Pusat Inovasi Data baru -baru ini berbicara dengan Jayesh Gupta, CEO Siluriansebuah perusahaan yang berbasis di Seattle yang mengembangkan model AI yang menawarkan kecerdasan prediktif untuk risiko dan operasi yang didorong oleh cuaca. Gupta menjelaskan bagaimana model Silurian mengintegrasikan perkiraan dengan data hiper-lokal dan operasional untuk membantu penyedia energi dan layanan manajemen darurat mengantisipasi dan menanggapi risiko seperti banjir dan icing.
David berkata: Apa yang ditawarkan Silurian?
Jayesh Gupta: Silurian menyediakan model peramalan cuaca global dan regional, dapat diakses melalui antarmuka pemrograman aplikasi, yang memberikan akurasi yang lebih tinggi daripada model yang sebanding. Teknologi inti kami disebut Generative Forecasting Transformer (GFT). Di luar perkiraan umum, kami menawarkan prediksi khusus yang memperkuat sejumlah jenis kesiapsiagaan. Dengan mengintegrasikan data hiper-lokal ke dalam GFT, kami menyesuaikan perkiraan aset dan operasi masing-masing pelanggan, memungkinkan keputusan yang tepat waktu dan sangat spesifik.
Diperlukan: Apa perbedaan ramalan Anda dari orang lain?
Gupta: Prakiraan kami berbeda dalam tiga cara utama: biaya, kecepatan, dan penyesuaian. Badan-badan nasional bergantung pada superkomputer besar dan terpusat untuk menghasilkan perkiraan yang luas, satu ukuran untuk semua. Sebaliknya, GFT menghasilkan hasil lebih cepat dan dengan biaya komputasi yang jauh lebih rendah hanya menggunakan GPU. Kami menggabungkan konteks global dengan data hiper-lokal, memberikan perkiraan yang dipersonalisasi hingga ke tingkat garis pengumpan, gardu induk, atau ladang pertanian, sesuatu yang tidak disediakan oleh pusat nasional. Kami melihat masa depan kecerdasan cuaca sebagai yang dipersonalisasi dan terintegrasi di berbagai skala, tidak disampaikan sebagai produk yang jauh dan seragam.
Diperlukan: Bagaimana cara kerja GFT?
Gupta: Pikirkan GFT sebagai “model bahasa untuk atmosfer.” Sama seperti ChatGPT mempelajari tata bahasa bahasa, GFT mempelajari tata bahasa cuaca dengan melatih data lingkungan dalam jumlah besar. Ini memprediksi satu keadaan spatiotemporal – kondisi atmosfer di tempat dan waktu tertentu – setelah yang lain, menghasilkan perkiraan bergulir yang secara fleksibel menggabungkan banyak jenis data input. Efisiensi ini memungkinkan kita secara terus-menerus memperbarui perkiraan dan menyempurnakannya untuk mencerminkan iklim mikro dan risiko yang paling relevan bagi setiap pelanggan.
Diperlukan: Apa salah satu kasus penggunaan yang paling berdampak?
Gupta: Peramalan risiko icing jalur transmisi sangat berdampak. Dengan menggabungkan pengamatan icing historis dengan GFT, kita dapat memprediksi probabilitas icing pada saluran transmisi tertentu sehari sebelumnya. Kemampuan itu memungkinkan utilitas kru de-icing pra-posisi sebelum badai melanda, bukannya berebut sesudahnya. Pergeseran dari reaktif ke respons proaktif ini transformatif. Sementara sebagian besar pelanggan kami saat ini bekerja dalam manajemen energi dan darurat, kami juga mengeksplorasi aplikasi dalam transportasi dan logistik, di mana gangguan yang didorong oleh cuaca dapat membebankan biaya ekonomi yang sangat besar.
Diperlukan: Kemampuan masa depan apa yang paling menggairahkan Anda?
Gupta: Kami paling senang memperluas aliran data yang terintegrasi dengan GFT. Kami bertujuan untuk melampaui data cuaca tradisional untuk memasukkan input lingkungan, infrastruktur, dan operasional. Visi jangka panjang kami adalah untuk memberikan tidak hanya ramalan, tetapi optimasi keputusan ujung-ke-ujung, semuanya didukung oleh model yang sama. Dengan membangun platform terpadu yang berskala di seluruh industri, kami dapat membantu organisasi mengantisipasi dan mengelola risiko lebih efektif, mengurangi inefisiensi dan biaya.
