العثور على الشراكات الحقيقية: كيف تقيم شركات المرافق شركات بائعين التكنولوجيا الاصطناعية

يعيش العالم الطاقي تحولاً كبيراً، حيث يتم إعادة التفكير في الأنظمة المصممة قبل أكثر من قرن من الزمن لجعل مكان للتقنيات الذكية والنظيفة. إنها فترة مثيرة، حيث يتم تشغيل几乎 كل الصناعات بطريقة ما، وسيارات الكهرباء تكتسب زخماً في السوق، وهناك انتقالات نشطة لدعم مصادر الطاقة الموزعة (DERs)، أو “مصادر الطاقة الصغيرة” التي عادة ما توجد بالقرب من مواقع استخدام الكهرباء، مثل لوحات الطاقة الشمسية وخزانات البطاريات. والأخير هو أمر كبير، كما يشير إليه الوكالة الدولية للطاقة (IEA)، bahwa “توسيع سريع لمصادر الطاقة الموزعة سوف “يغيّر ليس فقط كيفية توليد الكهرباء، ولكن أيضا كيفية تداولها وتسليمها واستهلاكها” في المستقبل.

من وجهة نظر مراقب، فإن كل هذا التغيير إيجابي ومستدام ومتأخر. ولكن من الناحية العملية، فإن تسارع الطاقة المتجددة والتشغيل الكهربائي يخلق ضغطاً إضافياً ويتسبب في إجهاد حدود شبكتنا. بالإضافة إلى الضغط الناجم عن مصادر الطاقة المتجددة، فإن أنظمة الطاقة في العالم تواجه تحديات حرجة من الأحداث الجوية القاسية المرتبطة بتغير المناخ المستمر – الجفاف في أوروبا، والحرارة في الهند، والصقيع الشديد في الولايات المتحدة – مما يؤدي إلى زيادة أسيّة في تكاليف الفحص والصيانة والإصلاح. وقد أصبحت القيادة في قطاع المرافق مركزة على زيادة تحديث الشبكة وزيادة موثوقيتها ومقاومتها.

خذ صورة، ستستمر لفترة أطول

对于 شركات المرافق، فإن معداتها غالباً ما تكون أهم أصولها وتتطلب صيانة دقيقة ومستمرة. ويتوقف أداء هذه الصيانة على تدفق مستمر من البيانات (عادةً في شكل صور) التي يمكن للشركات تحليلها لاكتشاف الشذوذ التشغيلي. يتم جمع هذه البيانات بطرق مختلفة، من الطائرات بدون طيار والطائرات ذات الجناح الثابت، إلى عمال الخط الذين يسيرون في الموقع. ومع تكنولوجيا جديدة مثل طائرات بدون طيار وكاميرات المروحية عالي الدقة، فإن كمية البيانات قد زادت بشكل كبير. ونعلم من محادثاتنا مع العديد من شركات المرافق أن الشركات الآن تجمع 5-10 مرات كمية البيانات التي جمعتها في السنوات الأخيرة.

جميع هذه البيانات تجعل دورة العمل البطيئة للفحص أبطأ. في المتوسط، تقضي شركات المرافق ما يعادل 6-8 أشهر من ساعات العمل في السنة لتحليل بيانات الفحص. (مُقدم من قبل مقابلة مع عميل شركة المرافق على الساحل الغربي الذي جمع 10 ملايين صورة في السنة) سبب كبير لهذا الاكتظاظ هو أن هذا التحليل لا يزال يتم بشكل أساسي يدوياً، وعندما تقوم شركة بجمع ملايين صور الفحص كل عام، يصبح العملية غير قابلة للتوسيع. التحليل للشذوذ يستهلك وقتًا كبيرًا لدرجة أن معظم البيانات تكون قديمة قبل أن يتم مراجعتها، مما يؤدي إلى معلومات غير دقيقة على الأقل وعمليات فحص متكررة أو ظروف خطرة في الأسوأ. هذا هو مشكلة كبيرة، مع مخاطر عالية. يُقدر المحللون أن قطاع الطاقة يفقد 170 مليار دولار كل عام بسبب فشل الشبكة وإغلاقها القسري والكوارث الكبيرة.

بناء مرافق المستقبل مع فحص البنية التحتية المدعوم بالذكاء الاصطناعي

جعل شبكتنا أكثر موثوقية ومقاومة سيتطلب أمرين – المال، والوقت.幸运اً، هذا هو المكان الذي يمكن أن تساعد فيه التكنولوجيا الجديدة والابتكار في简化 عملية الفحص. تأثير الذكاء الاصطناعي (AI) والتعلم الآلي (ML) على قطاع المرافق لا يمكن التقليل منه. AI/ML هو في المنزل في هذا البيئة الغنية بالبيانات، وكلما زاد حجم البيانات، زادت قدرة AI على ترجمة جبال المعلومات إلى رؤى معنیة. وفقاً لشركة Utility Dive، هناك “اتفاق واسع النطاق في الصناعة على أن [AI/ML] لديها القدرة على تحديد المعدات المعرضة للخطر في طريقة أسرع وأمان hơn من الطريقة الحالية” التي تعتمد على الفحص اليدوي.

