Tác giả: John DeRosa, Dhruv Goyal, and Sasha Gutfraind
Ngày phát hành: 15 JAN 2026
Chuyên mục: Artificial Intelligence, Customer Solutions, Generative AI, Government, Public Sector, Research

Các chuyên gia hậu cần và năng lượng trong quân đội và các tổ chức khác ngày càng sử dụng pin để cung cấp năng lượng điện tại hiện trường. Để hỗ trợ nhiệm vụ này, Sentient Industries thiết kế và sản xuất các mô-đun năng lượng điện bền bỉ. Trước mỗi đợt triển khai, các sĩ quan hậu cần (LOs) dựa vào bảng tính Excel để lập kế hoạch hệ thống điện dựa trên thiết bị được kết nối với nó. Việc lập kế hoạch như vậy kéo dài vì mỗi thiết bị có nhu cầu năng lượng riêng và các LOs phải tra cứu thông tin từ nhiều tài liệu.

Các nhóm từ Amazon Web Services (AWS), làm việc với Sentient, đã đưa sức mạnh của AI trực tiếp vào bảng tính Excel. Giờ đây, các LOs có thể nhập mô tả thiết bị vào Excel và nhận thông số kỹ thuật năng lượng được truy xuất từ cơ sở tri thức trong Amazon Bedrock. Không giống như giải pháp dựa trên trò chuyện, AI trực tiếp tải dữ liệu vào các ô bảng tính, tạo ra một quy trình làm việc hợp lý và hiệu quả cho người dùng. AI đáp ứng nhu cầu của người dùng ngay tại nơi họ làm việc, và khả năng này hiện đang được Sentient thương mại hóa.

Bối cảnh

Trong những năm gần đây, sự phụ thuộc ngày càng tăng vào công nghệ tiên tiến trong các hoạt động quân sự đã làm nổi bật một lỗ hổng nghiêm trọng trong các hệ thống quản lý năng lượng. Các lực lượng quân sự hiện đại yêu cầu các giải pháp năng lượng linh hoạt và thích ứng để duy trì các hệ thống thiết yếu, thông tin liên lạc và thiết bị phức tạp trong các môi trường triển khai tiền tuyến. Tuy nhiên, các cơ sở hạ tầng năng lượng và hệ thống duy trì hiện tại gặp khó khăn trong việc đáp ứng nhu cầu của các môi trường không thể đoán trước và tranh chấp, tạo ra một khoảng cách năng lực đáng kể. Các chuỗi cung ứng nhiên liệu và năng lượng thông thường dễ bị gián đoạn và tấn công, đe dọa nguồn điện ổn định cho các hệ thống quan trọng. Những tuyến cung cấp dễ bị tổn thương này không chỉ tạo ra gánh nặng hậu cần mà còn chuyển hướng các nguồn lực quý giá khỏi các khu vực quan trọng của nhiệm vụ.

Giải pháp năng lượng chiến thuật của Sentient

Hệ thống Năng lượng Mô-đun cho Nguồn lực Hoạt động Viễn chinh Chiến thuật (METEOR) của Sentient cách mạng hóa việc cung cấp năng lượng trên chiến trường thông qua thiết kế mô-đun sáng tạo (Hình 1). Giải pháp này cung cấp năng lượng đáng tin cậy, có thể mở rộng đồng thời giảm đáng kể dấu chân hoạt động và tăng cường khả năng sống sót của nhiệm vụ. Hệ thống giảm đáng kể gánh nặng hậu cần thông qua việc giảm yêu cầu bảo trì, khả năng thay thế nhanh chóng và giảm chuỗi cung ứng nhiên liệu. Việc cung cấp năng lượng sạch, không bị gián đoạn của nó hỗ trợ cả hoạt động trong nhà và ngoài trời, và khả năng mở rộng mô-đun của nó đáp ứng các yêu cầu nhiệm vụ đa dạng. Sentinel tăng cường METEOR với một hệ thống quản lý năng lượng thông minh tích hợp dự đoán nhu cầu năng lượng và tối ưu hóa phân phối điện dựa trên dữ liệu hoạt động thời gian thực.

