Applied Computing तेल और गैस ऑपरेटरों के लिए पूरे प्लांट के लिए AI मॉडल देना चाहता है

अधिकांश औद्योगिक AI कहानियां एक परिचित पैटर्न का पालन करती हैं: एक बिंदु समाधान जो एक चीज़ को अनुकूलित करता है — एक पंप, एक पाइपलाइन, एक रखरखाव शेड्यूल। Applied Computing दांव लगा रहा है कि यह अमूर्तता का गलत स्तर है। लंदन स्थित स्टार्टअप पूरे तेल, गैस और पेट्रोकेमिकल प्लांट के लिए एक फाउंडेशन AI मॉडल बनाना चाहता है — और एक ताज़ा $20 मिलियन सीरीज़ A से पता चलता है कि गंभीर पूंजी सहमत होने लगी है। डेवलपर्स और संस्थापकों के लिए जो ट्रैक कर रहे हैं कि AI वास्तव में भारी उद्योग में कहां उतर रहा है, यह एक संकेत है जो खोलने लायक है।

Applied Computing तेल और गैस ऑपरेटरों को पूरे प्लांट के लिए एक AI मॉडल देना चाहता है — न कि एक डैशबोर्ड, न ही एक संकीर्ण विसंगति डिटेक्टर, बल्कि एक एकीकृत मॉडल जो सेंसर स्ट्रीम, इंजीनियरिंग दस्तावेज़ और प्रक्रिया भौतिकी को एक साथ ग्रहण करता है। यह महत्वाकांक्षा इसे अधिकांश औद्योगिक सॉफ़्टवेयर से एक अलग श्रेणी में रखती है, और इसके निहितार्थ उत्तरी सागर से बहुत आगे तक फैलते हैं।

क्या हुआ

Applied Computing, जिसकी स्थापना 2023 में हुई थी और जो लंदन में मुख्यालय है, ने इंजीनियरिंग दिग्गज KBR द्वारा नेतृत्व किए गए $20 मिलियन सीरीज़ A जुटाया, जिसमें Databricks Ventures भी भाग ले रहा है। यह राउंड न केवल अपने आकार के लिए बल्कि इसके लिए भी उल्लेखनीय है कि किसने चेक लिखा — KBR दुनिया की सबसे बड़ी इंजीनियरिंग और सरकारी सेवा फर्मों में से एक है, जिसकी पेट्रोकेमिकल प्लांट डिज़ाइन और संचालन में गहरी जड़ें हैं। यह सट्टा उद्यम पूंजी नहीं है; यह एक उद्योग के अंदरूनी सूत्र द्वारा एक रणनीतिक दांव है।

Applied Computing जिस मूल समस्या पर हमला कर रहा है वह बड़े पैमाने पर डेटा विखंडन है। एक एकल तेल, गैस या पेट्रोकेमिकल सुविधा हजारों सेंसर ले सकती है जो तापमान, दबाव, वेग, चिपचिपापन और दर्जनों अन्य चर को एक साथ मापते हैं। ऑपरेटर पहले से ही इस डेटा का अधिकांश हिस्सा एकत्र करते हैं। समस्या, सह-संस्थापक और CEO Callum Adamson के अनुसार, यह है कि सुविधाएं वर्तमान में उपलब्ध डेटा के 8% से कम का उपयोग करके परिचालन निर्णय लेती हैं। बाकी सब कुछ साइलो में बैठा है — सेंसर रीडिंग इंजीनियरिंग दस्तावेज़ों से अलग, प्रक्रिया रसायन विज्ञान मॉडल जो वास्तविक समय के परिचालन डेटा से कभी बात नहीं करते।

Applied Computing जो समाधान बना रहा है वह तेल, गैस, रिफाइनिंग और पेट्रोकेमिकल सिस्टम की विशिष्ट भौतिकी, रसायन विज्ञान और परिचालन पैटर्न पर प्रशिक्षित एक फाउंडेशन मॉडल है। इसे एक डोमेन-विशिष्ट बड़े मॉडल के रूप में सोचें — न कि एक सामान्य-उद्देश्य LLM जिसे एक उद्योग प्रॉम्प्ट के साथ फिट किया गया हो, बल्कि एक मॉडल जिसकी आर्किटेक्चर और प्रशिक्षण डेटा थर्मोडायनामिक्स, द्रव गतिविज्ञान और प्रतिक्रिया गतिविज्ञान के चारों ओर बनाए गए हैं जो नियंत्रित करते हैं कि ये प्लांट वास्तव में कैसे व्यवहार करते हैं।

