AI எவ்வாறு IndiGo போன்ற விமான நிறுவனங்களின் எரிபொருள் நுகர்வைக் குறைக்க உதவுகிறது

விமானப் போக்குவரத்துத் துறை ஒரு தொழில்நுட்ப மாற்றத்தைக் கண்டு வருகிறது; அதிகரித்து வரும் செயல்பாட்டுச் செலவுகள் மற்றும் சுற்றுச்சூழல் அழுத்தங்களைச் சமாளிக்க விமான நிறுவனங்கள் செயற்கை நுண்ணறிவை (Artificial Intelligence) நாடுகின்றன. இதில் முன்னணியில் இருக்கும் IndiGo, முக்கியமான விமானப் பயண நிலைகளின் போது எரிபொருள் திறனை மேம்படுத்த வடிவமைக்கப்பட்ட AI சார்ந்த விமான நடைமுறைகளைச் செயல்படுத்த, இன்று முதல் நிஜ உலக சோதனைகளைத் தொடங்க உள்ளது.

செயற்கை நுண்ணறிவைக் கொண்டு விமானப் புறக்கட்டலை மேம்படுத்துதல்

எந்தவொரு விமான நிறுவனத்திற்கும் எரிபொருள் என்பது மிக முக்கியமான மாறுபடும் செலவுகளில் ஒன்றாகும், மேலும் விமானம் புறக்கட்டல் (take-off) நிலை என்பது குறிப்பாக அதிக வளங்களைச் செலவழிக்கும் ஒன்றாகும். மிகவும் "சிக்கனமான" புறக்கட்டல் முறைகளைத் தீர்மானிக்க AI அல்காரிதம்களைப் பயன்படுத்துவதில் IndiGo-வின் சமீபத்திய முயற்சி கவனம் செலுத்துகிறது. மிகப்பெரிய தரவுத் தொகுப்புகளை (datasets) பகுப்பாய்வு செய்வதன் மூலம், குறிப்பிட்ட வானிலை நிலைகள், விமானத்தின் எடை மற்றும் ஓடுதளத்தின் நீளம் ஆகியவற்றிற்குத் தேவையான உகந்த இயந்திரத் திறன் (engine thrust) மற்றும் ஏறுதல் சரிவுகளை (climb gradients) AI கணக்கிட முடியும்.

பெரும்பாலும் அதிக எரிபொருளை நுகரும் தரப்படுத்தப்பட்ட, பாதுகாப்பான புறக்கட்டல் நடைமுறைகளைச் சார்ந்திருப்பதற்குப் பதிலாக, இந்த AI சார்ந்த சோதனைகள் மிகவும் துல்லியமான மற்றும் தனிப்பயனாக்கப்பட்ட நகர்வுகளை அனுமதிக்கின்றன. இந்தத் துல்லியம், பாதுகாப்புத் தரங்களில் சமரசம் செய்யாமல், தேவையான குறைந்தபட்ச எரிபொருளைப் பயன்படுத்தி விமானம் அதன் உயரத்தை (cruising altitude) சென்றடைவதை உறுதி செய்கிறது.

பொருளாதார மற்றும் சுற்றுச்சூழல் தாக்கம்

அதிகப் போட்டி நிறைந்த சந்தையில் இயங்கும் இந்திய விமான நிறுவனங்களுக்கு, எரிபொருள் பயன்பாட்டைக் குறைப்பதன் மிகச்சிறிய அளவு கூட ஆண்டுதோறும் மில்லியன் கணக்கான டாலர்களைச் சேமிக்க உதவும். உலகளாவிய ஜெட் எரிபொருள் விலைகள் நிலையற்றதாக இருக்கும் நிலையில், AI மூலம் பெறப்படும் செயல்திறன் சந்தை ஏற்ற இறக்கங்களுக்கு எதிராக ஒரு மூலோபாயப் பாதுகாப்பை வழங்குகிறது.