Hình 1: Hệ thống năng lượng chiến thuật METEOR của Sentient Industries

Tuyên bố vấn đề

Các sĩ quan hậu cần chịu trách nhiệm lập kế hoạch triển khai METEOR của Sentient, và họ phải xem xét các tải điện có thể có trên mỗi lưới điện siêu nhỏ (microgrid). Lý tưởng nhất là, bằng cách xem xét cẩn thận dữ liệu về từng tải, họ có thể tính toán lượng điện tức thời cần thiết và tổng số pin cần thiết cho thời gian nhiệm vụ. Điều này sẽ giảm thiểu lượng năng lượng được đưa vào nhiệm vụ.

Tuy nhiên, các sĩ quan hậu cần (LOs) phải đối mặt với những thách thức đáng kể khi lập kế hoạch triển khai:

• Đa dạng thông số kỹ thuật thiết bị: Các LOs phải lập kế hoạch cho hàng nghìn thiết bị, biến thể và phụ kiện với các yêu cầu năng lượng độc đáo như xe điện (EVs), máy tính và màn hình máy tính, thiết bị mạng và kết nối, và cảm biến. Các thiết bị riêng lẻ có các chế độ hoạt động khác nhau. Thông thường, một thiết bị sử dụng ít hơn 90% năng lượng khi ở chế độ chờ hoặc không hoạt động.
• Hỗn hợp tài liệu nguồn: Việc tìm kiếm thủ công qua các hướng dẫn sử dụng thiết bị, bảng dữ liệu và tài liệu kỹ thuật ở nhiều định dạng khác nhau rất tốn thời gian.
• Thông số kỹ thuật gây hiểu lầm: Các nhà sản xuất thường báo cáo yêu cầu năng lượng lớn hơn nhu cầu thực của thiết bị để cung cấp một biên độ an toàn hoặc phù hợp với các giá trị điển hình như 1500 W. Để giải quyết thông tin không chính xác, các LOs buộc phải duy trì hồ sơ các giá trị đo được tại hiện trường và tra cứu chúng trong quá trình lập kế hoạch.

AI tạo sinh (Generative AI) cho thấy tiềm năng lớn trong việc hỗ trợ quy trình làm việc của các sĩ quan hậu cần, đặc biệt là quản lý và khai thác các kho lưu trữ lớn về thông số kỹ thuật và báo cáo hiện trường bằng cách sử dụng kiến trúc RAG. Ngoài ra, các mô hình ngôn ngữ lớn (LLMs) và các công cụ có thể thực hiện ước tính khi không có thông số kỹ thuật chi tiết, và các phép tính như chuyển đổi đơn vị năng lượng (kWh sang kJ). Tuy nhiên, trong khi AI tạo sinh thường được truy cập thông qua giao diện người dùng trò chuyện, nhiều sĩ quan hậu cần và người dùng doanh nghiệp lại ưa thích các bảng tính như Microsoft Excel hoặc Google Sheets. Các sĩ quan hậu cần sử dụng bảng tính để lập bảng triển khai chiến thuật, liệt kê các tải điện trong mỗi microgrid, và tính toán tổng yêu cầu năng lượng và điện năng trong mỗi microgrid. Từ đó, họ xác định số lượng đơn vị năng lượng cần thiết và lịch trình bổ sung yêu cầu.

Tổng quan giải pháp

Làm việc với Sentient, các kỹ sư AWS đã phát triển Hệ thống Cơ sở Tri thức Tiêu thụ Năng lượng hỗ trợ các nhiệm vụ chiến thuật. Khi sử dụng giải pháp này, bạn có thể lấy dữ liệu năng lượng từ một cơ sở tri thức phong phú và cũng có thể tải lên các ghi chú từ hiện trường để mở rộng cơ sở tri thức bằng cách sử dụng môi trường bảng tính.

