Már a modellek várható működését is modellezik az energetikában

Mit jelent a mindennapokban a mesterséges intelligencia előretörésének sebessége, mennyivel lehet gyorsabban eljutni így egy prototípusig? - tette fel Hörömpöli-Tóth Levente, a Portfolio Csoport újságírója a beszélgetést indító kérdést, melynek témája az adatalapú működésre való átállás lehetőségei és kihívásai voltak.'

Attól függ, hogy miről szól a prototípus, hogy mennyire vagyunk igényesek a kimenettel, és mit szeretnénk kihozni az egészből, de nagyon gyorsan el lehet jutni idáig - kezdte válaszát Varga Pál, a BME Távközlési és Mesterséges Intelligencia Tanszék tanszékvezetője. Példaként a diákjai által a félév végén beadandó házi feladat esetét említette; elmondása szerint ezzel kapcsolatban részben az volt a kérdése hallgatói felé, hogy mit tudnak kihozni belőle akár egy éjszaka alatt, mennyire jó, mit tapasztalnak, mennyire kerülnek flow-ba tőle. Meglepően jó és meglepően gyenge eredmények is vannak;

a kritikus hozzáállás ugyanúgy fontos, mint eddig

- fogalmazott.

Hogy egyeztethetők össze a fizikai korlátok és a sebesség, tekintettel például a bankrendszerre, amelyhez hasonlóan az energetikában is létezik egy architekturális saláta, amin nem feltétlen futnak ezek az újfajta megoldások?

Rengetegféle eszköz és rendszer van, amelyhez integrálódni kell, viszont ma már a prototipizálásba bele lehet érteni azt is, hogy ezeket a megoldásokat megpróbálod letesztelni. Tehát nem akkor kezdesz éles környezetben tesztelni, amikor már minden le van fejlesztve és akkor ereszted rá az akár 10-15 éves rendszerekre,

hanem már a prototipizálási fázisban ki tudod próbálni, hogy az új megoldás egyáltalán működik-e, és ez igaz az összes rendszerre, amihez csatlakozni kell.

Ebben is jelentős sebességi előnyt lehet szerezni ezekkel az eszközökkel, tehát még abban a korai fázisában is ki tudod próbálni, hogy tényleg működni fog-e vagy nem - mondta Veszprémi Balázs, az ARTEMIS Technologies CEO-ja.

Mennyire üthet vissza a sebesség például az ügyfélbiztonság tekintetében?

Próbáljuk az AI lehetőségeit magának az AI-nak a segítségével a lehető leggyorsabban átcsatornázni az ügyfeleinkhez, annak érdekében, hogy a termékeinkben megjelenő AI funkciókat a lehető leghamarabb eljuttassuk az ügyfeleinknek. Nyilván olyan infrastrukturális, szervezeti, illetve IT-technológiai CI/CD pipeline-okat (integrálási folyamatokat) kell felépíteni, ami lehetővé teszi azt, hogy napi 200 alkalommal tudunk új szoftververziót telepíteni - ez csak úgy tud működni, hogy az építés és a tesztelés is AI-jal történik.

Meg kell próbálni felvenni a tempót az AI világ "veszett" gyors fejlődésével, és kialakítani azokat a pipeline-okat, amelyek segítik ezeket csatornázni olyan helyekre, ahol aztán meg tud térülni - mondta Kiss Péter, a Kraken Tech üzletfejlesztési vezetője.

Ez sok kiberbiztonsági kérdést is felvet.

A Kraken üzleti és megoldás modellje egy alapvetően felhőalapú szolgáltatás, és olyan felhő-szolgáltatókkal dolgozunk együtt, amelyek biztosítani tudják a megfelelő kiberbiztonsági standardok érvényesülését. Ez azt jelenti, hogy mindig a legfejlettebb kiberbiztonsági védőfalak mellett tudjuk kiszolgálni az ügyfeleinket. Persze, relatív, hogy mihez képest biztonságos valami. Az általunk kiszolgált közműcégek gyakran eléggé elmaradott, széttöredezett rendszerekkel dolgoznak, amelyek ebből kifolyólag meglehetősen sebezhetőek.

Ehhez képest azok a megoldások, amelyeket a világ legfejlettebb felhő-szolgáltatói tudnak biztosítani, mindenképpen nagyságrendekkel jobb védelmet nyújtanak - fűzte hozzá.

Hogy néznek ki ezek a fejlesztések a mindennapokban, hogy lehet megfoghatóvá tenni, honnan hová jutunk el?

