Kaitlyn Albertoli – grundlægger af Buzz Solutions – Interviewserie

Kaitlyn Albertoli er grundlægger af Buzz Solutions, et AI-selskab, der tilbyder fejlafsnitning og prædikativ analyse til inspektion af kraftledninger, hvilket giver kritiske besparelser ved at forhindre nedbrudte ledninger, strømafbrydelser og ildebrande forårsaget af fejl i netværksinfrastrukturen.

Buzz Solutions blev grundlagt som en del af Stanford Launchpad-kursus i 2017. Kan du dele nogle detaljer om disse tidlige dage?

Vi startede Buzz Solutions for at løse et kritisk behov, der opstod under de tidlige dage af inspektion af kraftværksinfrastruktur. Under denne afgørende periode begyndte el-selskaberne at indsamle mere visuel data for at sikre og muliggøre grundige og hyppige inspektioner. Fra starten af brugte vi en stor del af tiden på at dykke ned i smertepunkterne for el-selskaberne samt forstå deres korte og lange sigte for deres inspektioner.

Da vi erkendte, at hvert el-selskab havde sine egne unikke måder at inspicere og rutinemæssige processer, blev det klart, at det bedste indgangspunkt på markedet var gennem meget nøjagtige og fleksible AI-drevne algoritmer. I de første to år var vores mission at bygge de mest nøjagtige og lettest genoptrænelige algoritmer på markedet, som el-selskaberne kunne implementere direkte i deres eksisterende systemer. Vi lancerede det officielle Buzz Solutions PowerAI-produkt på el-markedet i august 2019.

El-selskaber er pålagt at inspicere alle transmissions- og distributionsinfrastrukturer. Hvorfor er dette sådan et problem for de traditionelle manuelle inspektioner?

Da el-selskaber er pålagt at udføre hyppigere inspektioner, stiger dataindsamlingen eksplosivt. El-selskaber indsamler 5-10 gange mere data end tidligere, ofte indsamler hundredtusinder og millioner af billeder årligt. Den nuværende analyseproces for disse data udføres manuelt af linemænd og feltteknikere, hvilket er en meget tidskrævende og uskalerbar proces. Da inspektionerne bliver hyppigere, bliver den manuelle proces mere dyrekøbt, tidskrævende og medfører en øget risiko for infrastrukturfejl på grund af, at data ikke behandles i tide.

Hvilken type visuel procesdata indsamles i feltet?

Billeder og videostreams indsamles i feltet ved hjælp af droner, helikoptere, faste fly og selv jordbaseret dataindsamling. Droner bliver en mere udbredt metode til inspektion, da de kan flyve tættere på strukturer og indsamle billeder fra forskellige vinkler, som ikke er muligt med bemandede fly. Droner kan indsamle visuel billedmateriale af forskellige elektriske komponenter, kraftværksstrukturer, omgivende vegetation og lokaliteter. Dette muliggør en mere omfattende inspektion, så el-selskaberne bedre kan forstå sundheden af hver infrastrukturkomponent for både transmissions- og distributionsledninger og understationer.

Hvilken type omkostningsbesparelse ses ved at analysere disse billeder med AI i stedet for manuel analyse?

At analysere billeder med AI giver en betydelig omkostningsbesparelse, der øges over tid. AI giver en direkte, initial omkostningsbesparelse på omkring 50% i forhold til manuel analyse, og over tid øges disse besparelser eksponentielt, da AI sporer tendenser og bliver klogere over tid. Dette muliggør mere målrettede og informerede inspektioner og giver linemænd yderligere besparelser ved at levere bedre information, så de kan planlægge en vej til vedligeholdelse.

Buzz Solutions-teknologien kan identificere, hvad der skal repareres, på blot få timer. Kan du diskutere den AI, der anvendes til at muliggøre dette?

