เรื่องวุ่น ๆ กับไฟ TOU

มิเตอร์ TOU

สวัสดีครับ #ศรัณย์วันศุกร์ วันนี้ผมขอนำเสนอเรื่องประสบการณ์กับค่าไฟ TOU ครับ จริง ๆ ว่าจะเขียนเรื่องนี้ตั้งแต่ศุกร์ที่แล้ว แต่บังเอิญมีเรื่อง M-Flow เข้ามาซะก่อน ซึ่งหลังจากเขียนไปก็เห็นว่ามีคนมีประสบการณ์วิ่งผ่านช่อง M-Flow แล้วถูกปรับกันเยอะแยะ ซึ่งโชคดีที่ตัวเองไม่โดนเพราะมองเห็นวิธีจ่ายพอดี และตอนนี้เท่าที่ตามข่าวมา M-Flow ก็จะคืนค่าปรับให้แล้วนะครับ 

มาเข้าเรื่องวันนี้กันดีกว่าวันนี้จะมาเล่าเรื่องประสบการณ์กับค่าไฟแบบ TOU ครับ สำหรับคนที่ยังไม่รู้ว่าค่าไฟแบบ TOU คืออะไร สรุปง่าย ๆ ก็คือการคิดอัตราค่าไฟฟ้าตามเวลาที่ใช้ TOU ย่อมาจาก Time of Use ครับ โดยการไฟฟ้าจะแบ่งการคิดอัตราค่าไฟออกเป็นสองช่วงเวลาคือช่วงเวลา Peak ก็คือช่วงที่มีการใช้ไฟเยอะ ก็คือจันทร์ถึงศุกร์ 9.00-22.00 (รวมวันพืชมงคล และวันแรงงานด้วย) ตรงนี้จะคิดค่าไฟแพง กับช่วง off-peak คือช่วงที่มีการใช้ไฟต่ำ คือจันทร์ถึงศุกร์ 22.00-9.00 เช้า วันเสาร์อาทิตย์ทั้งวัน วันหยุดราชการที่ไม่ใช่วันหยุดชดเชย วันพืชมงคล และวันแรงงานที่ตรงกับเสาร์อาทิตย์ ตรงนี้จะคิดค่าไฟถูก รายละเอียดสามารถดูได้จากที่นี่ครับ  

เอาจริง ๆ ตอนแรกผมก็ไม่รู้จักหรอกนะครับ แต่คุณภรรยาไปเจอมา แล้วก็ตัดสินใจสมัครไป รู้สึกจะมีค่าธรรมเนียมการสมัครด้วยนะครับ ผมจำไม่ได้ว่าเท่าไร และการไฟฟ้าก็มาเปลี่ยนมิเตอร์เป็นแบบ TOU ให้เมื่อประมาณกลางเดือนหรือสัปดาห์ที่สามของเดือนธันวาคมปีที่แล้วนี่แหละครับ พอมาเปลี่ยนปุ๊ปบ้านผมก็เปลี่ยนพฤติกรรมการใช้ไฟกันครับ อย่างผมปกติจะเริ่มเปิดแอร์ตอนประมาณสองทุ่มก็ยืดเป็นสี่ทุ่ม ยอมทนร้อนเพิ่มสองชั่วโมง 

คราวนี้ก็รอดูว่าค่าไฟจะถูกลงเท่าไร  ปรากฏว่าเมื่อบิลค่าไฟเดือนมกราคมมาถึงมันแพงขึ้นกว่าปกติครับ ซึ่งก็ทำให้ผมกับภรรยาประหลาดใจมาก (โดยเฉพาะผมอุตส่าห์ทนร้อนเพิ่ม) ขณะที่กำลังงง ๆ ว่าหรือมันจะคิดแบบเดิมรวมมาด้วยก่อนเปลี่ยน และจะรอดูอีกสักเดือนหนึ่ง ปรากฏว่าวันที่ 24 มกราคม มีรถการไฟฟ้ามาดูที่มิเตอร์ ซึ่งภรรยาผมก็ออกไปถามได้ความว่ามิเตอร์เสียครับ เสียตั้งแต่วันที่เอามาติดคือค่าไฟไม่เดินเลยเป็น 0 หมด และที่มานี่แค่มาดูนะครับ ยังไม่ได้มาเปลี่ยนเพราะยังเบิกของไม่ได้ 

