ການນຳໃຊ້ AI ໃນຂະແໜງການຂຸດຄົ້ນບໍ່ແຮ່ ແລະ ພະລັງງານຂອງລາວ ແມ່ນຄວາມພະຍາຍາມໃນການວິເຄາະຂໍ້ມູນການດຳເນີນງານຂອງບໍ່ແຮ່ ແລະ ໂຮງໄຟຟ້ານ້ຳຕົກ ດ້ວຍການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (Machine Learning) ເພື່ອຄາດຄະເນສັນຍານເຕືອນໄພການຂັດຂ້ອງຂອງອຸປະກອນ, ອັດຕາຜົນຜະລິດໃນການແຍກແຮ່, ຄວາມຕ້ອງການດ້ານພະລັງງານໄຟຟ້າ ແລະ ອື່ນໆ ເພື່ອເພີ່ມປະສິດທິພາບໃນການດຳເນີນງານ. ການຂຸດຄົ້ນທອງແດງ-ຄຳ ແລະ ການສົ່ງອອກໄຟຟ້າຈາກພະລັງງານນ້ຳ ແມ່ນອຸດສາຫະກຳຫຼັກທີ່ຄ້ຳຊູເສດຖະກິດຂອງລາວ, ການນຳເອົາ AI ເຂົ້າມາປະຍຸກໃຊ້ໃນສ່ວນນີ້ ຈະຊ່ວຍໃຫ້ສາມາດຮັກສາການດຳເນີນງານໃຫ້ມີສະຖຽນລະພາບ ແລະ ເພີ່ມຜົນກຳໄລໄດ້ເຖິງແມ່ນວ່າຈະມີຊັບພະຍາກອນມະນຸດ ແລະ ອຸປະກອນທີ່ຈຳກັດກໍຕາມ.

ບົດຄວາມນີ້ໄດ້ຮວບຮວມພາບລວມ ແລະ ວິທີການເລີ່ມຕົ້ນນຳໃຊ້ AI ສຳລັບຜູ້ບໍລິຫານ, ຜູ້ຮັບຜິດຊອບໜ້າວຽກໃນຂະແໜງການຂຸດຄົ້ນບໍ່ແຮ່ ແລະ ພະລັງງານໃນລາວ, ລວມເຖິງບໍລິສັດຍີ່ປຸ່ນທີ່ກຳລັງພິຈາລະນາເຂົ້າມາລົງທຶນໃນຂະແໜງຊັບພະຍາກອນ ແລະ ພະລັງງານ. ບົດຄວາມຈະກ່າວເຖິງການນຳໃຊ້ທີ່ເປັນຮູບປະທຳ ເຊັ່ນ: ການບຳລຸງຮັກສາແບບຄາດຄະເນ (Predictive Maintenance), ການເພີ່ມປະສິດທິພາບການແຍກແຮ່, ການກວດຫາຄວາມຜິດປົກກະຕິຂອງອຸປະກອນຜະລິດໄຟຟ້າ ແລະ ການຄາດຄະເນຄວາມຕ້ອງການດ້ານພະລັງງານ, ພ້ອມທັງຂັ້ນຕອນການນຳໃຊ້ ແລະ ບັນຫາທີ່ມັກພົບພໍ້.

ເຫດຜົນທີ່ການນຳໃຊ້ AI ໃນຂະແໜງບໍ່ແຮ່ ແລະ ພະລັງງານຂອງລາວໄດ້ຮັບຄວາມສົນໃຈນັ້ນ ແມ່ນມາຈາກຂະໜາດຂອງອຸດສາຫະກຳຫຼັກ ແລະ ຍຸດທະສາດແຫ່ງຊາດທີ່ສະໜັບສະໜູນການຫັນເປັນດິຈິຕອນ. ບົດຄວາມນີ້ຈະສະຫຼຸບສະພາບການທາງເສດຖະກິດ ແລະ ຄວາມຕ້ອງການໃນການນຳໃຊ້ຂໍ້ມູນໃໝ່ໆ ທີ່ເກີດຈາກການຂະຫຍາຍຕົວຂອງການສົ່ງອອກໄຟຟ້າ.

ເສດຖະກິດຂອງລາວແມ່ນອີງໃສ່ອຸດສາຫະກຳບໍ່ແຮ່ ເຊັ່ນ: ທອງ ແລະ ຄຳ ເປັນ ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ, ລວມທັງການຜະລິດໄຟຟ້ານ້ຳຕົກທີ່ໃຊ້ປະໂຫຍດຈາກຊັບພະຍາກອນນ້ຳອັນອຸດົມສົມບູນ. ໄຟຟ້າທີ່ຜະລິດໄດ້ບໍ່ພຽງແຕ່ໃຊ້ພາຍໃນປະເທດເທົ່ານັ້ນ, ແຕ່ຍັງເປັນແຫຼ່ງລາຍໄດ້ຈາກຕ່າງປະເທດທີ່ສຳຄັນຜ່ານການສົ່ງອອກໄປຍັງປະເທດໃກ້ຄຽງ ເຊັ່ນ: ໄທ ແລະ ຫວຽດນາມ. ບໍລິສັດຍີ່ປຸ່ນເອງກໍມີໂອກາດເຂົ້າໄປມີສ່ວນຮ່ວມທາງອ້ອມໃນທຸລະກິດຊັບພະຍາກອນ ແລະ ພະລັງງານ ຜ່ານທາງບໍລິສັດການຄ້າ ແລະ ຂະແໜງໄຟຟ້າ ຫຼື ໂຮງງານ.

ໃນທາງກົງກັນຂ້າມ, ເຖິງວ່າອຸດສາຫະກຳເຫຼົ່ານີ້ຈະເປັນອຸດສາຫະກຳທີ່ໃຊ້ທຶນສູງ (Capital-intensive), ແຕ່ການຫັນເປັນດິຈິຕອນໃນໜ້າວຽກຕົວຈິງ ແລະ ການຈັດຫາບຸກຄະລາກອນທີ່ມີຄວາມສາມາດໃນການວິເຄາະຂັ້ນສູງຍັງຢູ່ໃນໄລຍະເລີ່ມຕົ້ນ. ການບຳລຸງຮັກສາອຸປະກອນສ່ວນໃຫຍ່ຍັງເປັນການແກ້ໄຂບັນຫາຫຼັງເກີດເຫດ, ແລະ ການດຳເນີນງານໃນການແຍກແຮ່ ຫຼື ການຜະລິດໄຟຟ້າຍັງຕ້ອງອາໄສປະສົບການສ່ວນຕົວເປັນຫຼັກ. ເນື່ອງຈາກຄຸນນະພາບຂອງແຮ່ທາດ ແລະ ປະລິມານການຜະລິດໄຟຟ້າຂຶ້ນຢູ່ກັບສະພາບທຳມະຊາດ, ຈຶ່ງຍັງມີຊ່ອງວ່າງຫຼາຍໃນການຄາດຄະເນໂດຍອີງໃສ່ຂໍ້ມູນ.

ກ່າວຄື: ເຖິງຈະເປັນອຸດສາຫະກຳຫຼັກ ແຕ່ກໍຍັງຢູ່ໃນສະພາວະທີ່ "ມີຂໍ້ມູນແຕ່ຍັງບໍ່ສາມາດນຳມາໃຊ້ປະໂຫຍດໄດ້ຢ່າງເຕັມທີ່". ນີ້ຄືຈຸດເລີ່ມຕົ້ນຂອງການນຳໃຊ້ AI. ພຽງແຕ່ປ່ຽນຂໍ້ມູນທີ່ໄດ້ຈາກເຊັນເຊີ ແລະ ບັນທຶກການດຳເນີນງານໃຫ້ກາຍເປັນຂໍ້ມູນສຳລັບການວິເຄາະ ກໍສາມາດເຫັນຊ່ອງທາງໃນການປັບປຸງທັງໃນດ້ານການບຳລຸງຮັກສາ, ຄຸນນະພາບ ແລະ ການຄາດຄະເນຄວາມຕ້ອງການ. ໃນຖານະທີ່ເປັນພື້ນຖານຂອງບົດຄວາມນີ້, ກ້າວທຳອິດຄືການເຂົ້າໃຈວ່າຂໍ້ມູນການດຳເນີນງານຂອງບໍລິສັດຕົນເອງນັ້ນຖືກຈັດເກັບໄວ້ຢູ່ໃສ, ໃນຮູບແບບໃດ ແລະ ເປັນໄລຍະເວລາດົນເທົ່າໃດ.