Az első technológiai szint, hogy kellenek mérőszámok; vannak tesztesetek, és ezeket hozzá tervezem az egészhez, hogy mik lesznek azok a tesztek, amelyeket lefuttatok a technológiai szinten. Aztán a legfelsőbb szintre ugorva, ott pedig valami olyan kérdésre akarok választ kapni, hogy megfelel-e ez az egész projektbevezetés az AI Actnek, és ezzel együtt is megtérülő lesz-e a projekt a szervezetnek; hogy tudom-e optimalizálni ezzel a folyamataimat. A mérőszámok azok, amelyeket eddig is használtunk, csak esetleg korábban kicsit elbagatellizáltuk őket; most ezek felértékelődnek, hiszen a tesztelés is felértékelődik, és ezért kulcsfontosságúak a mérőszámok - mondta Varga Pál.

Mi abban a szerencsés helyzetben vagyunk, hogy a projektjeink nagyon sok jó referenciaértéket eredményeztek, amelyeket az újabb projektek során is tudunk használni. Amikor belevágunk egy projektbe, akkor viszonylag korán meghatározzuk az ügyfelekkel elérendő célokat, amelyek aztán beépülnek olyan business case-ekbe, amik kvázi kötelezően elérendőek. Ezek jellemzően pénzügyi mérőszámok, vagy legalábbis nagyon könnyen konvertálhatóak pénzügyi tételekké is - reagált Kiss Péter.

A megoldások, amiket szállítunk, jellegükből adódóan alapvetően 3 területen tudnak értéket képezni, és az értékmérők is ezeken a területeken kerülnek meghatározásra.

• Az első terület az az, hogy az ügyfeleknek milyen értéket, például pénzügyi megtakarítást, "zöldülést" tudunk mi generálni.
• A második nagy terület az az, hogy magának a közműcégnek a működésében mennyiben tudunk valamilyen hatékonyságfejlesztést véghez vinni; itt is sok pénzügyileg is viszonylag könnyen kifejezhető mérőszámot tudunk meghatározni, például az ügyfélmegtartás vagy a megtakarított munkaórák tekintetében, ami könnyen vissza is mérhető.
• A harmadik terület pedig az optimalizáláshoz, a portfóliómenedzsmenthez kötődik, vagyis hogy hogyan tudjuk az energetikai eszközök optimalizációját úgy elvégezni, hogy aztán ezek az eszközök virtuális erőműként értékesíthetőek legyenek az energiapiacokon - fűzte hozzá.

Mindig is az volt a fontos, hogy lássuk ezeknek a beruházásoknak, fejlesztéseknek a hatását. Ami viszont nagyon sokat változott: míg régen valaki nagy nehezen facsart ki magából egy üzleti tervet vagy modellt, hogy akkor ezt megcsináljuk, és amikor már könyékig benne voltunk a fejlesztésben, akkor jöttünk rá, hogy nem biztos, hogy össze fog jönni az a KPI (Key Performance Indicator), addig most már a folyamat elején tudunk tesztelni, modellezni.

Modelljeink vannak arra, hogy a modelljeink működni fognak-e

- mondta Veszprémi Balázs, aki szerint tehát abban változik most nagyot a világ, hogy azt a részét a folyamatnak, amit eddig tippeltünk, azt most már nagyon biztosan tudjuk a legelején. Ez nagyon sok lehetőséget ad, de kinyit rengeteg kockázatot is; most már ezeket a kockázatokat is modellezni kell - tette hozzá.

Érdekes kérdés, hogy egy nagyvállalat hogy tudja lekezelni, hogy tud alkalmazkodni ezt a gyors technológiai fejlődést. Ezeket a kockázatokat megpróbáljuk megérteni, transzparenssé tenni és jobban kezelni, ami az AI vonatkozásában azt jelenti, hogy gyakorlatilag megteremted a környezetet, és elveszed a végfelhasználói kockázatot. Ha adunk valakinek egy olyan sandboxot, domaint, környezetet, amelyben ténylegesen tudja a napi munkáját végezni, mondjuk AI eszközök segítségével, akkor tudja és fogja használni, ha viszont ezt nem adjuk meg neki, akkor tényleg nagyon kockázatos lesz, és akkor viszont nem. Ha a környezetet és a kultúrát meg tudod teremteni, akkor az emberek használni fogják, akkor is, ha az eszközök egy év múlva a maihoz képest is sokkal fejlettebbek lesznek - mondta Veszprémi Balázs.

Címlapkép forrása: Portfolio