AI にタービンを走らせる方法を教える（22 分読）

人工知能はチャットボットや画像生成ツールを通じて一般の想像力をかき立ててきましたが、その最も重要な活用事例の一部は、消費者向けツールから遠く離れた場所で展開されています。物理的インフラ、運用継続性、安全性が最優先される業界では、AI が中核的な運用層へと進化しています。広大な産業システムと絶え間なく流れ続ける運用データを有するエネルギー分野は、その未来がどのようなものかを示す一瞥を提供します。 ウッドサイド・エナジー社における AI 導入は、生成モデルやエンタープライズ向けコパイロットから始まったわけではありません。同社は長年にわたり、探査、掘削、保守、プラント運用の各領域にわたって予測分析、最適化システム、機械学習ツールを構築してきました。「私たちは常に、運営する設備やプラント、資産から膨大な量の運用データを受け取ってきました」と、同社のデジタル担当副社長であるアンドリュー・メロニー氏は述べています。「それらが、私たちにとって非常に明確で、極めて高い価値を持つ活用事例を生み出してきたのです。」 インフラとガバナンスへの長期的な投資は、複雑な産業ワークフローをサポートできるエージェント型 AI システムへとより広範な転換を可能にしています。人間オペレーターを置き換えるのではなく、ウッドサイド社は高リスク環境における専門知識を補完する AI システムを設計しています。その好例が「Startup Advisor」です。これは液化天然ガス（LNG）プラントの起動という複雑なプロセスをオペレーターが管理するのを支援する AI コパイロットです。「私たちは組織内の人々が、より良い意思決定を行い、より迅速に意思決定を行えるようエンパワーメントされる点において、どのようにサポートするかについて真剣に考えています」とメロニー氏は説明します。 同社のアプローチは、産業全体で進行している広範な進化を反映しています。孤立した実験から、標準化されたプラットフォーム、ガバナンスされたデータ、反復可能な展開パターンに基づいて構築された企業全体のシステムへと成熟する過程です。メロニー氏はこの移行には、組織が技術スタックと作業の遂行方法の両方を再考することが必要だと主張します。「私たちは既存のプロセスに AI を単に取り付けているわけではありません」と彼は言います。「その仕事がどのように再想像されるべきかについて、深く考えています。」 メロニー氏のモットーは「大きく考え、小さくプロトタイプを作り、急速にスケールする」になりました。 AI システムがより自律的かつ相互接続化されるにつれて、成功を収める可能性がある企業は、その過熱感の背後にある運用基盤を数年かけて構築してきた企業かもしれません。 「私たちの野心は、自律的な企業の実現にあります。そこでは、自律性を持つエージェントが、コアとなるワークフローと深く相互作用できるようになります」とメロニー氏は語ります。 *このBusiness Labのエピソードは、Infosysとのパートナーシップによって制作されました。 **完全な文字起こし:** *メガン・タテム:* MITテクノロジーレビューから、私はメガン・タテムです。これはビジネスリーダーが、研究所から市場へ出てくる新技術を理解するのを助ける番組「Business Lab」です。 このエピソードは、Infosysとのパートナーシップによって制作されました。 さて、人々が人工知能（AI）について考えるとき、しばしばチャットボットや生産性ツールを思い浮かべますが、最も洗練されたかつインパクトの大きいAIの利用は、実際には消費者向けアプリから遠く離れた場所、すなわち安全性、信頼性、物理システムが重要となる複雑な産業環境内で起こっています。グローバルエネルギーセクターはその好例です。 オーストラリア西部に本社を置く世界有数のエネルギー生産企業であるウッドサイド・エナジー（Woodside Energy）のような企業は、過去10年以上にわたり、高度な分析と運用、遠隔意思決定支援、大規模資産におけるスマートなメンテナンス、そしてエネルギー効率化などにおいてAIを適用してきました。現在、ウッドサイドはこの経験を拡大し、ガバナンス、データ品質、人的責任に強い焦点を当てながら、その事業全体および企業全体にAIをより深く組み込んでいます。 あなたへの2つの言葉：技術的燃料（technological fuel）。 今日のゲストは、ウッドサイド・エネルギー社のデジタル担当副社長であるアンドリュー・メロニーです。ようこそ、アンドリュー。 *アンドリュー・メロニー:* ありがとう、メガン。ここにお招きいただき光栄です。 *メガン:* お越しいただきありがとうございます。