Điều kiện tiên quyết

Để triển khai phương pháp được nêu trong bài viết, bạn phải có những điều sau:

• Một Amazon Bedrock Knowledge Base hiện có với hai nguồn dữ liệu và Amazon Simple Storage Service (Amazon S3), bao gồm các tệp thông số kỹ thuật và PDF về tiêu thụ năng lượng và một Custom Type Data Source để nhập dữ liệu thông qua các tác nhân.
• Một vai trò AWS Identity and Access Management (IAM) trong tài khoản có đủ quyền để tạo các tài nguyên cần thiết theo hướng dẫn được đề xuất của AWS.
• Một dịch vụ nhà cung cấp danh tính được thiết lập để quản lý danh tính người dùng và cấp quyền truy cập vào ứng dụng. Ví dụ, bạn có thể sử dụng Amazon Cognito để xử lý xác thực và ủy quyền người dùng, mặc dù việc cấu hình dịch vụ này nằm ngoài phạm vi của bài viết này.
• Một môi trường runtime để triển khai các tác nhân như AWS Lambda (xem phần Runtime layer bên dưới).

Các công nghệ khác được sử dụng bao gồm:

• Amazon Bedrock, các cơ sở tri thức và tác nhân sử dụng Strands Agents
• Amazon OpenSearch Service, Amazon S3
• AWS Lambda
• Đề xuất: Đánh giá AI có trách nhiệm và bộ công cụ quản lý rủi ro
• Tùy chọn: AWS Wickr, Amazon Cognito
• Microsoft Excel hoặc bảng tính tương tự

Dự án này triển khai một tác nhân AI lập kế hoạch tiêu thụ năng lượng thông minh sử dụng Strands Agents và Amazon Bedrock, được triển khai trên AWS Lambda, để tương tác bằng API với giao diện người dùng dựa trên Excel (Hình 2). Chúng tôi cũng đã cung cấp một mẫu mã nguồn mở về chức năng cốt lõi (mã trên GitHub).

Hình 2: Sơ đồ kiến trúc cấp cao của giải pháp

Kiến trúc bao gồm bốn lớp: lớp cơ sở tri thức, lớp tác nhân, lớp runtime và lớp giao diện người dùng.

Lớp cơ sở tri thức

Nền tảng của hệ thống là Amazon Bedrock Knowledge Bases, đóng vai trò là kho dữ liệu thông minh cho tất cả thông tin tiêu thụ năng lượng. Lớp này xử lý nhiệm vụ phức tạp của việc nhập, xử lý và lập chỉ mục các nguồn dữ liệu đa dạng:

• Xử lý tài liệu – Trích xuất và xử lý các thông số kỹ thuật năng lượng từ các tài liệu PDF, bảng dữ liệu kỹ thuật và tài liệu của nhà sản xuất bằng cách sử dụng khả năng lập chỉ mục của Amazon Bedrock Knowledge Bases.
• Lập chỉ mục ngữ nghĩa – Sử dụng Amazon OpenSearch Service với các nhúng vector để cho phép tìm kiếm lai và ngữ nghĩa thông minh trên các thông số kỹ thuật.
• Cập nhật do tác nhân điều khiển – Cho phép các tác nhân AI cập nhật cơ sở tri thức một cách có lập trình với dữ liệu tiêu thụ năng lượng mới, các phép đo tại hiện trường và các chỉnh sửa.
• Ước tính thông minh – Khi dữ liệu thiết bị cụ thể không có sẵn trong cơ sở tri thức, các tác nhân AI tạo ra các ước tính tiêu thụ năng lượng dựa trên các thiết bị và danh mục thiết bị tương tự, thông báo rõ ràng cho người dùng rằng các giá trị này là ước tính và khuyến khích xác minh.

Để khởi tạo hệ thống, hãy làm theo các bước sau:

1. Tạo một S3 bucket với các tài liệu hoặc hướng dẫn thông số kỹ thuật.
2. Tạo một cơ sở tri thức với vector store trong Amazon Bedrock Knowledge Bases sử dụng S3 và các nguồn dữ liệu Custom Type.
3. Tích hợp ID cơ sở tri thức với Strands Agents.

