วิกยัต ชาวดรี, CTO, COO และผู้ร่วมก่อตั้ง Buzz Solutions: การสนทนาครั้งใหม่

วิกยัต ชาวดรี, CTO, COO และผู้ร่วมก่อตั้ง Buzz Solutions, เป็นผู้นำด้านการพัฒนาเทคโนโลยีและดำเนินงานของบริษัท โดยใช้การเรียนรู้ของเครื่องจักร, การมองเห็นของเครื่องจักร และการวิเคราะห์เชิงทำนายในการตรวจสอบและบำรุงรักษาโครงสร้างพื้นฐานด้านพลังงานที่สำคัญ เขาเป็นผู้ร่วมก่อตั้ง Buzz Solutions ในปี 2017 หลังจากที่ได้รับประสบการณ์ในการวิทยาศาสตร์ข้อมูล, การเรียนรู้ของเครื่องจักร, ระบบฝังตัว, การมองเห็นของเครื่องจักร และเทคโนโลยีแบบอัตโนมัติ ก่อนที่จะเน้นไปที่บริษัทเต็มเวลา ชาวดรี曾ทำงานเป็นนักวิทยาศาสตร์ข้อมูลที่ Cisco, พัฒนาระบบการเรียนรู้ของเครื่องจักรและเซ็นเซอร์ที่ Altitude Co. และทำการวิจัยที่ Stanford University เกี่ยวกับโดรนแบบอัตโนมัติ, การตรวจวัดความเร็วลม และการมองเห็นของเครื่องจักรสำหรับฟาร์มลม การวิจัยก่อนหน้านี้ที่องค์กรวิจัยและพัฒนาแห่งอินเดียได้สำรวจการพยากรณ์ถึงการถล่มดินโดยใช้ซิมูเลชันและซอฟต์แวร์ตรวจจับระยะไกล ซึ่งให้พื้นหลังทางเทคนิคที่ครอบคลุมความเสี่ยงของโครงสร้างพื้นฐาน, การวิเคราะห์ทางภูมิศาสตร์ และการประยุกต์ใช้ AI Buzz Solutions ปัจจุบันระบุเขาเป็นผู้ร่วมก่อตั้ง, CTO และ COO

Buzz Solutions พัฒนาซอฟต์แวร์ปัญญาด้านการมองเห็นเพื่อช่วยให้บริษัทพลังงานตรวจสอบ, บำรุงรักษา และรักษาความปลอดภัยโครงสร้างพื้นฐานในการส่ง, การกระจาย, การเปลี่ยนกระแส และการผลิตพลังงาน ระบบ PowerAI ของบริษัทวิเคราะห์ภาพที่รวบรวมจากโดรน, เฮลิคอปเตอร์, เครื่องบิน และการตรวจสอบภาคพื้นดิน โดยแปลงข้อมูลการมองเห็นเป็นการวินิจฉัยที่ช่วยให้’utilities ระบุความบกพร่อง, ประเมินสภาพของสินทรัพย์, จัดลำดับความสำคัญของการซ่อมแซม และรวมผลการตรวจสอบเข้ากับระบบข้อมูลทางภูมิศาสตร์, การจัดการสินทรัพย์ และกระบวนการทำงานที่มีอยู่ บริษัทมองว่าเทคโนโลยีนี้เป็นวิธีการตรวจจับความเสี่ยงของโครงสร้างพื้นฐานในระยะแรก, ลดงานที่ต้องทำด้วยมือในการวิเคราะห์ภาพการตรวจสอบ และลดความน่าจะเป็นที่อุปกรณ์ขัดข้องที่ทำให้เกิดการหยุดทำงาน, ปิดระบบ หรือไฟไหม้ Buzz Solutions ยังเสนอรายการตรวจสอบและความปลอดภัยของสถานีไฟฟ้า ซึ่งสะท้อนถึงเป้าหมายที่กว้างขึ้นในการช่วยให้บริษัทพลังงานสร้างการดำเนินงานของโครงสร้างพื้นฐานที่ปลอดภัย, ทนทาน และขับเคลื่อนด้วยข้อมูลมากขึ้น

เมื่อเราสัมภาษณ์คุณในปี 2024, การสนทนาของเรามุ่งเน้นไปที่การใช้ AI ในการย้ายจากการสื่อสารด้วยตนเองไปสู่การบำรุงรักษาที่คาดการณ์ไว้แล้ว สิ่งใดที่เปลี่ยนแปลงมากที่สุดในช่วงสองปีที่ผ่านมา ทั้งในภาคพลังงานและความคิดของคุณเอง ที่ทำให้คุณตัดสินใจเขียน Powering Intelligence และมองพลังงานไฟฟ้าเป็นข้อจำกัดที่อาจเกิดขึ้นสำหรับอนาคตของ AI?