さて、先ほどお話しした通り、エネルギー業界はテクノロジー企業や消費者向けビジネスとは異なるアプローチで AI に取り組んできました。初期の価値は、消費者向けの生成 AI ツールではなく、運用環境や産業現場において生まれています。なぜそうなるのでしょうか？また、エネルギー業界における AI の道のりを特徴づけるものは何でしょうか。 *アンドリュー:* メガン、それは私たちが行う仕事の性質に尽きると思います。エネルギー事業およびウッドサイドが行う業務は、非常に資産集約的であり、安全性が極めて重要で、かつ物理的な作業が中心です。ウッドサイドの運営を考えると、私たちはバリューチェーン全体を通じて活動しています。探査から掘削や地下資源調査、プロジェクト開発を経て、資産の運用まで携わっており、これらはしばしば過酷で遠隔地で行われます。さらに、グローバルなエネルギーポートフォリオのマーケティングや取引も手がけています。 私たちが運用する設備、プラント、資産からは常に非常に大量の運用データが流入しており、これらが私たちにとって極めて明確かつ高価値なユースケースを生み出してきました。信頼性や安全性、効率性を考えるとき、それらはウッドサイドのような企業にとって本当に重要な要素です。私たちは長年にわたり従来の AI を活用してきました。分析、最適化、予測モデルといった技術について考えてみてください。これらの手法は 2015 年頃から私たちのデータセットやビジネスに応用し続けています。 そして最近では生成 AI の登場により、事業改善という目的で問題を解決するために、上に積み重ねて構築できる非常に強力で素晴らしい基盤があることを改めて実感しました。また、人々の安全を確保し、私たちが活動する環境の安全性を保ち、組織へのリターンを向上させることなど、どのような課題であっても同様です。 *メガン:* 素晴らしいですね。おっしゃった点に触れられていますが、この現実がウッドサイドにおけるご自身の AI ストラテジーにどのように影響を与えたのでしょうか？どこから始められ、初期の段階で技術が最も大きなインパクトを示したのはどの分野でしたか？ *Andrew:* はい、先ほど申し上げた通り、運用データの理解、その価値の認識、そしてそれを活用するために大規模に収集するという点において、私たちは非常に長い旅をしてきました。メガン、このアプローチについては非常に意図的に行ってきました。私たちは本当に、どこに価値があり、どこでリスクを管理可能と見なせるかを考え抜いてきました。そして現在のアジェンシー AI の視点から、過去には従来の AI や機械学習、データサイエンスによって解決されていた問題について目を向け始めました。さらに、その上にアジェンシー AI を重ねて、より良い成果をもたらすことができる領域はどこかという思考も始めています。 資産集約型産業および組織である私たちが注目している分野としては、メンテナンスの最適化があります。また、LNG プラントを信頼性高く、一貫して、かつ安全に起動させるにはどうすればよいかといった領域にも目を向けています。さらに、最前線で働く労働力を本当に重視し、現場の人々が職務を遂行するために必要なツールを提供しているかを確認しています。AI について考える際、私たちは組織内の人々を支援する方法、つまり彼らにより良い意思決定や迅速な意思決定を可能にするためのエンパワーメントという観点から考えています。時が経つにつれて、これは従来の分析から、現在では人工知能および生成 AI へと進化してきました。その過程で学んだことは、技術自体も重要ですが、人々・プロセス・技術を一体として統合することが何よりも大切だということです。 私たちは、データ収集だけでなく、構築の基盤となるよう丹念に整備されたデータセットの作成にも長い時間を費やしてきました。さらに、アジャイルな働き方、デザイン思考の実践、問題解決の方法、そして私のチームが組織にもたらす技術が効果的かつ意図的に採用されることを確実にするための教育にも多くの時間を割いてきました。技術面およびデータ面でこの堅固な基盤を整え、デジタルチームと組織間の信頼関係を築き上げた後、私たちは組織全体にわたる技術のスケーリングがより広範に進み、顕著な成長を遂げたことを実感しました。 *Megan:* 素晴らしいです。その「人」の要素は非常に重要ですね。ツールや技術は、適切な手に渡る必要があります。また、データについても触れられました。産業用 AI は明らかに膨大な量のデータを必要とします。ウッドサイドにおけるデータの扱い方について、もう少し詳しくお聞かせいただけますか。どのように構造化され、ガバナンスされているのか、またメンテナンス・インテリジェンスのようなツールがその中でどう位置づけられているのかも教えてください。 *Andrew:* さて、データは私たちが行うすべてのことの基盤であり、特に技術の観点からは極めて根本的なものです。強固な土台の上に構築する際、データがあるからこそ、私たちはスピード感を持って革新を行うことが可能になります。先ほど申し上げた通り、当社は長期的に基幹となる運用データの投資を行ってきた恩恵を受けています。私たちがデータを捉える考え方は、それを自社の資産と見なすことです。 また、至る所にセンサーが設置された施設を運営し、リアルタイムでデータストリームが流入し、オペレーターが即座に意思決定を行う必要がある状況を考えると、私たちは長年にわたり、そのエンタープライズ規模のデータプラットフォームへの投資を意図的に行うという決断を下してきました。これによりセキュリティを確保しています。構造化されたデータ資産を整備し、その上に強力なガバナンス体制を敷くことで、データがデータサイエンスアプリケーションや AI エージェントとして活用される際にも、それが責任を持って使用され、期待通りの結果をもたらすという信頼性を担保しています。 私たちは、資産およびエンタープライズシステムから極めて高頻度のデータを継続的に取り込むプラットフォームを開発しました。その上でソリューションの開発が可能になると、そのデータを収集するシステムを所管する事業部門も、データが持つ価値を実感するようになります。 メンテナンスインテリジェンスのような事例を見ると、長年取り組んできたものをどう活用してきたかがよくわかります。ウッドサイドでは多くのメンテナンス業務を行っており、これは私たちの事業において非常に重要な部分を占めています。また、このメンテナンスはすべての運用資産にわたって行われています。しかし私たちは、保有するデータセット全体を通じて、予測分析や予防保全をどのように行うかについて長年検討してきました。そして、メンテナンスインテリジェンスのようなソリューションは、そのメンテナンスの効率化を実現する手段を提供します。具体的には、過去のメンテナンス記録と設備のパフォーマンスデータを併せて分析します。さらに、このデータセットが適切にガバナンスされ、一元管理されていることで、SAP から得られるメンテナンス記録や、時系列データレイクから得られる設備・パフォーマンスデータなど、異なるデータセット間の相関関係を把握する能力を得ることができます。 そして、その上に構築する際、メンテナンスインテリジェンスのようなものは、資産に対してメンテナンス活動の最適なタイミングを推奨する機会を与えてくれます。これは非常にシンプルな目的、つまり「適切な時期に適切な作業を行う」という目標を実現するためのものです。メンテナンスインテリジェンスのような取り組みを通じて、私たちは過去 5 年間でパイロット実施したある資産において、メンテナンス時間を最大 15% 削減できる可能性を見出しました。そして、その基盤となる分析モデルを構築するにつれ、現在はアジェンティック AI（自律型人工知能）をその上に配置し、より優れた洞察を提供してソリューションをさらに最適化することが可能になっています。 究極的には、資産チームや運用チームに対して、適切な意思決定支援機能を提供することに尽きます。これにより、最終的な意思決定の責任は依然として彼らにあり、適切な作業が行われていることを保証しつつ、私たちが提供するデータに基づいて、彼らの判断と経験を活用して最適な意思決定を下すための最良の機会を与えることになります。 *メガン：* 非常に影響力のある変化ですね。昨年は、初期の AI 学習からスケーリングへ移行し、AI をより意図的にフォース・マルチプライヤー（戦力増強因子）として活用する節目でもありました。どのような転換を目指され、どのようにアプローチされたのでしょうか？ *Andrew:* メガン、Woodside では長年、イノベーションの観点から「大きく考え、小さくプロトタイプし、急速にスケールする」という哲学を持ってきました。私たちは取り組むべき大きな機会を見つけたいと考えていますが、まず小規模でどのように展開するかを検討し、その後に得られる学習と洞察に基づいて、あらゆる場所でスケールできるようにすることを目指しています。例えば、メンテナンスインテリジェンスやスタートアップアドバイザーがその好例です。複数のプラントを起動する必要があり、また複数の資産にメンテナンスが必要なことは承知しています。したがって、それらをどのように改善し最適化するかについては、大胆で野心的な目標を持っています。まずは小規模なプロトタイプから始めます。それは一つのサブシステムであったり、資産の一部であったりします。その後、展開して学習し、さらに急速にスケールしていきます。 AI の学習の観点から、私たちが学んだ重要なことのひとつは、孤立した AI ソリューションから、より協調的な企業全体の能力へと移行することです。