ລັດຖະບານລາວໄດ້ວາງການຂະຫຍາຍຕົວຂອງເສດຖະກິດດິຈິຕອນເປັນຍຸດທະສາດແຫ່ງຊາດ ແລະ ກຳລັງຊຸກຍູ້ການຫັນເປັນດິຈິຕອນໃນວຽກງານບໍລິຫານ ແລະ ພາກອຸດສາຫະກຳ. ເບື້ອງຫຼັງຂອງເລື່ອງນີ້ ແມ່ນມີການເຄື່ອນໄຫວເພື່ອເພີ່ມມູນຄ່າໃຫ້ກັບພະລັງງານໄຟຟ້າ ໂດຍການຫັນພະລັງງານສ່ວນເກີນໄປສູ່ອຸດສາຫະກຳໃໝ່ໆ ເຊັ່ນ: ສູນຂໍ້ມູນ (Data Center). ເມື່ອສົມທົບກັບນະໂຍບາຍການຂະຫຍາຍການສົ່ງອອກພະລັງງານໄຟຟ້າ, ຄາດວ່າຄວາມຕ້ອງການໃນການຍົກລະດັບການດຳເນີນງານດ້ານການຜະລິດ ແລະ ສົ່ງໄຟຟ້າຈະມີການ ເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ ໃນອະນາຄົດ.

ທ່າອ່ຽງດັ່ງກ່າວມີຄວາມໝາຍ 2 ປະການສຳລັບຜູ້ປະກອບການດ້ານບໍ່ແຮ່ ແລະ ພະລັງງານ: ປະການທີ 1 ຄື ການພັດທະນາ ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ດ້ານດິຈິຕອນ ຈະໄດ້ຮັບການສະໜັບສະໜູນທາງດ້ານນະໂຍບາຍ. ປະການທີ 2 ຄື ການເລີ່ມຕົ້ນຂອງການແຂ່ງຂັນເພື່ອປັບປຸງການບໍລິຫານຈັດການສິນຄ້າປະເພດພະລັງງານໄຟຟ້າໃຫ້ມີປະສິດທິພາບສູງສຸດ ວ່າ "ຈະສົ່ງໄປເວລາໃດ, ປະລິມານເທົ່າໃດ ແລະ ສົ່ງໄປທີ່ໃດ". ຄວາມສາມາດໃນການຄາດຄະເນຄວາມຕ້ອງການ ແລະ ການປັບປຸງຕາຂ່າຍໄຟຟ້າ (Grid) ໃຫ້ເໝາະສົມ ຈະສົ່ງຜົນໂດຍກົງຕໍ່ຜົນກຳໄລ ແລະ ຂີດຄວາມສາມາດໃນການແຂ່ງຂັນດ້ານການສົ່ງອອກ.

ພາບລວມຂອງຍຸດທະສາດແຫ່ງຊາດສາມາດອ່ານໄດ້ທີ່ ຍຸດທະສາດການຫັນເປັນດິຈິຕອນແຫ່ງຊາດຂອງລາວ ແລະ ແນວຄວາມຄິດການນຳໃຊ້ພະລັງງານສ່ວນເກີນສຳລັບສູນຂໍ້ມູນສາມາດອ່ານໄດ້ທີ່ ຄູ່ມືການນຳໃຊ້ສູນຂໍ້ມູນ AI ຂອງລາວ. ບົດຄວາມນີ້ຈະເນັ້ນສະເພາະປະເດັນການນຳໃຊ້ AI ເພື່ອປັບປຸງການດຳເນີນງານໃນຂະແໜງບໍ່ແຮ່ ແລະ ພະລັງງານໃຫ້ມີປະສິດທິພາບສູງສຸດ.

ການນຳໃຊ້ AI ໃນອຸດສາຫະກຳບໍ່ແຮ່ ສາມາດສະຫຼຸບໄດ້ເປັນ 3 ຈຸດສຳຄັນ ຄື: "ການບໍ່ໃຫ້ອຸປະກອນຢຸດເຮັດວຽກ", "ການເພີ່ມອັດຕາຜົນຜະລິດ", ແລະ "ການປ້ອງກັນອຸບັດຕິເຫດ". ການພິຈາລະນາເລີ່ມຕົ້ນຈາກການນຳໃຊ້ທີ່ເຫັນຜົນໄດ້ຊັດເຈນ ເຊັ່ນ: ການບຳລຸງຮັກສາແບບຄາດການລ່ວງໜ້າ (Predictive Maintenance), ການເພີ່ມປະສິດທິພາບໃນການແຍກແຮ່, ແລະ ການຕິດຕາມສະພາບແວດລ້ອມດ້ານຄວາມປອດໄພ ແມ່ນວິທີການທີ່ເໝາະສົມກັບຄວາມເປັນຈິງ.

ໃນບໍ່ແຮ່ມີອຸປະກອນຫຼາຍຢ່າງ ເຊັ່ນ: ເຄື່ອງບົດ, ສາຍພານລຳລຽງ, ປ້ຳນ້ຳ, ແລະ ພາຫະນະຂະໜາດໃຫຍ່ ເຊິ່ງການຢຸດເຮັດວຽກຂອງອຸປະກອນເຫຼົ່ານີ້ຈະສົ່ງຜົນໃຫ້ການຜະລິດຫຼຸດລົງທັນທີ. ການຕິດຕັ້ງເຊັນເຊີ (ເຊັ່ນ: ການສັ່ນສະເທືອນ, ອຸນຫະພູມ, ກະແສໄຟຟ້າ) ໃສ່ອຸປະກອນເຫຼົ່ານີ້ ແລະ ຮຽນຮູ້ຮູບແບບຄວາມຜິດປົກກະຕິຂອງຂໍ້ມູນການເຮັດວຽກ ຈະຊ່ວຍໃຫ້ສາມາດກວດຈັບສັນຍານເຕືອນກ່ອນການເກີດຄວາມເສຍຫາຍໄດ້. ນີ້ແມ່ນແນວຄິດໃນການປ່ຽນຈາກການບຳລຸງຮັກສາຫຼັງເກີດເຫດ ໄປສູ່ການບຳລຸງຮັກສາແບບປ້ອງກັນທີ່ມີການວາງແຜນໄວ້ລ່ວງໜ້າ.

ຂໍ້ດີຂອງການບຳລຸງຮັກສາແບບຄາດການລ່ວງໜ້າ (Predictive Maintenance) ຄືການຫຼຸດຜ່ອນທັງການຫຼຸດລົງຂອງການຜະລິດເນື່ອງຈາກການຢຸດເຮັດວຽກກະທັນຫັນ ແລະ ຕົ້ນທຶນຂອງອາໄຫຼ່ທີ່ເກີດຈາກການປ່ຽນຖ່າຍຕາມຮອບວຽນຫຼາຍເກີນໄປ. ມັນເປັນການປ່ຽນຜ່ານຈາກ "ສ້ອມແປງເມື່ອເສຍ" ຫຼື "ປ່ຽນຖ່າຍຕາມຮອບວຽນທີ່ກຳນົດໄວ້" ໄປສູ່ "ຈັດການເມື່ອມີສັນຍານບົ່ງບອກວ່າໃກ້ຈະເສຍ".

ຢ່າງໃດກໍຕາມ, ຖ້າຫາກພະຍາຍາມກວມເອົາທຸກອຸປະກອນໃນທັນທີ ຈະເຮັດໃຫ້ການລົງທຶນ ແລະ ການຈັດການຂໍ້ມູນມີຫຼາຍເກີນຄວາມຈຳເປັນ. ວິທີການທີ່ເປັນມາດຕະຖານຄື ການເລີ່ມຕົ້ນຈາກອຸປະກອນທີ່ເປັນ ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ຈຳນວນໜຶ່ງ ເຊິ່ງຫາກເກີດການຢຸດເຮັດວຽກຈະສົ່ງຜົນເສຍຫາຍສູງ, ຫຼັງຈາກນັ້ນຈຶ່ງຄ່ອຍຂະຫຍາຍຂອບເຂດອອກໄປຫຼັງຈາກທີ່ໄດ້ຢືນຢັນເຖິງປະສິດທິຜົນແລ້ວ. ແນວທາງການນຳໃຊ້ຂໍ້ມູນດ້ານຄຸນນະພາບ ແລະ ອຸປະກອນໃນໜ້າວຽກການຜະລິດ ແມ່ນມີແນວຄິດທີ່ຄ້າຍຄືກັນກັບ ການຜະລິດໃນລາວ × ການກວດສອບຄຸນນະພາບດ້ວຍ AI, ເຊິ່ງສາມາດນຳມາອ້າງອີງຮ່ວມກັນໄດ້.

