La promesse et les limites des modèles en grand langage dans le secteur de l’énergie
On a beaucoup discuté des promesses et des limites des modèles en langage large (LLM) dans des secteurs tels que l'éducation, les soins de santé et même l'industrie manufacturière. Mais qu’en est-il de l’énergie ? Les LLM, comme ceux qui alimentent ChatGPT, pourraient-ils aider à gérer et à entretenir le réseau énergétique ?
Nouvelle recherche, publiée dans Joulesuggère que les LLM pourraient jouer un rôle important dans la cogestion de certains aspects du réseau, notamment les interventions en cas d'urgence et de panne, l'affectation des équipes et la préparation et la prévention des incendies de forêt.
Mais les problèmes de sécurité et de sûreté doivent être résolus avant que les LLM puissent être déployés sur le terrain.
L'étude est co-écrite par Na Li, professeur de la famille Winokur de génie électrique et de mathématiques appliquées à la Harvard John A. Paulson School of Engineering and Applied Sciences (SEAS)
« Il y a tellement de battage médiatique autour des modèles rédigés en langage large qu'il est important pour nous de nous demander ce que les LLM peuvent faire de bien et, peut-être plus important encore, ce qu'ils ne peuvent pas faire de bien, du moins pas encore, dans le secteur de l'énergie », a déclaré Le Xie, professeur de génie électrique et informatique à la Texas A&M University et auteur correspondant de l'étude.
« La meilleure façon de décrire le potentiel des LLM dans ce secteur est de le faire en tant que copilote. Ce n'est pas encore un projet pilote, mais il peut fournir des conseils, un deuxième avis et des réponses très rapides avec très peu d'échantillons de données de formation, ce qui est vraiment bénéfique à la prise de décision humaine.
L'équipe de recherche, composée d'ingénieurs du fournisseur d'énergie CenterPoint Energy, basé à Houston, et de l'opérateur de réseau Midcontinent Independent System Operator, a utilisé des modèles GPT pour explorer les capacités des LLM dans le secteur de l'énergie et a identifié à la fois les forces et les faiblesses.
Les atouts des LLM (leur capacité à générer des réponses logiques à partir d'invites, à apprendre sur la base de données limitées, à déléguer des tâches à des outils intégrés et à travailler avec des données non textuelles telles que des images) pourraient être exploités pour effectuer des tâches telles que la détection d'équipements cassés. , la prévision de la charge électrique en temps réel et l'analyse des modèles d'incendies de forêt pour l'évaluation des risques.
Mais la mise en œuvre des LLM dans le secteur de l’énergie présente des défis importants, le moindre n’étant pas le manque de données spécifiques au réseau pour entraîner les modèles. Pour des raisons évidentes de sécurité, les données cruciales sur le système électrique américain ne sont pas accessibles au public et ne peuvent pas être rendues publiques.
Un autre problème est le manque de garde-corps de sécurité. Le réseau électrique, comme les véhicules autonomes, doit donner la priorité à la sécurité et intégrer une marge de sécurité importante lors de la prise de décisions en temps réel. Les LLM doivent également s'améliorer en matière de fourniture de solutions fiables et de transparence face à leurs incertitudes, a déclaré Li.
« Nous voulons que les LLM fondamentaux soient capables de dire 'Je ne sais pas' ou 'Je n'ai qu'une certitude de 50 % sur cette réponse', plutôt que de nous donner une réponse qui pourrait être fausse », a déclaré Li. « Nous devons pouvoir compter sur ces modèles pour nous fournir des solutions fiables répondant aux normes spécifiées en matière de sécurité et de résilience. »
Tous ces défis donnent aux ingénieurs une feuille de route pour les travaux futurs.
« En tant qu'ingénieurs, nous voulons souligner ces limites car nous voulons voir comment nous pouvons les améliorer », a déclaré Li. « Les ingénieurs de systèmes électriques peuvent contribuer à améliorer les garanties de sécurité et de sûreté en affinant le LLM de base ou en développant notre propre modèle de base pour les systèmes électriques.
« Un aspect passionnant de cette recherche est qu'il s'agit d'un instantané dans le temps. L'année prochaine ou même avant, nous pourrons revenir en arrière et revoir tous ces défis et voir s'il y a eu des améliorations. »