振り返ってみると、おそらく 18 ヶ月〜2 年前の生成 AI における私たちの旅路では、組織内での個人の生産性向上という観点から、AI を可能な限り広く展開することから始めることはほとんどありませんでした。また、AI で解決する問題、つまりビジネス上の課題に対して非常にオープンであることも特徴でした。これにより、組織が AI に親しみ、その能力を理解し、信頼を築く上で多くの利点がありました。 しかし私たちが学んだのは、そこから時間と資源の投資先をより絞り込み、より付価値の高いソリューションに焦点を当てる方向へと転換する必要があるということです。では、中央チームに頼らずとも、各部門や個人の生産性向上において技術を用いて効果的に問題解決ができるよう、組織の残りの部分をどのように支援し権限委譲できるでしょうか。 この点について考える際、「大きく考え、小さくプロトタイプを作り、急速にスケールする」というアプローチが私たちにとって非常に重要でした。より広範なユースケース開発やソリューション開発へのアプローチから、現在では高価値な優先事項に焦点を絞った narrower な方向へと移行しています。この転換は、私たちに大きな成果をもたらしており、Startup Advisor といったソリューションや機会を追及することを可能にしてくれています。 したがって、当社のスタートアップ・アドバイザーは、パネルの前に座り、非常に技術的な施設であり、起動には専門的なスキルを要する LNG プラントの起動を担当するオペレーターを最適化し、支援し、よりよくサポートすることを目的としたエージェント型 AI ソリューションです。つまり、スタートアップ・アドバイザーは、これらのオペレーターと共に座るコパイロットのようなものであり、過去の起動プロセスを再生できる機能を提供します。また、現在の起動がどのように進行しているかを確認する能力を与え、その施設を起動する方法を最適化するためのより良いインサイトを提供します。繰り返しになりますが、LNG 施設の起動は非常に複雑です。 *Megan:* 想像できますね。 *Andrew:* スタートアップ・アドバイザーのような機会について考える際、再び「大きく考え、小さくプロトタイプし、急速にスケールする」という原則に戻ります。私たちは、「いかにしてすべての LNG プラントをより構造化され、最適化された方法で起動するか」「パネルオペレーターをどのようによりよくサポートするか」「経験の浅いパネルオペレーターが、隣に座る熟練したオペレーターのように彼らを支援できるコパイロットを持つようにするにはどうすればよいか」という非常に大胆なビジョンから始めました。このビジョンと、小規模でプロトタイプを作成し、その後急速にスケールする能力について考えるとき、これは私たちにとって本当に成功した取り組みだったと思います。 スケールするにつれて、自然とエージェントベースのソリューションへと拡大してきました。現在、生産環境では約 50 の AI エージェントが稼働しており、運用資産とエンタープライズワークフローの両方をサポートしています。これらのツールは実環境で証明されており、特定の領域での小規模な問題を解決するポイントソリューションから、ワークフロー全体で実際に機能する「エージェント性（agency）」を持つ AI やエージェント型ソリューションへと移行することのメリットを強く実感しています。 これが可能なのは、基盤とするプラットフォームを標準化し、反復可能なパターンを確立しているからです。これもまた私たちが得た重要な教訓の一つであり、50 の異なる方法で 50 のソリューションを構築したくないと考えています。むしろ、組織や技術チーム、そしてソリューションのユーザーが、迅速かつ安全に、そしてパターン化されたプラットフォーム方式で展開できるよう支援することに注力しています。 ただし、メガンさん、学習の観点から私が最後に申し上げたいのは、AI の導入や開発を巡る強力なガバナンスが私たちにとって極めて重要であることを私たちは深く理解したということです。また、スピード感を持って進むことも同様に重要です。異なるソリューションやデジタルシステムを展開する方法に関する従来のガバナンス手法では、AI を考える際に必要となる広範な規模には対応しきれません。どのようにイノベーションを起こすかという明確な哲学を持ち、孤立したソリューションから企業全体にわたる能力へと移行し、強力なプラットフォームと堅牢なパターン、そして明確なガバナンスを確保すること——これらが私たちが学んだ3 つの極めて重要な要素です。 *メガン:* すべてが非常に重要な柱ですね。あなたはインフォシス社とこの旅を共にしてこられました。