ຂະບວນການຄັດແຍກແຮ່ທາດເພື່ອສະກັດເອົາໂລຫະທີ່ມີປະໂຫຍດອອກຈາກແຮ່ທີ່ຂຸດຄົ້ນມາໄດ້ນັ້ນ ມີປັດໄຈຈຳນວນຫຼາຍທີ່ສົ່ງຜົນຕໍ່ອັດຕາຜົນຜະລິດ ເຊັ່ນ: ປະລິມານສານເຄມີ, ຂະໜາດຂອງເມັດແຮ່ ແລະ ຄວາມໄວໃນການປະມວນຜົນ. ຖ້າຫາກນຳຂໍ້ມູນການດຳເນີນງານເຫຼົ່ານີ້ ແລະ ຄວາມສຳພັນກັບອັດຕາການເກັບກູ້ມາຮຽນຮູ້ (Learning), ກໍຈະສາມາດຄາດຄະເນຈຸດການດຳເນີນງານທີ່ເໝາະສົມທີ່ສຸດໃນແຕ່ລະເງື່ອນໄຂ ເຊິ່ງຈະຊ່ວຍເພີ່ມອັດຕາການເກັບກູ້ ແລະ ຫຼຸດຜ່ອນການໃຊ້ສານເຄມີເກີນຄວາມຈຳເປັນ. ເຖິງແມ່ນວ່າອັດຕາການເກັບກູ້ຈະເພີ່ມຂຶ້ນພຽງເລັກນ້ອຍ ແຕ່ສຳລັບບໍ່ແຮ່ທີ່ມີປະລິມານການປະມວນຜົນສູງ ກໍຖືວ່າສົ່ງຜົນກະທົບຕໍ່ລາຍຮັບບໍ່ໜ້ອຍເລີຍ.

ນອກຈາກນີ້, ຖ້າສາມາດຄາດຄະເນຄຸນນະພາບ (ອັດຕາສ່ວນຂອງໂລຫະທີ່ບັນຈຸຢູ່ໃນແຮ່) ກ່ອນ ແລະ ຫຼັງການຂຸດຄົ້ນໄດ້ ໂດຍອີງໃສ່ຂໍ້ມູນການສຳຫຼວດໃນອະດີດ ແລະ ຜົນງານການຂຸດຄົ້ນທີ່ຜ່ານມາ ກໍຈະຊ່ວຍເພີ່ມຄວາມຊັດເຈນໃນການວາງແຜນການປະມວນຜົນ ແລະ ແຜນການຂົນສົ່ງ. ຖ້າສາມາດຮັບຮູ້ເຖິງຄວາມບໍ່ສະໝໍ່າສະເໝີຂອງຄຸນນະພາບໄດ້ໄວ ກໍຈະຊ່ວຍຫຼີກລ່ຽງສະຖານະການທີ່ຕ້ອງສິ້ນເປືອງຕົ້ນທຶນໄປກັບການປະມວນຜົນແຮ່ທີ່ມີຄຸນນະພາບຕໍ່າໂດຍບໍ່ຈຳເປັນ.

ຂໍ້ຄວນລະວັງຄື ຄວາມສຳເລັດຂອງການປັບປຸງຂະບວນການຄັດແຍກແຮ່ທາດໃຫ້ເໝາະສົມນັ້ນ ຂຶ້ນຢູ່ກັບວ່າ "ໜ້າວຽກພາກສະໜາມສາມາດເຂົ້າໃຈ, ຍອມຮັບ ແລະ ນຳເອົາຂໍ້ສະເໜີຂອງແບບຈຳລອງໄປໃຊ້ໄດ້ຫຼືບໍ່". ການນຳເອົາຂໍ້ສະເໜີທີ່ບໍ່ສາມາດເຫັນເບື້ອງຫຼັງໄດ້ມາປັບໃຊ້ໃນການດຳເນີນງານໂດຍກົງນັ້ນ ຈະສ້າງແຮງຕ້ານຈາກໜ້າວຽກພາກສະໜາມ. ການເຮັດໃຫ້ສາມາດອະທິບາຍໄດ້ວ່າ ເປັນຫຍັງຈຸດການດຳເນີນງານນັ້ນຈຶ່ງດີ ແລະ ການນຳມາປັບໃຊ້ເປັນຂັ້ນຕອນໂດຍການປຽບທຽບກັບຄວາມຮູ້ຂອງໜ້າວຽກພາກສະໜາມ ຄືທາງລັດທີ່ຈະເຮັດໃຫ້ວິທີການດັ່ງກ່າວສາມາດນຳໄປໃຊ້ໄດ້ຢ່າງຍືນຍົງ.

ບໍ່ແຮ່ແມ່ນສະຖານທີ່ທີ່ມີຄວາມສ່ຽງສູງຕໍ່ຄວາມປອດໄພ ແລະ ສິ່ງແວດລ້ອມ. AI ສາມາດຊ່ວຍໃນດ້ານນີ້ໄດ້ເຊັ່ນກັນ. ການຮັບຮູ້ພາບ (Image Recognition) ທີ່ສາມາດກວດຈັບການບໍ່ໃສ່ອຸປະກອນປ້ອງກັນ ຫຼື ການບຸກລຸກເຂົ້າໄປໃນເຂດຫ້າມເຂົ້າຈາກພາບກ້ອງວົງຈອນປິດ, ລວມເຖິງການແຈ້ງເຕືອນເມື່ອມີຍານພາຫະນະ ແລະ ຄົນເຂົ້າໃກ້ກັນນັ້ນ ສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ການປ້ອງກັນອຸບັດຕິເຫດຮ້າຍແຮງໄດ້ໂດຍກົງ. ໂດຍສະເພາະໃນສະຖານທີ່ຂຸດຄົ້ນບໍ່ແຮ່ທີ່ມີເຄື່ອງຈັກໜັກຂະໜາດໃຫຍ່ ແລະ ຄົນງານເຮັດວຽກຢູ່ໃກ້ກັນ, ການແຈ້ງເຕືອນເມື່ອມີການເຂົ້າໃກ້ຈະຊ່ວຍຫຼຸດໂອກາດການເກີດອຸບັດຕິເຫດໄດ້.

ໃນດ້ານສິ່ງແວດລ້ອມ, ມີການນຳໃຊ້ຂໍ້ມູນການຕິດຕາມກວດກາຄຸນນະພາບນ້ຳເສຍ, ຝຸ່ນລະອອງ ແລະ ສຽງລົບກວນ ມາວິເຄາະຢ່າງຕໍ່ເນື່ອງ ເພື່ອກວດຫາສັນຍານເຕືອນໄພຂອງການເກີນມາດຕະຖານໄດ້ແຕ່ຫົວທີ. ອຸດສາຫະກຳບໍ່ແຮ່ມັກຈະມີຄວາມກັງວົນກ່ຽວກັບຜົນກະທົບຕໍ່ແມ່ນ້ຳ ແລະ ນ້ຳບາດານ, ການປ່ຽນແປງການຕອບສະໜອງຕໍ່ກົດລະບຽບດ້ານສິ່ງແວດລ້ອມຈາກ "ການວັດແທກຫຼັງເກີດເຫດ" ມາເປັນ "ການຕິດຕາມ ແລະ ຄາດການແບບ Real-time" ຈະຊ່ວຍຫຼຸດຄວາມສ່ຽງທີ່ອາດນຳໄປສູ່ການສັ່ງຢຸດການດຳເນີນງານ ຫຼື ຄຳສັ່ງແກ້ໄຂໄດ້.

ການນຳໃຊ້ເພື່ອຄວາມປອດໄພ ແລະ ສິ່ງແວດລ້ອມອາດເບິ່ງຄືວ່າເປັນການປະກອບສ່ວນເຂົ້າໃນລາຍໄດ້ທາງອ້ອມ, ແຕ່ຫາກເກີດອຸບັດຕິເຫດຮ້າຍແຮງ ຫຼື ການຢຸດການດຳເນີນງານຂຶ້ນມາ, ຄວາມເສຍຫາຍຈະມີມະຫາສານ. ໂດຍສະເພາະໃນທຸລະກິດທີ່ມີບໍລິສັດຍີ່ປຸ່ນເຂົ້າຮ່ວມ, ການຕິດຕາມກວດກາດ້ານຄວາມປອດໄພ ແລະ ສິ່ງແວດລ້ອມສາມາດກາຍເປັນເປົ້າໝາຍການລົງທຶນທີ່ມີບຸລິມະສິດສູງ ໂດຍພິຈາລະນາຈາກທັງມຸມມອງດ້ານການປະຕິບັດຕາມກົດລະບຽບ (Compliance) ແລະ ການຮັກສາຄວາມສຳພັນກັບສັງຄົມທ້ອງຖິ່ນ. ໃນການຕັດສິນໃຈລົງທຶນ, ຫາກປະເມີນ "ສິ່ງທີ່ຈະສູນເສຍເມື່ອເກີດອຸບັດຕິເຫດ" ທັງໃນດ້ານມູນຄ່າເງິນ ແລະ ຄວາມເຊື່ອໝັ້ນ, ກໍຈະສາມາດອະທິບາຍເຖິງບຸລິມະສິດໄດ້ງ່າຍຂຶ້ນ.

