AI எவ்வாறு விமான நிறுவனங்களின் எரிபொருள் செலவைக் குறைக்க உதவுகிறது: IndiGo சோதனைகளைத் தொடங்குகிறது

விமானப் போக்குவரத்துத் துறை செயல்பாட்டுத் திறனின் புதிய யுகத்திற்குள் நுழைகிறது. விமான நிறுவனங்கள் தங்களின் மிகப்பெரிய செலவுகளில் ஒன்றான எரிபொருள் நுகர்வைக் குறைக்க செயற்கை நுண்ணறிவை (Artificial Intelligence) நோக்கித் திரும்புகின்றன. இந்தியாவின் முன்னணி விமான நிறுவனமான IndiGo, எரிபொருள் பயன்பாட்டைக் குறைக்கும் நோக்கில் விமானங்களின் டேக்-ஆஃப் (take-off) செயல்பாடுகளை மேம்படுத்துவதற்கான சிறப்பு AI சார்ந்த சோதனைகளைத் தொடங்கியதன் மூலம் இந்த மாற்றத்திற்குத் தலைமை தாங்குகிறது.

அதிக எரிபொருள் தேவைப்படும் கட்டத்தை மேம்படுத்துதல்: டேக்-ஆஃப் (Take-off)

எந்தவொரு விமான நிறுவனத்திற்கும், டேக்-ஆஃப் கட்டம் என்பது ஒரு விமானப் பயணத்தின் மிகவும் ஆற்றல் மிகுந்த பகுதிகளில் ஒன்றாகும். ஒரு விமானம் மேலே எழும்புவதிலும், அதன் உந்துதலை (thrust) நிர்வகிப்பதிலும் செய்யப்படும் சிறிய மாற்றங்கள் கூட, ஆயிரக்கணக்கான விமானப் பயணச் சுழற்சிகளின் போது குறிப்பிடத்தக்க சேமிப்பிற்கு வழிவகுக்கும். மிகவும் "சிக்கனமான" டேக்-ஆஃப் முறைகளைக் கண்டறிய AI அல்காரிதம்களைப் பயன்படுத்தும் சோதனைகளை IndiGo இன்று தொடங்க உள்ளது.

விமானத்தின் எடை, வளிமண்டல நிலைமைகள், ஓடுதளத்தின் நீளம் மற்றும் சுற்றுப்புற வெப்பநிலை உள்ளிட்ட பரந்த தரவுத் தொகுப்புகளை (datasets) பகுப்பாய்வு செய்வதன் மூலம், AI துல்லியமான என்ஜின் அமைப்புகள் மற்றும் ஏறுதல் சரிவுகளை (climb gradients) பரிந்துரைக்க முடியும். இந்த நுணுக்கமான மாற்றங்கள், பயணிகளின் பாதுகாப்பு அல்லது செயல்பாட்டுத் தரங்களைப் பாதிக்காமல், பாதுகாப்பான உயரத்தை அடையத் தேவையான குறைந்தபட்ச எரிபொருளை மட்டுமே விமானம் பயன்படுத்துவதை உறுதி செய்கின்றன.

பொருளாதார மற்றும் சுற்றுச்சூழல் அவசியம்

AI சார்ந்த விமான மேலாண்மை நோக்கிய இந்த மாற்றம் இரண்டு முக்கியத் தேவைகளால் தூண்டப்படுகிறது: உயரும் எரிபொருள் விலைகள் மற்றும் கார்பன் வெளியேற்றத்தைக் குறைப்பதற்கான (decarbonization) உலகளாவிய முயற்சி. இந்திய விமான நிறுவனங்களுக்கு ஜெட் எரிபொருள் (ATF) என்பது மிகப்பெரிய செலவாக உள்ளது, இது பெரும்பாலும் மொத்த செயல்பாட்டுச் செலவில் கிட்டத்தட்ட 40% ஆகும். அல்காரிதமிக் மேம்படுத்தல் மூலம் எரிபொருள் நுகர்வில் 1% குறைப்பு ஏற்பட்டால் கூட, IndiGo போன்ற பெரிய அளவிலான நிறுவனத்திற்கு ஆண்டுதோறும் மில்லியன் கணக்கான டாலர்கள் சேமிப்பாக மாறும்.

