Штучний інтелект трансформує ключові галузі вже давно, однією з них є енергетика. ШІ оптимізує складні процеси, автоматизує рутинні завдання, залишаючи працівникам більше часу для творчої та стратегічної роботи. А справжня сила ШІ в обчисленні великих обсягів даних, що дозволяє будувати глибоку аналітику й точні прогнози — основу для роботи моделей машинного навчання (Machine Learning) та створення інтелектуальних цифрових асистентів, що працюють з великими базами даних завдяки MS Copilot Studio.
У співпраці з ДТЕК компанія MODUS X впроваджує передові AI-технології, які допомагають перетворювати дані на ефективні управлінські рішення, автоматизувати рутинні процеси та підвищувати продуктивність команд. Від інтеграції MS Copilot Studio до створення моделей машинного навчання — ці інструменти вже сьогодні формують нову культуру роботи з інформацією у масштабах великої енергетичної компанії та виводять роботу ДТЕК на новий рівень.
MODUS X — ІТ-партнер ДТЕК, який відповідає за розроблення та впровадження цифрових рішень. MODUS X виросла з внутрішнього ІТ-департаменту і сьогодні працює як окрема компанія, що розвиває інноваційні продукти, зокрема, у галузі штучного інтелекту. Саме фахівці MODUS X стоять за тими рішеннями, які змінюють щоденну роботу ДТЕК на всіх рівнях — від користувацьких Copilot-інструментів до складних ML-моделей.
SPEKA дізналась думку Chief Data Officer MODUS X Валентина Винту щодо стратегічних цілей MODUS X у впровадженні AI, ML та MS Copilot Studio у ДТЕК.
А також поспілкувалась з експертами MODUS X — Оксаною Борисюк, AI Implementation Officer, та Вадимом Чуждою, Head of Data Science, щоб дізнатися, як Machine Learning допомагає покращити виробничі процеси у ДТЕК, як MS Copilot Studio оптимізує й підвищує ефективність роботи та яким бачать майбутнє ШІ-технологій у ДТЕК та у світі експерти компанії MODUS X.
Стратегічні цілі MODUS X у впровадженні ML та Copilot у ДТЕК
Сьогодні енергетика переживає безпрецедентну трансформацію, і рушієм цих змін стають дані та штучний інтелект. Наша стратегічна мета у MODUS X — забезпечити ДТЕК лідерські позиції в галузі завдяки впровадженню передових AI-рішень, машинного навчання та інструментів Copilot. Це не просто про технології, це про зміну підходів до управління бізнесом.
Серед ключових пріоритетів MODUS X Валентин Винту визначив такі:
- Оптимізація бізнес-процесів: застосування ML-моделей для прогнозування, автоматизації рутинних завдань та підтримки в ухваленні оптимальних управлінських рішень.
- Масштабування експертизи: MODUS X надає інструменти, які дозволяють командам ДТЕК — як ІТ-фахівцям, так і бізнес-користувачам — ефективно використовувати можливості AI та Copilot у своїй щоденній роботі.
- Побудова data-driven культури: створення середовища, в якому рішення ухвалюються на основі аналітики, а цифрові асистенти звільняють час для стратегічної роботи й розвитку.
- Створення інноваційної спільноти: MODUS X розвиває внутрішнє ком’юніті, у якому співробітники обмінюються досвідом, стають менторами для колег і разом підвищують цифрову зрілість компанії.
Валентин Винту підкреслює, що у MODUS X розглядають штучний інтелект не лише як інструмент, а як стратегічний ресурс для сталого розвитку та підвищення конкурентоспроможності ДТЕК. Саме тому компанія інвестує у розвиток експертизи команди, систематизує знання та забезпечує доступ до найсучасніших технологій.
Моя впевненість — майбутнє енергетики за data-driven підходами та відповідальним використанням AI. Саме цей шлях дозволяє ДТЕК бути гнучким, інноваційним та стійким до викликів часу. — Валентин Винту, Chief Data Officer
Рішення на базі Machine Learning у ДТЕК
Машинне навчання (Machine Learning, ML) — це технологія штучного інтелекту, яка дозволяє комп’ютерам навчатися на основі даних і самостійно ухалювати рішення або робити прогнози. Замість чітких інструкцій система аналізує приклади, виявляє закономірності й застосовує ці знання до нових ситуацій.
