ഊർജ്ജ മേഖലയിലെ സ്കെയിലിംഗ് ഡാറ്റാ സയൻസ്
ഊർജ്ജ മേഖലയിലെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗം മുഴുവൻ പ്രക്രിയയിലൂടെയും ഉപയോഗിക്കുന്നു. ഭൂകമ്പ പ്രോസസ്സിംഗ്, പ്രവചന പരിപാലനം, പ്രവർത്തന ഒപ്റ്റിമൈസേഷൻ, ഹൈ-ഫ്രീക്വൻസി ട്രേഡിംഗ്, റിസർവോയർ സിമുലേഷൻ, കമ്പ്യൂട്ടേഷണൽ കെമിസ്ട്രി എന്നിവയിൽ ഡാറ്റ അധിഷ്ഠിത പരിഹാരങ്ങൾ ഇതിനകം ഉപയോഗിക്കുന്നു.
ഷെല്ലിലെ എഞ്ചിനീയറിംഗ് ആൻഡ് സയന്റിഫിക് സോഫ്റ്റ്വെയർ മേധാവിയായ ചിരഞ്ജിബ് സുർ അവർ ഇത് എങ്ങനെയാണ് ചെയ്യുന്നതെന്ന് വിശദീകരിക്കുന്നു. കമ്പ്യൂട്ടേഷണൽ, ഡാറ്റാ സയന്റിസ്റ്റായി പതിനൊന്ന് വർഷത്തിലേറെയായി അദ്ദേഹം കമ്പനിയിൽ പ്രവർത്തിക്കുന്നു. ഭൗതികശാസ്ത്രത്തിൽ പിഎച്ച്ഡി നേടിയ അദ്ദേഹം മൾട്ടിഡിസിപ്ലിനറി മേഖലകളിൽ അഗാധമായ ധാരണ നൽകുന്നു. ഊര് ജ്ജ മേഖലയിലെ സോഫ്റ്റ് വെയര് സ്കെയില് ചെയ്യുന്നതിനുള്ള ഉത്തരവാദിത്തം എന്താണെന്നും ആര് ക്കാണെന്നും അദ്ദേഹം വിശദീകരിച്ചു.
ഊർജ്ജ മേഖലയിൽ ഡാറ്റ അടിസ്ഥാനമാക്കിയുള്ള തീരുമാനമെടുക്കൽ
“ചെയ്യേണ്ടത് ശരിക്കും റോക്കറ്റ് സയൻസ് അല്ല.” ചിരഞ്ജിബ് സുർ വിശദീകരിക്കുന്നു. “ഞങ്ങൾ ചില ഹ്യൂറിസ്റ്റിക് തത്വങ്ങളും ചില നിയമങ്ങളും മനുഷ്യ ബുദ്ധിയും പ്രയോഗിക്കുന്നു. യഥാർത്ഥ റോക്കറ്റ് ശാസ്ത്രജ്ഞർ പോലും ഇത് ചെയ്യുന്നു, “അദ്ദേഹം തമാശയായി പറഞ്ഞു.
ഉൾക്കാഴ്ച നേടുന്നതിന് ആദ്യം പ്രശ്ന പ്രസ്താവന ക്രമീകരിക്കേണ്ടത് പ്രധാനമാണ്. “ഡാറ്റയുടെ പ്രശ്നം ഞങ്ങൾക്ക് ഒരേ ഡാറ്റയെ ഒന്നിലധികം രീതിയിൽ പ്രതിനിധീകരിക്കാൻ കഴിയും എന്നതാണ്, രണ്ട് ഉൾക്കാഴ്ചകളും കൃത്യവും എന്നാൽ വളരെ വ്യത്യസ്തവുമാണ്.”
“അടുത്ത ചോദ്യം ഇതാണ്, ചില ഡാറ്റയെ അടിസ്ഥാനമാക്കി അടുത്ത ബിസിനസ്സ് മോഡലിനായി ശരിയായ തീരുമാനം എടുക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, ഞങ്ങൾ അത് എങ്ങനെ ചെയ്യും?” ഷെല്ലിന്റെ പശ്ചാത്തലത്തിൽ, നിർദ്ദിഷ്ട പ്രദേശത്തെ എണ്ണ ഉൽപാദനത്തിന്റെ ചരിത്രത്തെ അടിസ്ഥാനമാക്കി സമീപഭാവിയിൽ എത്ര ബാരൽ എണ്ണ ഉത്പാദിപ്പിക്കുമെന്ന് കണ്ടെത്താൻ ശ്രമിക്കുന്നതിന്റെ ഉദാഹരണം സുർ നൽകി.
“ഇപ്പോൾ രണ്ട് ഭാഗങ്ങളുണ്ട് – ഡാറ്റയും ശാസ്ത്രവും,” അദ്ദേഹം പറഞ്ഞു. ഊർജ്ജ മേഖലയെ സംബന്ധിച്ചിടത്തോളം അതിന്റെ ‘ശാസ്ത്ര’ ഭാഗത്തിന് ഇന്റർ ഡിസിപ്ലിനറി വൈദഗ്ദ്ധ്യം ആവശ്യമാണ്. “എണ്ണ പോക്കറ്റുകൾ എവിടെയാണെന്ന് കണ്ടെത്താൻ, ഞങ്ങൾ ജിയോളജി മനസ്സിലാക്കേണ്ടതുണ്ട്,” അദ്ദേഹം പറഞ്ഞു.