เมื่อเราพูดครั้งสุดท้าย การสนทนานั้นเกี่ยวกับสำนักงานหลังของโครงสร้างพื้นฐาน, การย้ายจากการสื่อสารด้วยตนเองไปสู่การบำรุงรักษาที่คาดการณ์ไว้แล้ว นั่นยังคงเป็นงานที่ทำอยู่ แต่บางสิ่งที่เปลี่ยนแปลงไปอย่างรวดเร็วในช่วงสองปีที่ผ่านมา และมันเปลี่ยนแปลงไปเร็วกว่าที่ใครๆ ในโลกของฉันคาดไว้ ในสมัยนั้น AI เป็นเรื่องราวที่พูดถึงในเชิงทฤษฎี แต่ตอนนี้มันปรากฏเป็นตัวเลขการเติบโตของโหลดที่ใหญ่สำหรับ’utilities ฉันเริ่มได้ยินเรื่องเดียวกันจากคนๆ ที่ฉันรู้จักมานานในอุตสาหกรรมนี้: การขอเชื่อมต่อโหลดที่ไม่เคยคิดมาก่อน, สิ่งอำนวยความสะดวกเดียวที่ขอพลังงานที่เมืองเล็กๆ ใช้ และขอพลังงานนั้นในระยะเวลาที่ไม่เกี่ยวข้องกับการสร้างโครงสร้างพื้นฐาน ฉันเขียน Powering Intelligence เพราะฉันพยายามหาคนที่เชื่อมโยงสองโลกนี้ แต่มันไม่มีอยู่ทุกคนเขียนเกี่ยวกับโมเดล AI แต่ไม่มีใครเขียนเกี่ยวกับอิเล็กตรอนที่ต้องการสำหรับพวกมัน และฉันอยู่ในตำแหน่งที่แปลกๆ ใกล้กับด้าน AI เพียงพอที่จะเข้าใจความทะเยอทะยาน และใกล้กับโครงสร้างพื้นฐานเพียงพอที่จะรู้ว่าจริงๆ แล้วต้องใช้เวลานานแค่ไหนในการสร้างสายส่งและพัฒนาโรงไฟฟ้าใหม่ ช่องว่างระหว่างสองนาฬิกานี้คือเรื่องทั้งหมด และฉันต้องการใส่มันไว้ในที่เดียว

คุณโต้แย้งว่าอุตสาหกรรม AI ขยายตัวในเดือน ในขณะที่โครงสร้างพื้นฐานเปลี่ยนแปลงในหลายทศวรรษ ที่ไหนคือจุดตันอย่างที่สุดในปัจจุบัน: การผลิตไฟฟ้า, ความจุในการส่ง, สถานีไฟฟ้า, ทรานส์ฟอร์เมอร์, คิวการเชื่อมต่อ, การอนุญาต, หรือการมีอยู่ของคนงานที่มีทักษะ?

ฉันคิดว่ามีจุดตันหลายจุด และคำตอบคือว่าพวกมันถูกผูกเข้าด้วยกัน แต่ถ้าคุณบังคับให้ฉันชี้ไปที่จุดตันที่แน่นที่สุดในขณะนี้ มันคือเรื่องของการนำส่งมากกว่าการผลิต: การส่งและกระบวนการเชื่อมต่อ โดยมีทรานส์ฟอร์เมอร์และอุปกรณ์ไฟฟ้าอื่นๆ เป็นชิ้นส่วนที่ผูกทุกอย่างเข้าด้วยกัน สิ่งที่คนๆ มักจะประเมินต่ำคือคุณสามารถประกาศโรงไฟฟ้าและศูนย์ข้อมูลในข่าวประชาสัมพันธ์ได้ แต่คุณไม่สามารถสร้างทรานส์ฟอร์เมอร์ที่มีขนาดใหญ่ได้โดยการแถลงข่าว และบางส่วนของทรานส์ฟอร์เมอร์เหล่านั้นมีระยะเวลารอหลายปี และหลายชิ้นไม่ได้ถูกสร้างขึ้นในประเทศ จากนั้น มีการผูกเข้ากับคิวการเชื่อมต่อซึ่งในหลายภูมิภาคเป็นคิวที่ยาวหลายปีเพื่อศึกษา และด้านล่างทั้งหมดนั้นคือปัญหาแรงงานสำหรับอุตสาหกรรมพลังงาน คนที่รู้วิธีสร้างและบำรุงรักษาอุปกรณ์เหล่านี้กำลังเกษียณอายุเร็วกว่าที่เราจะแทนที่พวกเขา