Актуальні проєкти
Ми поцікавилися у Вадима Чужди, для оптимізації яких процесів використовують ML у ДТЕК. Експерт розповів, що у MODUS X уже тривалий час на підтримці перебуває система прогнозування зношення та поломок бурового обладнання. Вона працює на основі даних із численних датчиків і допомагає вчасно виявляти потенційні ризики.
Ще один кейс — автоматизований парсинг страхових документів. Це внутрішній сервіс, який щороку використовується для збору страхових полісів. Дані з них структуруються за допомогою ML-алгоритмів, що дозволяє ефективно їх аналізувати й ухвалювати обґрунтовані рішення.
Наразі один із найактуальніших та стратегічно важливих проєктів — оптимізація розподілу вугілля, що дозволяє клієнту підвищити операційну ефективність.
Також MODUS X тестує систему прогнозування WDE (Weather-Dependent Energy), до якої входять СЕС (сонячні електростанції) та ВЕС (вітрові електростанції). WDE уже проходить промислово-дослідну експлуатацію на трьох об’єктах і дозволяє враховувати погодні чинники для точнішого планування генерації.
Оптимізація — одне з найактуальніших рішень у цифровій трансформації бізнесу сьогодні. Чому? Зокрема, завдяки популяризації великих мовних моделей (LLM), як-от ChatGPT.
Користувачі дедалі активніше звертаються до LLM із власними запитами. Хоча не всі проблеми ці моделі можуть вирішити повністю, вони здатні допомогти у виявленні й частковому розв’язанні завдань. Це привернуло увагу до напряму оптимізації: натепер у роботі або на етапі запуску MODUS X приблизно п’ять проєктів, спрямованих на вдосконалення різних бізнес-процесів. Одним із найпросунутіших і вже практично реалізованих проєктів є система оптимізації розподілу вугілля, яка готується до другого релізу.
Вадим Чужда Head of Data Science
У ДТЕК є мережа шахт і центри збагачення вугілля (ЦЗВ), адже не вся сировина, що видобувається, одразу придатна для виробництва електроенергії. Вугілля з різних пластів потребує різного підходу: одне можна одразу відправляти на ТЕС, інше — обов’язково піддається збагаченню.
Оптимізація полягає у вирішенні складного логістичного завдання: потрібно знайти найефективніші маршрути транспортування вугілля — від шахт до збагачувальних центрів, далі до станцій або на продаж стороннім споживачам, як-от котельні. Важливо враховувати обмеження кожної ланки процесу: добову пропускну здатність ЦЗВ, можливості складів, потреби станцій і варіанти комерційної реалізації.
Вручну таку глобальну задачу вирішити практично неможливо, тому для цього розробляється математична модель, яка враховує всі обмеження та варіанти використання сировини. Проте, як зазначає Вадим Чужда, це далеко не академічне завдання: у реальному бізнесі щодня виникають нові обставини — обсяги видобутку коливаються, можуть з'явитися неформальні склади або вагони, що залишаються на коліях, зміни логістичних можливостей. Усе це потрібно детально проаналізувати, описати й лише потім формалізувати у математичних моделях.
Процес тривалий — від пів року до року — та потребує глибокого розуміння внутрішньої логіки бізнесу.
Наразі це наш найяскравіший проєкт, ефективність рішення вже помітна. На цей проєкт орієнтуються, по ньому підганяють, щоб масштабувати успіх і на інші проєкти. — Вадим Чужда, Head of Data Science
Типовий цикл роботи команди MODUS X для впровадження ML-рішень у ДТЕК
Робота починається з бізнес-аналізу, на цьому етапі разом із бізнес-аналітиками команда уточнює суть завдання: що саме хоче отримати замовник, які є обмеження, які дані доступні. На основі цього формується попереднє технічне завдання та оцінюється масштаб і тривалість проєкту.
Далі відбувається глибший аналіз наявних даних — іноді попередні оцінки доводиться коригувати, адже не всі запити можливо реалізувати без відповідної інформації. Якщо дані відсутні, певні рішення реалізувати просто неможливо.
