Mesterséges intelligencia és energetikai szektor: mint jin és jang

Mennyire lesz az energetika is IT-szektor, és mekkora része lehet az adatkezelés az energiaszektornak?

- tette fel az indító kérdést Kabát Krisztián, a Portfolio Csoport energetikai elemzője.

Veszprémi Balázs, digitális technológiai vezető, ARTEMIS Technologies, Alteo: a rövid válasz az, hogy már most is az, nem feltétlen IT, de adatvezérelt módon kell már most is működnie a rendszerek nagy részének. Lassan közel annyi informatikus dolgozik az energetikában Magyarországon is, mint mondjuk villamosmérnök. Ez a trend szerintem csak növekedni fog az informatika irányába, ami kockázatot is jelent, mert ha a mesterséges intelligencia térnyerése is folytatódik az energetikában, akkor kérdés lesz, hogy ki tudja majd ezeket a szabályokat, korlátokat, tudásokat ezekbe a rendszerekbe hatékonyan beletenni. A mesterséges intelligencia energiaszektorban való gyakorlati alkalmazása azért ma még nem általános. Maga az eszközkészlet már megvan, ezek a technológiák nem újak, itt inkább az jelenti a kihívást, hogy ebben a szektorban, ahol ilyen gyorsan változnak a szabályozások és körülmények, ki az, aki ezt naprakészen tudja úgy tanítani, hogy a rendszerek valóban használhatóak legyenek.

Szerintem döntéstámogatásra sokan használják, valódi döntéshozatalra viszont még kevesen.

Hol tart jelenleg a mesterséges intelligencia, hogy áll ez az iparág?

Varga Pál, tanszékvezető, BME Távközlési és Mesterséges Intelligencia Tanszék: Szerintem mára egészen nyilvánvalóan megszületett a mesterséges intelligencia iparág, a saját piacával, vertikumaival, szabályozásával - tehát ez lesz a harmadik szakmai szereplő, akiket meg kell tűrnünk magunk mellett, ezt valahogy tudni kell kezelni. Nagy változások vannak, és ma még az is kérdéses például, hogy bizonyos esetekben az adatok mekkora részét kezeljük helyben és mekkora részét küldjük el. Úgy képzelem egyébként, hogy

az energetikai szektor és a mesterséges intelligencia szektor mint jin és jang együtt mozog: ma már egyiket sem tudjuk a másik nélkül működtetni.

A mobilitás területén mennyire jellemző a mesterséges intelligencia térnyerése?

Hegedűs András Miklós, IT technológiai vezető, MVM Mobiliti: Ez, például az önvezető technológia gyakorlati alkalmazása részben szabályozási kérdés is. A Mobilitinél az e-töltőoszlopok távfelügyeleténél már használunk mesterséges intelligencia rendszereket, ahogyan a lehetséges telepítési helyszínek keresése során is igyekszünk alkalmazni. Ennek egyik fő nehézsége a mesterséges intelligencia tanításához szükséges adatok beszerzése. Például az első kísérletezgetésnél a jelenlegi töltőfoglaltsági adatainkat betáplálva a rendszerbe kijött egy olyan eredmény, miszerint az ideális helyszín egy új töltő-központnak a Nyugati pályaudvar helyszíne.

Nagyon fontos tehát, hogy mennyi és milyen minőségű adattal "etetjük" a rendszert;

ezeket sokszor számos redundáns, akár téves adat közül kiszűrve kell megszerezni. Nyilván a teljesen automatikus felügyelet ma még nem megvalósítható, és szükség van valamennyi emberi beavatkozásra, de erre a feladatra 1 200 töltő esetében elegendő 2 ember.

Minél több adatot viszünk be, annál pontosabb a válasz?

Varga Pál: Biztos, hogy nem. Az adat ugye nem feltétlen információ, hanem lehet zaj is, és hogyha az hibás, akkor előfordulhat, hogy sokkal rosszabbul döntünk. A nyelvi modellek betanításánál is tapasztalható, hogy a tanítással egy idő után elkezd rosszabb válaszokat adni - ugyanez a helyzet az egyéb modellekkel is.

Az adatminőség a fontos, nem a mennyiség;

az adatok nagy része ilyen szempontból valószínűleg felesleges.

Hogy néz ki egy energiamenedzsment rendszerben az adatkezelés?

Veszprémi Balázs: Ez nagyon sokrétű, de ha például a predikciókról beszélünk, akkor a legnagyobb kihívás az egész szektor tekintetében maga az időjárás-előrejelzés pontossága, bizonytalansága. Ez mindennek a gyökere, ami az összes rendszerállapotnak és az áraknak is a legnagyobb befolyásoló tényezője egy időjárásfüggő megújuló források dominálta rendszerben. Rengeteg adat, modell, mérőhálózat áll rendelkezésre, amelyekből prognosztizálni kell valamit.

A kulcs az adattisztítás, a jó adatok elérése, mert ezekből már könnyű előrejelezni.

Ez az egyik fő feladata a mérnököknek, de már erre is lehet gépi tanulási megoldásokat használni. A szoftvertechnológia területén egy nagyon nagyot ugrott az elmúlt években a különféle AI eszközök használata, ami egy, a korábbiaknál sokkal magabiztosabb üzemállapotot, sokkal gyorsabb reakció- és beavatkozási időt tud biztosítani.

Varga Pál: Vannak olyan iparágak, ahol azt mondják, hogy elfogyott a valós adat, viszont szeretnék tovább tanítani a gépet a még jobb előrejelzés érdekében. Ezt mesterségesen generált adatokkal lehet megtenni, amelyek különböző jellemzői megegyezni tűnnek a valós adatokkal. Erre azért van szükség, mert ha különböző kimeneteleket akarunk nézni annak kapcsán, hogy hogyan változtassuk a rendszerünket és mi fog történni, akkor a különböző előrejelzéseket különböző adatsorozatokkal kell táplálnunk. Gyakorlatilag univerzumokat futtatunk párhuzamosan, és megnézzük, hogy melyik univerzumban nem hal ki az emberiség, ha csettintünk egyet. Ennél az esetnél tehát a lehető legjobban kell a mesterséges adatokat is futtatnunk, hogy valószínű szcenáriókat mutassanak; és ez itt, az energetikában is fontos.

Hegedűs András Miklós: A Mobiliti kísérletezik a prediktív jellegű karbantartással, de ez egy többrétű probléma. Egyrészt a töltőgyártás egy nagyon friss iparág, gyorsan változó szereplőkkel. Itt még nagyon nehéz hosszú távú tapasztalatokra támaszkodni, ez egy nagyon gyorsan változó technológia. Szeretnénk, ha ez lenne a napi gyakorlat pár év múlva, de ma még vannak olyan alapvető nehézségek is, hogy bizonyos töltőinkhez alkatrészt találjunk.

Címlapkép forrása: Portfolio

A cikk elkészítésében a magyar nyelvre optimalizált Alrite online diktáló és videó feliratozó alkalmazás támogatta a munkánkat.