ABB on liittänyt generatiiviseen tekoälyyn perustuvan Industrial Knowledge Vault -toiminnallisuuden osaksi Ability Energy Management Systemiä. Tavoitteena on nopeuttaa energiankulutuksen, päästöajureiden, kustannusten ja laitteiden suorituskyvyn tulkintaa ilman raskasta raporttien ja näkymien läpikäyntiä.
Energianhallinnan varsinainen uutuus ABB:n julkistuksessa ei ole uusi mittaus- tai optimointikerros, vaan oikeastaan käyttöliittymä. Käyttäjä voi hakea Energy Management Systemin tietoja luonnollisella kielellä generatiivisen AI:n avulla. ABB:n mukaan tämä tuo energiankulutuksen, päästöjen, kustannustekijöiden ja laitteiden suorituskyvyn analyysin lähemmäs operatiivista päätöksentekoa etenkin prosessiteollisuuden ympäristöissä.
Käytännössä ABB tuo Industrial Knowledge Vaultin copilot-toiminnallisuuden osaksi olemassa olevaa EMS-järjestelmää. Ajatus on, että käyttäjän ei tarvitse etsiä tietoa useista näkymistä, rakentaa suodattimia, viedä dataa ulos tai koota raportteja käsin, vaan olennaisia kysymyksiä voi esittää suoraan järjestelmälle. Tällainen lähestymistapa on ymmärrettävä etenkin toimialoilla, joilla energia muodostaa suuren osan käyttökustannuksista, kuten kaivoksissa, metsäteollisuudessa, metalleissa ja sementissä.
Teknisesti ABB nojaa siihen, että EMS:n datamalli on jo valmiiksi riittävän kypsä ja rakenteinen, jotta generatiivinen AI pystyy muodostamaan vastauksia luotettavasti. Tämä on olennainen kohta, sillä teollisessa ympäristössä hyöty ei synny siitä, että vastaukset kuulostavat sujuvilta, vaan siitä, että ne perustuvat hallittuun dataan ja ovat jäljitettävissä. ABB korostaakin läpinäkyvyyttä ja tarkkuutta, mutta tiedote ei vielä kerro, kuinka laajasti järjestelmä esimerkiksi perustelee vastauksensa, näyttää lähdedatan tai rajaa mallin virhetulkintoja.
Siksi julkistuksen merkitys on toistaiseksi ennen kaikkea käytettävyyden parannuksessa, ei energianhallinnan peruslogiikan muutoksessa. Jos käyttäjä löytää poikkeamat, kustannusajurit tai päästöihin vaikuttavat tekijät aiempaa nopeammin, vaikutus voi olla käytännössä merkittävä. Toisaalta ABB ei esitä vielä numeerista näyttöä siitä, kuinka paljon päätöksenteko nopeutuu tai millaisia säästöjä uusi käyttömalli tuo verrattuna perinteisiin dashboardeihin ja raportteihin.
Industrial Knowledge Vault itsessään on ABB:n mukaan kehitetty säilyttämään ja jäsentämään kriittistä osaamista keskitettyyn tietopohjaan, jota voidaan käyttää luonnollisen kielen kautta. Kun tämä logiikka tuodaan energianhallintaan, ABB hakee selvästi laajempaa roolia operatiivisen tiedon käyttöliittymässä: tavoitteena ei ole vain kerätä dataa, vaan madaltaa kynnystä käyttää sitä päätöksenteossa. ETN-lukijan kannalta kiinnostavin kysymys onkin, parantaako AI-kerros aidosti teollisen datan käytettävyyttä vai jääkö se lähinnä uudenlaiseksi hakutoiminnoksi vanhan järjestelmän päälle.
Humanoidirobottien servokäyttöjen on ohjattava nivelten liikkeitä tarkasti ja nopeasti. Samalla niiden mikro-ohjaimilta vaaditaan yhä enemmän tiedonsiirtoa, diagnostiikkaa ja muita järjestelmätason toimintoja. Ratkaisuna on erottaa aikakriittinen moottorinsäätö muista prosessorin tehtävistä ja siirtää se erillisen laitteiston hoidettavaksi.
