എയർലൈനുകൾക്ക് ഇന്ധനം ലാഭിക്കാൻ AI എങ്ങനെ സഹായിക്കുന്നു: IndiGo പരീക്ഷണാടിസ്ഥാനത്തിൽ പ്രവർത്തനങ്ങൾ ആരംഭിക്കുന്നു

വ്യോമയാന മേഖലയിൽ ഇന്ധനവിലയിലെ അസ്ഥിരത വലിയൊരു വെല്ലുവിളിയായി തുടരുന്ന സാഹചര്യത്തിൽ, ലാഭം സംരക്ഷിക്കുന്നതിനായി എയർലൈനുകൾ അത്യാധുനിക സാങ്കേതികവിദ്യയുടെ സഹായം തേടുകയാണ്. ഇന്ധന ഉപഭോഗം കുറയ്ക്കുന്നതിനായി AI അധിഷ്ഠിത ടേക്ക്ഓഫ് (takeoff) രീതികളുടെ പരീക്ഷണാടിസ്ഥാനത്തിലുള്ള പ്രവർത്തനങ്ങൾ ആരംഭിച്ചുകൊണ്ട് ഇന്ത്യയിലെ പ്രമുഖ വിമാനക്കമ്പനിയായ IndiGo ഈ ഡിജിറ്റൽ പരിവർത്തനത്തിന് നേതൃത്വം നൽകുന്നു.

AI ഉപയോഗിച്ച് മെച്ചപ്പെടുത്തിയ ഫ്ലൈറ്റ് പ്രവർത്തനങ്ങളിലേക്കുള്ള മാറ്റം

ഏതൊരു എയർലൈനിനും ഏറ്റവും വലിയ പ്രവർത്തനച്ചെലവുകളിൽ ഒന്നാണ് ഇന്ധനം. അതിനാൽ, കാര്യക്ഷമതയിൽ ഉണ്ടാകുന്ന ചെറിയ മാറ്റങ്ങൾ പോലും വലിയ ലാഭമുണ്ടാക്കാൻ സഹായിക്കും. വർദ്ധിച്ചുവരുന്ന ചെലവുകളെയും കാർബൺ പുറന്തള്ളലിനെയും (carbon footprint) പ്രതിരോധിക്കാൻ, എയർലൈനുകൾ തങ്ങളുടെ ഫ്ലൈറ്റ് മാനേജ്‌മെന്റ് സംവിധാനങ്ങളിൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (AI) കൂടുതൽ ഉൾപ്പെടുത്തിക്കൊണ്ടിരിക്കുന്നു.

"മിതവ്യയ ടേക്ക്ഓഫുകൾക്കായി" (thriftier take-offs) ഇന്ന് പരീക്ഷണങ്ങൾ ആരംഭിച്ചുകൊണ്ട് IndiGo ഈ ദിശയിൽ സുപ്രധാനമായ ഒരു ചുവടുവെപ്പ് നടത്തുകയാണ്. AI അൽഗോരിതങ്ങൾ ഉപയോഗിക്കുന്നതിലൂടെ, ടേക്ക്ഓഫ് ചലനങ്ങളുടെ കൃത്യത മെച്ചപ്പെടുത്താനും, സുരക്ഷിതവും കാര്യക്ഷമവുമായ ക്രൂയിസിംഗ് ഉയരത്തിൽ (cruising altitude) എത്തുന്നതിന് ആവശ്യമായ കുറഞ്ഞ അളവിൽ മാത്രം ഇന്ധനം ഉപയോഗിക്കുന്നുവെന്ന് ഉറപ്പാക്കാനും എയർലൈൻ ലക്ഷ്യമിടുന്നു. ഡാറ്റാ അധിഷ്ഠിതമായ ഈ സമീപനം, പരമ്പരാഗതമായ പൊതുവായ ടേക്ക്ഓഫ് രീതികളിൽ നിന്ന് മാറി, ഓരോ സാഹചര്യത്തിനും അനുസൃതമായ തത്സമയ കണക്കുകൂട്ടലുകളിലേക്ക് മാറുന്നു.

ഇന്ധനക്ഷമതയ്ക്കായുള്ള കൃത്യതയാർന്ന എഞ്ചിനീയറിംഗ്

ഈ സാങ്കേതിക മാറ്റത്തിന്റെ കാതൽ, വൻതോതിലുള്ള ഡാറ്റാസെറ്റുകൾ തത്സമയം വിശകലനം ചെയ്യാനുള്ള AI-യുടെ കഴിവിലാണ്. മാനദണ്ഡങ്ങൾക്കനുസരിച്ചുള്ള നടപടിക്രമങ്ങളെ ആശ്രയിക്കുന്ന മനുഷ്യരായ പൈലറ്റുമാരിൽ നിന്ന് വ്യത്യസ്തമായി, താഴെ പറയുന്ന സങ്കീർണ്ണമായ ഘടകങ്ങളെ ഒരേസമയം വിശകലനം ചെയ്യാൻ AI മോഡലുകൾക്ക് സാധിക്കും:

• തത്സമയ അന്തരീക്ഷ വിവരങ്ങൾ: കാറ്റിന്റെ വേഗത, താപനില, വായുവിന്റെ സാന്ദ്രത എന്നിവയ്ക്കനുസരിച്ച് ക്രമീകരിക്കുന്നു.
• വിമാനത്തിന്റെ ഭാരവും സന്തുലിതാവസ്ഥയും: വിമാനത്തിലെ ഭാരം (payload) കണക്കിലെടുത്ത് കൃത്യമായ ഇന്ധന ഉപഭോഗം കണക്കാക്കുന്നു.
• റൺവേ സാഹചര്യങ്ങൾ: വേഗത വർദ്ധിപ്പിക്കുന്നതിനായി റൺവേയുടെ നീളവും ഉപരിതലത്തിലെ ഘർഷണവും (friction) പരിഗണിക്കുന്നു.

