Woodside Energy எவ்வாறு விளம்பரங்களுக்கு அப்பாற்பட்டுத் தொழில்முறை AI-ஐ (Industrial AI) விரிவுபடுத்துகிறது

செயற்கை நுண்ணறிவு குறித்த பொது விவாதங்கள் சாட்பாட்கள் (chatbots) மற்றும் படங்களை உருவாக்கும் கருவிகளில் (image generators) மட்டுமே கவனம் செலுத்தி வரும் நிலையில், கனரகத் தொழில்துறையில் மிகவும் ஆழமான ஒரு மாற்றம் நிகழ்ந்து வருகிறது. Woodside Energy போன்ற நிறுவனங்கள், நுகர்வோருக்கான கருவிகளைத் தாண்டி, இயற்பியல் உள்கட்டமைப்பு மற்றும் சிக்கலான எரிசக்தி பணிப்பாய்வுகளில் (energy workflows) AI-ஐ ஒருங்கிணைக்கத் தொடங்கியுள்ளன.

முன்கணிப்பு பகுப்பாய்விலிருந்து (Predictive Analytics) ஏஜென்டிக் AI (Agentic AI) வரை

இன்று பல நிறுவனங்கள் ஜெனரேட்டிவ் AI-ஐ (generative AI) அவசரமாகப் பயன்படுத்தத் துடிக்கும் நிலையில், Woodside Energy சுமார் 2015 முதல் தனது டிஜிட்டல் அடித்தளத்தை உருவாக்கி வருகிறது. அவர்களின் பயணம் "பாரம்பரிய" AI-உடன் தொடங்கியது—அதாவது துளையிடுதல் (drilling), ஆய்வு (exploration) மற்றும் ஆலை உபகரணங்களால் உருவாக்கப்படும் மிகப்பெரிய அளவிலான செயல்பாட்டுத் தரவுகளை (operational data) நிர்வகிக்க முன்கணிப்பு பகுப்பாய்வு, உகப்பாக்க அமைப்புகள் (optimization systems) மற்றும் இயந்திர கற்றல் (machine learning) ஆகியவற்றைப் பயன்படுத்தினர்.

தரவு நிர்வாகம் (data governance) மற்றும் உள்கட்டமைப்பில் செய்யப்பட்ட இந்த நீண்டகால முதலீடு, Woodside நிறுவனத்தை தனித்தனி சோதனைகளிலிருந்து மிகவும் லட்சியமான ஒரு இலக்கை நோக்கி நகர்த்தியுள்ளது: அதுதான் "தன்னாட்சி நிறுவனம்" (autonomous enterprise). இந்த நிறுவனம் இப்போது ஏஜென்டிக் AI (agentic AI) அமைப்புகளை நோக்கி மாறி வருகிறது—அதாவது வெறும் தகவல்களை மட்டும் வழங்காமல், முக்கிய பணிப்பாய்வுகளுடன் (core workflows) ஆழமாகத் தொடர்பு கொள்ளும் திறன் கொண்ட AI ஏஜெண்டுகள் (AI agents) ஆகும்.

"Startup Advisor" மற்றும் மனிதர்களை மையமாகக் கொண்ட மேம்பாடு (Human-Centric Augmentation)

தொழில்முறை AI-இல் ஒரு முக்கியமான வேறுபாடு என்பது, மனிதர்களை மாற்றுவதற்குப் பதிலாக, அவர்களின் திறனை மேம்படுத்துவதாகும் (augmentation). பாதுகாப்பு மற்றும் செயல்பாட்டுத் தொடர்ச்சி ஆகியவை மிக முக்கியமான சூழல்களில், Woodside மனிதப் பணியாளர்களைப் புறக்கணிப்பதற்குப் பதிலாக, அவர்களுக்கு அதிக அதிகாரமளிப்பதில் கவனம் செலுத்துகிறது.

இதற்கு ஒரு சிறந்த உதாரணம் "Startup Advisor" ஆகும். இது திரவமாக்கப்பட்ட இயற்கை எரிவாயு (LNG) ஆலைகளைத் தொடங்கும் சிக்கலான மற்றும் உணர்திறன் மிக்க செயல்முறையின் போது பணியாளர்களுக்கு உதவ வடிவமைக்கப்பட்ட ஒரு AI கோ-பைலட் (AI copilot) ஆகும். நிகழ்நேரத் தீர்மான ஆதரவை (real-time decision support) வழங்குவதன் மூலம், இந்தத் கருவி பெரும்பாலும் தொலைதூர மற்றும் கடினமான சூழல்களில் பணிபுரியும் பணியாளர்கள் வேகமான மற்றும் துல்லியமான முடிவுகளை எடுக்க உதவுகிறது. இந்த அணுகுமுறை, பாதுகாப்பு சார்ந்த சூழல்களில் மனிதத் திறனை மேம்படுத்தும் ஒரு நிபுணத்துவத் தளமாக AI செயல்படுவதை உறுதி செய்கிறது.

