມິຄອນດັກເຕີລ້ວນແຕ່ແມ່ນສະຖານະການຕົວຢ່າງປົກສອນຂອງເຕັກໂນໂລຊີເຫຼົ່ານີ້ — ອຸປະກອນເກົ່າ, ຂໍ້ມູນຫຼາຍ, ປະສົບການ ແລະ ຄວາມຮູ້ຖືກຜູກຕິດໄວ້ກັບວິສະວະກອນອາວຸໂສ, ແລະ ວິສະວະກອນກຸ່ມນັ້ນກໍ່ກຳລັງຈະກສຽນອາຍຸ.

ແຕ່ຂ້ອຍຂໍເວົ້າຢ່າງກົງໄປກົງມາວ່າ: ບໍລິສັດສ່ວນໃຫຍ່ຈະຕິດຂັດທີ່ຂໍ້ມູນ, ບໍ່ແມ່ນຕິດຂັດທີ່ໂບແລນ. ຂໍ້ມູນປະຫວັດຂອງລະບົບຄວບຄຸມຖືກຈັດເກັບຢ່າງຄົບຖ້ວນບໍ? ຮູບແບບປ້າຍຊື່ຂອງໂຮງງານແຕ່ລະເຂດມີຄວາມເປັນອັນໜຶ່ງອັນດຽວກັນບໍ? ລະບົບຂ້າມເຄືອຂ່າຍສາມາດເຊື່ອມຕໍ່ກັນໄດ້ບໍ? ຖ້າຕອບ 3 ຄຳຖາມນີ້ບໍ່ໄດ້, ຊື້ລະບົບຫຍໍ້ມາໃຊ້ກໍບໍ່ມີປະໂຫຍດ.

ລຳດັບທີ່ແນະນຳແມ່ນ: ກວດສອບຂໍ້ມູນກ່ອນ → ເລືອກພື້ນທີ່ຂະໜາດນ້ອຍເພື່ອທົດລອງລະບົບອັດຕະໂນມັດເອກະສານ → ສ້າງຄວາມເຊື່ອໝັ້ນພາຍໃນ → ແລ້ວຈຶ່ງເວົ້າເລື່ອງການເພີ່ມປະສິດທິພາບຂະບວນການຜະລິດ. ຢ່າເຮັດປີ້ນກັບກັນ.

ຕໍ່ກັບນັກພັດທະນາ

ຖ້າທ່ານກຳລັງພັດທະນາ AI ສຳລັບອຸດສາຫະກຳ, ໂຄງສ້າງຂອງ Applied Computing ແມ່ນຄວນເອົາເປັນແບບຢ່າງ: ຢ່າເຮັດພຽງແຕ່ການຄາດຄະເນ, ຈົ່ງເຮັດການຄາດຄະເນທີ່ສາມາດກວດສອບໄດ້. ປ່ຽນກົດລະບຽບທາງທຸລະກິດ ຫຼື ຟີຊິກຂອງສາຂາວິຊານັ້ນໃຫ້ກາຍເປັນຊັ້ນຂໍ້จำกัด (Constraint Layer), ເພື່ອໃຫ້ຜູ້ໃຊ້ສາມາດກວດສອບດ້ວຍຕົນເອງໄດ້ວ່າຜົນຜະລິດນັ້ນສົມເຫດສົມຜົນຫຼືບໍ່. ສິ່ງນີ້ມີຄ່າຫຼາຍກວ່າໂບແລນທີ່ໃຫ