Наступним кроком є підготовка датасету та створення базових моделей (baseline). Команда тестує кілька варіантів без тонкого налаштування, щоби зрозуміти, які підходи найбільш придатні: десь доцільніше використати Team Series, в інших випадках — простішу класифікацію. Відбір моделі враховує не лише точність, але й додаткові вимоги: обмеження щодо швидкості оброблення, специфіку задачі або інфраструктурні обмеження.
Вадим Чужда Head of Data Science
Після цього обрані моделі доопрацьовуються (fine-tuning) і створюється демо-версія, яка може виступати як Proof of Concept. Якщо клієнт надає повний набір даних одразу, цей етап переходить у впровадження — модель інтегрується у бізнес-процес.
Розгортанням займається команда DevOps: модель може бути інтегрована у внутрішні ресурси або передана клієнту для самостійного запуску. Наприклад, її прогнози можуть передаватися до бази даних, з якої здійснюється аналітика через Power BI.
Після впровадження команда продовжує супровід моделі, стежить за її роботою та стабільністю.
Найбільше ресурсів зазвичай потребують перші етапи — робота з даними та бізнес-аналіз
Це класична ситуація для Data Science, коли 80% часу витрачається саме на підготовку та розуміння задачі, і лише 20% — на побудову моделі. У складних кейсах, як-от оптимізаційні моделі, цей баланс може бути ще більшим: 90% зусиль йде на аналіз і підготовку даних, а лише 10% — на саму модель. — Вадим Чужда, Head of Data Science
До того ж через війну команда стикається з додатковими труднощами: втрачена інформація через обстріли, або відсутність доступу до даних з тимчасово окупованих територій. Це суттєво ускладнює підготовку повноцінного датасету.
Тренди у галузі ML-прогнозування й оптимізації
Власне сама оптимізація — попит на неї суттєво зріс. Експерт зазначає, що це може бути частково пов’язано з війною — бізнеси прагнуть економити, знижувати витрати та підвищувати ефективність. Якщо ще п’ять років тому про оптимізацію бізнес-процесів і застосування математичних моделей говорили значно рідше, то тепер запити з’являються постійно. Один проєкт часто тягне за собою наступні — і ця динаміка лише посилюється.
Я думаю, що через розвиток великих мовних моделей, як-от GPT, є сенс подивитися на зміну підходів щодо прогнозування. — Вадим Чужда, Head of Data Science
Вадим Чужда називає перспективним напрямом застосування архітектур великих мовних моделей (LLM), зокрема трансформерів, для завдань прогнозування. За словами експерта, з’являється дедалі більше моделей, які дозволяють прогнозувати часові ряди за аналогією з текстовими даними. Серед таких підходів можна згадати GPT-подібні архітектури, а також спеціалізовані рішення на кшталт Informer чи PatchTST.
Вадим Чужда наголосив, що це новий, але дуже цікавий напрям, який варто досліджувати для можливого використання у великих енергетичних компаніях, як-от ДТЕК.
Роль Copilot Studio у ДТЕК
У компанії ДТЕК активно впроваджуються AI-рішення різного рівня складності. Один із напрямів розвитку — використання інструменту Copilot Studio, low-code платформи, що дозволяє бізнес-користувачам із мінімальним технічним досвідом самостійно створювати ШІ-агентів під власні потреби. Останній проєкт команди MODUS X фокусується саме на підтримці користувачів: їм допомагають створювати та ефективно інтегрувати агентів на Copilot Studio у бізнес-процеси.
Оксана Борисюк AI Implementation Officer
Паралельно у компанії працюють команди досвідчених розробників, зокрема Data-scientist. Вони створюють складніші AI-рішення, що потребують глибоких технічних знань і використовують ширший набір інструментів, не обмежуючись Copilot Studio.
У MODUS X паралельно розвиваються два вектори імплементації штучного інтелекту в роботу ДТЕК:
Прості AI-рішення, які працівники створюють самостійно під власні потреби.
Складніші розробки, які створює in-house-команда MODUS X — самостійно або у партнерстві з профільними ІТ-компаніями.
Різновиди Copilot
Користувачі можуть адаптувати Copilot до власних потреб — кожна команда налаштовує інструмент відповідно до специфіки своєї роботи. Це дозволяє ефективніше інтегрувати ШІ у повсякденні завдання.
