Kennisbank

Upravljanje umetne inteligence za energetska podjetja: nadzor nad tem, kar se dejansko dogaja

Kaj energetski sektor razlikuje od drugih

Energetsko podjetje združuje dva svetova, ki redko sodita pod istega lastnika. Na eni strani stoji operativna tehnika: merilni in regulacijski sistemi, upravljanje omrežja, vzdrževanje kritične infrastrukture. Na drugi strani stoji pisarna: stik s strankami, fakturiranje, načrtovanje, pravni oddelki in oddelki za skladnost. Umetna inteligenca se pojavlja na obeh področjih, vendar z drugačnim razmerjem med tveganjem in udobjem. Na operativni ravni aplikacija umetne inteligence hitro poseže v sisteme, kjer imajo izpad ali napačna odločitev neposredne posledice zunaj organizacije. Na pisarniški ravni gre pogosteje za besedilo, podatke in podporo pri odločanju, s tveganjem, ki je bolj podobno tistemu v drugih sektorjih. Upravljanje, ki obe ravni obravnava enako, zgreši bistvo: kar je na eni ravni izboljšanje učinkovitosti, je na drugi ravni vprašanje varnosti in nadzora.

Poleg tega so energetska podjetja pogosto pod strožjim nadzorom, vezana na sektorsko specifične obveznosti poročanja in delajo s podatki, ki se dotikajo nacionalne infrastrukture. Zaradi tega je vprašanje "kdo je tukaj uporabil umetno inteligenco in za kaj" težje kot v povprečnem pisarniškem okolju. Vsebina predpisov v ozadju — katere obveznosti natančno veljajo in kdaj — je opisana drugje; tukaj gre za mehanizem, s katerim organizacija pridobi in ohrani vpogled v to, kaj se dogaja.

Seznam IT-oddelka ni celotna slika

Kdor vpraša, kateri sistemi umetne inteligence so v uporabi, od IT-oddelka dobi seznam odobrenih orodij. Ta seznam je izhodišče, ne pa dejansko stanje. Načrtovalec, ki uporablja jezikovni model za povzemanje poročil o vzdrževanju, analitik, ki zunanjemu modelu posreduje meritvene podatke za prepoznavanje vzorcev, pogodbeni sodelavec, ki se pri protokolu za odpravo motenj posvetuje s klepetalnim robotom: to se pogosto dogaja, ne da bi bila vložena vloga ali zaprošeno soglasje. Ne iz nespoštovanja pravil, temveč zato, ker to deluje in ker nihče ni vprašal.

Jedro popisa zato ni odkljukavanje znanih sistemov, temveč prikaz tega, kar se dejansko dogaja. To zahteva drugačen ton kot revizija. Kdor želi vedeti, kaj zaposleni uporablja, mora to vprašati, ne da bi bila s tem povezana kazen — sicer odgovor izgine tako hitro kot sama uporaba. Kako ta pogovor poteka in zakaj kazen deluje nasprotno od želenega, je opisano v kako preprečite, da bi zaposleni uporabljali orodje, za katero nihče ne ve. Posebno tveganje znotraj te širše slike je vnašanje poslovnih podatkov — meritev, pogodbenih pogojev, podatkov o omrežju — v brezplačno klepetalno okno zunaj organizacije; kaj je pri tem na kocki in kako to prepoznati, je opisano v kako preprečite, da bi poslovni podatki izginili v brezplačnem klepetalnem oknu.

Razvrščanje glede na vlogo in tveganje, ne glede na oddelek

Po popisu sledi vprašanje, kaj sistem pravzaprav počne. Aplikacija umetne inteligence, ki prepisuje besedilo za pismo stranki, ima drugačno vlogo kot model, ki soodloča o načrtovanju vzdrževanja na podlagi senzorskih podatkov. Razvrstitev mora določiti to vlogo in stopnjo tveganja, ki ji pripada, ne glede na to, kateri oddelek orodje slučajno uporablja. Prav tu energetski sektor zahteva lasten pristop: orodje, ki je v marketinški ekipi neškodljivo, lahko v ekipi za upravljanje omrežja dobi drugačno težo, ker se izid odraža v fizičnem sistemu.

Ta pristop — popisovanje, razvrščanje, umeščanje v obstoječe upravljanje — ni edinstven za energetiko. Podobna vprašanja se pojavljajo pri organizacijah, ki delajo s fizičnimi napravami in varnostnimi tveganji, kot je razvidno iz besedila o upravljanju umetne inteligence pri inštalacijskih podjetjih s tehnično in izvedbeno prakso in o upravljanju umetne inteligence v gradbeništvu, kjer se srečata načrtovanje in izvedba. Tudi sektorji s strogimi zahtevami glede nadzora, kot je razvidno iz upravljanja umetne inteligence v zdravstvu, kjer se srečata varnost pacientov in nadzor, kažejo, da se oblika upravljanja spreminja, ko se posledice napake povečujejo. Kdor to primerja, vidi, da energetika ni edinstvena po vprašanju, je pa edinstvena po teži odgovora.

Navezava na obstoječe

Sklop pravil za upravljanje, ki se doda k obstoječi strukturi obvladovanja tveganj, deluje bolje kot povsem nov okvir zraven nje. Energetska podjetja imajo praviloma že strukturo za obvladovanje tveganj na področju operativne varnosti in skladnosti. Upravljanje umetne inteligence bi moralo biti podaljšek tega, z istimi linijami poročanja upravnemu odboru in nadzornemu organu, ne pa ločen proces, ki ga je treba voditi posebej in ki nekega dne obleži poleg drugih poročil o tveganjih, ne da bi se kdaj združil z njimi.

Od pregleda do vpogleda v samo delo

Brž ko je jasno, katere aplikacije umetne inteligence obstajajo in kakšno tveganje predstavljajo, sledi drugo vprašanje: kaj to pomeni za delo, ki ga ljudje trenutno opravljajo. Popis pokaže, kaj teče; analiza dela pokaže, kaj to teoretsko pomeni za naloge, delovna mesta in zmogljivosti. Analiza dela podjetja FTE TO AI za vsako nalogo izračuna, kolikšen delež dela lahko prevzame umetna inteligenca, in tako ob slika tveganja postavi tudi slika zmogljivosti. To je logičen naslednji korak po popisu: ne le vedeti, kaj se dogaja, temveč tudi, kaj to pomeni za organizacijo, ki mora s tem delati.