Dave Boundy ist der CTO bei Innowatts – Interview-Serie

Dave Boundy ist der CTO bei Innowatts, einem führenden Anbieter von AI-Datenanalytik. Die SaaS-Plattform bietet Unternehmen die notwendigen Daten, um vorausschauender, proaktiver und besser mit ihren Kunden und Tarifnehmern verbunden zu sein, um Risiken besser zu managen, die Rentabilität zu verbessern, die Zuverlässigkeit des Stromnetzes zu gewährleisten und Trends im Bereich Nachhaltigkeit vorherzusagen.

David verfügt über mehr als 20 Jahre Erfahrung in der IoT- und Energiebranche. Seine Karriere umfasst unter anderem die Bereiche Unternehmens-IT, Produktentwicklung, Forschung und Innovation sowie die Gründung neuer Unternehmen. Vor seiner aktuellen Position gründete und leitete er das globale Energie-Lösungsgeschäft von Intel (INTC ), das maschinelles Lernen und künstliche Intelligenz für Kunden weltweit bereitstellte. David hält mehrere Patente und ist Mitglied in verschiedenen Beratungsgremien.

Können Sie uns Innowatts beschreiben?

Innowatts ist ein neues Energieunternehmen, das sich darauf konzentriert, die Bruttomargen seiner Kunden zu verbessern und gleichzeitig die Nutzung von erneuerbaren Energien zu fördern. Wir erreichen dies, indem wir große Mengen an Daten analysieren, um handhabbare Erkenntnisse zu gewinnen. Als B2B-Unternehmen bieten wir sowohl B2B- als auch B2C-Dienstleistungen über unsere Kunden an ihre Endnutzer an. Wir nehmen metergenaue Daten von einem Zuhause oder einem Unternehmen oder innerhalb des Netzwerks und kombinieren diese mit vielen anderen Datensätzen, einschließlich sozioökonomischer Daten, CRM-Daten und Risikomanagement-Daten.

Unser auf künstlicher Intelligenz basierender Analyse-Engine liefert Erkenntnisse, die von der Verbraucher-Vorhersage bis hin zur Aufschlüsselung des aktuellen und zukünftigen Energieverbrauchs reichen. Durch diese Erkenntnisse können wir potenzielle Produkte für jeden Verbraucher identifizieren. Wir bieten auch Einzelhandelskunden Dienstleistungen wie die Identifizierung des optimalen Tarifs, um ihre Bruttomargen zu maximieren.

Schließlich unterstützen wir Netzbetreiber und Energieversorger, um ihnen bei der Planung für die Zukunft zu helfen. Es ist wichtig, dass sie verstehen, wo sich Veränderungen vollziehen, damit sie ihre Vermögenswerte optimieren und die Preise für die Verbraucher senken können.

Welche Arten von Machine-Learning-Technologien werden bei Innowatts eingesetzt?

Im Wesentlichen helfen wir Maschinen, auf eine menschlichere Weise zu denken, während wir es ihnen auch ermöglichen, mit sehr großen Datensätzen umzugehen. Wir haben über 43 Millionen Zähler unter unserer Verwaltung und beschäftigen uns mit Milliarden von Datenpunkten pro Stunde über mehrere geografische Regionen und Kunden hinweg. Im Bereich des überwachten Lernens verwenden wir eine Vielzahl von Modellen, einschließlich linearer Regression, Entscheidungsbäume usw.; im Bereich des unüberwachten Lernens gehören dazu Ensemble-Modelle, neuronale Netze und zufällige Wälder.

Unsere Verwendung einer Vielzahl von Modellen ist der Schlüssel zur Stärke unseres Produkts — wir können das richtige Modell für jeden Kunden in jeder gegebenen Situation identifizieren. Wir können es tatsächlich auf die Ebene des Zählers herunterbrechen. Das ist es, was uns wirklich als Marktführer in diesem Bereich positioniert.

Warum ist Energieüberwachung für Energiehändler wichtig?

Die Kosten für die Akquise eines Kunden sind oft zwei- bis dreimal so hoch wie der Gewinn, den ein Händler mit diesem Kunden in einem Jahr erzielt. Das bedeutet, dass es zwei bis drei Jahre dauert, die Kosten für die Kundenakquise zurückzuerlangen, sodass es sehr wichtig ist, jeden Kunden zu behalten.

Wir helfen Händlern, dies zu erreichen, indem wir ihnen die Möglichkeit geben, sich zu differenzieren. Wir bieten Vorhersagen und die Möglichkeit, Zeit-Tarife zu definieren und zu entwickeln, um ihr Produkt an ihre Kunden anzupassen. Wir können auch Risikomanagement- und Preisplattformen bereitstellen, sowie die Möglichkeit, die besten Verbraucher in jedem Gebiet zu identifizieren. Wir können auch identifizieren, welche Kunden am besten für bestimmte Produkte geeignet sind. All dies ergibt einen überzeugenderen und kosteneffizienteren Service für die Kunden, der sowohl die Akquise als auch die Bindung von Kunden fördert.