Sử dụng mã sau:

result = agent.tool.retrieve(
   text=query,
   knowledgeBaseId=STRANDS_KNOWLEDGE_BASE_ID,
   region="us-east-1"
)

Các tác nhân giờ đây có thể truy xuất dữ liệu từ cơ sở tri thức và lưu trữ thông tin mới. Trong trường hợp không có dữ liệu, các tác nhân sẽ quay lại ước tính dựa trên thông tin được nhúng trong mạng LLM. Chúng tôi nhận thấy khả năng ước tính này hữu ích nhưng đôi khi không đáng tin cậy, vì vậy chúng tôi nhắc tác nhân thông báo cho người dùng khi tác nhân đang đoán (xem mã mẫu).

Lớp tác nhân

Trí thông minh cốt lõi của hệ thống nằm ở lớp tác nhân, được xây dựng bằng framework Strands Agents, một SDK điều phối đa tác nhân mã nguồn mở. Lớp này triển khai ba tác nhân AI chuyên biệt hoạt động cộng tác: tác nhân định tuyến, tác nhân truy xuất và tác nhân lưu trữ.

Tác nhân định tuyến phân tích các yêu cầu đến từ người dùng để xác định hành động thích hợp (truy xuất dữ liệu hiện có hoặc lưu trữ dữ liệu mới) và định tuyến các yêu cầu đến tác nhân chuyên biệt phù hợp.

Tác nhân truy xuất chuyên về việc truy vấn cơ sở tri thức bằng cách sử dụng tìm kiếm lai và ngữ nghĩa để tìm dữ liệu tiêu thụ năng lượng liên quan. Nó định dạng kết quả thành đầu ra có cấu trúc dưới dạng JSON, sau đó được xử lý trong Excel. Tác nhân được hướng dẫn phải chính xác và minh bạch trong các phản hồi của mình.

Tác nhân lưu trữ quản lý việc nhập và lưu trữ dữ liệu tiêu thụ năng lượng mới vào cơ sở tri thức, xác thực chất lượng dữ liệu và tính nhất quán định dạng, đồng thời xử lý các kịch bản ghi đè trong đó các giá trị đo được tại hiện trường thay thế các thông số kỹ thuật của nhà sản xuất.

Để biết thêm chi tiết, hãy xem mã mẫu.

Lớp Runtime

Lớp runtime cung cấp một giao diện không máy chủ, có khả năng mở rộng để lưu trữ các tác nhân có thể được gọi bằng RESTful APIs. Các tác nhân được triển khai bằng Strands và được triển khai trong một hàm Lambda, cung cấp khả năng tự động mở rộng và tối ưu hóa chi phí. Hàm được cấu hình với cài đặt bộ nhớ và thời gian chờ thích hợp để xử lý tất cả các hoạt động của tác nhân một cách hiệu quả. Chức năng tương tự có sẵn trong Amazon Bedrock AgentCore Runtime, và được khuyến nghị ở các AWS Region nơi dịch vụ này có sẵn. Các kết nối đến các tác nhân được điều phối bởi Amazon API Gateway, mở các endpoint HTTPS an toàn, với tính năng điều tiết và xác thực tích hợp.

Việc cấu hình và triển khai runtime nằm ngoài phạm vi của bài blog này.

Lớp giao diện người dùng và giao diện người dùng dựa trên Microsoft Excel

Nhìn chung, hệ thống có thể hỗ trợ nhiều loại giao diện người dùng (UI) khác nhau, bao gồm bot AWS Wickr, Microsoft Excel và RESTful APIs sử dụng dòng lệnh (ví dụ: curl) hoặc theo chương trình.

Khi sử dụng Excel, bạn có thể nhập mô tả tự do về thiết bị vào một ô, sau đó chọn một nút để truy xuất phân tích của tác nhân AI. Ngoài ra, bạn có thể mô tả thiết bị và các yêu cầu năng lượng của nó và lưu trữ chúng.