ดังนั้น จึงไม่ใช่จุดตันเพียงจุดเดียว มันคือจุดตันที่ชิ้นส่วนที่เคลื่อนไหวช้าๆ ของกายภาพ เช่น ทรานส์ฟอร์เมอร์, สายส่ง, คนงานที่มีทักษะ, เป็นชิ้นส่วนที่คุณไม่สามารถเร่งด้วยซอฟต์แวร์หรือเงินได้ นั่นคือสิ่งที่ทำให้มันยาก

ศูนย์ข้อมูล AI สามารถนำโหลดที่มีขนาดใหญ่และเข้มข้นเข้ามาในพื้นที่ที่โครงสร้างพื้นฐานไม่ได้ออกแบบมาเพื่อรับมือกับโหลดในระดับนั้น ศูนย์ข้อมูลเหล่านี้แตกต่างจากโหลดอุตสาหกรรมขนาดใหญ่ที่’utilities จัดการมาหลายปีในด้านใด และพวกมันสร้างความเสี่ยงใหม่ๆ สำหรับการวางแผนความน่าเชื่อถือและความจุอย่างไร?

‘utilities มีประสบการณ์กับโหลดขนาดใหญ่มาหนึ่งศตวรรษแล้ว โรงงานเหล็ก, โรงงานอัลลอยด์, โรงงานผลิตรถยนต์ เป็นต้น โหลดนี้มีขนาดใหญ่ และผู้วางแผนโครงสร้างพื้นฐานรู้วิธีคิดเกี่ยวกับพวกมัน ดังนั้นจึงมีแนวคิดที่จะรักษาศูนย์ข้อมูลเหมือนกับลูกค้ารายใหญ่อื่นๆ ฉันคิดว่าความคิดนั้นผิด โหลดนี้แตกต่างสามประการ ประการแรก คือการรวมและความเร็ว โหลดอุตสาหกรรมขนาดใหญ่โดยทั่วไปเติบโตขึ้นพร้อมกับโครงสร้างพื้นฐานในภูมิภาคนั้นเป็นเวลาหลายทศวรรษ ศูนย์ข้อมูลเหล่านี้ต้องการโหลดขนาดใหญ่และต้องการทันทีในพื้นที่ที่โครงสร้างพื้นฐานไม่ได้ออกแบบมาเพื่อรับมือกับโหลดในระดับนั้น ประการที่สอง คือโปรไฟล์ของโหลด โหลดเหล่านี้ไม่ใช่โหลดที่เรียบง่าย พวกมันสามารถเพิ่มขึ้นอย่างรวดเร็วและทำให้อุปกรณ์เครื่องจักรเสียหายในแบบที่โรงงานไม่ทำ ประการที่สาม และสิ่งที่ทำให้ผู้วางแผนโครงสร้างพื้นฐานกังวลมากที่สุด คือการรวมกันแบบคาดเดาไม่ได้

ความเสี่ยงที่เกิดขึ้นคือ ‘utilities ถูกขอให้วางแผนรอบๆ ความต้องการที่มีพฤติกรรมที่แตกต่างจากแบบจำลองทางประวัติศาสตร์ และต้องมอบทุนและโครงสร้างพื้นฐานตามเวลาของอุตสาหกรรม AI มากกว่าโครงสร้างพื้นฐาน เมื่อสมมติฐานการวางแผนของคุณถูกสร้างขึ้นจากโหลดประเภทหนึ่งและโหลดใหม่ทำลายสมมติฐานเหล่านั้น การวางแผนความน่าเชื่อถือจะยากขึ้นจริงๆ นั่นไม่ใช่เหตุผลที่จะบอกว่าไม่ แต่เป็นเหตุผลที่จะวางแผนในแบบที่แตกต่าง

‘utilities ได้รับการขอพลังงานที่มีความทะเยอทะยานจากผู้พัฒนา data center แต่ไม่จำเป็นต้องมีการสร้างศูนย์ข้อมูลทุกแห่ง ‘utilities สามารถแยกความแตกต่างระหว่างความต้องการที่มุ่งมั่นและคำขอที่คาดเดาไม่ได้อย่างไร และหลีกเลี่ยงการสร้างโครงสร้างพื้นฐานที่มีค่าใช้จ่ายสูงสำหรับโครงการที่มาถึงช้าหรือไม่มาถึงเลย?