ການນຳໃຊ້ AI ໃນການຜະລິດໄຟຟ້ານ້ຳຕົກ ສາມາດຈັດລະບຽບໄດ້ຕາມຂະບວນການຕັ້ງແຕ່ການຜະລິດໄປຈົນເຖິງການສົ່ງອອກ ເຊິ່ງປະກອບດ້ວຍ: ການກວດຫາຄວາມຜິດປົກກະຕິຂອງອຸປະກອນຜະລິດໄຟຟ້າ, ການເພີ່ມປະສິດທິພາບໃນການສົ່ງໄຟຟ້າ ແລະ ການຄາດຄະເນຄວາມຕ້ອງການໃຊ້ໄຟຟ້າ. ໂດຍມີການວິເຄາະເພື່ອສະໜອງໄຟຟ້າໃຫ້ "ມີຄວາມສະຖຽນ, ບໍ່ສູນເປົ່າ ແລະ ພຽງພໍກັບຄວາມຕ້ອງການ" ເປັນ ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ.

ຢູ່ໂຮງໄຟຟ້ານໍ້າຕົກ, ອຸປະກອນຕ່າງໆ ເຊັ່ນ: ກັງຫັນ, ເຄື່ອງກຳເນີດໄຟຟ້າ, ປະຕູນໍ້າ ແລະ ໝໍ້ແປງໄຟຟ້າ ຈະຕ້ອງເຮັດວຽກຢ່າງຕໍ່ເນື່ອງເປັນເວລາດົນນານ. ຖ້າຫາກສາມາດວິເຄາະຂໍ້ມູນການເຮັດວຽກເຫຼົ່ານີ້ (ເຊັ່ນ: ການສັ່ນສະເທືອນ, ອຸນຫະພູມ, ກຳລັງໄຟຟ້າທີ່ຜະລິດໄດ້, ລະດັບນໍ້າ ແລະ ອື່ນໆ) ເພື່ອຈັບສັນຍານເຕືອນໄພເບື້ອງຕົ້ນຂອງຄວາມຜິດປົກກະຕິໄດ້, ກໍຈະສາມາດຫຼຸດຜ່ອນການຢຸດເຮັດວຽກທີ່ບໍ່ໄດ້ວາງແຜນໄວ້ ແລະ ເພີ່ມປະສິດທິພາບໃນການກຳນົດເວລາບຳລຸງຮັກສາໄດ້. ເຖິງວ່າແນວຄວາມຄິດຈະຄ້າຍຄືກັນກັບການບຳລຸງຮັກສາແບບຄາດການລ່ວງໜ້າໃນອຸດສາຫະກຳບໍ່ແຮ່, ແຕ່ສຳລັບການຜະລິດໄຟຟ້ານັ້ນ ການຢຸດເຮັດວຽກໝາຍເຖິງ "ການສູນເສຍລາຍໄດ້ຈາກການຂາຍໄຟຟ້າ" ໃນທັນທີ, ດັ່ງນັ້ນການເພີ່ມອັດຕາການເຮັດວຽກຈຶ່ງມີມູນຄ່າສູງເປັນພິເສດ.

ການຜະລິດໄຟຟ້ານໍ້າຕົກຈະຂຶ້ນຢູ່ກັບປະລິມານນໍ້າຝົນ ແລະ ການໄຫຼຂອງນໍ້າໃນແມ່ນໍ້າ. ຖ້າຫາກນຳມາປະສົມປະສານກັບການຄາດຄະເນປະລິມານນໍ້າໄຫຼເຂົ້າ, ມັນກໍຈະເຮັດໃຫ້ການວາງແຜນເພື່ອຫຼຸດຜ່ອນການສູນເສຍໂອກາດໃນການຢຸດເຮັດວຽກງ່າຍຂຶ້ນ ເຊັ່ນ: ການເລື່ອນວຽກງານບຳລຸງຮັກສາໄປໄວ້ໃນຊ່ວງເວລາທີ່ປະລິມານການຜະລິດໄຟຟ້າຫຼຸດລົງ. ໃນພາກພື້ນທີ່ປະລິມານການຜະລິດໄຟຟ້າປ່ຽນແປງຢ່າງຫຼວງຫຼາຍລະຫວ່າງລະດູແລ້ງ ແລະ ລະດູຝົນ, ການວາງແຜນບຳລຸງຮັກສາທີ່ນຳເອົາປັດໄຈດ້ານລະດູການນີ້ມາພິຈາລະນານຳຈະໃຫ້ຜົນລັດທີ່ດີຫຼາຍ.

ໃນກໍລະນີນີ້ເຊັ່ນກັນ, ວິທີທີ່ໝັ້ນຄົງທີ່ສຸດແມ່ນການເລີ່ມຕົ້ນຈາກອຸປະກອນຫຼັກທີ່ສົ່ງຜົນກະທົບສູງຕໍ່ການຫຼຸດລົງຂອງກຳລັງການຜະລິດ ຫຼື ການຢຸດເຮັດວຽກ, ຈາກນັ້ນຈຶ່ງຂະຫຍາຍຂອບເຂດອອກໄປຫຼັງຈາກທີ່ມີການສະສົມຂໍ້ມູນ ແລະ ຢືນຢັນຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນແລ້ວ. ຍິ່ງອຸປະກອນມີຄວາມທັນສະໄໝ ແລະ ມີເຊັນເຊີທີ່ພ້ອມສຳລັບ ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ກໍຈະຍິ່ງນຳໃຊ້ໄດ້ໄວ, ແຕ່ເຖິງແມ່ນວ່າຈະເປັນອຸປະກອນທີ່ມີຢູ່ແລ້ວກໍສາມາດເລີ່ມຕົ້ນໄດ້ໂດຍການໃຊ້ເຊັນເຊີທີ່ຕິດຕັ້ງເພີ່ມ ແລະ ບັນທຶກການເຮັດວຽກທີ່ມີຢູ່. ໂຮງໄຟຟ້າທີ່ເກົ່າແກ່ຫຼາຍແຫ່ງອາດຈະຍັງມີບັນທຶກການເຮັດວຽກຢູ່ໃນຮູບແບບເຈ້ຍ, ເຊິ່ງໃນກໍລະນີດັ່ງກ່າວ ການປ່ຽນເປັນດິຈິຕອນຈະເປັນອຸປະສັກດ່ານທຳອິດທີ່ຕ້ອງຜ່ານ.

ໃນຕາໜ່າງໄຟຟ້າທີ່ສົ່ງກະແສໄຟຟ້າທີ່ຜະລິດໄດ້ໄປຍັງແຫຼ່ງຄວາມຕ້ອງການ ຫຼື ປາຍທາງການສົ່ງອອກນັ້ນ, ການສູນເສຍພະລັງງານໄຟຟ້າໃນລະຫວ່າງການສົ່ງ ແລະ ຄວາມບໍ່ສົມດຸນຂອງການສະໜອງ ແລະ ຄວາມຕ້ອງການ ຈະເຮັດໃຫ້ປະສິດທິພາບຫຼຸດລົງ. ການປັບປ່ຽນການສົ່ງໄຟຟ້າໂດຍອີງໃສ່ຄວາມຕ້ອງການ, ການສະໜອງ ແລະ ສະພາບຂອງອຸປະກອນ ຈະຊ່ວຍໃຫ້ສາມາດບັນລຸທັງການຫຼຸດຜ່ອນການສູນເສຍ ແລະ ການສະໜອງໄຟຟ້າທີ່ໝັ້ນຄົງ. ຍິ່ງມີແຫຼ່ງພະລັງງານທີ່ມີຜົນຜະລິດບໍ່ຄົງທີ່ເພີ່ມຂຶ້ນ ເຊັ່ນ: ພະລັງງານທົດແທນ, ຄວາມສຳຄັນຂອງການຄວບຄຸມເພື່ອປັບປ່ຽນການສະໜອງ ແລະ ຄວາມຕ້ອງການຢ່າງລະອຽດກໍຈະ ເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ. ພະລັງງານນ້ຳກໍມີລັກສະນະເປັນແຫຼ່ງພະລັງງານທີ່ບໍ່ຄົງທີ່ເຊັ່ນກັນ ເນື່ອງຈາກຜົນຜະລິດປ່ຽນແປງໄປຕາມປະລິມານນ້ຳຝົນ.

