Dove deve fermarsi l'autorità di un modello di IA nella pianificazione della rete

Uno studio di interconnessione inizia con una richiesta di aggiunta di un progetto a una rete elettrica. Un modello di IA può aiutare a interpretare tale richiesta. Voglio che la sua autorità dipenda dalla domanda a cui può effettivamente rispondere. Leggere una richiesta e raccomandare cosa studiare sono responsabilità diverse, anche quando una singola interfaccia presenta entrambi i risultati.

La mia posizione progettuale è che a un modello di acquisizione dovrebbe essere consentito di proporre un'interpretazione, con la relativa fonte disponibile per l'ispezione. Una raccomandazione sulla rete dovrebbe conservare il calcolo e la regola che l'hanno prodotta. Questa separazione è importante quando i due output appaiono ugualmente sicuri ma poggiano su evidenze differenti. Crea inoltre un obbligo più rigoroso: se l'interpretazione è errata, il sistema ha bisogno di un percorso visibile per revisionare gli input e riconsiderare la raccomandazione.

Una richiesta ben descritta può comunque necessitare di uno studio di potenziamento

La nostra demo GridLens utilizza richieste sintetiche e una rete elettrica sintetica per rendere ispezionabile questa distinzione. Si consideri Tessera Compute, una richiesta precaricata da 750 MW con un punteggio di prontezza elevato secondo le regole di acquisizione configurate nella demo. Quel punteggio descrive la prontezza della richiesta. Non misura la capacità della rete di accogliere la richiesta stessa.

Nello screening termico in corrente continua della demo, il peggior carico attribuibile nel caso base è pari al 92.3% del limite termico della relativa linea. Il caso base presuppone che le linee monitorate siano in servizio. Dopo che una linea monitorata viene messa fuori servizio, il peggior carico attribuibile raggiunge il 112.4%. La raccomandazione configurata diventa uno studio di potenziamento.

La differenza numerica ha un significato pratico all'interno di questo modello: un risultato al di sotto del limite nel caso base non risolve il caso di fuori servizio. L'evidenza identifica il ramo da 548 a 247 come il peggior ramo vincolante, con il fuori servizio della linea da 1 a 248. Un pianificatore può contestare la specifica condizione di rete alla base della raccomandazione invece di discutere sul tono di un riepilogo.

Questa è un'illustrazione circoscritta. Lo screening tratta i MW richiesti come un'iniezione bilanciata dal nodo slack, comprese le richieste di carichi elevati; non è uno studio fisico validato di prelievo del carico. Copre un insieme selezionato di fuori servizio su linee di trasmissione non radiali ed esclude la fattibilità della tensione in CA e della potenza reattiva, la stabilità transitoria e il funzionamento in isola. I sovraccarichi esistenti costituiscono condizioni di base anziché vincoli attribuiti al progetto. Anche un risultato senza criticità costituirebbe una raccomandazione di studio, non un'autorizzazione alla connessione o la constatazione che l'intera rete sia sicura.

Entro questi limiti, l'esempio risponde comunque a un utile quesito di progettazione. La raccomandazione di potenziamento necessita di un calcolo di rete. Una descrizione più articolata del controllo del sito o della capacità richiesta non può risolvere il ramo sovraccarico. Dare al modello di acquisizione l'autorità di riscrivere la raccomandazione permetterebbe agli elementi probatori relativi a una questione di sostituirsi a quelli relativi a un'altra.

Attribuire all'assistenza un effetto definito

GridLens mantiene puramente consultiva l'estrazione opzionale assistita dal modello. Il video del fondatore mostra un'analisi che riutilizza la risposta reale salvata di un modello. Può far emergere i campi estratti della richiesta e le evidenze di prontezza, ma non modifica la raccomandazione salvata dello screening della coda né l'ordine di studio. Lo screening completo della coda impiega estrazione deterministica, calcoli di rete e policy configurate; non chiede a un modello linguistico di emettere il verdetto di pianificazione.

Preferisco questa delimitazione perché un revisore può comprendere che cosa l'assistenza abbia modificato. Quando un modello propone una nuova interpretazione accanto a un risultato esistente, la differenza rimane accessibile per l'ispezione. Se la stessa azione modificasse silenziosamente una raccomandazione salvata, il revisore dovrebbe anche stabilire quali input siano cambiati, se i calcoli siano stati ripetuti e quale versione rappresenti l'ordine di studio visualizzato. Questa è un'affermazione più impegnativa di quanto una risposta di estrazione possa sostenere da sola.

