Applied Computing نے تیل اور گیس کے آپریٹرز کے لیے مکمل پلانٹ کے لیے AI ماڈل فراہم کرنا چاہا

زیادہ تر صنعتی AI کی کہانیاں ایک واقف نمونہ پر عمل کرتی ہیں: ایک نقطہ حل جو ایک چیز کو بہتر بناتا ہے — ایک پمپ، ایک پائپ لائن، ایک دیکھ بھال کا شیڈول۔ Applied Computing یہ شرط لگا رہا ہے کہ یہ تجریدی کی غلط سطح ہے۔ لندن میں مقیم یہ اسٹارٹ اپ مکمل تیل، گیس، اور پیٹروکیمیکل پلانٹ کے لیے ایک بنیادی AI ماڈل بنانا چاہتا ہے — اور ایک تازہ $20 ملین Series A سے ظاہر ہوتا ہے کہ سنجیدہ سرمایہ اتفاق کرنا شروع کر رہا ہے۔ ڈویلپرز اور بانیوں کے لیے جو یہ ٹریک کر رہے ہیں کہ AI اصل میں بھاری صنعت میں کہاں اتر رہا ہے، یہ ایک اہم اشارہ ہے۔

Applied Computing تیل اور گیس کے آپریٹرز کو مکمل پلانٹ کے لیے AI ماڈل فراہم کرنا چاہتا ہے — نہ کہ ڈیش بورڈ، نہ ہی ایک تنگ anomaly detector، بلکہ ایک یکجا ماڈل جو سینسر سٹریمز، انجینئرنگ ڈاکومنٹیشن، اور عمل کی طبیعیات کو بیک وقت استعمال کرتا ہے۔ یہ طموح اسے زیادہ تر صنعتی سافٹ ویئر سے ایک مختلف زمرہ میں رکھتا ہے، اور اس کے اثرات شمالی سمندر سے بہت آگے تک پھیلے ہوئے ہیں۔

کیا ہوا

Applied Computing، جو 2023 میں قائم ہوا اور لندن میں مقیم ہے، نے $20 ملین Series A جمع کیا جس کی رہنمائی انجینئرنگ کے دیو KBR نے کی، اور Databricks Ventures بھی شامل ہے۔ یہ راؤنڈ نہ صرف اپنی سائز کے لیے قابل غور ہے بلکہ اس لیے بھی کہ کس نے چیک لکھا — KBR دنیا کی سب سے بڑی انجینئرنگ اور حکومتی خدمات کی فرمز میں سے ایک ہے، جس کی پیٹروکیمیکل پلانٹ کی ڈیزائن اور آپریشنز میں گہری جڑیں ہیں۔ یہ قیاس آرائی والا وینچر کیپیٹل نہیں ہے؛ یہ ایک صنعت کا موجودہ کھلاڑی ایک حکمت عملی کی شرط لگا رہا ہے۔

Applied Computing جس بنیادی مسئلے پر حملہ کر رہا ہے وہ بڑے پیمانے پر ڈیٹا کی تقسیم ہے۔ ایک تیل، گیس، یا پیٹروکیمیکل سہولت میں ہزاروں سینسرز ہو سکتے ہیں جو درجہ حرارت، دباؤ، رفتار، viscosity، اور بیک وقت درجنوں دوسری متغیرات کو ماپتے ہیں۔ آپریٹرز پہلے سے ہی اس میں سے زیادہ تر ڈیٹا جمع کرتے ہیں۔ مسئلہ، co-founder اور CEO Callum Adamson کے مطابق، یہ ہے کہ سہولیات فی الوقت اپنے لیے دستیاب 8% سے کم ڈیٹا استعمال کرتے ہوئے آپریٹنگ فیصلے کرتی ہیں۔ باقی silos میں بیٹھا ہے — سینسر کی ریڈنگز انجینئرنگ ڈاکومنٹیشن سے الگ، عمل کے کیمسٹری ماڈلز جو حقیقی وقت کے آپریشنل ڈیٹا سے کبھی بات نہیں کرتے۔

