Insights
Agentes de IA no nosso Slack, e o que eles nos ensinaram sobre o Ray
Nosso cofundador e CEO, Svet Bajlekov, conversou com Kyle Hodgson no podcast Engineering with AI sobre os agentes de IA que trabalham no Slack da AMMP, e sobre como essa experiência moldou o Ray, nosso colega de trabalho com IA para equipes de energia renovável.
Andreas Lehner, CCO · 4 min de leitura
Publicado

Svet Bajlekov no podcast Engineering with AI
Svet Bajlekov, AMMP's co-founder and CEO, recently joined Kyle Hodgson on the podcast Engineering with AI. Kyle conhece o setor pelo lado do operador: trabalhou com energia solar na África na Odyssey Energy. A conversa abordou como a AMMP começou, os agentes de IA que hoje trabalham ao lado da nossa equipe e o que isso nos ensinou ao construir o Ray. Estas são as partes que achamos mais importantes para quem opera ativos renováveis.
Das minirredes aos portfólios C&I
Svet começou na física, passou pela consultoria de gestão e em 2013–14 entrou nas renováveis em mercados emergentes: primeiro em uma empresa de minirredes no Quênia e depois na Rafiki Power, o negócio de minirredes da E.ON na Tanzânia e em Serra Leoa, onde se tornou CTO. Em 2018, ele e alguns colegas separaram a parte de software e criaram a AMMP.
O foco inicial foi a eletrificação rural. Em um ou dois anos, mudou para solar e armazenamento comercial e industrial (C&I), que continua sendo o núcleo hoje: sites de algumas centenas de quilowatts a dezenas de megawatts, muitos deles na África Subsaariana, com clientes que agora também avançam para sites maiores e de grande escala.
Agentes com nome, em conversas compartilhadas
A parte do episódio à qual Kyle sempre voltava foi como a própria equipe da AMMP trabalha com IA. Até alguns meses atrás, cada um usava seu próprio assistente de programação localmente. O trabalho aparecia como um pull request, mas ninguém mais via os prompts, o contexto ou quem tinha escrito o quê.
A mudança foi levar os agentes para o Slack. Cada um tem seu próprio espaço de trabalho, suas próprias ferramentas e sua própria identidade. A Sparky faz a triagem: quando aparece um erro no canal de alertas, qualquer pessoa pode pedir que ela investigue, e ela lê os logs e o código e responde na conversa. O Coda escreve código: pega as descobertas da Sparky na mesma conversa, faz a correção, submete à revisão e abre um pull request com link para a conversa que deu origem a ele.
“A trilha de auditoria fica muito mais fácil”, disse Svet. “Isso nos deu um nível muito maior de transparência sobre quem está fazendo o quê e como está sendo construído.”
Um pequeno ajuste fez uma grande diferença: ensinar os agentes a ficar em silêncio, a menos que alguém realmente pergunte algo. Um agente que responde a cada mensagem em uma conversa movimentada é silenciado em uma semana.
A mesma ideia, aplicada a sistemas de energia
O Ray aplica esse jeito de trabalhar aos portfólios dos clientes. Ele fica nos canais do Microsoft Teams ou do Slack da equipe e trabalha com os mesmos dados ao vivo que o restante do AMMP OS.
Svet foi franco sobre por que isso só se tornou viável recentemente. Sistemas de energia produzem séries temporais, e modelos de linguagem leem mal longas colunas de números. O que mudou é que os agentes agora podem escrever e executar seu próprio código de análise: inspecionam os dados, processam com as ferramentas certas e só trazem o resultado de volta para a conversa.
Na prática, uma manhã com o Ray é assim. Alguém pergunta o que aconteceu no portfólio desde ontem, ou o Ray faz a verificação de forma programada antes de a equipe entrar. Ele faz a triagem dos alertas, verifica o performance ratio e o estado de carga das baterias, e confere se um alerta realmente custou produção ou era só ruído. Depois, ordena o que sobra por receita perdida, usando a tarifa ou o preço do PPA do site, e pode marcar a pessoa responsável por um site ou redigir o ticket de O&M.
Em um portfólio de centenas de sites, essa classificação é o essencial. Uma string desconectada em um site pode importar muito mais do que um alarme de aparência crítica em outro, e a única forma de saber é colocar um número em cada um.
A qualidade dos dados decide tudo
A principal ressalva de Svet foi a que menos se ouve nas conversas sobre IA: o resultado só é tão bom quanto os dados por trás dele.
“Muitas vezes existe a expectativa de que a IA vai resolver essas coisas como mágica. É só polvilhar por cima.”
Por isso grande parte do trabalho da AMMP ao longo dos anos foi dedicada a fluxos de dados confiáveis de muitos fabricantes diferentes, nenhum dos quais segue o mesmo padrão. E é aí que o Ray se mostra surpreendentemente útil de outra forma: quando alguém pede um relatório mensal de produção, ele informa qual foi a qualidade dos dados e sinaliza os sites onde as lacunas podem afetar os números. Ele também detecta metadados que não batem, como um site produzindo 2,5 MW quando está cadastrado com 1,5 MW, geralmente porque alguém digitou uma capacidade em uma planilha anos atrás.
O que vem a seguir
Dois temas para acompanhar a partir da conversa. Primeiro, avaliações rigorosas: repetir problemas já resolvidos com modelos diferentes, para trocar a intuição por evidências. Por enquanto, Svet acha que o modelo importa menos do que antes; boas instruções, boas ferramentas e bons dados importam mais. Segundo, modelos de classificação menores que poderiam organizar o fluxo de alertas antes que um modelo de linguagem o veja, o que tornaria a triagem mais barata e confiável.
E quando perguntaram sobre o que ele tinha mudado de ideia, Svet deu uma resposta honesta para um engenheiro que programa há anos: um ano atrás, ele não teria acreditado que deixaria quase totalmente de ler código linha por linha e passaria a revisão para outros agentes.
Listen to the full episode on Engineering with AI. To see how Ray works on your own portfolio, start at ammp.io/ray.
Passe da visibilidade à ação