นี่คือหนึ่งในคำถามที่สำคัญที่สุดในการดำเนินงานในพื้นที่นี้ และฉันรู้สึกดีใจที่คุณถามมันโดยตรง เนื่องจากมันไม่ได้รับความสนใจมากนักเมื่อเทียบกับหัวข้อที่น่าดึงดูดใจมากกว่า

ผู้พัฒนาสามารถส่งคำขอเชื่อมต่อสำหรับโครงการเดียวกันในหลายพื้นที่พร้อมๆ กัน โดยการช็อปปิ้งเพื่อหาคนที่สามารถส่งพลังงานได้เร็วที่สุด บางโครงการเหล่านี้เป็นโครงการจริงและมีเงินทุนสนับสนุน บางโครงการเป็นตัวเลือกหรือที่จอดรถ และบางโครงการอาจไม่เกิดขึ้นเลย หาก ‘utilities รักษาคำขอใดๆ ที่เป็นจริงและเริ่มสร้างการผลิตและโครงสร้างพื้นฐานสำหรับทั้งหมด พวกเขาจะเสี่ยงต่อการสร้างโครงสร้างพื้นฐานที่มีค่าใช้จ่ายสูงสำหรับ data center ที่มาถึงช้าหรือไม่มาถึงเลย และคนที่จะจ่ายค่าโครงสร้างพื้นฐานที่ไม่ได้ใช้คือผู้ใช้บริการที่มีอยู่

วิธีการคือการทำให้การคาดเดาไม่ได้มีค่าใช้จ่ายสูง และการมุ่งมั่นมีค่าใช้จ่ายต่ำ ซึ่งหมายความว่าเงินฝากที่มีความหมาย, การมุ่งมั่นแบบ分ระยะที่ผูกกับ 里程碑การก่อสร้าง, ข้อกำหนดในสัญญาที่วางความเสี่ยงไว้กับผู้ที่ขอพลังงานมากกว่าผู้ใช้บริการที่มีอยู่ บางเขตอำนาจศาลเริ่มเคลื่อนไหวไปในทิศทางนี้ หลักการที่ฉันกลับมาที่คือง่ายๆ: ผู้ที่ขอพลังงานควรแบกรับความเสี่ยงของการไม่ต้องการพลังงาน

ใครควรเป็นผู้จ่ายค่าใช้จ่ายในการผลิต, การส่ง, และการอัพเกรดสถานีไฟฟ้าที่จำเป็นสำหรับ data center AI? สิ่งใดคือโครงสร้างอัตราค่าบริการหรือการรักษาความปลอดภัยในสัญญาที่สามารถป้องกันไม่ให้ครัวเรือนและธุรกิจที่มีอยู่จ่ายค่าโครงสร้างพื้นฐานที่สร้างขึ้นหลักๆ สำหรับบริษัทเทคโนโลยีขนาดใหญ่?

นี่คือคำถามที่จะกำหนดการเมืองของโครงสร้างพื้นฐานใน thập kỷหน้า และฉันไม่คิดว่ามีคำตอบทางเทคนิคที่บริสุทธิ์ ฉันคิดว่ามันคือเรื่องของความเป็นธรรม ความคิดเห็นของฉันคือค่าใช้จ่ายควรอยู่กับโหลดที่ทำให้เกิดค่าใช้จ่ายนั้น หากศูนย์ข้อมูลต้องการสถานีไฟฟ้าใหม่และอัพเกรดการส่งพลังงาน ศูนย์ข้อมูลควรจ่ายค่าใช้จ่ายที่พวกเขากระตุ้นให้เกิดขึ้น ไม่ใช่ผู้เกษียณที่อยู่ใกล้ๆ ที่ค่าใช้จ่ายของพวกเขาจะเพิ่มขึ้นอย่างเงียบๆ เพื่อชดเชย

เครื่องมือเหล่านี้มีอยู่ ตารางอัตราค่าบริการสำหรับลูกค้าขนาดใหญ่แบบนี้ สัญญาการรับขั้นต่ำเพื่อให้ศูนย์ข้อมูลไม่สามารถรับโครงสร้างพื้นฐานและจากไปได้ สัญญาระยะยาวที่ตรงกับอายุของสินทรัพย์ที่สร้างขึ้น สิ่งที่สำคัญคือผู้กำกับดูแลและ ‘utilities ต้องใช้เครื่องมือเหล่านี้ และใช้พวกมันก่อนที่จะสร้างโครงสร้างพื้นฐาน ไม่ใช่หลังจากที่โครงสร้างพื้นฐานถูกสร้างขึ้นแล้ว