Esistono almeno due ruoli plausibili per un modello in un flusso di lavoro di pianificazione. Può spiegare un risultato completato utilizzando le evidenze conservate, oppure può proporre input per un nuovo calcolo. Entrambi possono essere utili. Il secondo ruolo richiede un processo di revisione più rigoroso, poiché una modifica dell'input può alterare il risultato a valle. Un punto di interconnessione modificato, ad esempio, non è semplicemente una frase migliore nel riepilogo di una richiesta; cambia il punto in cui la richiesta viene rappresentata nel modello di rete.

Per un sistema più completo, il mio standard di progettazione prevede di rendere esplicita tale transizione. Una correzione proposta dovrebbe identificare il passaggio di origine, il vecchio valore e il nuovo valore. Una volta accettata attraverso il relativo processo di revisione, dovrebbe diventare l'input di un calcolo distinto, il cui risultato possa essere confrontato con quello precedente. Questo è un requisito di progettazione proposto, non una capacità dimostrata dall'azione consultiva di GridLens.

Il costo è costituito da revisioni aggiuntive e dalla gestione delle versioni. Una sovrascrittura automatica è più semplice da presentare e richiede meno passaggi visibili. Ma nasconde proprio le informazioni necessarie per decidere se la nuova raccomandazione meriti affidamento. Accetto il lavoro supplementare quando la correzione modifica la questione fisica oggetto di studio.

Una risposta deterministica può essere precisamente sbagliata

Tenere il modello al di fuori del verdetto non è sufficiente di per sé. Un calcolo deterministico può operare sistematicamente sull'input sbagliato. La risposta corretta a questa complicazione è ispezionare l'input, anziché trattare il determinismo come una prova di correttezza.

Supponiamo, per ipotesi, che una richiesta indichi in modo ambiguo due possibili punti di connessione. Un riepilogo potrebbe selezionarne uno e apparire convincente. Eseguire ripetutamente lo screening termico su quel punto selezionato non risolverebbe ciò che il richiedente intendeva. L'ambiguità necessita di chiarimento prima che uno dei calcoli possa rispondere alla domanda prefissata. In GridLens, un punto di interconnessione non risolto o un livello di confidenza nell'estrazione inferiore alla soglia configurata di 0.60 indirizza la richiesta alla revisione umana. Si tratta di un percorso per evidenze non risolte, non della decisione conclusa di un ingegnere.

La stessa separazione si applica alla prontezza. Il punteggio di prontezza della demo è un'euristica derivata dalle evidenze della richiesta. Un punteggio elevato non può annullare un vincolo termico, e un punteggio basso non dimostra alcuna irregolarità. Voglio che la raccomandazione spieghi quale tipo di incertezza rimanga. La mancanza di evidenze nella richiesta richiede un passaggio successivo diverso rispetto a un sovraccarico identificato in uno specifico scenario di fuori servizio.

Ecco perché non voglio che un singolo numero di confidenza sostenga l'intera decisione. Costringerebbe i revisori a dedurre se un valore basso descriva un'estrazione incerta, una preparazione commerciale incompleta o una condizione di rete complessa. Mantenere distinte tali questioni consente al revisore di ricercare le evidenze che potrebbero effettivamente modificare il risultato.

Giudicare la raccomandazione in base al suo percorso di revisione

La guida esplicativa di GridLens mostra il flusso di lavoro registrato e le relative evidenze. Il criterio di progettazione più ampio consiste nel chiedersi che cosa dovrebbe cambiare affinché cambi una raccomandazione: un campo corretto della richiesta, un'ipotesi di rete diversa o una differente policy di studio. Ciascuno di questi elementi ha una fonte diversa e una ragione diversa per la revisione.

Ecco la panoramica del fondatore su questa delimitazione in GridLens.

Giudico un flusso di lavoro di pianificazione assistito da IA dalla sua capacità di rendere visibili tali dipendenze. Una risposta utile del modello può richiamare l'attenzione su un dato mancante o proporre una correzione. L'affidamento sulla raccomandazione di pianificazione richiede una traccia degli input, del calcolo e della regola che la supportano. Il sistema guadagna maggiore autorità quando un revisore può ricondurre un disaccordo alle evidenze in grado di risolverlo.