தொழில்முறை தொழில்நுட்பக் கட்டமைப்பை (Industrial Tech Stack) மறுபரிசீலனை செய்தல்

நிறுவன ரீதியிலான AI-க்கு மாறுவதற்கு, பழைய அமைப்புகளுடன் (legacy systems) புதிய மென்பொருட்களை வெறும் "இணைப்பது" மட்டும் போதாது. Woodside நிறுவனத்தின் டிஜிட்டல் துறைத் துணைத் தலைவர் ஆண்ட்ரூ மெலோனி (Andrew Melouney) கருத்துப்படி, உண்மையான ஒருங்கிணைப்பிற்கு வேலைகள் எவ்வாறு செய்யப்படுகின்றன என்பதை அடிப்படையிலேயே மறுபரிசீலனை செய்ய வேண்டும்.

வெற்றிபெற, தொழில்முறைத் தலைவர்கள் தரப்படுத்தப்பட்ட தளங்கள் (standardized platforms) மற்றும் மீண்டும் மீண்டும் பயன்படுத்தக்கூடிய வரிசைமுறைப் பயன்பாட்டு முறைகளை (repeatable deployment patterns) நோக்கி நகர வேண்டும். இந்த மாற்றத்திற்கான Woodside-இன் மூலோபாயக் கட்டமைப்பு ஒரு ஒழுக்கமான மூன்று படிநிலைத் தத்துவத்தைப் பின்பற்றுகிறது: "பெரிய அளவில் சிந்தியுங்கள், சிறிய அளவில் முன்மாதிரிகளை உருவாக்குங்கள், மற்றும் வேகமாக விரிவுபடுத்துங்கள்" (Think big, prototype small, and scale fast). இந்த முறை நிறுவனங்கள், நிலத்தடிப் பணிகள் முதல் எரிசக்தி சந்தைப்படுத்துதல் மற்றும் வர்த்தகம் வரை, உலகளாவிய எரிசக்தித் தொகுப்பு முழுவதும் செயல்படுத்துவதற்கு முன்னதாக, கட்டுப்படுத்தப்பட்ட சூழல்களில் அதிக மதிப்புள்ள பயன்பாட்டுத் தேவைகளை (use cases) சரிபார்க்க அனுமதிக்கிறது.

AI சூழலில் இது ஏன் முக்கியமானது

Woodside Energy-இன் பரிணாம வளர்ச்சி, AI-இன் "இரண்டாவது அலைக்கு" (Second Wave) ஒரு முன்மாதிரியை வழங்குகிறது. முதல் அலை உற்பத்தித்திறன் மற்றும் உள்ளடக்க உருவாக்கம் (content creation) ஆகியவற்றில் கவனம் செலுத்தியது, ஆனால் இரண்டாவது அலை என்பது அறிவாற்றலை இயற்பியல் உலகத்துடன் ஒருங்கிணைப்பதன் மூலம் வரையறுக்கப்படுகிறது. AI திரையில் இருந்து டர்பைன் (turbine) நோக்கி நகரும்போது, மிகவும் கவர்ச்சிகரமான மாதிரிகளைக் (models) கொண்டவர்கள் வெற்றி பெறப்போவதில்லை; மாறாக, தன்னாட்சித் தொழில்முறை ஏஜெண்டுகளை (autonomous industrial agents) ஆதரிக்கத் தேவையான வலுவான மற்றும் நிர்வகிக்கப்பட்ட தரவு அடித்தளங்களை உருவாக்கியவர்களே வெற்றி பெறுவார்கள்.

முக்கியக் குறிப்புகள்

• அடித்தளம் முதலில்: தொழில்முறை AI-இல் வெற்றிபெற, ஜெனரேட்டிவ் அல்லது ஏஜென்டிக் மாதிரிகளைத் திறம்படச் செயல்படுத்துவதற்கு முன்னதாக, முன்கணிப்பு பகுப்பாய்வு மற்றும் தரவு நிர்வாகத்தில் பல ஆண்டுகால அடிப்படை வேலைகள் தேவைப்படுகின்றன.
• மாற்றுவதற்குப் பதிலாக மேம்படுத்துதல்: LNG உற்பத்தி போன்ற பாதுகாப்பு சார்ந்த துறைகளில், முக்கியமான சூழல்களில் மனித முடிவெடுப்பதைத் துணை புரியும் ஒரு "கோ-பைலட்" (copilot) ஆக AI வடிவமைக்கப்படும்போது அது மிகவும் பயனுள்ளதாக இருக்கும்.
• தன்னாட்சி இலக்கு: தொழில் துறை ஒரு "தன்னாட்சி நிறுவனம்" (autonomous enterprise) மாதிரியை நோக்கி நகர்ந்து வருகிறது, அங்கு AI ஏஜெண்டுகள் செயல்திறன் மற்றும் பாதுகாப்பை அதிகரிக்க முக்கிய செயல்பாட்டுப் பணிப்பாய்வுகளுடன் ஆழமாகத் தொடர்பு கொள்கின்றன.