ການປັບປຸງຕາໜ່າງໄຟຟ້າໃຫ້ເໝາະສົມ (Grid Optimization) ແມ່ນຍາກທີ່ຈະສຳເລັດໄດ້ດ້ວຍຜູ້ປະກອບການພຽງລາຍດຽວ, ຈຳເປັນຕ້ອງມີການລວບລວມຂໍ້ມູນຈາກຝ່າຍຜະລິດ, ຝ່າຍສົ່ງໄຟຟ້າ ແລະ ຝ່າຍຄວາມຕ້ອງການ. ດັ່ງນັ້ນ, ໃນເບື້ອງຕົ້ນ ການເລີ່ມຕົ້ນຈາກຂອບເຂດຂໍ້ມູນທີ່ບໍລິສັດສາມາດຖືຄອງ ແລະ ເກັບກຳໄດ້ ເຊັ່ນ: ການຕິດຕາມສະພາບຂອງໝໍ້ແປງໄຟຟ້າ ແລະ ສາຍສົ່ງ, ລວມເຖິງການຄາດຄະເນຄວາມຕ້ອງການ ແລະ ການສະໜອງໃນລະດັບທ້ອງຖິ່ນ ຈຶ່ງເປັນທາງເລືອກທີ່ເປັນໄປໄດ້ຫຼາຍທີ່ສຸດ. ການຕິດຕາມສະພາບຂອງອຸປະກອນຍັງມີສ່ວນຄາບກ່ຽວກັບການບຳລຸງຮັກສາແບບຄາດການ (Predictive Maintenance) ທີ່ກ່າວມາຂ້າງຕົ້ນ, ເຊິ່ງສາມາດນຳໃຊ້ຂໍ້ມູນເຊັນເຊີດຽວກັນເພື່ອປະໂຫຍດທັງໃນດ້ານການບຳລຸງຮັກສາ ແລະ ປະສິດທິພາບການສົ່ງໄຟຟ້າ.

ສຳລັບປະເທດລາວທີ່ສົ່ງອອກໄຟຟ້າ, ປະສິດທິພາບໃນການສົ່ງໄຟຟ້າແມ່ນກ່ຽວຂ້ອງໂດຍກົງກັບຄວາມສາມາດໃນການແຂ່ງຂັນດ້ານການສົ່ງອອກ. ດ້ວຍປະລິມານການຜະລິດໄຟຟ້າເທົ່າເດີມ, ຖ້າສາມາດຫຼຸດການສູນເສຍ ແລະ ເຮັດໃຫ້ການສະໜອງ ແລະ ຄວາມຕ້ອງການມີຄວາມເໝາະສົມທີ່ສຸດໄດ້ ກໍຈະສາມາດສົ່ງໄຟຟ້າໃນຖານະສິນຄ້າໄປເຖິງປາຍທາງໄດ້ຫຼາຍຂຶ້ນ. ການປັບປຸງການສູນເສຍໃນການສົ່ງໄຟຟ້າພຽງເລັກນ້ອຍ ສົ່ງຜົນໂດຍກົງຕໍ່ການເພີ່ມປະລິມານໄຟຟ້າທີ່ສາມາດສົ່ງອອກໄດ້, ເຊິ່ງເປັນຂົງເຂດທີ່ສາມາດອະທິບາຍເຖິງຄວາມຄຸ້ມຄ່າຂອງການລົງທຶນໄດ້ງ່າຍ.

ໄຟຟ້າເປັນສິນຄ້າທີ່ເກັບຮັກສາໄວ້ໄດ້ຍາກ, ຖ້າຫາກຄາດຄະເນ "ເວລາ ແລະ ປະລິມານຄວາມຕ້ອງການ" ຜິດພາດ, ໄຟຟ້າທີ່ເຫຼືອເກີນ ຫຼື ບໍ່ພຽງພໍຈະກາຍເປັນການສູນເສຍໂດຍກົງ. ການຄາດຄະເນຄວາມຕ້ອງການພາຍໃນປະເທດ ແລະ ຄວາມຕ້ອງການຂອງຕະຫຼາດສົ່ງອອກ ເພື່ອນຳມາປັບໃຊ້ໃນແຜນການຜະລິດ ແລະ ສົ່ງໄຟຟ້ານັ້ນ ແມ່ນປັດໄຈທີ່ສົ່ງຜົນຕໍ່ລາຍຮັບຂອງທຸລະກິດໄຟຟ້ານ້ຳຕົກ.

ການຄາດຄະເນຄວາມຕ້ອງການນັ້ນ ຕ້ອງອາໄສຫຼາຍປັດໄຈລວມເຂົ້າກັນ ນອກເໜືອໄປຈາກຂໍ້ມູນຄວາມຕ້ອງການໃນອະດີດ ເຊັ່ນ: ສະພາບອາກາດ, ລະດູການ, ກິດຈະກຳທາງເສດຖະກິດ ແລະ ສະຖານະການຂອງປະເທດປາຍທາງ. ການນຳເອົາຂໍ້ມູນເຫຼົ່ານີ້ມາປະມວນຜົນ ແລະ ແຍກການຄາດຄະເນອອກເປັນໄລຍະສັ້ນ (ລະດັບຊົ່ວໂມງ/ວັນ) ແລະ ໄລຍະຍາວ (ລະດັບລະດູການ/ປີ) ຈະຊ່ວຍໃຫ້ໄດ້ປຽບທັງໃນດ້ານການວາງແຜນການດຳເນີນງານ ແລະ ການເຈລະຈາສັນຍາ.

ການຄາດຄະເນຄວາມຕ້ອງການສາມາດເລີ່ມຕົ້ນໄດ້ເຖິງແມ່ນວ່າຈະມີຂໍ້ມູນພຽງເລັກນ້ອຍ. ວິທີການທີ່ເໝາະສົມໃນທາງປະຕິບັດຄື ການເລີ່ມຕົ້ນຈາກຈຸດນ້ອຍໆດ້ວຍຂໍ້ມູນທີ່ມີຢູ່ແລ້ວໃນມື, ຈາກນັ້ນຈຶ່ງຄ່ອຍໆເພີ່ມປັດໄຈຕ່າງໆເຂົ້າໄປໃນຂະນະທີ່ຕິດຕາມຄວາມຖືກຕ້ອງຂອງຜົນລວມ. ສຳລັບວິທີການດຳເນີນການຄາດຄະເນຄວາມຕ້ອງການທີ່ສາມາດເລີ່ມຕົ້ນໄດ້ໂດຍບໍ່ຈຳເປັນຕ້ອງມີ Big Data ນັ້ນ ໄດ້ມີການອະທິບາຍໄວ້ຢ່າງລະອຽດໃນ ການຄາດຄະເນຄວາມຕ້ອງການດ້ວຍ AI ໃນລາວໂດຍບໍ່ຕ້ອງມີ Big Data ເຊິ່ງສາມາດນຳໄປປະຍຸກໃຊ້ໂດຍປ່ຽນຈາກ "ສິນຄ້າຄົງຄັງ" ມາເປັນ "ໄຟຟ້າ" ໄດ້.

ການນຳ AI ມາໃຊ້ໃນອຸດສາຫະກຳບໍ່ແຮ່ ແລະ ພະລັງງານ ຄວນດຳເນີນການເປັນຂັ້ນຕອນ ໂດຍເລີ່ມຈາກການກຽມຄວາມພ້ອມດ້ານໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ຂອງຂໍ້ມູນ, ການຄັດເລືອກວຽກງານທີ່ມີຄວາມສຳຄັນ, ການເຮັດ PoC, ຈົນໄປເຖິງການນຳໃຊ້ງານຈິງ. ກົດເຫຼັກເພື່ອຫຼີກລ່ຽງຄວາມຜິດພາດຄື ຢ່າຟ້າວຂະຫຍາຍຜົນໄປທົ່ວທັງອົງກອນໃນຄັ້ງດຽວ, ແຕ່ໃຫ້ເລີ່ມຕົ້ນຈາກຈຸດນ້ອຍໆໃນວຽກງານທີ່ສາມາດເຫັນຜົນໄດ້ຊັດເຈນ.

ຂັ້ນຕອນທີ 1: ກວດສອບສະຖານທີ່ຈັດເກັບຂໍ້ມູນ. ເຮັດການສຳຫຼວດວ່າບັນທຶກການເຮັດວຽກຂອງອຸປະກອນ, ປະຫວັດການບຳລຸງຮັກສາ, ຜົນງານການແຍກແຮ່ ຫຼື ການຜະລິດໄຟຟ້າ, ແລະ ຂໍ້ມູນຄວາມຕ້ອງການຕ່າງໆ ຖືກຈັດເກັບໄວ້ຢູ່ໃສ ແລະ ໃນຮູບແບບໃດ. ໃນກໍລະນີທີ່ຂໍ້ມູນຍັງຄົງຢູ່ໃນຮູບແບບເຈ້ຍ ຫຼື ບັນທຶກທີ່ກະຈັດກະຈາຍ, ໃຫ້ເລີ່ມຕົ້ນຈາກການປ່ຽນເປັນດິຈິຕອນໃນລະດັບຂັ້ນພື້ນຖານກ່ອນ. ຢ່າຂ້າມຂັ້ນຕອນທີ່ວ່າ "ຕ້ອງມີຂໍ້ມູນກ່ອນຈະນຳໃຊ້ AI".