Để kết nối Excel với các tác nhân một cách an toàn, chúng tôi sử dụng chức năng Power Query tích hợp sẵn của Excel. Power Query được thiết kế để kết nối Excel với các nguồn dữ liệu bên ngoài bao gồm các endpoint web API sử dụng HTTP hoặc HTTPS. Nó hỗ trợ mã hóa và tiêu đề xác thực nhưng không hỗ trợ ký yêu cầu (tức là SIGv4), ngăn chặn việc gọi trực tiếp các AWS APIs. Do đó, bạn cần triển khai một Amazon API Gateway để nhận và phê duyệt các tiêu đề xác thực.

Để làm cho sổ làm việc Excel tương tác, chúng tôi sử dụng các macro Excel được kích hoạt khi bạn chọn một nút. Các macro được viết bằng Visual Basic for Applications (VBA) và triển khai:

1. Đọc dữ liệu đầu vào từ sổ làm việc Excel hiện tại
2. Tạo và gọi một lệnh Power Query
3. Xử lý phản hồi và ghi vào sổ làm việc Excel

Khi bạn chọn nút, mã sau sẽ được gọi:

'triggered by button pressed'
Sub GetPowerData()
   On Error GoTo ErrorHandler
   Dim deviceName As String
   Dim currentRow As Long
   currentRow = ActiveCell.row
   deviceName = Trim(ActiveSheet.Cells(currentRow, 2).Value)
   Call ChangeParameterValue("equipment", deviceName)

Dòng cuối cùng gọi chương trình con để làm mới Power Query với tham số thiết bị:

Sub ChangeParameterValue(ParameterName As String, ParameterValue As String)
   Dim qry As WorkbookQuery
   Dim formula As String
   Set qry = ThisWorkbook.Queries(ParameterName)
   formula = Chr(34) & ParameterValue & Chr(34) & " meta [IsParameterQuery = true, IsParameterQueryRequired = true, Type = ""Text""]"
   qry.formula = formula
End Sub

Power Queries được triển khai bằng ngôn ngữ công thức Power Query M chuyên biệt, bao gồm các hàm để phân tích cú pháp các giá trị JSON nhận được từ tác nhân và xử lý lỗi. Xác thực yêu cầu một bản sao của GATEWAY_API_KEY. Sau đây là mã Power Query để truy xuất dữ liệu năng lượng, trong đó GATEWAY_URL là URL của API Gateway và equipment là một tham số của truy vấn. Các giá trị tham số được sửa đổi bởi script VBA trước khi gọi:

let
    url = "https://GATEWAY_URL.execute-api.us-east-1.amazonaws.com/prod/retrieve",
    Headers = [
        #"x-api-key" = "GATEWAY_API_KEY",
        #"Content-Type" = "application/json"
    ],
    content = Json.FromValue([#"prompt" = equipment]),
    bd_result = Json.Document(Web.Contents(url,
                    [
                        Headers = Headers,
                        Content = content,
                        ManualStatusHandling = {400, 401, 403, 404, 500}
                    ]
                )),
    data_string = bd_result[data],
    parsed_data = Json.Document(Text.ToBinary(data_string)),
    src1 = Record.ToTable(parsed_data),
    src2 = Table.Transpose(src1),
    src3 = Table.PromoteHeaders(src2)
in
    src3

GATEWAY_API_KEY phải được cung cấp cho người dùng Excel và nhập vào cấu hình của sổ làm việc. Để đánh giá, khóa có thể được cấp phát thủ công, nhưng trong môi trường sản xuất, thiết kế bảo mật được khuyến nghị là cấp phát các khóa có thời hạn ngắn bằng cách sử dụng Amazon Cognito.

Sử dụng giao diện người dùng Excel

Giao diện người dùng Excel (hiển thị trong Hình 3) cung cấp cho bạn hai chức năng được hỗ trợ bởi AI: truy xuất thông số kỹ thuật năng lượng đã lưu trữ và lưu trữ thông số kỹ thuật năng lượng.