في حين أن وعد هذه التكنولوجيا لا يُستطاع إنكاره، فإن بناء برنامج AI/ML المخصص في المنزل عملية بطيئة ومكلفة ومليئة بالتعقيدات والعراقيل. وقد أدت هذه التحديات إلى أن تسعى العديد من شركات المرافق إلى دعم إضافي من الاستشاريين والبائعين الخارجيين.

3 أشياء يجب مراعاتها عند تقييم شريك AI/ML المحتمل

عند البحث عن شريك AI/ML، الأفعال أكثر أهمية من الكلمات. هناك العديد من الشركات المبتكرة التي قد توعد بالكثير، ولكن يجب على قادة المرافق التركيز على عدة معايير مهمة لتقييم الأثر. من بين الأهم هو كيف يصف البائع ويقدم:

نمو الموديل بمرور الوقت – بناء مجموعات بيانات متنوعة (بيانات تحتوي على الكثير من الشذوذ لتحليلها) يأخذ وقتًا كبيرًا (غالبًا عدة سنوات) وبعض أنواع الشذوذ لا تحدث بتواتر كافٍ لتدريب نموذج AI ناجح. على سبيل المثال، تدريب خوارزمية لاكتشاف أشياء مثل التهاب، وثقوب النقار، أو المكابح المصدأة يمكن أن يكون تحديًا إذا لم يحدث بانتظام في منطقتك. لذا، تأكد من سؤال بائع AI/ML ليس فقط عن كمية مجموعات البيانات، ولكن أيضًا عن جودتها وتنوعها.

السرعة – الوقت هو المال، وควร أن يكون أي بائع AI/ML موثوق به قادرًا على إظهار كيف يسرع عملية الفحص. على سبيل المثال، شريك Buzz Solutions مع New York Power Authority (NYPA) لتسليم منصة قائمة على AI مصممة لتقليل الوقت المطلوب للفحص والتحليل. النتيجة كانت برنامج يمكن تحليل صور الأصول في ساعات أو أيام، بدلاً من الأشهر التي استغرقها من قبل. هذا التوفير في الوقت سمح لمجموعات الصيانة في NYPA بالتركيز على الإصلاحات وتقليل خطر الفشل.

الجودة والدقة – في غياب البيانات الحقيقية لبرامج AI/ML، قد تتكمل الشركات أحيانًا بالبيانات الاصطناعية (أي البيانات التي تم إنشاؤها بشكل اصطناعي بواسطة خوارزميات الكمبيوتر) لملء الفجوات. إنها ممارسة شائعة، ويُتنبأ بالمحللين أن 60% من جميع البيانات المستخدمة في تطوير AI سوف تكون اصطناعية (بدلاً من حقيقية) بحلول عام 2024. ولكن في حين أن البيانات الاصطناعية جيدة للسيناريوهات النظرية، فإنها لا تعمل جيدًا في البيئات الحقيقية حيث تحتاج إلى بيانات حقيقية (ومدخلات إنسانية في الحلقة) لتصحيح الذات. فكر في سؤال البائع عن مزيج البيانات الحقيقية والبيانات الاصطناعية لضمان أن يكون الانقسام منطقيًا.

ولا تنسى، العمل لا ينتهي بمجرد اختيار شريكك. فكرة جديدة من Gartner هي عقد جلسات “AI Bake-Off” – وُصفت بأنها “جلسات سريعة ومعلوماتية تسمح لك بمشاهدة البائعين جنبًا إلى جنب باستخدام عروض تجريبية مبرمجة وبيانات مشتركة في بيئة خاضعة للرقابة” لتقييم نقاط القوة والضعف لكل منهم. هذه العملية تُحدد معايير واضحة تتعلق بتوسيع نطاق وثبات خوارزميات AI/ML التي تتوافق مع أهداف أعمال المرافق.

تشغيل مستقبل صناعة المرافق

من التكاملات العملية الأكثر كفاءة إلى كشف الشذوذ المتقدم بواسطة AI، صناعة المرافق على طريق أكثر إشراقاً مما كانت عليه قبل بضع سنوات. ومع ذلك، فإن هذه الابتكارات يجب أن تستمر، خاصة مع أن متطلبات فحص التوزيع والنقل من المقرر أن تزداد بشكل مرتين بحلول عام 2030، وأعلنت الحكومة عن صيانة البنية التحتية للدفاع عن الطاقة كأولويات أمنية وطنية.

هناك المزيد من العمل вперед، ولكن في يوم ما سوف ننظر إلى هذا الوقت كفترة حاسمة، لحظة عندما قام قادة الصناعة بزيادة الاستثمار في مستقبل شبكتنا الكهربائية وجلب المرافق إلى العصر الحديث.