Applied Computing جو حل بنا رہا ہے وہ تیل، گیس، refining، اور پیٹروکیمیکل سسٹمز کی مخصوص طبیعیات، کیمسٹری، اور آپریشنل نمونوں پر تربیت یافتہ ایک بنیادی ماڈل ہے۔ اسے ڈومین کے لیے مخصوص بڑے ماڈل کے طور پر سوچیں — عام مقصد کے LLM نہیں جو صنعت کے prompt کے ساتھ دوبارہ فٹ کیے گئے ہوں، بلکہ ایک ماڈل جس کی architecture اور تربیتی ڈیٹا thermodynamics، fluid dynamics، اور reaction kinetics کے ارد گرد بنائے گئے ہوں جو یہ طے کرتے ہیں کہ یہ پلانٹس اصل میں کیسے کام کرتے ہیں۔

Databricks Ventures کی شرکت بھی قابل غور ہے۔ Databricks نے اپنے data lakehouse platform کو enterprise AI کے لیے بنیادی ڈھانچے کی سطح کے طور پر جارحانہ طریقے سے موضع پر رکھا ہے۔ ان کی شرکت سے ظاہر ہوتا ہے کہ Applied Computing کا نقطہ نظر — منظم سینسر ڈیٹا کو غیر منظم انجینئرنگ ڈاکومنٹیشن کے ساتھ ملانا — اس کے ساتھ ہم آہنگ ہے جہاں سنجیدہ enterprise AI ڈیٹا pipelines جا رہے ہیں۔

ایشیا کے لیے یہ کیوں اہم ہے

ایشیا تیل، گیس، اور پیٹروکیمیکل کی کہانی میں ایک غیر فعال ناظر نہیں ہے۔ یہ علاقہ دنیا کی کچھ سب سے بڑی refining اور پیٹروکیمیکل کمپلیکسز کی میزبانی کرتا ہے — ہندوستان میں Reliance کی Jamnagar refinery (صلاحیت کے لحاظ سے دنیا کی سب سے بڑی) سے لے کر سنگاپور میں Jurong Island میں بڑے پیٹروکیمیکل hubs، تھائی لینڈ میں Map Ta Phut، اور ملیشیا اور انڈونیشیا میں بڑھتے ہوئے downstream clusters تک۔ صرف جنوب مشرقی ایشیا عالمی refining صلاحیت کا ایک اہم حصہ ہے، اور یہ صلاحیت بڑھ رہی ہے کیونکہ علاقائی توانائی کی مانگ بڑھتی رہتی ہے۔

یہ سہولیات بالکل وہی تقسیم کا مسئلہ کا سامنا کرتی ہیں جو Applied Computing بیان کرتا ہے۔ ان میں سے بہت سے legacy distributed control systems (DCS) اور SCADA بنیادی ڈھانچے پر چلتے ہیں جو کبھی AI-readiness کو ذہن میں رکھتے ہوئے ڈیزائن نہیں کیے گئے تھے۔ ڈیٹا proprietary historian ڈیٹا بیسز میں رہتا ہے — OSIsoft PI سب سے عام ہے — اور اس ڈیٹا کو ایسی شکل میں حاصل کرنا جو ایک جدید AI ماڈل استعمال کر سکے غیر معمولی انجینئرنگ کام کی ضرورت ہے۔ "ہم بہت سارا ڈیٹا جمع کرتے ہیں" اور "ہم اس ڈیٹا کے ساتھ فیصلے کرتے ہیں" کے درمیان فاصلہ ایشیا کی پرانی سہولیات میں کہیں اور سے زیادہ ہے۔

ایشیا کے ٹیک کے نقطہ نظر سے، یہاں سرمایہ کاری کی تھیسس بھی اہم ہے۔ KBR اس راؤنڈ کی رہنمائی کرنا مطلب ہے کہ ایک انجینئرنگ contractor — اس قسم کی فرم جو ان پلانٹس کو ڈیزائن، تعمیر، اور آپریٹ کرتی ہے — براہ راست AI layer کو فنڈ کر رہی ہے۔ یہ ایک procurement signal ہے۔ یہ تجویز کرتا ہے کہ ایشیا میں انجینئرنگ contractors، جن میں سے بہت سے KBR partners یا competitors ہیں، اپنے clients کو اسی طرح کی AI صلاحیات فراہم کرنے کے لیے دباؤ کا سامنا کریں گے۔ سنگاپور، کوالالمپور، یا ممبئی میں startups اور ڈویلپرز جو صنعتی AI tooling بنا رہے ہیں انہیں یہ قریب سے دیکھنا چاہیے۔