ศูนย์ข้อมูล AI สามารถกลายเป็นสินทรัพย์แบบยืดหยุ่นของโครงสร้างพื้นฐานได้หรือไม่ แทนที่จะเป็นแหล่งความต้องการที่ไม่ยืดหยุ่น ผ่านการเปลี่ยนแปลงของงาน, การตอบสนองต่อความต้องการ, แบตเตอรี่, การเก็บพลังงานทางความร้อน, หรือการผลิตพลังงานในสถานที่? AI ใดสามารถย้ายไปที่เวลาอื่นหรือที่อื่นได้โดยไม่กระทบต่อประสิทธิภาพ?

ใช่ และฉันคิดว่านี่คือหนึ่งในความคิดที่ให้ความหวังมากที่สุดในหัวข้อนี้ ฉันไม่ต้องการที่จะพูดมากเกินไปเพราะความยืดหยุ่นนั้นไม่จำกัด แต่เริ่มต้นด้วยความแตกต่างที่สำคัญ: ไม่ทุกการคำนวณ AI เหมือนกัน มีการอนุมาน ซึ่งเป็นการคำนวณหลังจากที่โมเดลเหล่านี้ถูกฝึก (แบบจำลองสด) และคุณถามโมเดลคำถามและต้องการคำตอบทันที นั่นคือความต้องการที่มีความเร็วและยากที่จะย้ายไปที่อื่น และมีการฝึก ซึ่งเป็นการทำงานขนาดใหญ่แบบแบตช์ที่สร้างโมเดล ฝึกอบรมเป็นแบบยืดหยุ่นมากกว่า ไม่จำเป็นต้องทำงานตอน 14.00 น. หรือ 02.00 น. หรือในรัฐนี้หรือรัฐนั้น ตราบใดที่มันเสร็จสิ้น

ตอนนี้ เพิ่มแบตเตอรี่, การเก็บพลังงานทางความร้อน และการผลิตพลังงานในสถานที่ และศูนย์ข้อมูลที่ดูเหมือนเป็นบล็อกความต้องการที่ไม่ยืดหยุ่นสามารถเริ่มทำตัวเหมือนสินทรัพย์ที่ช่วยให้โครงสร้างพื้นฐานสมดุลได้ ดูดซับพลังงานสุริยะที่เหลือในช่วงกลางวัน และผ่านพิกัดด้วยพลังงานที่เก็บไว้ เทคโนโลยีนั้นไม่ใช่สิ่งที่ยาก แต่การออกแบบแรงจูงใจนั้นยาก หากผู้ดำเนินการต้องการร่วมมือ และต้องมีโครงสร้างอัตราค่าบริการที่ให้รางวัลพวกเขา

สิ่งผสมของแหล่งพลังงานใดที่สามารถตอบสนองความต้องการไฟฟ้าของ AI ได้จริงในช่วงสิบปีข้างหน้า? วิธีการที่คุณเห็นพลังงานทดแทนและเก็บพลังงาน, ก๊าซธรรมชาติ, พลังงานนิวเคลียร์แบบดั้งเดิม, รีแอคเตอร์โมดูลาร์ขนาดเล็ก และพลังงานธารมณ์ จะเข้ามาเกี่ยวข้องในกระบวนการนี้?

ฉันจะให้คำตอบที่คนไม่ชอบ ซึ่งก็คือว่ามันคือทุกอย่าง และใครก็ตามที่ขายคุณวิธีแก้ปัญหาแบบเดียวกำลังขายอะไรบางอย่าง พลังงานทดแทนและเก็บพลังงานเป็นสิ่งที่เราสามารถใช้งานได้จริงในระยะเวลาสั้น; โซลาร์พลัสแบตเตอรี่สามารถสร้างได้ภายในระยะเวลาที่ดูเหมือนสมเหตุสมผลเมื่อเทียบกับทุกอย่างอื่น และความเร็วนั้นสำคัญมากเมื่อความต้องการกำลังเพิ่มขึ้นอย่างรวดเร็ว แต่พลังงานทดแทนไม่แน่นอน และโหลดเหล่านี้ทำงานตลอด 24 ชั่วโมง ซึ่งหมายความว่าเก็บพลังงานเป็นสิ่งสำคัญ