คราวนี้ถ้ามิเตอร์เสียแล้วค่าไฟมาจากไหน คุณภรรยาก็เลยโทรไปการไฟฟ้า ซึ่งการไฟฟ้าแจ้งว่ามิเตอร์เสีย และคนที่มาจดคิดว่าเป็นบ้านไม่มีคนอยู่ก็เลยจดเป็นศูนย์ไปไม่ได้คิดอะไร คุณภรรยาก็เลยถามว่าแล้วค่าไฟเดือนที่แล้วมายังไง ก็ได้รับคำตอบว่าการไฟฟ้ารู้ครับว่ามันเป็นบ้านมีคนอยู่ และนี่คือสิ่งที่เขาทำครับ เขาบอกว่าเนื่องจากบ้านผมใช้ TOU เป็นเดือนแรก เขาไม่มีข้อมูลเก่า เขาเลยประมาณเลขขึ้นมาเองครับ (จะเรียกว่ามั่วก็น่าจะได้นะครับ) โดยเลขที่ประมาณขึ้นมาแบ่งเป็นช่วง peak 60% และช่วง off-peak 40% เจอคำตอบแบบนี้เข้าไปภรรยาผมถึงกับมึนเลยครับ ทำอย่างนี้ก็ได้หรือ ก็เลยบอกไปว่าอย่างนี้ไม่แฟร์นะ ถ้าเราจะใช้ช่วง peak เยอะ ๆ เราจะไปขอเปลี่ยนเป็น TOU ทำไม เปลี่ยนแล้วค่าไฟดันแพงขึ้น ซึ่งก็ได้รับคำตอบว่าเดี๋ยวถ้ามีข้อมูลแล้วจะเฉลี่ยคืนให้ 

และจากวันที่การไฟฟ้ามาดูว่ามิเตอร์เสีย เมื่อ 24 มกราคม ก็ยังไม่ได้มาเปลี่ยนนะครับ เพิ่งมาเปลี่ยนเมื่อวันที่ 21 กุมภาพันธ์ ซึ่งในช่วงนั้นเราก็ใช้ไฟกันตามปกติแบบก่อนจะเปลี่ยนมิเตอร์ครับ เพราะไม่รู้จะพยายามใช้แบบ TOU ไปทำไม ในเมื่อเดี๋ยวเขาก็จะใช้ค่าประมาณของเขาเองอีก แต่ปรากฏว่าเดือนนี้เขาประมาณให้ถูกกว่าปกติครับ (ก็ไม่รู้ว่าถ้าคุณภรรยาไม่โทรไปถามจะคิดแบบไหนนะครับ) และพอมิเตอร์มาติดเราก็ไปเช็คกันปรากฏว่ามันเดินแล้วครับ คราวนี้ก็ได้ใช้กันแบบ TOU ซะที เดี๋ยวเดือนหน้ามาดูกันครับว่าค่าไฟจริง ๆ แบบ TOU มันจะเป็นเท่าไร ถูกลงแค่ไหน  

คอมพิวเตอร์ DNA ประเมินคุณภาพน้ำ

ภาพจาก Northwestern University McCormick School of Engineering

นักวิทยาศาสตร์จาก Northwestern University McCormick School of Engineering ได้พัฒนาอุปกรณ์พกพาราคาไม่แพง ซึ่งสามารถยืนยันว่าน้ำดื่มได้หรือไม่ในไม่กี่นาที โดยใช้วงจรที่มีองค์ประกอบเป็น DNA 

นักวิจัยได้ประกอบโมเลกุลที่เป็นอิสระจากเซลล์ (cell-free molecule) ลงในตัวแปลงอนาล็อกเป็นดิจิตอล ซึ่งทำให้หลอดทดลองเรืองแสงเป็นสีเขียวเมื่อมีสารปนเปื้อนอยู่ในตัวอย่าง ระบบได้ปรับปรุงตัวตรวจสอบการปนเปื้อน ROSALIND ( RNA output sensors activated by ligand induction) ด้วยเครือข่ายพันธุกรรม (genetic network) 

Julius B. Lucks จาก Northwestern กล่าวว่า "เซนเซอร์ทางชีววิทยา (bio-sensor) ตรวจจับการปนเปื้อน จากนั้นข้อมูลดังกล่าวจะป้อนเข้าสู่เครือข่ายพันธุกรรม หรือวงจร ซึ่งทำงานเหมือนสมองเพื่อดำเนินการตามตรรกะ"