நிதிநிலை அறிக்கையைத் தாண்டி, நிலைத்தன்மை இலக்குகளை (sustainability goals) அடைவதற்கு இந்தத் தொழில்நுட்பத் தலையீடுகள் முக்கியமானவை. விமானப் போக்குவரத்துத் துறை தனது கார்பன் தடத்தைக் (carbon footprint) குறைக்க அதிகரித்து வரும் அழுத்தத்தை எதிர்கொள்ளும் நிலையில், CO2 வெளியேற்றத்தைக் குறைக்க AI ஒரு அளவிடக்கூடிய வழியை வழங்குகிறது. விமானப் பாதையின் ஒவ்வொரு நிலையையும் மேம்படுத்துவதன் மூலம், விமான நிறுவனங்கள் தங்களின் தற்போதைய விமானப் படையையே மாற்றியமைக்கத் தேவையில்லை, ஆனால் சுற்றுச்சூழல் பாதிப்பை கணிசமாகக் குறைக்க முடியும்.

அறிவுசார் விமானப் போக்குவரத்து நோக்கிய பரந்த தொழில்துறை போக்கு

IndiGo-வின் இந்த நடவடிக்கை ஒரு தனிப்பட்ட நிகழ்வு அல்ல, மாறாக உலகளாவிய விமானப் போக்குவரத்துத் துறையில் ஏற்பட்டு வரும் பரந்த தொழில்நுட்ப மாற்றத்தின் ஒரு பகுதியாகும். விமான நிறுவனங்கள் பாரம்பரியமான, நிலையான விமான கையேடுகளிலிருந்து (static flight manuals), மாறும் தன்மை கொண்ட, நிகழ்நேர முடிவெடுக்கும் கருவிகளை நோக்கி நகர்ந்து வருகின்றன. நவீன AI அமைப்புகள் விமானம் முழுவதும் உள்ள சென்சார்களிலிருந்து "பிக் டேட்டா"வை (big data) செயலாக்கி, இயந்திரத் திறன்களைக் கணிக்கவும், விமானப் பாதைகளை நிகழ்நேரத்தில் மேம்படுத்தவும் முடியும்.

இந்தச் சோதனைகள் முன்னேறும்போது, விமானச் செயல்பாடுகளில் machine learning-ஐ ஒருங்கிணைப்பது தொழில்துறையின் தரநிலையாக மாறும் என்று எதிர்பார்க்கப்படுகிறது. இந்திய வணிக வல்லுநர்கள் மற்றும் முதலீட்டாளர்களுக்கு, இது விமானப் போக்குவரத்துத் துறையில் ஒரு குறிப்பிடத்தக்க மாற்றத்தைக் குறிக்கிறது—இங்கு போட்டித்தன்மை என்பது இனி விமானங்களின் எண்ணிக்கை அல்லது வழித்தடங்களை (route networks) மட்டும் சார்ந்தது அல்ல, மாறாக காக்பிட்டை (cockpit) இயக்கும் தரவு அறிவியலின் (data science) நுணுக்கத்தைப் பொறுத்தது.

முக்கியக் குறிப்புகள்

• துல்லியமான மேம்படுத்தல்: விமானத்தின் எடை மற்றும் வானிலை நிலைமைகள் போன்ற மாறிகளைப் பகுப்பாய்வு செய்வதன் மூலம், மிகவும் எரிபொருள் சிக்கனமான டேக்-ஆஃப் முறைகளைக் கணக்கிட IndiGo AI-ஐப் பயன்படுத்துகிறது.
• செலவு மற்றும் கார்பன் குறைப்பு: AI மூலம் கிடைக்கும் எரிபொருள் சேமிப்பு, ATF செலவுகளைக் குறைப்பதன் மூலம் விமான நிறுவனங்களின் லாபத்தில் நேரடித் தாக்கத்தை ஏற்படுத்துகிறது மற்றும் உலகளாவிய கார்பன் வெளியேற்ற இலக்குகளை அடைய உதவுகிறது.
• தரவு சார்ந்த எதிர்காலம்: இந்த நடவடிக்கை "அறிவுசார் விமானப் போக்குவரத்து" (intelligent aviation) நோக்கிய மாற்றத்தைக் குறிக்கிறது, இதில் நிகழ்நேரத் தரவு மற்றும் machine learning ஆகியவை செயல்பாட்டுத் திறனைத் தீர்மானிக்கின்றன.