എയർലൈനുകൾക്ക് ഇന്ധനച്ചെലവ് കുറയ്ക്കാൻ AI എങ്ങനെ സഹായിക്കുന്നു: IndiGo പരീക്ഷണങ്ങൾ ആരംഭിക്കുന്നു

ഇന്ധനച്ചെലവ് എയർലൈനുകളുടെ ലാഭക്ഷമതയെ നിരന്തരം ബാധിച്ചുകൊണ്ടിരിക്കുന്ന സാഹചര്യത്തിൽ, പ്രവർത്തനക്ഷമത വർദ്ധിപ്പിക്കുന്നതിനായി വ്യോമയാന മേഖല കൃത്രിമബുദ്ധി (Artificial Intelligence) ഉപയോഗിക്കുന്നതിലേക്ക് കൂടുതൽ ചായുന്നു. വിമാനങ്ങൾ പറന്നുയരുന്ന രീതി (takeoff procedures) മെച്ചപ്പെടുത്തുന്നതിനും ഇന്ധന ഉപഭോഗം കുറയ്ക്കുന്നതിനുമായി ഇന്ന് പരീക്ഷണങ്ങൾ ആരംഭിച്ചുകൊണ്ട് ഇന്ത്യയിലെ മുൻനിര വിമാനക്കമ്പനിയായ IndiGo ഈ സാങ്കേതിക മാറ്റത്തിന് നേതൃത്വം നൽകുന്നു.

AI വഴിയുള്ള ഇന്ധനക്ഷമതയ്ക്കായുള്ള ശ്രമങ്ങൾ

ഏതൊരു എയർലൈനിനും ഏറ്റവും വലിയ മാറിക്കൊണ്ടിരിക്കുന്ന ചെലവുകളിൽ ഒന്നാണ് ഇന്ധനം. അതിനാൽ, ഇന്ധന ഉപഭോഗത്തിൽ വരുത്തുന്ന ചെറിയ മാറ്റങ്ങൾ പോലും കമ്പനിയുടെ ലാഭത്തിൽ വലിയ സ്വാധീനം ചെലുത്തുന്നു. ഇത് പരിഹരിക്കുന്നതിനായി, വിമാനത്തിന്റെ പറക്കൽ പാരാമീറ്ററുകൾ (flight parameters) മെച്ചപ്പെടുത്തുന്നതിനായി രൂപകൽപ്പന ചെയ്ത AI അധിഷ്ഠിത അൽഗോരിതങ്ങൾ എയർലൈനുകൾ ഉപയോഗിക്കുന്നുണ്ട്. യഥാസമയം (real-time) ലഭിക്കുന്ന വൻതോതിലുള്ള വിവരങ്ങൾ വിശകലനം ചെയ്യുന്നതിലൂടെ, വിമാനം പറന്നുയരുന്നതും (takeoff) ഉയരത്തിലേക്ക് കുതിക്കുന്നതും (climb) പോലുള്ള നിർണ്ണായക ഘട്ടങ്ങൾ ഏറ്റവും കാര്യക്ഷമമായ രീതിയിൽ എങ്ങനെ പൂർത്തിയാക്കാം എന്ന് ഈ സംവിധാനങ്ങൾക്ക് കണ്ടെത്താനാകും. യാത്രയുടെ ഏറ്റവും കൂടുതൽ ഇന്ധനം ആവശ്യമായ ഘട്ടങ്ങളാണിവ.

പരിസ്ഥിതി ഘടകങ്ങളെ അടിസ്ഥാനമാക്കി ആവശ്യമായ കൃത്യമായ ത്രസ്റ്റ് (thrust), പിച്ച് (pitch) എന്നിവ കണക്കാക്കാൻ മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ചുകൊണ്ട് "മിതവ്യയപരമായ ടേക്ക്ഓഫുകൾ" (thriftier take-offs) നടപ്പിലാക്കുക എന്നതിലാണ് IndiGo-യുടെ പുതിയ സംരംഭം ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്. വ്യോമയാന സാങ്കേതികവിദ്യ പ്രതികരണാത്മകമായ അറ്റകുറ്റപ്പണികളിൽ (reactive maintenance) നിന്ന് പ്രവചനപരവും ഒപ്റ്റിമൈസ് ചെയ്തതുമായ പ്രവർത്തന നിയന്ത്രണത്തിലേക്ക് (predictive and optimized operational control) മാറുന്ന ആഗോള പ്രവണതയുടെ ഭാഗമാണിത്.

ടേക്ക്ഓഫ്, ക്ലൈംബ് ഘട്ടങ്ങളിലെ കൃത്യത

വിമാനത്തിന്റെ ഭാരം, അന്തരീക്ഷ താപനില, കാറ്റിന്റെ വേഗത, അന്തരീക്ഷ മർദ്ദം എന്നിവയുൾപ്പെടെയുള്ള തത്സമയ വിവരങ്ങൾ വിശകലനം ചെയ്യാൻ AI ഉപയോഗിക്കുക എന്നതാണ് ഈ പരീക്ഷണത്തിന്റെ കാതൽ. പരമ്പരാഗതമായ ടേക്ക്ഓഫ് രീതികൾ പലപ്പോഴും സ്റ്റാൻഡേർഡ് ഗണിത മാതൃകകളെയാണ് ആശ്രയിക്കുന്നത്. ഇതിൽ അപ്രതീക്ഷിത മാറ്റങ്ങൾ കണക്കിലെടുക്കാൻ അധിക ഇന്ധനം ഒരു "സേഫ്റ്റി ബഫർ" (safety buffer) ആയി ഉൾപ്പെടുത്താറുണ്ട്. എന്നാൽ, AI കൂടുതൽ സൂക്ഷ്മമായ കൃത്യത നൽകുന്നു.