ก๊าซธรรมชาติจะกลายเป็นส่วนหนึ่งของสะพานเชื่อมไม่ว่าคนจะชอบหรือไม่ ก๊าซธรรมชาติสามารถจัดการได้และอยู่ที่นี่ นิวเคลียร์เป็นสิ่งที่น่าสนใจในขณะนี้ เรากำลังดูโรงไฟฟ้าที่จะเกษียณอายุ แต่จะได้รับการขยายอายุการใช้งานอีกครั้งโดยเฉพาะเพราะศูนย์ข้อมูลจะลงนามในสัญญาระยะยาวสำหรับการผลิตของพวกเขา ซึ่งแทบจะไม่มีใครคาดการณ์ไว้ รีแอคเตอร์โมดูลาร์ขนาดเล็กและพลังงานธารมณ์เป็นเรื่องที่น่าสนใจในระยะยาว แต่ฉันพยายามที่จะเข้มงวดเกี่ยวกับระยะเวลาที่จะเกิดขึ้น พวกมันจะเป็นส่วนหนึ่งของเรื่องราวในครึ่งหลังของทศวรรษและหลังจากนั้น ไม่ใช่สิ่งที่จะช่วยคุณในปี 2027

สิ่งผสมที่สมจริงคือสิ่งผสมแบบชั้น: พลังงานทดแทนและเก็บพลังงานที่ขยายตัว, ก๊าซธรรมชาติที่เชื่อมต่อช่องว่างของความมั่นคง, นิวเคลียร์ที่มีอยู่ที่ขยายและได้รับการประเมินใหม่ และแหล่งพลังงานรุ่นต่อไปที่จะออนไลน์เมื่อพวกมันเติบโตขึ้น ดังนั้น ความผิดพลาดคือความบริสุทธิ์ทางอุดมการณ์ในทิศทางใดทิศทางหนึ่ง โครงสร้างพื้นฐานไม่สนใจความชอบของเรา มันสนใจกิโลวัตต์ชั่วโมงที่ส่งมอบอย่างน่าเชื่อถือและตรงเวลา

หนึ่งในความคิดหลักใน หนังสือ ของคุณคืออุตสาหกรรม AI ที่กดดันโครงสร้างพื้นฐานสามารถให้เครื่องมือที่จำเป็นในการทันสมัยได้ AI สามารถสร้างผลประโยชน์มากที่สุดในระยะสั้นได้ที่ไหน: การพยากรณ์โหลด, การบำรุงรักษาที่คาดการณ์ไว้, การเพิ่มประสิทธิภาพการส่ง, การจัดการพืชพรรณ, การฟื้นฟูการหยุดทำงาน, ตัวจำลองดิจิทัล หรือการควบคุมโครงสร้างพื้นฐานอัตโนมัติ?

นี่คือหัวใจของหนังสือ และฉันคิดว่าส่วนนี้มีความหวังมากที่สุด อุตสาหกรรมเดียวกับที่กดดันโครงสร้างพื้นฐานกำลังให้เครื่องมือที่ดีที่สุดที่เรามีในการแก้ไขมัน หากฉันต้องจัดอันดับโดยผลตอบแทนที่แท้จริงวันนี้มากกว่าในหน้า 슬ายด์ ฉันจะให้การบำรุงรักษาที่คาดการณ์ไว้และตรวจสอบอย่างต่อเนื่องก่อน

การบำรุงรักษาที่คาดการณ์ไว้และตรวจสอบอย่างต่อเนื่องก่อน เนื่องจากนี่คือสิ่งที่ Buzz ใช้เวลาสองสามปี และฉันเห็นว่ามันทำงานได้จริง โดยใช้การมองเห็นของเครื่องจักรและ AI ที่มองเห็นเพื่อค้นหาองค์ประกอบที่บกพร่องก่อนที่จะล้มเหลว ตรวจสอบอินซูเลเตอร์ที่แตก, ทรานส์ฟอร์เมอร์ที่ร้อนเกินไป, ฮุกที่ผุ และสิ่งอื่นๆ นั้นไม่ใช่สิ่งเดียวที่คาดการณ์ไว้ แต่เป็นสิ่งที่ใช้งานได้จริงและช่วยประหยัดเงินและป้องกันการหยุดทำงานที่แท้จริง

