Kaitlyn Albertoli Founder of Buzz Solutions – Interview Series

Kaitlyn Albertoli er grundlægger af Buzz Solutions, et AI-selskab, der tilbyder fejldetektering af aktiver og prædictive analytics til inspektion af kraftledninger, hvilket giver kritiske besparelser ved at forhindre nedbrudte ledninger, strømafbrydelser og vildbrande forårsaget af fejlet netinfrastruktur.

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 imødekomme et kritisk behov, der opstod under de tidlige dage af inspektion af kraftværksinfrastruktur. Under denne afgørende tid begyndte el-selskaberne at indsamle mere visuel data for at sikre og muliggøre grundige og hyppige inspektioner. Fra starten af tilbragte vi en stor del af tiden på at dykke ned i smertepunkterne for el-selskaberne samt forstå deres korte og lange sigtede vision for deres inspektioner.

Da det blev klart, at hver el-selskab havde sin egen unikke måde at inspicere og rutineproces, blev det klart, at det bedste indgangspunkt til markedet var gennem højpræcise og fleksible AI-drevne algoritmer. I de første to år var vores mission at bygge de mest præcise og lettest gen-trænende 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 indsamles hundredtusinder og millioner af billeder årligt. Den nuværende analyseproces af denne data udføres manuelt af linemænd og feltteknikere, hvilket er en meget tidskrævende og ikke-skalérbar 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 videostrømme indsamles i feltet ved hjælp af droner, helikoptere, faste fly og selv grundbaseret 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, kraftnetstrukturer, omgivende vegetation og lokaliteter. Dette muliggør en mere omfattende inspektion, så el-selskabet bedre kan forstå sundheden af hver infrastrukturkomponent for både transmissions- og distributionsledninger og understationer.

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

At analysere billeder med AI giver betydelige omkostningsbesparelser, som øges over tid. AI giver en direkte, initial omkostningsbesparelse på omkring 50% i forhold til manuel analyse, og med tiden 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 mere klart og hurtigt.

Buzz Solutions-teknologien kan identificere, hvad der skal repareres på kun få timer, kan du diskutere den AI, der bruges til at muliggøre dette?

PowerAI Machine Vision-algoritmer er trænet til at detektere en specifik liste over anomalier for el-selskabsinfrastruktur. Vi har brugt to år på at bygge disse algoritmer fra bunden og samlede varierede datasæt på tværs af 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 “synthetiske” billeder, og vores nøjagtighed i at identificere og forudsige udstyrsfejl eller problemer er betydeligt højere end branchegennemsnittet. Dette betyder, at el-selskaber kan løse problemer meget hurtigere og mere effektivt.

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

Kan du diskutere det prædictive analyse-system, der bruges, og de fordele, det tilbyder?

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

Kan du diskutere dine planer om også at målrette vind- og solsektoren?

Indtil nu har Buzz fokuseret på at blive den mest nøjagtige og effektive AI-løsning i el-inspektionsspace. Det sagde, er der mange andre områder af infrastruktur, herunder vedvarende energiproduktion, hvor inspektionanalyser er nødvendige og meget værdifulde. Buzz har planer om at udvide sig ud over T&D-inspektionsspace og vil annoncere nogle af disse mere konkrete markedsudvidelser, når der tilføjes nye brugstilfælde til vores portefølje.

Hvordan hjælper optimering af kraftsektoren med at bekæmpe klimaforandringer?

Buzz Solutions hjælper med bæredygtighedsfokuserede bestræbelser og hjælper med nogle af de største klimarelaterede problemer, vi står over for i dag, ved at muliggøre reduceret net-induceret katastrofer, reduceret udledning og øget net-sikkerhed. Vores AI-baserede fejldetektering reducerer vildbrande antændt af fejlaktige aktiver, da vi advarer el-selskaber om fejl og vegetation, der trænger ind på infrastrukturen.

Desuden flagger vores systemer almindelige fejlområder (“varme punkter”). Forudbestemte varme punktsområder muliggør målrettede inspektioner i stedet for, at helikoptere flyver målrettet i hundredvis af miles. Målrettede inspektioner hjælper el-selskaber med at reducere CO2-udledning og fremme prædictive reaktioner i stedet for reaktioner. Vores teknologi muliggør et mere robust og stabilt net, der tillader en effektiv integration af vedvarende energikilder på netinfrastrukturen.

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

Buzz Solutions er i frontlinjen for den digitale transformation af inspektion- og vedligeholdelses-arbejdsgangen for el-selskaber. Mens indsamlingen af mere data er vigtig, er det endnu mere vigtigt at håndtere dataene og udlede handlebare indsigt fra denne information. Dette er, hvor Buzz er særligt værdifuld.

Ikke kun giver vores løsning PowerAI hurtig indsigt i den nuværende sundhedstilstand for infrastrukturen, men den sporer også denne data og advarer el-selskabet om et område, der udgør den største risiko for netværket. PowerAI muliggør en hurtigere opgradering af komponenter og en mere effektiv vej mod net-modernisering. Den digitale transformation i sektoren har muliggjort en problemfri dataindsamling, men kraften i dataene ligger i at omdanne de rå data til et samlet billede og udlede specifikke indsigt fra denne information.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Buzz Solutions.