Оксана пояснює, що наразі можна виділити три основні типи Copilot, які використовують у компанії:
Copilot Chat — базовий інструмент, доступний усім користувачам із пакетом Microsoft Office. Це чат-помічник, подібний до ChatGPT, який працює у форматі діалогу.
Microsoft 365 Copilot — глибше інтегрований у застосунки Microsoft (Word, Excel, Outlook тощо). Однак його використання залежить від ліцензії, тож не всі працівники мають до нього доступ.
MS Copilot Studio — це low-code платформа, яка дозволяє створювати власних ШІ-агентів під конкретні завдання окремої команди. Саме цей інструмент відкриває широкі можливості для кастомізації й створення рішень, максимально наближених до бізнес-потреб.
За словами Оксани Борисюк, MS Copilot Studio у ДТЕК активно використовується за такими напрямами:
- Для створення чатботів, які працюють на основі внутрішніх знань команди або зовнішніх джерел, як-от сайти із законодавчими нормами, регуляціями чи галузевими стандартами. Часто ці джерела комбінуються: наприклад, для порівняння внутрішньої документації з чинними нормами.
- У навчанні персоналу: один із департаментів ДТЕК створює чат-агента на основі внутрішніх знань, які раніше передавались у вигляді наборів файлів. Тепер співробітники можуть звертатися до чата з будь-яким запитанням замість пошуку інформації вручну.
- Інтерактивне тестування: у розробці — чат з функціями тестування знань. Працівники відповідають на запитання, а система одразу оцінює відповіді, вказує на помилки та підказує, на що варто звернути увагу. Це дозволяє виявляти прогалини у знаннях і потенційно донавчати персонал.
- Підтримка у технічних питаннях: Copilot Studio використовується як інструмент нагадування. Наприклад, замість того щоб звертатися до колег із питанням на кшталт «ти пам'ятаєш, як це робити?», працівник може звернутися до чатбота, який має доступ до відповідної бази знань.
Перевага Copilot Studio у тому, що інтегрувати його дуже легко. У ДТЕК вже є продукти Microsoft, які є частинами Microsoft 365, тому не було потреби в якихось додаткових інтеграціях.
Водночас у процесі експлуатації виявилися певні труднощі, пов’язані зі стабільністю самого інструменту. Copilot Studio доволі нова платформа, яка активно оновлюється. Через це, наприклад, можуть змінюватися елементи інтерфейсу: налаштування, які працювали минулого разу, виглядатимуть інакше або потребуватимуть нових дій. Тому команда вирішила проводити навчання не у форматі разового курсу, а створила постійний Copilot Studio Club, де учасники можуть обмінюватися інсайтами та консультуватися з більш досвідченими колегами.
Оксана Борисюк AI Implementation Officer
Часті зустрічі у форматі клубу та обмін думками допомагає цей інструмент [Copilot Studio] краще освоювати, натепер по ньому немає нормального навчання, адже він новий і розвивається дуже динамічно. — Оксана Борисюк, AI Implementation Officer
Клуб відкритий для всіх працівників ДТЕК, спеціалісти MODUS X є його кураторами та ідейним натхненниками.
Скільки часу знадобилося, щоб інтегрувати MS Copilot Studio у ДТЕК
Copilot Studio — це інструмент, доступний за корпоративною підпискою для всього ДТЕК. Працівник може звернутись із запитом і отримати безкоштовну ліцензію, після чого створити чат-асистента під потреби свого відділу. Такі чати з’являються там, де є внутрішній запит і активність з боку команд.
Поки що говорити про повне охоплення всіх бізнес-процесів зарано. Це поступовий процес, але стратегічно ми рухаємося саме у цьому напрямку. — Оксана Борисюк, AI Implementation Officer
Оксана розповіла, що під час налаштування Copilot жодних додаткових дій з боку ДТЕК не потрібно — усе вже інтегровано у середовище Microsoft 365. А от створення самого чат-асистента залежить від складності завдання та залученості користувача. Це може тривати від 1 до 4 тижнів. В окремих випадках можна створити його за декілька годин, якщо чат простий і дані вже підготовлені.