การพยากรณ์โหลดและการตอบสนองต่อความต้องการอยู่ข้างๆ กัน เนื่องจากปัญหา data center ทั้งหมดที่เรากำลังพูดถึงจะจัดการได้ง่ายขึ้นหากคุณสามารถคาดการณ์ความต้องการได้อย่างแม่นยำมากกว่าการวางแผนโดยไม่มีข้อมูล การเพิ่มประสิทธิภาพการส่งและการจัดการพืชพรรณอยู่ใกล้ๆ กัน เนื่องจากสิ่งเหล่านี้เป็นสิ่งที่ AI ทำให้เร็วและง่ายขึ้น และในขณะเดียวกันก็ให้ข้อมูลเพียงพอที่จะให้ความทนทานต่อโครงสร้างพื้นฐานเพื่อป้องกันเหตุการณ์เช่น ไฟป่า, ความเสียหายจากพายุ และการหยุดทำงาน ตัวจำลองดิจิทัลและการควบคุมโครงสร้างพื้นฐานอัตโนมัติเป็นขอบฟ้าในระยะยาว มันกำลังมา แต่มันนำมาซึ่งคำถามเรื่องความไว้วางใจและความปลอดภัยที่ฉันคิดว่าคุณกำลังจะถามต่อไป

เมื่อเราสัมภาษณ์คุณครั้งก่อน เราพูดถึงการขึ้นอยู่ของ Buzz Solutions กับข้อมูลที่แท้จริงของ’utilities และการตรวจสอบของมนุษย์ เมื่อระบบไฟฟ้ากลายเป็นอัตโนมัติมากขึ้น การตัดสินใจใดที่สามารถมอบหมายให้ AI ได้อย่างปลอดภัย และที่ไหนที่ต้องมีการตัดสินใจของมนุษย์เป็นข้อบังคับ? วิธีการใดที่ ‘utilities ควรเตรียมพร้อมสำหรับการตัดสินใจแบบไม่โปร่งใสของโมเดล, การโจมตีทางไซเบอร์ หรือความล้มเหลวที่อาจแพร่กระจายไปทั่วโครงสร้างพื้นฐานที่สำคัญ?

เมื่อเราพูดครั้งสุดท้าย ฉันกล่าวถึงการเข้าใกล้ของเราในฐานะ “human-in-the-loop” โดยผู้เชี่ยวชาญด้านเนื้อหาส่งคำติชมให้กับโมเดล AI สำหรับอะไรๆ ที่ต่ำกว่าเกณฑ์ความมั่นใจหรือการคาดการณ์ที่ไม่ดี และฉันต้องการเริ่มต้นจากตรงนั้นเพราะมุมมองของฉันไม่ได้เปลี่ยนแปลงไป การเรียนรู้ของเครื่องจักรนั้นไม่ธรรมดาในการรับรู้และคำแนะนำ มองข้อมูลทั้งหมด, ตรวจหาสิ่งผิดปกติ, ระบุความเสี่ยง, จัดลำดับความสำคัญของสิ่งที่ต้องให้ความสนใจ การมอบหมายสิ่งนั้นไม่เพียงแต่ปลอดภัยเท่านั้น แต่ยังดีกว่าที่มนุษย์สามารถทำได้เพียงอย่างเดียวในขนาดนั้น

แต่ฉันระมัดระวังมากขึ้นในการตัดสินใจที่มีผลกระทบต่อโครงสร้างพื้นฐานที่สำคัญและโครงการที่สำคัญ การตัดสินใจที่ทำให้การหยุดทำงานของโรงพยาบาลหรือการหยุดทำงานทั่วทั้งภูมิภาคนั้น ต้องการให้มนุษย์ (ผู้เชี่ยวชาญ) ที่รับผิดชอบ ไม่ใช่เพราะโมเดลมีข้อบกพร่องในกรณีโดยเฉลี่ย แต่เพราะโครงสร้างพื้นฐานที่สำคัญคือที่ที่กรณีที่เลวร้ายที่สุดคือทุกอย่าง