ടേക്ക്ഓഫ് പ്രൊഫൈൽ ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിലൂടെ, വിമാനം കൂടുതൽ കാര്യക്ഷമമായി ക്രൂയിസിംഗ് ഉയരത്തിൽ (cruising altitude) എത്താൻ എയർലൈൻ ലക്ഷ്യമിടുന്നു. ഈ ഘട്ടങ്ങളിൽ ഇന്ധന ഉപഭോഗത്തിൽ 1% മുതൽ 2% വരെ കുറവ് വരുത്തിയാൽ പോലും, IndiGo പോലുള്ള ഉയർന്ന ഇടverkehrമുള്ള ഒരു കമ്പനിക്ക് പ്രതിവർഷം ദശലക്ഷക്കണക്കിന് ഡോളർ ലാഭിക്കാൻ സാധിക്കും. അതോടൊപ്പം തന്നെ ഓരോ വിമാനത്തിന്റെയും കാർബൺ ഫൂട്ട്പ്രിന്റ് (carbon footprint) കുറയ്ക്കാനും ഇത് സഹായിക്കും.

സുസ്ഥിരതയിലും ലാഭത്തിലും ഉണ്ടാകുന്ന വിപുലമായ സ്വാധീനം

ഈ സാങ്കേതിക മാറ്റം ഇരട്ട ലക്ഷ്യങ്ങൾ നിറവേറ്റുന്നു: സാമ്പത്തിക ലാഭം വർദ്ധിപ്പിക്കുക, ഒപ്പം ESG (Environmental, Social, and Governance) ലക്ഷ്യങ്ങൾ കൈവരിക്കുക. വ്യോമയാന മേഖല കാർബൺ പുറന്തള്ളൽ കുറയ്ക്കാൻ (decarbonize) വലിയ സമ്മർദ്ദത്തിലായിരിക്കുന്ന സാഹചര്യത്തിൽ, പുതിയ വിമാനങ്ങൾ വാങ്ങുന്നതിനോ അല്ലെങ്കിൽ സസ്റ്റൈനബിൾ ഏവിയേഷൻ ഫ്യുവൽ (SAF) പോലുള്ള ബദൽ ഇന്ധനങ്ങളിൽ വലിയ തോതിൽ നിക്ഷേപം നടത്തുന്നതിനോ മുമ്പേ "ഗ്രീൻ" പ്രവർത്തനങ്ങളിലേക്ക് മാറാൻ AI ഒരു മാർഗ്ഗം ഒരുക്കുന്നു.

യാത്രക്കാരുടെ എണ്ണത്തിൽ വൻ വർദ്ധനവ് കാണുന്ന ഇന്ത്യൻ വ്യോമയാന വിപണിയിൽ, കാര്യക്ഷമത എന്നത് ഇനി ഒരു ഓപ്ഷൻ മാത്രമല്ല, അത് അനിവാര്യമാണ്. എയർലൈനുകൾ തങ്ങളുടെ പ്രവർത്തനങ്ങൾ വ്യാപിപ്പിക്കുമ്പോൾ, ഡിജിറ്റൽ പരിവർത്തനത്തിലൂടെ ഇന്ധന ഉപഭോഗം നിയന്ത്രിക്കാനുള്ള കഴിവ് കുറഞ്ഞ നിരക്കും മികച്ച ലാഭവും നിലനിർത്തുന്നതിൽ ഒരു പ്രധാന മത്സര നേട്ടമായി മാറും.

പ്രധാന കാര്യങ്ങൾ

• പ്രവർത്തന ഒപ്റ്റിമൈസേഷൻ: കൂടുതൽ ഇന്ധനക്ഷമതയുള്ള ടേക്ക്ഓഫ്, ക്ലൈംബ് പ്രൊഫൈലുകൾ നിർമ്മിക്കുന്നതിനായി AI അധിഷ്ഠിത ഡാറ്റ ഉപയോഗിക്കാൻ IndiGo പരീക്ഷണങ്ങൾ ആരംഭിക്കുന്നു.
• ചെലവും കാർബൺ കുറയ്ക്കലും: എയർലൈനുകളുടെ വൻതോതിലുള്ള ഇന്ധനച്ചെലവ് കുറയ്ക്കുന്നതിനോടൊപ്പം പരിസ്ഥിതി സുസ്ഥിരത ലക്ഷ്യങ്ങൾ കൈവരിക്കാനും ഈ സംരംഭം ലക്ഷ്യമിടുന്നു.
• ഡാറ്റാ അധിഷ്ഠിത കൃത്യത: പൊതുവായ സേഫ്റ്റി ബഫറുകൾക്ക് പകരം കൃത്യവും ഒപ്റ്റിമൈസ് ചെയ്തതുമായ ഫ്ലൈറ്റ് പാരാമീറ്ററുകൾ നൽകുന്നതിനായി, വിമാനത്തിന്റെ ഭാരം, കാലാവസ്ഥ തുടങ്ങിയ തത്സമയ ഘടകങ്ങളെ AI മോഡലുകൾ വിശകലനം ചെയ്യും.