ຂັ້ນຕອນທີ 2: ເລືອກວຽກງານບູລິມະສິດ 1 ຢ່າງ. ຢ່າພະຍາຍາມເຮັດທຸກຢ່າງພ້ອມກັນ, ໃຫ້ເລືອກວຽກງານທີ່ເຫັນຜົນຕອບແທນເປັນມູນຄ່າໄດ້ງ່າຍ ແລະ ມີຂໍ້ມູນຂ້ອນຂ້າງຄົບຖ້ວນ ເຊັ່ນ: "ການບຳລຸງຮັກສາແບບຄາດການລ່ວງໜ້າສຳລັບອຸປະກອນທີ່ມີຄວາມສ່ຽງຕໍ່ການຢຸດສະງັກສູງ", "ຂະບວນການແຍກແຮ່ທີ່ມີອັດຕາຜົນຜະລິດຕ່ຳ", ຫຼື "ຄວາມຕ້ອງການທີ່ຄາດການໄດ້ຍາກ".

ແນວທາງໃນການຈັດລຳດັບຄວາມສຳຄັນມີສ່ວນທີ່ຄ້າຍຄືກັນໃນທຸກອຸດສາຫະກຳ. ຄູ່ມືການຕັດສິນໃຈລົງທຶນ AI ຕາມອຸດສາຫະກຳໃນລາວ ເຊິ່ງໄດ້ຈັດລະບຽບມາດຖານການຕັດສິນໃຈຈາກທັງດ້ານຄວາມຄຸ້ມຄ່າຂອງການລົງທຶນ ແລະ ຄວາມຍາກງ່າຍໃນການນຳໃຊ້, ຈະເປັນຕົວຊ່ວຍອ້າງອີງໃນການເລືອກວຽກງານທຳອິດ. ຖ້າເລືອກເປົ້າໝາຍທຳອິດຜິດພາດ ກໍມີໂອກາດສູງທີ່ຈະກາຍເປັນການເຮັດ PoC ທີ່ "ໃຊ້ງານໄດ້ແຕ່ບໍ່ຮູ້ເຖິງຜົນປະໂຫຍດ", ດັ່ງນັ້ນການໃຊ້ເວລາໃນຂັ້ນຕອນນີ້ຈຶ່ງມີຄຸນຄ່າຫຼາຍ.

ຂັ້ນຕອນທີ 3: ເຮັດ PoC (ການພິສູດແນວຄວາມຄິດ) ຂະໜາດນ້ອຍ. ທົດລອງໃຊ້ແບບຈຳລອງໃນວຽກງານທີ່ເລືອກໄວ້ ໂດຍໃຊ້ເຄື່ອງມື ແລະ ໄລຍະເວລາທີ່ຈຳກັດ. ໃນຂັ້ນຕອນນີ້, ຕ້ອງກຳນົດລ່ວງໜ້າວ່າ "ຫຍັງຄືຕົວຊີ້ວັດຂອງຄວາມສຳເລັດ" (ອັດຕາການກວດພົບສັນຍານເຕືອນ, ຂອບເຂດການປັບປຸງອັດຕາຜົນຜະລິດ, ຄ່າຄວາມຜິດພາດໃນການຄາດຄະເນ ແລະ ອື່ນໆ). ຖ້າບໍ່ມີຕົວຊີ້ວັດ, ຜົນຂອງ PoC ກໍຈະບໍ່ສາມາດນຳໄປສູ່ການຕັດສິນໃຈເພື່ອເປີດຕົວ ຫຼື Launch ໃຊ້ງານຈິງໄດ້.

ຂັ້ນຕອນທີ 4: ປະສົມປະສານເຂົ້າໃນການດຳເນີນງານໜ້າວຽກ. ເມື່ອຢືນຢັນຜົນໄດ້ຮັບຈາກ PoC ແລ້ວ, ໃຫ້ອອກແບບວິທີການນຳຜົນການຄາດຄະເນໄປປັບໃຊ້ໃນຂັ້ນຕອນການເຮັດວຽກຕົວຈິງ. ພຽງແຕ່ເມື່ອມີການກຳນົດຢ່າງຊັດເຈນວ່າໃຜຈະເປັນຜູ້ຮັບການແຈ້ງເຕືອນ ແລະ ຈະມີວິທີການຮັບມືແນວໃດ, AI ຈຶ່ງຈະສາມາດສ້າງຜົນສຳເລັດໄດ້. ບໍ່ພຽງແຕ່ຄວາມແມ່ນຍຳຂອງແບບຈຳລອງເທົ່ານັ້ນ, ແຕ່ການອອກແບບຂະບວນການ ຫຼື Pipeline ການດຳເນີນງານກໍເປັນຕົວຕັດສິນຄວາມສຳເລັດ ຫຼື ຄວາມລົ້ມເຫຼວ.

ຂັ້ນຕອນທີ 5: ຂະຫຍາຍຂອບເຂດ ແລະ ປັບປຸງຢ່າງຕໍ່ເນື່ອງ. ເມື່ອສາມາດນຳໃຊ້ໄດ້ຢ່າງໝັ້ນຄົງໃນວຽກງານໜຶ່ງແລ້ວ, ໃຫ້ຂະຫຍາຍໄປສູ່ເຄື່ອງມື ຫຼື ຂະບວນການທີ່ກ່ຽວຂ້ອງ. ເນື່ອງຈາກເງື່ອນໄຂການເຮັດວຽກຈະມີການປ່ຽນແປງໄປຕາມເວລາ, ດັ່ງນັ້ນແບບຈຳລອງຈຶ່ງບໍ່ແມ່ນສິ່ງທີ່ສ້າງແລ້ວຈົບໄປ, ແຕ່ຕ້ອງດຳເນີນງານໂດຍມີເງື່ອນໄຂວ່າຕ້ອງມີການອັບເດດຢ່າງຕໍ່ເນື່ອງໂດຍປຽບທຽບກັບຜົນງານຕົວຈິງ.

ວິທີການດຳເນີນງານແບບເປັນຂັ້ນຕອນນີ້ ເປັນວິທີທີ່ເໝາະສົມສຳລັບໜ້າວຽກທີ່ເລີ່ມຕົ້ນດ້ວຍງົບປະມານຈຳກັດ ເຊິ່ງເປັນການສະແດງໃຫ້ເຫັນເຖິງປະສິດທິພາບຜ່ານ PoC ກ່ອນທີ່ຈະຂະຫຍາຍການລົງທຶນ.

ການນຳໃຊ້ AI ໃນຂະແໜງບໍ່ແຮ່ ແລະ ພະລັງງານຂອງລາວ ມັກຈະປະສົບກັບບັນຫາຢູ່ 2 ຢ່າງ ຄື: ການຂາດແຄນຂໍ້ມູນ ແລະ ການຂາດແຄນບຸກຄະລາກອນ. ທັງສອງບັນຫານີ້ສາມາດແກ້ໄຂໄດ້ດ້ວຍການ "ເລີ່ມຕົ້ນຈາກຈຸດນ້ອຍໆ ໂດຍບໍ່ຕ້ອງລໍຖ້າໃຫ້ທຸກຢ່າງສົມບູນແບບ".

ຫຼາຍຄົນມັກຄິດວ່າ "ການເລີ່ມຕົ້ນໃຊ້ AI ຕ້ອງມີຂໍ້ມູນຈຳນວນມະຫາສານ" ຈຶ່ງເຮັດໃຫ້ບໍ່ກ້າເລີ່ມຕົ້ນ. ແຕ່ໃນຄວາມເປັນຈິງແລ້ວ, ມີຫຼາຍວຽກງານທີ່ສາມາດເລີ່ມຕົ້ນໄດ້ດ້ວຍຂໍ້ມູນຈຳນວນໜ້ອຍ ຫຼື ຈາກບັນທຶກການເຮັດວຽກທີ່ມີຢູ່ແລ້ວ. ຖ້າເປັນການບຳລຸງຮັກສາແບບຄາດການ (Predictive Maintenance) ກໍສາມາດເລີ່ມຈາກອຸປະກອນພຽງສອງສາມເຄື່ອງ, ຫຼື ຖ້າເປັນການຄາດຄະເນຄວາມຕ້ອງການກໍສາມາດເລີ່ມຈາກຂໍ້ມູນຜົນງານທີ່ມີຢູ່ໃນມື, ໂດຍການສ້າງແບບຈຳລອງຂະໜາດນ້ອຍຂຶ້ນມາເພື່ອທົດສອບຄວາມຖືກຕ້ອງກ່ອນ.