ഈ ബുദ്ധിപരമായ മോഡലുകളിലൂടെ ത്രസ്റ്റ് സെറ്റിംഗുകളും (thrust settings) റൊട്ടേഷൻ വേഗതയും കൃത്യമായി ക്രമീകരിക്കുന്നതിലൂടെ, ടേക്ക്ഓഫ് സമയത്ത് അമിതമായി ഉപയോഗിക്കപ്പെടുന്ന ഇന്ധനം കുറയ്ക്കാൻ IndiGo ലക്ഷ്യമിടുന്നു. ഓരോ വിമാനത്തിലും ഉണ്ടാകുന്ന ലാഭം ചെറുതായി തോന്നാമെങ്കിലും, ദിവസേന നൂറുകണക്കിന് സർവീസുകൾ നടത്തുന്ന വലിയൊരു വിമാനക്കൂട്ടം കണക്കിലെടുക്കുമ്പോൾ, പ്രവർത്തനച്ചെലവിലും പരിസ്ഥിതി സംരക്ഷണത്തിലും ഇത് വലിയ സ്വാധീനം ചെലുത്തും.

സുസ്ഥിരതയും ആഗോള വ്യോമയാന പ്രവണതയും

IndiGo-യുടെ ഈ നീക്കം ഒറ്റപ്പെട്ട ഒരു സംഭവമല്ല, മറിച്ച് വ്യോമയാന സാങ്കേതികവിദ്യ "ഗ്രീൻ AI"-ലേക്ക് (Green AI) മാറുന്ന ആഗോള പ്രവണതയുടെ ഭാഗമാണ്. 'നെറ്റ് സീറോ' (Net Zero) ലക്ഷ്യങ്ങൾ കൈവരിക്കാനുള്ള സമ്മർദ്ദം വ്യോമയാന മേഖലയിൽ വർദ്ധിച്ചുവരുന്ന സാഹചര്യത്തിൽ, ഡിജിറ്റൽ രീതികളിലൂടെ ഇന്ധന ഉപഭോഗം കുറയ്ക്കുന്നത് പുതിയ വിമാനങ്ങൾ വാങ്ങുന്നതിനോ അല്ലെങ്കിൽ പരീക്ഷണഘട്ടത്തിലുള്ള സുസ്ഥിര വ്യോമയാന ഇന്ധനങ്ങളോ (SAF) ഉപയോഗിക്കുന്നതിനോ മുൻപായി കാർബൺ പുറന്തള്ളൽ കുറയ്ക്കാൻ സഹായിക്കുന്നു.

ഇന്ത്യൻ വ്യോമയാന വിദഗ്ധർക്കും നിക്ഷേപകർക്കും ഇത് ഒരു മാറ്റത്തിന്റെ കാലഘട്ടമാണ്; ഇവിടെ എൻജിൻ ഹാർഡ്‌വെയർ പോലെ തന്നെ സോഫ്റ്റ്‌വെയർ കാര്യക്ഷമതയും പ്രധാനമായി മാറുന്നു. ഈ പരീക്ഷണങ്ങൾ വിജയകരമായാൽ, അത് ആഭ്യന്തര വിപണിയിൽ പ്രവർത്തന മികവിന്റെ പുതിയ മാനദണ്ഡങ്ങൾ നിശ്ചയിക്കും. വിമാനയാത്രയുടെ ഉയർന്ന ചെലവുകൾ നിയന്ത്രിക്കാൻ ബുദ്ധിപരമായ സാങ്കേതികവിദ്യയാണ് ഏറ്റവും ഫലപ്രദമായ മാർഗ്ഗമെന്ന് ഇത് തെളിയിക്കും.

പ്രധാന വിവരങ്ങൾ

• ഡാറ്റാ അധിഷ്ഠിത കാര്യക്ഷമത: തത്സമയ ഘടകങ്ങൾക്കനുസരിച്ച് ത്രസ്റ്റും ഇന്ധന ഉപയോഗവും ക്രമീകരിക്കുന്നതിനായി IndiGo AI അധിഷ്ഠിത ടേക്ക്ഓഫ് രീതികൾ പരീക്ഷിക്കുന്നു.
• ചെലവും കാർബൺ കുറയ്ക്കലും: ജെറ്റ് ഇന്ധനത്തിന്റെ വലിയ പ്രവർത്തനച്ചെലവ് കുറയ്ക്കുന്നതിനോടൊപ്പം എയർലൈനിന്റെ കാർബൺ പുറന്തള്ളൽ കുറയ്ക്കുക എന്നതാണ് ഇതിന്റെ പ്രധാന ലക്ഷ്യം.
• സാങ്കേതിക സംയോജനം: സങ്കീർണ്ണമായ ഫ്ലൈറ്റ് ഡൈനാമിക്സുകളും പാരിസ്ഥിതിക ഘടകങ്ങളും കൈകാര്യം ചെയ്യാൻ അത്യാധുനിക അൽഗോരിതങ്ങൾ ഉപയോഗിക്കുന്നതിലേക്ക് വ്യോമയാന മേഖല മാറുന്നതിന്റെ സൂചനയാണിത്.