PowerAI Machine Vision-algoritmer er trænet til at detektere en specifik liste over anomalier for el-infrastruktur. Vi har brugt to år på at bygge disse algoritmer fra bunden og samle varierede datasæt fra geografier og tidsrammer for at træne AI til at omfatte disse fejl. En fordel, vi har, er, at vi har trænet vores AI med rigtige billeder i stedet for “syntetiske” billeder, og vores nøjagtighed ved at identificere og forudsige udstyrsfejl eller problemer er betydeligt højere end gennemsnittet i branchen. Dette betyder, at el-selskaber kan løse problemer meget hurtigere og mere effektivt.

Desuden anvender vores AI human-in-the-loop-træning, hvor feltteknikere og ingeniører feedbacker data tilbage til AI, så modellen kan blive klogere og mere personlig over tid. Den omfattende liste over fejlmoder, som PowerAI-algoritmerne detekterer i dag, er blevet afledt fra de største behov, som el-selskaberne har udtrykt.

Kan du diskutere det prædikative analyse-system, der anvendes, og de fordele, det tilbyder?

Buzz sporer el-aktiverings-tendenser og -fejl over tid, hvilket hjælper AI- og machine learning-systemer med at blive stærkere, mere personlige og mere effektive. Dette muliggør også, at systemerne kan aflede indsigt fra disse tendenser og forudsige områder, der kan være mere udsat for fejl, dvs. “varme punkter”. Dette er, hvor det sande potentiale for et prædikativt analyse-system kommer til syne og muliggør, at el-selskaberne har en bedre indsigt i, hvor og hvornår deres udstyr kan fejle.

Kan du diskutere dine planer om også at rette sig mod vind- og solsektoren?

Indtil nu har Buzz fokuseret på at blive den mest nøjagtige og effektive AI-løsning på el-inspektionmarkedet. Det sagde, er der mange andre områder for infrastruktur, herunder vedvarende energiproduktion, hvor inspektionanalyser er nødvendige og meget værdifulde. Buzz har planer om at udvide sig ud over el-inspektionmarkedet og vil offentliggøre meddelelser om nogle af disse mere konkrete markedsudvidelser, når der er nye anvendelsesmuligheder, som vi tilføjer til vores portefølje.

Hvordan hjælper optimeringen af elkraftsektoren med at bekæmpe klimaforandringen?

Buzz Solutions bidrager til bæredygtighedsfokuserede indsats og hjælper med nogle af de største klima-relaterede problemer, vi står over for i dag, ved at muliggøre reduceret netværksrelateret katastrofer, reduceret udledning og øget netværksstabilitet. Vores AI-baserede fejldetektion reducerer ildebrande forårsaget af fejl i aktiver, da vi alarmerer el-selskaberne om fejl og vegetation, der trænger ind på infrastrukturen.

Desuden markerer vores systemer fælles fejlområder (“varme punkter”). Forhåndsbestemte varme punktsområder muliggør målrettede inspektioner i stedet for, at helikoptere flyver tilfældigt i hundredvis af miles. Målrettede inspektioner hjælper el-selskaberne med at reducere CO2-udledningen og fremme prædikative reaktioner i stedet for reaktive handlinger. Vores teknologi muliggør et mere robust og stabilt netværk, der tillader en effektiv integration af vedvarende energikilder i netværksinfrastrukturen.

Kan du diskutere din overordnede vision for digital transformation af el-sektoren?

Buzz Solutions er i frontlinjen for den digitale transformation af inspektion- og vedligeholdelsesarbejdsgangen for elkraftselskaber. Mens indsamlingen af mere data er vigtig, er det endnu mere væsentligt at kunne håndtere dataene og aflede handlebare indsigt fra disse oplysninger. Dette er, hvor Buzz er særligt værdifuld.

Ikke kun giver vores løsning PowerAI hurtige indsigt i den aktuelle tilstand for infrastrukturen, men den sporer også disse data og alarmerer el-selskaberne om områder, der udgør den største risiko for netværket. PowerAI muliggør en hurtigere opgradering af komponenter og en mere effektiv vej mod netværksmodernisering. Digital transformation i sektoren har muliggjort en problemfri dataindsamling, men kraften i dataene ligger i at kunne omdanne de rå data til et samlet billede og aflede specifikke indsigt fra disse oplysninger.

Tak for det gode interview. Læsere, der ønsker at lære mere, kan besøge Buzz Solutions.