Phaidra

ระบบควบคุม AI ระดับอุตสาหกรรมที่ใช้ reinforcement learning ปรับการระบายความร้อนศูนย์ข้อมูลอัตโนมัติ

Contact for pricing United States

Phaidra ก่อตั้งโดยสมาชิกเดิมของโปรเจกต์ระบายความร้อนศูนย์ข้อมูลของ Google DeepMind นำชุด reinforcement learning ที่ช่วยประหยัดไฟให้ Google ในตอนนั้นมาทำเป็นผลิตภัณฑ์เชิงพาณิชย์ เข้าควบคุมจุดตั้งค่าของเครื่องทำน้ำเย็น หอผึ่งเย็น และเครื่องปรับอากาศโดยตรง ให้ห้องเครื่องหาชุดการทำงานที่ประหยัดไฟที่สุดด้วยตัวเองภายใต้เงื่อนไขที่ไม่ละเมิดขอบเขตอุณหภูมิความชื้น

จุดเด่นและสถานการณ์การใช้งาน

วิธีของมันต่างจากซอฟต์แวร์เฝ้าระวังทั่วไปมาก DCIM ส่วนใหญ่ทำหน้าที่แค่ "ดู" วาดอุณหภูมิและไฟฟ้าเป็นแดชบอร์ด ต่อไปจะปรับหรือไม่ก็ยังอาศัยประสบการณ์ของวิศวกร Phaidra คือ "ทำ" AI agent จะอ่านข้อมูลเซนเซอร์หน้างานต่อเนื่อง ใช้ reinforcement learning จำลองผลของชุดจุดตั้งค่าต่าง ๆ แล้วเขียนคำสั่งกลับเข้าระบบอัตโนมัติอาคาร กระบวนการทั้งหมดวนรอบในหน่วยวินาที ทางผู้ให้บริการแบ่งผลิตภัณฑ์เป็นสองส่วน Phaidra Prism คืออินเทอร์เฟซโมเดลภาษาขนาดใหญ่ให้พนักงานปฏิบัติการถามคำถามและตรวจสอบความผิดปกติ Phaidra Factory คือ agent เพิ่มประสิทธิภาพที่ลงคำสั่งจริง ชูการให้บริการคลัสเตอร์ฝึก AI ที่มีความหนาแน่นกำลังไฟสูงมากแบบใหม่นี้

เหมาะกับองค์กรที่มีห้องเครื่องสร้างเอง การใช้พลังงานระบายความร้อนสัดส่วนสูง และมีเซนเซอร์และระบบควบคุมอาคารครบถ้วนแล้ว หากห้องเครื่องขนาดเล็กหรืออุปกรณ์เก่าจนเขียนจุดตั้งค่าจากระยะไกลไม่ได้ เกณฑ์การนำเข้าใช้งานจะสูงกว่าค่าไฟที่ประหยัดได้ อุตสาหกรรมเซมิคอนดักเตอร์และโทรคมนาคมของไทยที่สร้างห้องเครื่องเองค่อนข้างเป็นผู้ใหญ่ เป็นกลุ่มที่มีโอกาสประเมินได้มากกว่า

ฟังก์ชันหลัก

agent reinforcement learning ควบคุมจุดตั้งค่าเครื่องทำน้ำเย็นและหอผึ่งเย็นโดยตรง
Phaidra Prism สอบถามความผิดปกติและสภาพการทำงานห้องเครื่องด้วยภาษาธรรมชาติ
Phaidra Factory โมดูลเพิ่มประสิทธิภาพการระบายความร้อนออกแบบเพื่อคลัสเตอร์ฝึก AI โดยเฉพาะ
ผสานกับระบบอัตโนมัติอาคาร (BAS) และ SCADA เดิม ไม่ต้องเปลี่ยนฮาร์ดแวร์
เรียนรู้ต่อเนื่อง โมเดลปรับตัวเองใหม่หลังอุปกรณ์เสื่อมหรือภาระเปลี่ยน
กลไกเกราะความปลอดภัย ถอยกลับสู่โหมดคนอัตโนมัติเมื่อเกินขอบเขตอุณหภูมิความชื้น

การใช้งานทั่วไป

ศูนย์ข้อมูลขนาดใหญ่มากลดค่าไฟการระบายความร้อนและ PUE
การควบคุมสภาพแวดล้อมผสมระบายความร้อนด้วยของเหลวและอากาศของคลัสเตอร์ฝึก AI
การเพิ่มประสิทธิภาพเครื่องปรับอากาศแม่นยำของโรงงานยาหรือเซมิคอนดักเตอร์
หลักฐานการลดพลังงานที่จำเป็นสำหรับรายงาน ESG ขององค์กร