Databricks Ventures की भागीदारी भी ध्यान देने योग्य है। Databricks ने अपने डेटा लेकहाउस प्लेटफॉर्म को एंटरप्राइज़ AI के लिए बुनियादी ढांचे की परत के रूप में आक्रामक रूप से स्थापित किया है। उनकी भागीदारी से संकेत मिलता है कि Applied Computing का दृष्टिकोण — संरचित सेंसर डेटा को असंरचित इंजीनियरिंग दस्तावेज़ों के साथ मिलाना — उस दिशा के साथ संरेखित है जहां गंभीर एंटरप्राइज़ AI डेटा पाइपलाइनें जा रही हैं।

एशिया के लिए यह क्यों महत्वपूर्ण है

एशिया तेल, गैस और पेट्रोकेमिकल कहानी में एक निष्क्रिय पर्यवेक्षक नहीं है। यह क्षेत्र दुनिया की कुछ सबसे बड़ी रिफाइनिंग और पेट्रोकेमिकल परिसरों की मेजबानी करता है — भारत में Reliance के Jamnagar रिफाइनरी (क्षमता के हिसाब से दुनिया की सबसे बड़ी) से लेकर सिंगापुर में Jurong Island, थाईलैंड में Map Ta Phut और मलेशिया और इंडोनेशिया में विस्तारित डाउनस्ट्रीम क्लस्टर तक। दक्षिण पूर्व एशिया अकेले वैश्विक रिफाइनिंग क्षमता का एक महत्वपूर्ण हिस्सा है, और जैसे-जैसे क्षेत्रीय ऊर्जा मांग बढ़ती रहती है, यह क्षमता बढ़ रही है।

ये सुविधाएं Applied Computing द्वारा वर्णित विखंडन समस्या का सामना करती हैं। उनमें से कई विरासत वितरित नियंत्रण प्रणाली (DCS) और SCADA बुनियादी ढांचे पर चलते हैं जो कभी AI-तैयारी को ध्यान में रखकर डिज़ाइन नहीं किए गए थे। डेटा मालिकाना इतिहासकार डेटाबेस में रहता है — OSIsoft PI सबसे आम है — और उस डेटा को एक आधुनिक AI मॉडल का उपयोग करने योग्य रूप में प्राप्त करने के लिए गैर-तुच्छ इंजीनियरिंग कार्य की आवश्यकता होती है। "हम बहुत सारा डेटा एकत्र करते हैं" और "हम उस डेटा के साथ निर्णय लेते हैं" के बीच का अंतर एशिया की पुरानी सुविधाओं में कहीं और की तुलना में संभवतः अधिक व्यापक है।

एशिया टेक दृष्टिकोण से, निवेश थीसिस यहां भी महत्वपूर्ण है। KBR इस राउंड का नेतृत्व करने का मतलब है कि एक इंजीनियरिंग ठेकेदार — जो प्रकार की फर्म ये प्लांट डिज़ाइन, निर्माण और संचालन करते हैं — सीधे AI परत को फंड कर रहा है। यह एक खरीद संकेत है। यह सुझाव देता है कि एशिया में इंजीनियरिंग ठेकेदार, जिनमें से कई KBR भागीदार या प्रतिद्वंद्वी हैं, अपने ग्राहकों को समान AI क्षमताएं प्रदान करने के लिए दबाव का सामना करेंगे। सिंगापुर, कुआलालंपुर या मुंबई में स्टार्टअप और डेवलपर्स जो औद्योगिक AI टूलिंग बना रहे हैं, इसे बारीकी से देखना चाहिए।

एक प्रतिभा गतिविज्ञान भी ध्यान देने योग्य है। एशिया दुनिया के रासायनिक इंजीनियरों और प्रक्रिया इंजीनियरों का एक पर्याप्त हिस्सा पैदा करता है। जैसे-जैसे प्रक्रिया उद्योगों के लिए फाउंडेशन मॉडल परिपक्व होते हैं, जो इंजीनियर डोमेन और AI टूलिंग दोनों को समझते हैं, वे असाधारण रूप से मूल्यवान होंगे। यह प्रतिच्छेदन — प्रक्रिया डोमेन ज्ञान प्लस AI इंजीनियरिंग — वह जगह है जहां वास्तविक लाभ निहित है, और एशियाई विश्वविद्यालय इसे पैदा करने के लिए अच्छी तरह से स्थित हैं।