நிதிநிலை அறிக்கையைத் தாண்டி, இந்த நடவடிக்கை விமானத் துறையின் நிலைத்தன்மைக்கான (sustainability) பரந்த உறுதிப்பாட்டுடன் ஒத்துப்போகிறது. எரிபொருள் நுகர்வைக் குறைப்பது நேரடியாக கார்பன் டை ஆக்சைடு (CO2) வெளியேற்றத்தைக் குறைப்பதோடு தொடர்புடையது. இந்தியா கடுமையான சுற்றுச்சூழல் விதிமுறைகள் மற்றும் பசுமையான விமானப் போக்குவரத்துக்கான உலகளாவிய கட்டளைகளை நோக்கி நகர்ந்து வரும் நிலையில், விமானச் செயல்பாடுகளில் இயந்திரக் கற்றலை (machine learning) ஒருங்கிணைப்பது வெறும் செலவு சேமிப்பு நடவடிக்கையாக மட்டுமல்லாமல், ஒரு ஒழுங்குமுறைத் தேவையாகவும் மாறுகிறது.

உலகளாவிய விமானப் போக்குவரத்தில் வளர்ந்து வரும் போக்கு

இந்த முயற்சியில் IndiGo மட்டும் தனியாக இல்லை; விமானச் செயல்பாடுகளில் AI-யை நோக்கி மாறுவது ஒரு வளர்ந்து வரும் உலகளாவிய போக்காகும். உலகம் முழுவதும் உள்ள விமான நிறுவனங்கள் பல்வேறு AI பயன்பாடுகளை ஆராய்ந்து வருகின்றன, அவற்றுள் அடங்குவன:

• முன்கணிப்புப் பராமரிப்பு (Predictive Maintenance): பாகங்கள் பழுதடைவதற்கு முன்பே அவற்றைக் கணிக்க சென்சார்கள் மற்றும் AI-யைப் பயன்படுத்துவதன் மூலம், திட்டமிடப்படாத விமான நிறுத்தங்களைக் குறைக்கலாம்.
• இயக்கவியல் வழித்தட மேம்படுத்தல் (Dynamic Route Optimization): வளிமண்டலக் கொந்தளிப்பு மற்றும் எதிர் காற்று ஆகியவற்றிலிருந்து விமானத்தைத் திசைதிருப்ப நிகழ்நேர வானிலை தரவுகளைப் பகுப்பாய்வு செய்வதன் மூலம் எரிபொருளை மேலும் சேமிக்கலாம்.
• எடை மற்றும் சமநிலை மேலாண்மை (Weight and Balance Management): ஏரோடைனமிக் செயல்திறனை மேம்படுத்த சரக்கு மற்றும் பயணிகளின் ஏற்றத்தை மேம்படுத்த மேம்பட்ட அல்காரிதம்களைப் பயன்படுத்துதல்.

இந்தச் சோதனைகள் முன்னேறும்போது, இந்திய விமானத் துறை எவ்வாறு லாபத்தையும் சுற்றுச்சூழல் பொறுப்பையும் சமநிலைப்படுத்த டீப் டெக் (deep tech) தொழில்நுட்பத்தைப் பயன்படுத்தலாம் என்பதற்கான ஒரு முன்மாதிரியை (blueprint) IndiGo சேகரிக்கும் தரவுகள் வழங்கக்கூடும்.

முக்கியக் குறிப்புகள்

• துல்லியமான பொறியியல் (Precision Engineering): அதிக எரிபொருள் தேவைப்படும் விமானப் பயண நிலைகளின் போது தேவையற்ற எரிபொருள் நுகர்வைக் குறைக்கும் நோக்கில், புறக்கட்டல் முறைகளைத் தனிப்பயனாக்க IndiGo AI அல்காரிதம்களைப் பயிற்றுவிக்கிறது.
• செலவு மற்றும் கார்பன் குறைப்பு: நிலையற்ற எரிபொருள் விலைகளின் தாக்கத்தைக் குறைப்பதும், விமானச் செயல்பாடுகளின் கார்பன் தடயத்தைக் (carbon footprint) குறைப்பதும் இந்தத் தொழில்நுட்பத்தின் முதன்மை நோக்கங்களாகும்.
• தொழில்நுட்ப மாற்றம்: இந்த நடவடிக்கை, இயந்திரக் கற்றல் (machine learning) செயல்பாட்டுத் திறன் மற்றும் நிலைத்தன்மை இலக்குகளுக்கு மையமாக மாறிவரும் ஒரு பரந்தத் துறை மாற்றத்தைக் குறிக்கிறது.