ໃນສະຖານທີ່ທີ່ເຄືອຂ່າຍ ຫຼື ການສະໜອງພະລັງງານບໍ່ສະຖຽນ, ການທົບທວນຄືນສົມມຸດຕິຖານທີ່ວ່າຕ້ອງສົ່ງຂໍ້ມູນທັງໝົດຂຶ້ນ Cloud ກໍເປັນສິ່ງທີ່ຄວນເຮັດ. ການອອກແບບລະບົບໃຫ້ການປະມວນຜົນທີ່ສຳຄັນເກີດຂຶ້ນຢູ່ໜ້າວຽກ ແລະ ເມື່ອການສື່ສານກັບມາໃຊ້ງານໄດ້ປົກກະຕິ ຈຶ່ງຄ່ອຍ ເຊື່ອມຕໍ່ ຫຼື ຊິງຄ໌ຂໍ້ມູນ ລວມກັນ ແມ່ນວິທີທີ່ເໝາະສົມໃນສະພາບແວດລ້ອມທີ່ມີຊັບພະຍາກອນຈຳກັດ.

ຖ້າລໍຖ້າໃຫ້ມີຖານຂໍ້ມູນທີ່ສົມບູນແບບ, ທ່ານກໍຈະບໍ່ມີວັນໄດ້ເລີ່ມຕົ້ນ. ໃຫ້ເລີ່ມຈາກການຄິດຍ້ອນກັບວ່າ "ຂໍ້ມູນທີ່ມີຢູ່ໃນປັດຈຸບັນສາມາດຄາດຄະເນຫຍັງໄດ້ແດ່" ແລ້ວຈຶ່ງຄ່ອຍໆຕື່ມສ່ວນທີ່ຂາດຫາຍໄປໃນລະຫວ່າງການດຳເນີນງານ. ລາຍການກວດສອບການກຽມຄວາມພ້ອມສຳລັບການນຳໃຊ້ AI ສຳລັບວິສາຫະກິດຂະໜາດນ້ອຍ ແລະ ກາງໃນລາວ ເຊິ່ງໄດ້ຮວບຮວມການກຽມຄວາມພ້ອມກ່ອນການນຳໃຊ້ໄວ້ນັ້ນ, ສາມາດນຳໄປໃຊ້ເພື່ອປ້ອງກັນການຕົກຫຼົ່ນໃນການກຽມຄວາມພ້ອມເບື້ອງຕົ້ນໄດ້ ບໍ່ວ່າຈະເປັນທຸລະກິດຂະໜາດໃດກໍຕາມ.

ເຖິງແມ່ນວ່າຈະມີການນຳໃຊ້ AI ເຂົ້າມາ ແຕ່ຖ້າພະນັກງານໜ້າວຽກບໍ່ສາມາດເຂົ້າໃຈຜົນລັອກ ແລະ ນຳໄປໃຊ້ໃນການດຳເນີນງານປະຈຳວັນໄດ້ ກໍຈະບໍ່ສາມາດນຳມາໃຊ້ງານໄດ້ຢ່າງຍືນຍົງ. ໃນໜ້າວຽກດ້ານບໍ່ແຮ່ ແລະ ພະລັງງານ ມີຄວາມຮູ້ຈາກປະສົບການທີ່ອຸດົມສົມບູນ, ແລະ ພຽງແຕ່ເມື່ອມີບຸກຄະລາກອນທີ່ສາມາດນຳເອົາຄວາມຮູ້ນັ້ນມາປຽບທຽບກັບຂໍ້ສະເໜີຂອງຕົວແບບ (Model) ໄດ້ເທົ່ານັ້ນ, AI ຈຶ່ງຈະກາຍເປັນເຄື່ອງມືທີ່ໃຊ້ງານໄດ້ຈິງໃນໜ້າວຽກ.

ດ້ວຍເຫດນີ້, ການສ້າງລະບົບທີ່ພະນັກງານທ້ອງຖິ່ນສາມາດຮຽນຮູ້ວິທີການເບິ່ງຂໍ້ມູນ ແລະ ການຕີຄວາມໝາຍຜົນການຄາດຄະເນໄດ້ ຈຶ່ງມີຄວາມສຳຄັນຫຼາຍກວ່າການຝາກຄວາມຫວັງໄວ້ກັບຜູ້ຂາຍ (Vendor) ພາຍນອກພຽງຢ່າງດຽວ. ແທນທີ່ຈະຊອກຫາບຸກຄະລາກອນທີ່ສາມາດຂຽນລະບົບອັນກໍຣິດຶມ (Algorithm) ຂັ້ນສູງໄດ້ໃນທັນທີ, ຄວນເລີ່ມຈາກການພັດທະນາຄົນທີ່ "ສາມາດອ່ານຂໍ້ມູນ ແລະ ແປຄວາມໝາຍຂໍ້ສະເໜີຂອງ AI ໃຫ້ກາຍເປັນການຕັດສິນໃຈໃນການເຮັດວຽກໄດ້".

ໃນກໍລະນີທີ່ບໍລິສັດຍີ່ປຸ່ນດຳເນີນທຸລະກິດໃນລາວ, ການເຊື່ອມຕໍ່ລະຫວ່າງຄວາມຮູ້ຂອງສຳນັກງານໃຫຍ່ໃນຍີ່ປຸ່ນ ກັບຄວາມຮູ້ສຶກໜ້າວຽກຂອງພະນັກງານທ້ອງຖິ່ນ ກໍເປັນປະເດັນສຳຄັນເຊັ່ນກັນ. ການອອກແບບທີ່ເປີດໂອກາດໃຫ້ສາມາດປັບປຸງໃນຂະນະທີ່ດຳເນີນງານຢູ່ໃນພື້ນທີ່ຕົວຈິງ ໂດຍບໍ່ແມ່ນການບັງຄັບໃຊ້ລະບົບຈາກສຳນັກງານໃຫຍ່ພຽງຝ່າຍດຽວ ຈະນຳໄປສູ່ການນຳໃຊ້ໄດ້ຢ່າງຍາວນານ. ເຖິງວ່າການຂາດແຄນບຸກຄະລາກອນຈະເປັນຂໍ້ຈຳກັດ, ແຕ່ການອອກແບບລະບົບການດຳເນີນງານທີ່ສາມາດຂັບເຄື່ອນໄດ້ດ້ວຍຄົນຈຳນວນໜ້ອຍນັ້ນ ແມ່ນສາມາດເຮັດໄດ້ຢ່າງແນ່ນອນ.

Q. ຂໍ້ມູນຍັງບໍ່ທັນມີຄວາມພ້ອມຫຼາຍ, ສາມາດເລີ່ມຕົ້ນໃຊ້ AI ໄດ້ບໍ? ສາມາດເລີ່ມຕົ້ນໄດ້ໃນບາງກໍລະນີ. ການບຳລຸງຮັກສາແບບຄາດການ (Predictive Maintenance) ແລະ ການຄາດຄະເນຄວາມຕ້ອງການ ສາມາດທົດລອງໃນຂອບເຂດນ້ອຍໆ ຈາກອຸປະກອນຈຳນວນໜ້ອຍ ຫຼື ຂໍ້ມູນຜົນງານທີ່ມີຢູ່ໃນມື. ສິ່ງສຳຄັນບໍ່ແມ່ນການເກັບກຳຂໍ້ມູນຈຳນວນມະຫາສານຕັ້ງແຕ່ຕົ້ນ, ແຕ່ແມ່ນການເບິ່ງໃຫ້ອອກວ່າ "ຂໍ້ມູນທີ່ມີຢູ່ໃນປັດຈຸບັນສາມາດຄາດຄະເນຫຍັງໄດ້ແດ່" ແລະ ຄ່ອຍໆຕື່ມສ່ວນທີ່ຂາດຫາຍໄປໃນລະຫວ່າງການດຳເນີນງານ.