डेवलपर्स के लिए इसका क्या मतलब है

यदि आप औद्योगिक AI या ऊर्जा तकनीक स्थान में निर्माण कर रहे हैं, तो Applied Computing का दृष्टिकोण कुछ आर्किटेक्चरल विचारों को सामने लाता है जो सावधानीपूर्वक सोचने लायक हैं।

डोमेन-विशिष्ट फाउंडेशन मॉडल वास्तविक खाई हैं। सामान्य-उद्देश्य LLM उस सटीकता के साथ संघर्ष करते हैं जो प्रक्रिया इंजीनियरिंग की मांग करती है। जब एक मॉडल को हीट एक्सचेंजर के फाउलिंग दर और डाउनस्ट्रीम कॉलम प्रदर्शन के बीच बातचीत के बारे में तर्क करने की आवश्यकता होती है, तो इसे अंतर्निहित थर्मोडायनामिक संबंधों को आंतरीकृत करना होगा — न कि उनके बारे में पाठ पर केवल पैटर्न-मिलान करना। Applied Computing का दांव यह है कि इन सिस्टम की विशिष्ट भौतिकी पर एक मॉडल को प्रशिक्षित करना एक सामान्य मॉडल को प्रॉम्प्ट-इंजीनियर करने की तुलना में गुणात्मक रूप से बेहतर तर्क पैदा करता है। यदि वह दांव सफल होता है, तो यह एक डेटा और प्रशिक्षण खाई स्थापित करता है जो वास्तव में प्रतिकृति करना कठिन है।

सेंसर डेटा + असंरचित दस्तावेज़ कठिन संलयन समस्या है। अधिकांश औद्योगिक AI परियोजनाएं मॉडल स्तर पर नहीं बल्कि डेटा पाइपलाइन स्तर पर विफल होती हैं। समय-श्रृंखला सेंसर स्ट्रीम (उच्च आवृत्ति, संरचित, संख्यात्मक) को इंजीनियरिंग दस्तावेज़ों (PDFs, P&IDs, उपकरण डेटाशीट — असंरचित, विषम) के साथ मिलाने के लिए सावधानीपूर्वक डेटा आर्किटेक्चर की आवश्यकता होती है। समान समस्याओं पर काम करने वाले डेवलपर्स को असंरचित परत के लिए अपनी एम्बेडिंग रणनीति के बारे में कठिन सोच करनी चाहिए और वे सेंसर इवेंट्स और उन्हें वर्णित करने वाले दस्तावेज़ों के बीच अस्थायी संरेखण को कैसे संभाल रहे हैं।

एकीकरण परत वह जगह है जहां परियोजनाएं फंस जाती हैं। एक बेहतरीन मॉडल के साथ भी, एक प्लांट के इतिहासकार से डेटा प्राप्त करना और इसे एक आधुनिक AI पाइपलाइन में डालना दर्दनाक है। OSIsoft PI, Honeywell PHD और समान सिस्टम के पास API हैं, लेकिन वे उच्च-थ्रूपुट ML वर्कलोड के लिए डिज़ाइन नहीं किए गए हैं। इस स्थान में निर्माण करने वाले डेवलपर्स कनेक्टर्स पर एक असमान मात्रा में समय बिताएंगे — विरासत OT सिस्टम और आधुनिक डेटा बुनियादी ढांचे के बीच प्लंबिंग। कोई भी प्लेटफॉर्म जो उस परत को स्वच्छ रूप से अमूर्त करता है, उसके पास एक वास्तविक लाभ है।

भौतिकी-सूचित AI गति प्राप्त कर रहा है। Applied Computing का दृष्टिकोण अंतर्निहित रूप से भौतिकी-सूचित मशीन लर्निंग पर झुकता है — यह विचार कि आप अपने मॉडल के आउटपुट को ज्ञात भौतिक नियमों के अनुरूप होने के लिए बाध्य करते हैं। यह शुद्ध डेटा-संचालित दृष्टिकोण से एक सार्थक प्रस्थान है, और यह सुरक्षा-महत्वपूर्ण उद्योगों में विशेष रूप से महत्वपूर्ण है जहां एक मॉडल जो भौतिक रूप से असंभव राज्यों की भविष्यवाणी करता है वह बेकार से भी बदतर है। डेवलपर्स r में निर्माण कर रहे हैं