Штучний інтелект стрімко входить у всі сфери життя. Він особливо корисний у сфері сталого розвитку, допомагаючи аналізувати великі обсяги даних, прогнозувати процеси та оптимізувати ресурси. Проте важливо досліджувати шляхи ефективного використання ШІ. Тож у межах ініціативи CUCEE (Cooperation of Universities in Central and Eastern Europe) вирішили порушити цю тему й обговорити інновації та новітні підходи.
Нещодавно відбулася серія лекцій «Інтеграція, інновації та штучний інтелект для сталого технологічного майбутнього», яка об’єднала понад 60 учасників із Польщі, Німеччини, Литви, Естонії, Чехії та України. Львівську політехніку на заході представляв асистент кафедри електромеханічних та електротехнічних систем Інституту енергетики та систем керування, кандидат технічних наук Юрій Бобечко.
У цьому інтерв’ю ми дізналися, яку роль відіграє штучний інтелект у сфері енергетичних систем і якій саме темі була присвячена лекція Юрія Остаповича.
— Чи йшлося про ризики й етичні межі використання штучного інтелекту, зокрема в інженерії та енергетичних системах?
— Моя лекція була технічна, зосереджена на практичному застосуванні нейронних мереж у відновлюваній енергетиці. Я говорив про обмеження технології — потребу у великих обсягах даних, проблему «чорної скрині» (коли не зрозуміло, чому система приймає те чи інше рішення), ризики помилкових прогнозів у разі зміни умов і т. д. Це важливі практичні виклики, які треба враховувати у впровадженні. Щодо етики — ці питання більше стосуються випадків, коли ШІ працює з людьми та приймає рішення про них. А коли нейромережа аналізує, наприклад, погодні дані, це суто технічне завдання без етичного виміру.
— Як саме нині використовують штучний інтелект у сфері сталого розвитку?
— Тут важливо уточнити: я розповідав про штучні нейронні мережі — це конкретна технологія, а не ШІ загалом, і моя лекція стосувалася відновлюваної енергетики, а сталий розвиток — значно ширша сфера. У відновлюваній енергетиці нейромережі використовують для кількох завдань. Найактивніше — для прогнозування виробництва енергії: нейромережі передбачають, скільки електрики вироблять сонячні панелі чи вітряки з урахуванням погоди. Друге важливе застосування — діагностика обладнання та прогнозоване обслуговування: системи аналізують дані з датчиків і виявляють несправності завчасно. Є й інші способи використання — оптимізація роботи систем (щоб забезпечити максимальну віддачу енергії), прогнозування споживання електроенергії тощо. У лекції я зосередився на перших двох — прогнозуванні та діагностиці, тому що вони найактивніше розвиваються та застосовуються у великих комерційних проєктах.
— Чи обговорювали ви розвиток і вдосконалення сонячних панелей та інших технологій відновлюваної енергетики?
— Моя лекція не стосувалася розроблення нових панелей чи турбін. Я розповідав, як штучні нейронні мережі допомагають ефективніше використовувати вже наявне обладнання — прогнозувати його роботу, виявляти несправності, оптимізувати робочі режими.
— Яка була тема вашої лекції у межах цього освітнього циклу?
— «Штучні нейронні мережі для систем відновлюваної енергетики». Лекцію я поділив на дві частини. Спочатку пояснював фундаментальні поняття: що таке штучний інтелект, машинне та глибинне навчання, як вони співвідносяться, як працюють нейронні мережі, яка їхня архітектура, які є типи мереж для різних завдань і як вони навчаються. Потім перейшов до відновлюваної енергетики — які там виклики: залежність від погоди, складність прогнозування, діагностика обладнання. І головне — як нейронні мережі вирішують ці проблеми на практиці. Докладно розглянув прогнозування для сонячної, вітрової та гідроенергетики, а також для виявлення несправностей в обладнанні. Завершив реальними комерційними прикладами: як Google (DeepMind) застосовує нейромережі для прогнозування вітру й отримує на 20 відсотків більше економічної вигоди від своєї вітрової енергії; як Siemens Gamesa за допомогою дронів і нейромереж інспектує лопаті турбін, скорочуючи час перевірки на 75 відсотків; як китайські гідростанції використовують ШІ для діагностики та зменшують витрати на обслуговування на 10 відсотків.
— Щоб ефективно користуватися штучним інтелектом, потрібно вміти з ним працювати. Чи передбачене на вашій кафедрі навчання з практичного та відповідального використання ШІ?
— Наразі окремого спеціалізованого курсу з ШІ на кафедрі немає. Варто зауважити, що в контексті енергетичних систем нейронні мережі — це насамперед інженерний інструмент для вирішення конкретних технічних завдань, як-от прогнозування чи діагностика. Тут питання не стільки «відповідального використання ШІ» в сенсі, у якому це обговорюють для генеративного ШІ, а швидше стандартна інженерна практика — розуміння того, як працює метод, його обмежень та умов застосування.
— Яких висновків або рішень вам вдалося дійти разом із представниками університетів Центральної та Східної Європи?
— Це був цикл окремих лекцій від різних викладачів, і кожен представляв свою тему. Після кожної лекції була можливість обговорення в малих групах і спільна дискусія, де студенти ставили запитання й ділилися думками. Я хотів показати студентам з різних країн, що таке штучні нейронні мережі, як їх використовують у відновлюваній енергетиці та які результати вони дають у реальних комерційних проєктах. Якщо говорити про загальний висновок, то штучні нейронні мережі — вже давно не теорія, а практичний інструмент, який вирішує реальні проблеми у відновлюваній енергетиці. Вони особливо ефективні там, де є складні нелінійні залежності та великі обсяги даних — саме такі умови характерні для сонячної, вітрової та гідроенергетики. І що більше зростає частка відновлюваної енергетики в загальному енергобалансі, то актуальнішими стають точне прогнозування та надійна діагностика — а саме тут нейронні мережі показують хороші результати. Варто додати, що в реальних проєктах нейронні мережі часто комбінують між собою, а також з іншими методами — такі гібридні системи нерідко показують найкращі результати.