ฟีเจอร์เด่น

agent reinforcement learning ควบคุมจุดตั้งค่าเครื่องทำน้ำเย็นและหอผึ่งเย็นโดยตรง
Phaidra Prism สอบถามความผิดปกติและสภาพการทำงานห้องเครื่องด้วยภาษาธรรมชาติ
Phaidra Factory โมดูลเพิ่มประสิทธิภาพการระบายความร้อนออกแบบเพื่อคลัสเตอร์ฝึก AI โดยเฉพาะ
ผสานกับระบบอัตโนมัติอาคาร (BAS) และ SCADA เดิม ไม่ต้องเปลี่ยนฮาร์ดแวร์
เรียนรู้ต่อเนื่อง โมเดลปรับตัวเองใหม่หลังอุปกรณ์เสื่อมหรือภาระเปลี่ยน
กลไกเกราะความปลอดภัย ถอยกลับสู่โหมดคนอัตโนมัติเมื่อเกินขอบเขตอุณหภูมิความชื้น

ข้อดี

สร้างโดยทีมที่ทำโปรเจกต์ห้องเครื่อง DeepMind จริง ระเบียบวิธีมีผลงานจริง
ไม่ต้องเปลี่ยนอุปกรณ์ระบายความร้อน ใช้ระบบควบคุมเดิมก็นำเข้าใช้งานได้
มีโมดูลเฉพาะสำหรับสถานการณ์ความหนาแน่นกำลังไฟสูงของห้องเครื่อง AI

ข้อเสีย

ไม่เปิดเผยราคา ต้องเข้ากระบวนการเจรจาระดับองค์กร ห้องเครื่องขนาดกลางและเล็กประเมินได้ยาก
ต้องมีเซนเซอร์ครอบคลุมค่อนข้างครบและระบบควบคุมที่เขียนคำสั่งได้
ช่วงนำเข้าใช้งานต้องใช้เวลาหลายเดือนให้โมเดลเรียนรู้ลักษณะหน้างาน ไม่ใช่ติดตั้งแล้วเห็นผล

กรณีการใช้งาน

ศูนย์ข้อมูลขนาดใหญ่มากลดค่าไฟการระบายความร้อนและ PUE
การควบคุมสภาพแวดล้อมผสมระบายความร้อนด้วยของเหลวและอากาศของคลัสเตอร์ฝึก AI
การเพิ่มประสิทธิภาพเครื่องปรับอากาศแม่นยำของโรงงานยาหรือเซมิคอนดักเตอร์
หลักฐานการลดพลังงานที่จำเป็นสำหรับรายงาน ESG ขององค์กร

บันทึกบรรณาธิการ

ท่าทีของผมต่อคำอ้าง "AI ประหยัดพลังงาน" อนุรักษ์นิยมมาตลอด เพราะผลิตภัณฑ์จำนวนมากจริง ๆ แค่ทำแดชบอร์ดสวยขึ้นหน่อย สิ่งที่หายากของ Phaidra คือมันกล้ารับผิดชอบการควบคุม AI ลงคำสั่งโดยตรง ผิดพลาดก็คือห้องเครื่องมีปัญหา ความสำเร็จหรือล้มเหลวของผลิตภัณฑ์แบบนี้ไม่ได้อยู่ที่โมเดลฉลาดแค่ไหน แต่อยู่ที่ดีไซน์เกราะความปลอดภัยรัดกุมพอไหม จุดนี้ทางผู้ให้บริการพูดชัดกว่าคู่แข่ง

คำถามที่พบบ่อย

Phaidra ต่างจากซอฟต์แวร์ DCIM ทั่วไปตรงไหน

DCIM หลัก ๆ ทำหน้าที่เฝ้าดูและจัดการสินทรัพย์ การตัดสินใจยังเป็นคนทำ ส่วน Phaidra ยกอำนาจควบคุมให้ AI agent เขียนจุดตั้งค่าที่ดีที่สุดกลับเข้าระบบควบคุมโดยตรง จริง ๆ ทั้งสองมักอยู่ร่วมกัน ตัวแรกจัดการสินทรัพย์ ตัวหลังจัดการประหยัดพลังงาน

นำเข้าใช้งานนานแค่ไหนถึงจะเห็นผล

ทางผู้ให้บริการไม่ได้ให้ตัวเลขเดียว แต่ระบบควบคุม reinforcement learning ประเภทนี้มักต้องให้โมเดล "สังเกต" หน้างานหลายสัปดาห์ถึงหลายเดือนก่อนจะกล้ารับช่วง หวังจะเห็นบิลลดลงภายในหนึ่งเดือนไม่เป็นจริง

ห้องเครื่องในไทยเหมาะใช้ไหม

ในทางเทคนิคไม่มีข้อจำกัดด้านพื้นที่ กุญแจอยู่ที่ระบบอัตโนมัติอาคารหน้างานเปิดให้เขียนคำสั่งได้ไหม ห้องเครื่องขนาดกลางของไทยจำนวนไม่น้อยยังปรับด้วยคน ก็ต้องเติมชั้นเซนเซอร์และการควบคุมให้ครบก่อน

เครื่องมือ AI ที่เกี่ยวข้อง

實價雷達 HouseTW

เว็บไซต์ค้นหาข้อมูลราคาบ้านฟรีในไต้หวัน ที่รวมประกาศราคาซื้อขายจริง 3.49 ล้านรายการ พร้อมปักหมุดความเสี่ยงเรื่องดินเหลว รอยเลื่อน และน้ำท่วม ไว้บนแผนที่เดียวกัน

ฟรี แนะนำ Taiwan 4.6