ایک talent dynamic بھی ہے جو قابل غور ہے۔ ایشیا دنیا کے chemical engineers اور process engineers کا ایک بڑا حصہ تیار کرتا ہے۔ جیسے جیسے process industries کے لیے foundation models بالغ ہوتے ہیں، وہ engineers جو domain اور AI tooling دونوں کو سمجھتے ہیں بہت قیمتی ہوں گے۔ یہ intersection — process domain knowledge اور AI engineering — یہ ہے جہاں حقیقی leverage بیٹھا ہے، اور ایشیائی یونیورسٹیز اسے تیار کرنے کے لیے اچھی طریقے سے تیار ہیں۔

ڈویلپرز کے لیے اس کا مطلب کیا ہے

اگر آپ صنعتی AI یا energy tech کی جگہ میں ڈویلپر ہیں، تو Applied Computing کا نقطہ نظر کچھ architectural نکات کو سامنے لاتا ہے جو احتیاط سے سوچنے کے قابل ہیں۔

Domain-specific foundation models حقیقی moat ہیں۔ عام مقصد کے LLMs اس precision کے ساتھ جدوجہد کرتے ہیں جو process engineering کا مطالبہ کرتا ہے۔ جب ایک ماڈل کو heat exchanger کی fouling rate اور downstream column performance کے درمیان تعامل کے بارے میں سوچنا ہو، تو اسے بنیادی thermodynamic relationships کو اندر لے جانا ہوگا — نہ کہ صرف ان کے بارے میں متن پر pattern-match کریں۔ Applied Computing کی شرط یہ ہے کہ ان سسٹمز کی مخصوص طبیعیات پر ایک ماڈل کی تربیت عام ماڈل کو prompt-engineer کرنے سے qualitatively بہتر reasoning تیار کرتی ہے۔ اگر یہ شرط کامیاب ہو تو یہ ایک ڈیٹا اور تربیتی moat قائم کرتا ہے جو حقیقی طور پر نقل کرنا مشکل ہے۔

Sensor data + unstructured documentation مشکل fusion مسئلہ ہے۔ زیادہ تر صنعتی AI projects ماڈل کی سطح پر نہیں بلکہ ڈیٹا pipeline کی سطح پر ناکام ہوتے ہیں۔ time-series sensor streams (high frequency، structured، numeric) کو انجینئرنگ ڈاکومنٹیشن (PDFs، P&IDs، equipment datasheets — unstructured، heterogeneous) کے ساتھ ملانا احتیاط سے ڈیٹا architecture کی ضرورت ہے۔ اسی طرح کے مسائل پر کام کرنے والے ڈویلپرز کو unstructured layer کے لیے اپنی embedding strategy کے بارے میں سخت سوچنا چاہیے اور وہ sensor events اور ان کے درمیان temporal alignment کو کیسے سنبھال رہے ہیں جو انہیں بیان کرتے ہیں۔

Integration layer وہ جگہ ہے جہاں projects پھنس جاتے ہیں۔ ایک بہترین ماڈل کے ساتھ بھی، پلانٹ کے historian سے ڈیٹا نکالنا اور اسے جدید AI pipeline میں ڈالنا مشکل ہے۔ OSIsoft PI، Honeywell PHD، اور اسی طرح کے سسٹمز کے پاس APIs ہیں، لیکن وہ high-throughput ML workloads کے لیے ڈیزائن نہیں کیے گئے ہیں۔ اس جگہ میں ڈویلپرز connectors پر غیر متناسب وقت خرچ کریں گے — legacy OT سسٹمز اور جدید ڈیٹا بنیادی ڈھانچے کے درمیان plumbing۔ کوئی بھی platform جو اس layer کو صاف طریقے سے abstract کرتا ہے اس کے پاس حقیقی فائدہ ہے۔

Physics-informed AI رفتار حاصل کر رہا ہے۔ Applied Computing کا نقطہ نظر بالواسطہ physics-informed machine learning پر منحصر ہے — یہ خیال کہ آپ اپنے ماڈل کے outputs کو معلوم طبیعی قوانین کے ساتھ مطابقت پذیر ہونے کے لیے محدود کریں۔ یہ خالص ڈیٹا سے چلنے والے approaches سے ایک معنی خیز انحراف ہے، اور یہ خاص طور پر safety-critical صنعتوں میں اہم ہے جہاں ایک ماڈل جو جسمانی طور پر ناممکن states کی پیش گوئی کرتا ہے وہ بیکار سے بدتر ہے۔ ڈویلپرز جو