ดังนั้น การเตรียมพร้อมคือสามส่วน ประการแรก คือการรักษามนุษย์อยู่ในวงจรการตัดสินใจที่สำคัญ ไม่ใช่ในฐานะการยืนยัน แต่ด้วยอำนาจที่แท้จริงในการข้ามคืน ประการที่สอง คือการยืนยันความโปร่งใสสำหรับทุกสิ่งที่สัมผัสการดำเนินงานที่สำคัญ หากคุณไม่สามารถเข้าใจได้ว่าทำไมโมเดลจึงตัดสินใจเช่นนั้น คุณไม่สามารถรับผิดชอบต่อผลลัพธ์ได้ และ “AI ตัดสินใจ” ไม่ใช่คำตอบที่ยอมรับได้เมื่อไฟดับ ประการที่สาม และสิ่งที่ฉันคิดว่าอุตสาหกรรมล่าช้า คือการรักษาระบบอัตโนมัติเหล่านี้ให้เป็นพื้นที่โจมตีที่กว้างขึ้นตั้งแต่วันแรก การโจมตีทางไซเบอร์ต่อระบบควบคุมอัตโนมัติไม่ใช่การรั่วไหลของข้อมูล แต่เป็นเหตุการณ์ทางกายภาพ เราต้องออกแบบสำหรับเรื่องนี้ก่อนที่จะกลายเป็นอัตโนมัติ ไม่ใช่หลังจากนั้น ข่าวดีคือ ‘utilities กำลังให้ความสำคัญกับการรักษาความปลอดภัยของข้อมูล, การรักษาความปลอดภัยทางไซเบอร์ และการกำกับดูแล AI อย่างจริงจัง และได้เริ่มจัดตั้งคณะกรรมการกำกับดูแล AI และข้อมูลภายในองค์กรของตนแล้ว ที่ Buzz เราได้ตีพิมพ์หนังสือเล่นการกำกับดูแลการรักษาความปลอดภัยทางไซเบอร์และ AI สำหรับอุตสาหกรรมเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการใช้งาน AI ที่ประสบความสำเร็จอย่างปลอดภัยและขนาดใหญ่

เมื่อมองไปข้างหน้า五ปี อะไรที่จะแยกประเทศและภูมิภาคที่สามารถรองรับการขยายต่อเนื่องของ AI จากประเทศที่ถูกจำกัดด้วยการมีอยู่ของไฟฟ้า? ยุทธวิธีใดที่จะประสบความสำเร็จในการจัดแนวพัฒนาของ AI กับการทันสมัยของโครงสร้างพื้นฐานด้วยปี 2031?

ฉันคิดว่าห้าปีต่อจากนี้ เราจะมองย้อนกลับและรู้ว่าข้อจำกัดของ AI ไม่ใช่ชิปหรือทักษะ แต่สิ่งที่ไม่สามารถเคลื่อนย้ายได้ ซึ่งก็คือพลังงานและโครงสร้างพื้นฐาน ไฟฟ้าจะกลายเป็นทรัพยากรเชิงกลยุทธ์ของยุค AI เช่นเดียวกับที่น้ำมันคือทรัพยากรเชิงกลยุทธ์ของศตวรรษที่แล้ว และฉันไม่คิดว่ามันเป็นการพูดเกินจริง ฉันคิดว่ามันกำลังจะเห็นได้ชัดเจน

ดังนั้น ภูมิภาคที่จะก้าวหน้าจะเป็นภูมิภาคที่รักษาความจุของโครงสร้างพื้นฐานให้เป็นทรัพยากรเชิงกลยุทธ์และเริ่มสร้างและปฏิรูปโครงสร้างพื้นฐานก่อนที่ความต้องการจะมาถึง พวกเขาจะเป็นภูมิภาคที่ทำให้กระบวนการเชื่อมต่อและกระบวนการอนุญาตง่ายขึ้นโดยไม่ทำให้การรักษาความปลอดภัยที่สำคัญเสื่อมถอย และพวกเขาจะเป็นภูมิภาคที่ลงทุนในการส่งก่อนที่ความต้องการจะมาถึง ไม่ใช่หลังจากที่ความต้องการมาถึงแล้ว

ยุทธวิธีที่จะประสบความสำเร็จในปี 2031 คือการทำให้นาฬิกาทั้งสอง (ที่ฉันกล่าวถึงในหนังสือ) ทำงานร่วมกันแทนที่จะทำงานต่อต้านกัน ใช้ AI เองเพื่อให้ได้ประโยชน์มากขึ้นจากโครงสร้างพื้นฐานที่มีอยู่ในขณะเดียวกันกับที่เรากำลังสร้างโครงสร้างพื้นฐานที่เราต้องการ การจัดสรรต้นทุนให้ถูกต้องเพื่อให้ความรู้สึกของสาธารณชนเกี่ยวกับการจ่ายค่าไฟฟ้าไม่กลายเป็นลบ และการให้ความสำคัญกับปัญหาแรงงานเพียงพอที่จะฝึกคนรุ่นต่อไปที่จะสร้างและบำรุงรักษาโครงสร้างพื้นฐานนี้ สิ่งเหล่านี้ไม่ใช่ปัญหาด้านเทคโนโลยี เรามีเทคโนโลยีแล้ว มันเป็นปัญหาการประสานงานและความตั้งใจ

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Buzz Solutions หรืออ่านหนังสือของเขา: Powering Intelligence: ทำไมอนาคตของ AI จึงขึ้นอยู่กับโครงสร้างพื้นฐาน