ഇതാണ് ആദ്യപടി. ഡാറ്റ സ്വതന്ത്രമായി പ്രവർത്തിക്കുന്നില്ല, മറിച്ച് വലിയ സന്ദർഭവുമായി സംയോജിപ്പിച്ചാണ് പ്രവർത്തിക്കുന്നതെന്ന് മനസ്സിലാക്കുക. “എണ്ണ വേർതിരിച്ചെടുക്കുന്നത് ഒരു എളുപ്പമുള്ള പ്രക്രിയയല്ല, കാരണം അവ പാറകളിൽ പറ്റിപ്പിടിച്ചിരിക്കുന്നതിനാൽ, പരമാവധി കൃത്യത നൽകുന്നതിന് നമ്മുടെ സാധ്യതകൾ വിന്യസിക്കേണ്ടത് അത്യാവശ്യമാണ്,” അദ്ദേഹം വിശദീകരിക്കുന്നു.
ഡാറ്റാബേസിലെ ദശലക്ഷക്കണക്കിന് പാരാമീറ്ററുകളിൽ നിന്ന് ഏതാനും നൂറു നിരീക്ഷണങ്ങൾ അന്തിമ തീരുമാനത്തിലേക്ക് നയിക്കുന്നു, ഇത് ഈ കിണറിൽ നിന്നുള്ള എണ്ണയുടെ മൊത്തം അളവ് ഒരു പരിധിയിലായിരിക്കുമെന്ന പ്രവചനത്തിലേക്ക് നയിക്കുന്നു.
വളരെ സാങ്കേതിക വിശദാംശങ്ങളിലേക്ക് കടക്കാതെ, വ്യത്യസ്ത തരം ഡാറ്റ അധിഷ്ഠിത ടെക്നിക്കുകൾ ആരംഭിക്കുന്നത് ഒരു സ്റ്റൊകാസ്റ്റിക് ഒപ്റ്റിമൈസേഷനിൽ നിന്നാണെന്ന് അറിയിക്കാൻ അദ്ദേഹം ശ്രമിച്ചു. ഇത് പരിഹരിക്കുന്നത് ഘടനാപരമായ ഡാറ്റയിലേക്ക് നയിക്കുന്നു, അതിൽ നിന്ന് പ്രവചന മോഡലിംഗിലൂടെ നിങ്ങൾക്ക് നിരീക്ഷണങ്ങൾ നടത്താൻ കഴിയും.
ഇത് എങ്ങനെ ഒരു എഞ്ചിനീയറിംഗ് പ്രശ്നമായി മാറുന്നു എന്നത് ഡാറ്റയുമായി ബന്ധപ്പെട്ടതല്ല, മറിച്ച് ഡാറ്റ എങ്ങനെ ഹോസ്റ്റുചെയ്യുകയും ആശയവിനിമയം നടത്തുകയും ചെയ്യുന്നു എന്നതാണ്. 100 ടെറാബൈറ്റ് വരെ വലിപ്പമുള്ള ഡാറ്റ കൈകാര്യം ചെയ്യുമ്പോൾ, ഡാറ്റാ ശാസ്ത്രജ്ഞരും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് എഞ്ചിനീയർമാരും പ്രവർത്തിക്കേണ്ട ഒരു മാർഗം ഞങ്ങൾ കണ്ടെത്തേണ്ടതുണ്ട്, അത് ഒടുവിൽ ബിസിനസ്സ് മോഡലിന് ഗുണം ചെയ്യും.
“ഈ കൃത്യതയെല്ലാം വളരെ പ്രധാനമാണ്. ഈ സന്ദേശം പ്രവചന പരിപാലനത്തിന് അനുയോജ്യമാണെന്ന് പറയാൻ ഞങ്ങൾക്ക് കഴിയില്ല. നമ്മള് നിര് ണ്ണായകവാദികളായിരിക്കണം. നിർണ്ണായകമാകാൻ, ഞങ്ങൾ ശരിയായിരിക്കണം, “അദ്ദേഹം വിശദീകരിക്കുന്നു.
സ്കെയിലിൽ ഇത് ചെയ്യാൻ
ഷെല്ലിന്റെ കാര്യത്തിൽ, ഞങ്ങൾ ഓരോ മേഖലയിലെയും വിദഗ്ധരുമായി സഹകരിക്കുകയും പ്രവർത്തിക്കുകയും ചെയ്യുന്നു. “ഇത് ഒരു ഇന്റർ ഡിസിപ്ലിനറി ഫീൽഡാണ്, സഹകരിക്കാൻ ഞങ്ങൾക്ക് വ്യത്യസ്ത ടീമുകൾ ലഭിക്കുന്നു,” സുർ വിശദീകരിക്കുന്നു. സി 3 എഐയുമായി ഷെൽ സഹകരിക്കുന്നതായി അടുത്തിടെ പ്രഖ്യാപിച്ചിരുന്നു. എണ്ണ, വാതക വ്യവസായത്തിൽ സ്കെയിൽ ഒരു നിർണായക വെല്ലുവിളിയാണ്, ഈ സഹകരണം അതിനെ ഫലപ്രദമായി അഭിസംബോധന ചെയ്യുന്നത് ഒരു പൊതു ലക്ഷ്യമാണ്.
“പ്രവചന വിശകലനങ്ങളുടെ പരിണാമത്തിന് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സംഭാവന നൽകുന്നു, ഇത് സിസ്റ്റത്തെ സ്വയം പഠിപ്പിക്കാനും പഠിക്കാനും പ്രാപ്തമാക്കുന്നു, ആത്യന്തികമായി മികച്ചതും കൃത്യവുമായ പ്രവചനങ്ങൾക്ക് കാരണമാകുന്നു.” സുർ അവസാനിപ്പിച്ചു.
Experienced Researcher with a demonstrated history of working in the Deep Learning, Computer Vision