Để truy xuất thông số kỹ thuật năng lượng đã lưu trữ về một thiết bị, hoặc sử dụng AI để ước tính:

1. Nhập tên thiết bị vào một ô, ví dụ như Amazon Leo Pro Terminal. Mô tả có thể bỏ qua chi tiết về số kiểu máy hoặc cung cấp một loại thiết bị chung như Satellite Terminal, mời tác nhân AI ước tính.
2. Chọn Get Power Data.
3. Hệ thống truy vấn cơ sở tri thức. Nếu thông tin không tồn tại trong cơ sở tri thức, mô hình sẽ đưa ra ước tính.
4. Mô hình trả về dữ liệu có cấu trúc bao gồm công suất đỉnh, công suất hoạt động và công suất chờ.
5. Excel hiển thị kết quả với mã màu.

Để lưu trữ hoặc cập nhật dữ liệu về thiết bị:

1. Nhập dữ liệu năng lượng đầy đủ vào một hàng trong bảng Excel của bạn.
2. Chọn Store in KB.
3. Dữ liệu được lưu trữ trong cơ sở tri thức.
4. Cột Status cho biết việc lưu trữ đã thành công.

Cuối cùng, bạn có thể sử dụng bảng tính Excel này để thực hiện toàn bộ các quy trình lập kế hoạch hậu cần của mình, như bạn đã làm trong quá khứ. Bảng tính duy trì tất cả các chức năng Excel tiêu chuẩn mà bạn dựa vào để phân tích dữ liệu và tính toán, đồng thời bổ sung các khả năng AI.

Hình 3: Bảng tính Excel được hỗ trợ bởi AI của sĩ quan hậu cần

Kết luận

Trong bài viết này, chúng tôi mô tả cách các kiến trúc sư giải pháp có thể kết nối bảng tính Excel với ngăn xếp AI của Amazon và mô tả cách Sentient Industries đã sử dụng khả năng này trong phần mềm hậu cần của mình. Việc tích hợp này có thể mang lại lợi ích cho người dùng trong toàn bộ khu vực công sử dụng Excel để lập kế hoạch, phân tích dữ liệu và trực quan hóa. Để bắt đầu, hãy liên hệ với nhóm tài khoản AWS của bạn hoặc nhóm AWS Public Sector.

Tài nguyên

• Mã mẫu AWS cho bài blog này trên GitHub
• Đọc whitepaper của AWS về Điều hướng bối cảnh bảo mật của AI tạo sinh

TAGS: AWS Public Sector, câu chuyện khách hàng, chính phủ, hậu cần, quân đội

Về tác giả

John DeRosa

John là giám đốc sản phẩm chính – kỹ thuật tại AWS. Trước khi làm việc tại Amazon, ông đã phục vụ 30 năm với tư cách là dân sự, sĩ quan và binh sĩ trong Bộ Quốc phòng, nơi ông giữ vai trò chiến lược gia tại các Bộ chỉ huy Liên quân, Lục quân và Hoạt động Đặc biệt. Ông là cựu chiến binh Lục quân trong các Chiến dịch Iraq và Balkan, có bằng Tiến sĩ từ George Mason University, và là cựu sinh viên của National War College.

Dhruv Goyal

Dhruv là một kỹ sư dữ liệu trong bộ phận kỹ thuật khu vực công của AWS, nơi anh biến các thách thức dữ liệu phức tạp thành những hiểu biết có ý nghĩa. Chuyên môn của anh bao gồm cả kỹ thuật dữ liệu truyền thống và triển khai các công nghệ AI hiện đại, kết nối thế giới phân tích và đổi mới. Khi không làm việc với dữ liệu, bạn sẽ thấy anh ấy chụp ảnh phong cảnh, chơi tennis hoặc theo dõi các cuộc đua Formula 1.

Sasha Gutfraind

Sasha là một nhà khoa học nghiên cứu cấp cao trong bộ phận kỹ thuật khu vực công của AWS. Anh chuyên về các ứng dụng AI mới lạ trong lĩnh vực quốc phòng, chăm sóc sức khỏe và các ngành công nghiệp khác. Anh là giáo sư trợ giảng tại Loyola University Chicago và là tác giả của hơn 60 nghiên cứu về lý thuyết quyết định và các ứng dụng AI/ML.