Q. ຄວນເລີ່ມຕົ້ນຈາກອຸດສາຫະກຳບໍ່ແຮ່ ຫຼື ການຜະລິດໄຟຟ້າກ່ອນດີ? ບໍ່ສາມາດຕັດສິນໄດ້ຢ່າງເດັດຂາດ. ຫຼັກການແມ່ນໃຫ້ເລືອກໜ້າວຽກ 1 ຢ່າງ ທີ່ມີຄວາມສ່ຽງຕໍ່ການຢຸດສະງັກສູງ ຫຼື ວຽກທີ່ສາມາດເຫັນຊ່ອງວ່າງໃນການປັບປຸງຜົນຜະລິດ ແລະ ການຄາດຄະເນຄວາມຕ້ອງການເປັນຕົວເລກໄດ້ຢ່າງຊັດເຈນ. ຖ້າເລືອກໂດຍອີງໃສ່ "ການຄາດຄະເນທີ່ຫາກຜິດພາດແລ້ວຈະສົ່ງຜົນເສຍຫາຍຫຼາຍທີ່ສຸດ" ຂອງບໍລິສັດຕົນເອງ, ຈະເຮັດໃຫ້ເຫັນຜົນໄດ້ຢ່າງຊັດເຈນ.

Q. ຖ້ານຳ AI ມາໃຊ້ແລ້ວ, ຈະບໍ່ຈຳເປັນຕ້ອງໃຊ້ແຮງງານຄົນອີກຕໍ່ໄປແມ່ນບໍ? ບໍ່ແມ່ນ. AI ຈະຊ່ວຍສະໜັບສະໜູນການຕັດສິນໃຈໂດຍການກວດຫາສັນຍານເຕືອນໄພ ຫຼື ການຄາດຄະເນ, ແຕ່ການຕັດສິນໃຈຂັ້ນສຸດທ້າຍ ແລະ ການຈັດການໜ້າວຽກຕົວຈິງຍັງຕ້ອງເປັນໜ້າທີ່ຂອງຄົນ. ໃນທາງກົງກັນຂ້າມ, ບົດບາດຂອງບຸກຄະລາກອນທີ່ສາມາດນຳຂໍ້ສະເໜີຂອງ AI ມາປັບໃຊ້ຮ່ວມກັບຄວາມຮູ້ໜ້າວຽກຕົວຈິງຈະມີຄວາມສຳຄັນຫຼາຍຂຶ້ນ. ການເບິ່ງວ່າ AI ເປັນເຄື່ອງມືທີ່ຊ່ວຍຍົກລະດັບການຕັດສິນໃຈຂອງບຸກຄະລາກອນທີ່ມີຢູ່ຢ່າງຈຳກັດ ຈະໃກ້ຄຽງກັບຄວາມເປັນຈິງຫຼາຍກວ່າການຄິດວ່າຈະມາແທນທີ່ແຮງງານຄົນ.

Q. AI ມີຜົນຕໍ່ຄວາມສາມາດໃນການແຂ່ງຂັນດ້ານການສົ່ງອອກໄຟຟ້າແນວໃດ? ດ້ວຍການຄາດຄະເນຄວາມຕ້ອງການ ແລະ ການປັບປຸງການສົ່ງໄຟຟ້າໃຫ້ມີປະສິດທິພາບສູງສຸດ, ເຮັດໃຫ້ສາມາດຫຼຸດຜ່ອນຄວາມສູນເສຍ ແລະ ສົ່ງໄຟຟ້າໄປຂາຍໄດ້ຫຼາຍຂຶ້ນເຖິງວ່າຈະມີປະລິມານການຜະລິດເທົ່າເດີມ. ການຫຼຸດຜ່ອນຄວາມສູນເສຍໃນກໍລະນີທີ່ຄາດຄະເນຄວາມຕ້ອງການ ແລະ ການສະໜອງຜິດພາດ ຈະຊ່ວຍໃຫ້ລາຍໄດ້ຂອງທຸລະກິດສົ່ງອອກມີຄວາມໝັ້ນຄົງຫຼາຍຂຶ້ນ.

ຂະແໜງການຂຸດຄົ້ນບໍ່ແຮ່ ແລະ ພະລັງງານຂອງລາວ ເປັນຂະແໜງການທີ່ມີຂໍ້ມູນມະຫາສານ ແຕ່ຍັງຢູ່ໃນໄລຍະເລີ່ມຕົ້ນຂອງການນຳໃຊ້. AI ຈະກາຍເປັນເຄື່ອງມືທີ່ຊ່ວຍປ່ຽນແປງການດຳເນີນງານຂອງອຸດສາຫະກຳຫຼັກນີ້ ຈາກການໃຊ້ "ປະສົບການ ແລະ ການຄາດເດົາ" ໄປສູ່ "ການຄາດຄະເນໂດຍອີງໃສ່ຂໍ້ມູນ". ຂໍສະຫຼຸບຈຸດສຳຄັນດັ່ງນີ້:

• ໃນຂະແໜງການຂຸດຄົ້ນບໍ່ແຮ່, ການບຳລຸງຮັກສາແບບຄາດການລ່ວງໜ້າເພື່ອຫຼຸດຜ່ອນການຢຸດສະງັກຂອງເຄື່ອງຈັກ, ການເພີ່ມປະສິດທິພາບໃນການຄັດແຍກແຮ່, ແລະ ການຕິດຕາມກວດກາດ້ານຄວາມປອດໄພ ແລະ ສິ່ງແວດລ້ອມ ແມ່ນການນຳໃຊ້ທີ່ເຫັນຜົນໄດ້ຊັດເຈນ.
• ໃນຂະແໜງໄຟຟ້ານ້ຳຕົກ, ການກວດຫາຄວາມຜິດປົກກະຕິຂອງອຸປະກອນ, ການເພີ່ມປະສິດທິພາບໃນການສົ່ງໄຟຟ້າ, ແລະ ການຄາດຄະເນຄວາມຕ້ອງການໃຊ້ໄຟຟ້າ ແມ່ນປັດໄຈທີ່ສົ່ງຜົນໂດຍກົງຕໍ່ອັດຕາການດຳເນີນງານ ແລະ ຄວາມສາມາດໃນການແຂ່ງຂັນດ້ານການສົ່ງອອກ.
• ການນຳໃຊ້ AI ບໍ່ຄວນເລີ່ມຕົ້ນແບບຮີບຮ້ອນ ແຕ່ຄວນເລີ່ມຈາກຂະໜາດນ້ອຍຕາມລຳດັບຄື: ການສຳຫຼວດຂໍ້ມູນທີ່ມີຢູ່ → ການຄັດເລືອກວຽກງານບຸລິມະສິດ → PoC → ການນຳເຂົ້າສູ່ລະບົບການດຳເນີນງານ → ແລະ ການຂະຫຍາຍຜົນ.
• ຂໍ້ຈຳກັດດ້ານຂໍ້ມູນ ແລະ ບຸກຄະລາກອນ ສາມາດແກ້ໄຂໄດ້ດ້ວຍການ "ເລີ່ມຕົ້ນຈາກຈຸດນ້ອຍໆດ້ວຍຂໍ້ມູນທີ່ມີຢູ່ ແລະ ປັບປຸງໄປພ້ອມກັບການດຳເນີນງານ" ລວມເຖິງ "ການສ້າງບຸກຄະລາກອນໃຫ້ສາມາດນຳໃຊ້ໄດ້ຈິງໃນໜ້າວຽກ".

ສຳລັບປະເທດລາວທີ່ການສົ່ງອອກໄຟຟ້າ ແລະ ການພັດທະນາຊັບພະຍາກອນເປັນເສົາຄ້ຳທາງເສດຖະກິດ, ການເພີ່ມປະສິດທິພາບໃນການດຳເນີນງານແມ່ນກ່ຽວຂ້ອງໂດຍກົງກັບຄວາມສາມາດໃນການແຂ່ງຂັນຂອງປະເທດ. ແທນທີ່ຈະລໍຖ້າໃຫ້ມີໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ທີ່ສົມບູນແບບ, ການເລີ່ມຕົ້ນຈາກວຽກງານໃດໜຶ່ງທີ່ເຫັນຜົນໄດ້ຊັດເຈນ ຈະເປັນບາດກ້າວທີ່ແນ່ນອນໃນການຂັບເຄື່ອນການນຳໃຊ້ AI ໃຫ້ກ້າວໄປຂ້າງໜ້າ. ໃນຍຸກທີ່ການຫັນເປັນດິຈິຕອນໄດ້ຮັບການສະໜັບສະໜູນທາງດ້ານນະໂຍບາຍ, ການສ້າງປະສົບການກ່ອນຈະຊ່ວຍໃຫ້ສ້າງຄວາມໄດ້ປຽບໄດ້ງ່າຍຂຶ້ນ. ຂໍໃຫ້ເລີ່ມຕົ້ນຈາກການກວດສອບເບິ່ງວ່າ ຂໍ້ມູນການດຳເນີນງານຂອງບໍລິສັດທ່ານນັ້ນຢູ່ບ່ອນໃດ.