อ่านข่าวเต็มได้ที่: Northwestern University McCormick School of Engineering

หน้าปลอมที่สร้างด้วย AI ดูน่าเชื่อถือกว่าหน้าจริง

ภาพจาก  New Scientist

นักวิจัยจาก  Lancaster University แห่งสหราชอาณาจักร และ University of California, Berkeley พบว่าคนแยกแยะภาพใบหน้ามนุษย์ที่สร้างขึ้นโดยปัญญาประดิษฐ์จากภาพใบหน้าจริงได้ยากลำบากขึ้น นักวิจัยขอให้กลุ่มคนกลุ่มหนึ่งจำนวน 315 คนแยกแยะภาพถ่ายปลอม 400 ภาพจากภาพถ่ายคนจริง 400 ภาพ ความแม่นยำในการแยกแยะนั้นต่ำกว่าครึ่ง (48.2%)  ในขณะที่ผู้ทดลองอีกกลุ่มหนึ่งซึ่งได้รับการฝึกฝนให้รู้จักภาพที่สร้างจากคอมพิวเตอร์ทำได้ดีกว่าเล็กน้อยอยู่ที่ 59% 

นักวิจัยพบว่าใบหน้าคนขาวนั้นยากที่สุดสำหรับผู้เข้าร่วมในการแยกแยะ อาจเป็นเพราะซอฟต์แวร์ได้รับการฝึกฝนด้วยจำนวนใบหน้าคนขาวมากกว่าใบหน้าสีอื่นอย่างไม่เหมาะสม

อ่านข่าวเต็มได้ที่: New Scientist

เทคโนโลยีการรับรู้จากระยะไกลช่วยลดมลพิษทางอากาศในเมือง

ภาพจาก University of Technology Sydney (Australia)

นักวิจัยจาก University of Technology Sydney (UTS) ของออสเตรเลีย   Hong Kong Environmental Protection Department, และ Hong Kong Vocational Training Council พบว่าการใช้ระบบตรวจวัดการปล่อยมลพิษจากระยะไกลของเมือง ร่วมกับโครงการตรวจสอบและซ่อมแซมยานพาหนะที่มีมลพิษสูงสามารถปรับปรุงคุณภาพอากาศของเมืองนั้นได้อย่างมีนัยสำคัญ

การวิเคราะห์ระบุว่าโครงการบังคับใช้การสำรวจระยะไกลของฮ่องกงนำไปสู่การลดระดับมลพิษทางอากาศอย่างมีนัยสำคัญอย่างต่อเนื่อง 

Yuhan Huang จาก UTS กล่าวว่า "การกำหนดเป้าหมายไปยังส่วนเล็กๆ ของสิ่งที่ปล่อยมลพิษปริมาณสูงอย่างการควบคุมการปล่อยมลพิษของรถยนต์ ช่วยลดต้นทุนและเวลาในการซ่อมแซมสำหรับทั้งรัฐบาลและเจ้าของรถได้อย่างมาก เมื่อเทียบกับการสุ่มตัวอย่างแบบพาสซีฟ (passive sampling) หรือการตรวจสอบตามช่วงเวลา" 

อ่านข่าวเต็มได้ที่: University of Technology Sydney (Australia)

กว่าสองเท่าของผู้ป่วยผิวดำมีแนวโน้มที่จะถูกอธิบายในทางลบในเวชระเบียน

ภาพจาก UChicago News

นักวิจัยจาก University of Chicago Medicine ได้ขุดบันทึกสุขภาพทางอิเล็กทรอนิกส์ด้วยอัลกอริธึมการเรียนรู้ของเครื่อง (machine learning) และพบว่าผู้ป่วยผิวดำมีแนวโน้มที่จะถูกอธิบายในแง่ลบมากกว่า 

อัลกอริธึมค้นหาบันทึกของผู้ป่วยที่เป็นผู้ใหญ่มากกว่า 18,000 คน โดยค้นประวัติและบันทึกด้านกายภาพมากกว่า 40,000 รายการ สำหรับประโยคที่มีคำอธิบายเชิงลบ เช่น "ดื้อ" หรือ "ไม่ทำตามข้อกำหนด" นักวิจัยใช้การประมวลผลภาษาธรรมชาติเพื่อแยกแยะบริบทที่ใช้คำศัพท์เพื่ออธิบายผู้ป่วยหรือพฤติกรรมในเชิงลบของผู้ป่วย

 ผู้ป่วยผิวดำมีโอกาสเป็น 2.54 เท่าของคนไข้ผิวขาวที่มีตัวบ่งชี้เชิงลบอย่างน้อยหนึ่งรายการในบันทึก โดยมักใช้คำอธิบายเชิงลบกับผู้ป่วยที่ยังไม่แต่งงาน และผู้ที่มีประกันสุขภาพจากรัฐบาล

อ่านข่าวเต็มได้ที่: UChicago News