Didėjanti dirbtinio intelekto agentų autonomija energetikos sektoriuje reikalauja ne tik techninių sprendimų, bet ir iš esmės naujo požiūrio į žmogaus vaidmenį valdymo procesuose. Nors „žmogus kilpoje“ (human-in-the-loop) koncepcija dažnai pristatoma kaip saugumo garantas, naujausi tyrimai rodo, kad dabartiniai projektavimo metodai gali ne tik apsunkinti priežiūrą, bet ir skatinti žmogaus įgūdžių atrofiją.
Saugus tinklų valdymas
Energetikos tinklų operacijose didelio masto modelių agentai gali padėti subalansuoti pasiūlą ir paklausą, sąveikaudami su šiluminėmis, hidroelektrinėmis, branduolinėmis jėgainėmis bei atsinaujinančios energetikos parkais. Praktinis šių sistemų integravimo būdas apima užduotims skirtą duomenų paruošimą, saugos patikras ir laipsnišką diegimą.
Sėkmingam darbui modeliai turi būti aprūpinti struktūrizuotu ir nestruktūrizuotu kontekstu. Tai apima tinklo topologiją, realaus laiko apkrovos lygius, orų poveikį bei dispečerines taisykles. Tokios sistemos taip pat stebi vartojimo tendencijas ir gali siųsti reagavimo į paklausą signalus įvairiems vartotojams – nuo elektromobilių parkų iki ligoninių ar mokyklų.
Žmogaus priežiūros paradoksas
Ribos lieka. Nors siekiama išlaikyti žmogaus priežiūrą, dabartiniai dirbtinio intelekto agentų projektavimo metodai dažnai kliudo efektyviam stebėjimui. Tyrimas AI Agents Push Humans Out of the Loop pabrėžia, kad ilgalaikis automatizuotų sistemų naudojimas ne tik mažina žmogaus gebėjimą efektyviai įsikišti, bet ir tiesiogiai prisideda prie kognityvinių gebėjimų degradacijos.
Kaip teigia tyrimo autoriai Margaret Mitchell, Avijit Ghosh ir Samir Passi, dabartiniai požiūriai į agentų kūrimą ne tik nepalaiko efektyvios žmogaus priežiūros, bet ir prisideda prie jos degradacijos. Sprendžiant šią problemą, svarbiausiu prioritetu turėtų tapti žmogaus poreikių ir kognityvinių reikalavimų integravimas į agentų kūrimo procesą. Tai reiškia, kad dispečerių poreikiai turi būti vertinami lygiaverčiai su dirbtinio intelekto agentų techninėmis galimybėmis.
Būtinybė testuoti realioje aplinkoje
Socio-techninis vertinimas turėtų pereiti prie aukšto tikslumo testavimo kontrolės kambarių replikose. Tokiose aplinkose modeliuojami realūs vartotojo sąsajos elementai, pavojaus signalų srautai, komunikacijos kanalai ir pamainų perdavimo procedūros, įtraukiant ir realistinį laiko spaudimą.
Tokios platformos leidžia atlikti kontroliuojamus eksperimentus, kurių metu vertinamas socio-techninis našumas. Tai sukuria įrodymų bazę, būtiną saugiam reguliaciniam pritaikymui. Identifikuojant funkcijas, kurioms tenka didžiausia kognityvinė apkrova arba kurios yra linkusios į klaidas, galima tiksliau nustatyti, kur žmogaus įsikišimas yra būtinas, o kur dirbtinio intelekto agentai gali veikti autonomiškai.
Nuolatinis mokymasis ir adaptacija
Ateityje nuolatinis ir federacinis mokymasis leis agentams evoliucionuoti kartu su tinklu. Tai suteiks galimybę prisitaikyti prie naujų technologijų, tokių kaip transporto priemonių integravimas į tinklą (vehicle-to-grid) ar besiformuojančios energijos kaupimo sistemos.
Šie žingsniai rodo, kaip didelio masto modelių agentai galėtų būti įvesti į esamas tinklo operacijas atsargiai ir naudingai. Visgi, be aiškios paramos kognityviniams žmogaus ir agento sąveikos poreikiams, sistemos gali pasyviai skatinti tų pačių įgūdžių, kuriais jos remiasi, nykimą. Tolimesnė plėtra priklausys nuo to, ar kūrėjai sugebės suderinti autonomijos didinimą su žmogaus gebėjimu išlaikyti kritinį vertinimą.