Особливості та обмеження MS Copilot Studio, які варто враховувати під час створення чатботів
Важливо враховувати, що Copilot Studio — це інструмент для швидкої побудови простих чатботів. З цього і випливають основні обмеження:
- Розмір контекстного вікна, тобто обсяг інформації, з якою бот може працювати одночасно. Наприклад, якщо документ обсягом 600 сторінок, розміщений на SharePoint, MS Copilot Studio не зможе повністю його обробити. Але якщо цей же файл завантажити безпосередньо у пам’ять бота, результат буде значно кращим. Отже, формат і спосіб підключення даних сильно впливають на якість відповіді.
- Кількість і різнорідність документів. Якщо бот отримує доступ до SharePoint із сотнями файлів, особливо на різні тематики, то він може загубитися у цьому обсязі й давати менш точні або нерелевантні відповіді. Оксана Борисюк рекомендує структурувати інформацію, наприклад, розбивати дані за темами або створювати кілька чатів під кожну теку. Це покращує якість, але потребує більше часу й зусиль від користувача. Як альтернативу можна використовувати Azure AI Foundry від Microsoft.
- MS Copilot Studio наразі не дозволяє обирати модель ШІ — використовується GPT-4o без можливості перемикання на інші варіанти.
Якщо потрібна більша гнучкість або можливість працювати з великими масивами інформації, Оксана Борисюк пропонує звернути увагу саме на Azure AI Foundry.
Ці два аналоги, які ми розглядаємо, від Microsoft, тому вони для нас є найбільш доступними щодо безпеки і налаштування. — Оксана Борисюк, AI Implementation Officer
Позитивні зрушення у ДТЕК завдяки інтеграції ШІ-помічників у роботу
Оксана Борисюк поділилася, що впровадження АІ у робочі процеси позитивно вплинуло на ефективність співробітників.
Поки що точно відстежити вплив інтеграції Copilot Studio складно, адже більшість рішень відносно нові, деякі ще перебувають у розробці, а активне користування лише почалося. Проте вже зараз можна говорити про позитивні зміни, зокрема економію часу, який раніше йшов на рутинні завдання. Якщо розглядати не лише чатботи на базі Copilot, а й внутрішнє навчання «ШІ Освіта», то можна спостерігати оптимізацію робочих процесів та сфокусованість працівників на більш креативній роботі.
Колеги мені підтвердили, що тепер вони виконують цікаві завдання, аналізують, а не шукають інформацію. — Оксана Борисюк, AI Implementation Officer
Майбутні нововведення і напрями розвитку Copilot у ДТЕК
Ми поцікавились в Оксани Борисюк щодо майбутніх впроваджень для ДТЕК та можливих змін стосовно Copilot:
«Змін, мабуть, не буде. Плануємо логічний розвиток, якщо користувачі, які вже зараз опанували Copilot, захочуть працювати зі складнішими інструментами, ми всіляко будемо цьому сприяти».
Експертка наголосила на важливості систематизації знань і розвитку внутрішнього ком’юніті:
«Зараз менторами є наші спеціалісти [MODUS X], а наступний етап — це коли перша група просунутих користувачів стане менторами для своїх колег. Тоді наша ШІ-хвиля буде поширюватися ще швидше, а Modus буде організатором і натхненником цього процесу».
Тренди у розвитку ШІ-помічників і рішень на базі MS Copilot Studio на 2025-й і далі
Оксана Борисюк виокремлює чотири ключові напрями у розвитку ШІ-помічників на базі Copilot Studio:
- Навчання працівників — як нових, так і чинних. ШІ-асистенти можуть не лише відповідати на запити, а й проактивно пропонувати навчальні матеріали, контролювати засвоєння знань і підказувати, що варто опрацювати далі.
- Робота з нормативною базою — зокрема, інтеграція чатботів із сайтами Верховної Ради, податкової служби та іншими офіційними джерелами для роботи з актуальними законами, стандартами й регуляціями. Це один із найпростіших і водночас найкорисніших сценаріїв застосування Copilot Studio.
- Внутрішня довідкова система — чатботи, які допомагають працівникам оперативно знаходити потрібну інформацію без потреби шукати її вручну у документах чи базах.
- Відстеження стану проєктів — ще один важливий напрям, що дозволяє тримати під контролем прогрес у реалізації ініціатив, зокрема, з боку ШІ-рішень.