そのパートナーシップは、ビジネス全体に AI を展開し、定着させるためのスケールアップをどのように加速させたのでしょうか？ *Andrew:* さて、Infosys は当社の管理サービスプロバイダーであり、中核事業の運営において極めて重要な役割を果たしています。私がよく言うことの一つに、「革新を行うためのライセンスは、事業を継続して行うためのライセンスに基づいている」というものがあります。つまり、私のチームが運用資産や企業機能に対して信頼を得て、業務のやり方を再考・再設計し、革新と再構築を行えるようになるためには、中核プラットフォーム、中核システム、アプリケーションが毎日確実に、安全に、一貫して稼働していることを保証する必要があります。Infosys のような経験豊富なパートナーが、当社の内部チームと連携してこれらのコアオペレーションを管理することは、私たちにとって非常に重要です。 パイロットプロジェクトから企業全体への展開へと移行するにつれ、Infosys のようなパートナーとの協業は、スケールアップする能力をもたらします。私はパースおよび西オーストラリア出身ですが、西オーストラリアには強力なローカルチームがあり、他の運用拠点にも非常に強いチームがあります。しかし、誰もがそうであるように、AI 関連の役割を担える人材を見つけることに苦労しています。Infosys とパートナーシップを結び、複数の異なるオペレーティングモデルを利用可能にすることは、私たちにとって極めて重要です。Infosys のスタッフ、ウッドサイド（Woodside）のスタッフ、その他のパートナーのスタッフが混在する共同チームを構築することで、問題解決における多様な視点と経験がもたらされます。 根本的に、このパートナーシップにより、私たちはより自信を持って運営し、革新を進めることができるようになりました。Woodside は常に戦略の所有権と将来の方向性を保持し、ガバナンスを維持し、チームは結果に対して責任を負いますが、Infosys とのような強力なパートナーシップなしには、私たちが行うことはできません。 *Megan:* 素晴らしいです。AI の導入が拡大するにつれ、ご自身もおっしゃる通り、ガバナンスの重要性が高まっています。それはどれほど困難だったのでしょうか？また、Woodside ではどのようなガードレールを設けましたか？ *Andrew:* メガン、ガバナンスは私たちにとって非常に重要です。私たちは規制の厳しい環境で事業を展開しています。つまり、組織にテクノロジー（人工知能やその他の技術を含む）を導入する際、どのように行うかを考える際には、非常に意図的で根拠のある意思決定を行う必要があります。したがって、Woodside における AI ストラテジーの実行アプローチにおいて、ガバナンスは極めて中心的な役割を果たしています。 私たちが整備した重要な要素は、おそらく2つから3つのことです。まず一つ目は、すべてのAI活用事例が構造化された評価プロセスを経ることを確実にすることです。これには、プライバシー保護対策やサイバーセキュリティ対策の要件を満たしているかを確認することが含まれます。また、「できるかどうか」だけでなく、「行うべきかどうか」という問いも投げかけています。私たちは、安全性、倫理、透明性、説明責任を統合し、十分な情報に基づいた意思決定を行う必要があります。AIソリューションが構造化された評価プロセスを経る際、その利用方法に懸念が生じた場合は、組織全体のシニアリーダーで構成されるAI評議会へ引き継がれます。この評議会とグループは、優先順位付けやリスク管理の一部を監督しており、ここでは「何ができるか」「行うべきか」、そして導入する可能性のあるリスクをどのように緩和するかについて、非常に力強く堅牢な議論が行われます。 最後の一人、メガンさんについては、ライフサイクル管理についてお話ししたいと思います。現在 50 基ですが、もし組織内で 500 人のエージェントが稼働しているとしたら、社員の経験や意思決定、価値創造を大幅に強化するために、これらのエージェントの運用に関するライフサイクルを管理する能力が必要だと考えています。誰がどれくらい利用しているのか、その有効性や成果はどうなのか、モデルのドリフトは発生していないか、再調整や再学習が必要かどうかを知りたいのです。これはウッドサイドを含む多くの組織が現在取り組んでおり、最適な方法を模索している領域だと言えます。50 基であれば比較的容易に管理できますが、500 基、5,000 基、50,000 基となると、それは私たちに新たな機会となります。他社とのパートナーシップをどう築くかという視点も重要で、そのような課題の解決を通じて、インフォシス（Infosys）のような一部のパートナーと共創・共同解決を行う機会が生まれると考えています。 *メガン:* すばらしいです。最後に、ウッドサイドにおける AI の長期的なビジョンについてお伺いできますか？今後数年でどのように進化していくとお考えですか？また、業界全体にとってどのような可能性を切り開くものだとお見受けになりますか？ *Andrew:* メガン、私たちの野心は、自律的な企業の実現にあります。そこでは、自律性を持つエージェントが、当社のコアなワークフローと深く相互作用できるようになります。そこから得たい成果は、従業員を守り、私たちが活動する環境を守ること、そして世界に対してより低コストでエネルギーを提供できることです。この野心について考えるとき、ウッドサイドが携わるほぼすべての領域にこれを適用できることが明確に見えてきます。探査からプロジェクト開発、運用、マーケティングに至るまで、眼前にある機会の規模と、組織内での業務フローのあり方そのものを変革する能力は、非常に興奮を覚えるものです。 私たちにとって、この野心を実行に移すためには、3 つのことを正しく行う必要があります。第一に、組織内で仕事がどのように遂行されるかを根本から考え直すことです。単に既存のプロセスに AI を付け足すのではなく、その仕事をどう再考すべきかを深く考えることが必要です。第二に、労働力が異なる方法で働けるよう支援することです。私たちが提供する技術の力を本当に活用できるよう、スキルやツール、そして能力を提供する必要があります。 第二に、非常に限定的な問題を解決する個別のソリューションの導入から自らを制約し、より相互接続され、自律的なシステム同士が互いに相互作用できるような「システムのシステム」へと移行し続ける必要があります。それを実現し、成功すればこそ、エージェントがワークフローと相互作用し、実際の作業が行われる方法を根本的に変えることで、真に高い価値を引き出すことができるのです。 そして最後に、メガン、それは「大きく考え、小さくプロトタイプを作り、急速にスケールする」という私たちの哲学を継続していくことにかかっています。 *メガン:* それはまさにこれらの意思決定を行うための素晴らしい視点ですね。ありがとう、アンドリュー。イングランドのブライトンから話したウッドサイド・エネルギー社のデジタル担当副社長、アンドリュー・メロニーでした。 これで『Business Lab』のエピソードは終了です。私はホストのメガン・タテムです。私は MIT Technology Review のカスタム出版部門である Insights の寄稿編集者兼ホストを務めています。私たちは 1899 年にマサチューセッツ工科大学で設立され、現在は印刷物、ウェブサイト、そして世界中で開催されるイベントを通じて皆様にお届けしています。私たちや番組の詳細については、technologyreview.com のウェブサイトをぜひご覧ください。 この番組は、ポッドキャストをご利用いただいているあらゆる場所で聴くことができます。もし今回のエピソードをお楽しみいただけたのであれば、ぜひ評価とレビューをお願いいたします。『Business Lab』は MIT Technology Review が制作した番組であり、本エピソードは Giro Studios によって制作されました。ご視聴いただき、誠にありがとうございます。さようなら。 *このコンテンツは、MIT Technology Review のカスタムコンテンツ部門である Insights によって制作されました。MIT Technology Review の編集チームによって書かれたものではありません。調査、設計、執筆は人間のライター、編集者、分析家、イラストレーターによって行われました。これにはアンケートの作成やデータ収集も含まれます。使用された可能性のある AI ツールは、徹底的な人間によるレビューを経た二次的な生産プロセスに限定されています。 風力タービンの回転数を最適化し、故障を予測するために、AI を訓練する試みが進んでいます。これは、再生可能エネルギーの効率向上とコスト削減に寄与します。 AI モデルは、センサーデータからパターンを学習し、異常を検知します。これにより、メンテナンス計画を事前に立てることが可能になります。 この技術は、風力発電所の運用コストを大幅に削減する可能性があります。また、エネルギー供給の安定性も向上させます。 研究者たちは、より複雑な環境条件下でも AI が正確に動作することを検証しています。 今後の展開として、AI の自律的な学習能力をさらに高めることが期待されています。 この取り組みは、持続可能なエネルギー社会の実現に向けた重要な一歩です。

AI にタービンを走らせる方法を教える（22 分読）

背景や根拠まで確認しますか？

調べる

選ぶ

サイト