Welche wichtigen Erkenntnisse können durch die Untersuchung des Energieverbrauchs gewonnen werden?

Stellen Sie sich vor, Sie haben kürzlich ein Elektrofahrzeug gekauft. Unsere Modelle können dies erkennen und ermöglichen es Ihrem Stromversorger, automatisch maßgeschneiderte Kommunikationen und zielgerichtete Dienstleistungen für Ihren Status als neuer EV-Besitzer zu senden — vielleicht einen anderen Tarif, ein neues Versicherungsprodukt oder ein Wartungsprodukt.

Ähnlich können wir identifizieren und proaktiv benachrichtigen, basierend auf Ihrem Energieverbrauch der letzten 15 Tage, dass wir Ihren Verbrauch für die nächsten 30 Tage als viel höher als normal für einen bestimmten Grund vorhersagen. Wir können dann mit Ihnen zusammenarbeiten, um vorbeugende Maßnahmen zu ergreifen, um eine Rechnungsschock zu vermeiden. Dies sind nur einige Beispiele für die Art von Interaktionen, die wir liefern können.

Unsere Vorhersagefähigkeiten sind auch extrem leistungsfähig. Die jüngsten Ereignisse in Texas machten die Vorhersage sehr schwierig, da es sich um ein völlig neues Szenario handelte. Aber unsere Vorhersagen waren 20% bis 40% genauer als die unserer Wettbewerber, sodass unsere Kunden viel besser auf die Störung vorbereitet waren. Durch die Verwendung unserer Vorhersagen als Teil ihrer Hedging-Strategie waren sie viel besser positioniert, als die Energiepreise auf 9.000 Dollar pro Megawattstunde stiegen. Die Einsparungen für sie sind erheblich. Die Tatsache, dass unsere Modelle sich schnell an veränderte Situationen anpassen, ermöglicht es unseren Kunden auch, effektiv zu bieten und in hochvolatilen Situationen zu bieten, sogar während rolling blackouts.

Dieses Niveau der Überwachung und Interpretation von Energie-Daten ist immer wichtiger. Viele Händler werden aus dem Geschäft ausscheiden, und die großen Händler haben ihre Bedürfnisse auf dem Markt bis zu einem Jahr im Voraus gedeckt, vielleicht sogar länger. Abhängig von ihrer Strategie und Risikoprofil haben sie möglicherweise 50% der benötigten Energie in der letzten Woche erworben. Sie hätten versucht, diesen Prozentsatz zu erhöhen, während das Risikoprofil und der Energiepreis stiegen. Sie hätten mehr gedeckt, aber letztendlich wären sie in den Echtzeitmarkt gegangen, um Strom zu kaufen. Sie mussten dies tun, um den Durchschnittspreis des letzten Jahres zu zahlen, der etwa 25 Dollar pro Megawattstunde betrug. Jetzt, da sie in den Markt gehen, um zu kaufen, versuchen sie, bei 9.000 Dollar pro Megawattstunde zu kaufen. Der Kosten für den Händler sind also enorm, das sind ihre Jahresgewinne, die in einem Nachmittag verloren gehen.

Wie kann diese Information verwendet werden, um den Verbrauch für eine grünere Energie zu beeinflussen?

Historisch gesehen war das Stromnetz nachfragegeführt — wenn die Nachfrage stieg, bauten die Betreiber mehr Kraftwerke, legten mehr Kabel und verbrannten mehr Treibstoff. Wir befinden uns jetzt in einer Übergangsphase, in der wir zu einem angebotsgeführten Netz übergehen. Wenn wir zu erneuerbaren Energien übergehen, müssen wir in der Lage sein, die Angebotsseite zu managen. In der neuen Welt kommt das Angebot, wenn der Wind weht oder die Sonne scheint. Wir werden auch eine enorme Zunahme der Nachfrage sehen, die durch die Elektrifizierung von Transport und Wärme entsteht.

Was wir für unsere Kunden tun, ist, zu analysieren, wie Verbraucher Energie nutzen. Wir beginnen damit, zu sehen, wie viel von ihrer Last als “Basislast” bezeichnet werden kann. Es gibt einige Dinge, die getan werden können, um die Menschen dazu zu bringen, diese zu reduzieren, aber im Großen und Ganzen ist sie fest. Wir können identifizieren, wer anfällig für Wetterbedingungen ist, wir können identifizieren, welche Häuser thermische Eingriffe benötigen — Isolierung oder die Installation eines Thermostats.

Aber wir können auch zeitsensitive Lasten identifizieren, was ein Indikator für das Verhalten ist. Ohne zu invasiv zu werden, können wir sehen, wie sich das Verhalten in einem Haushalt verhält. Zum Beispiel können Sie einem Kunden empfehlen, dass er vielleicht überlegen sollte, sein Zuhause zu einem anderen Zeitpunkt zu kühlen oder zu heizen, um es komfortabler zu machen, Geld zu sparen oder die Nutzung von grüner Energie zu maximieren.

Wir können auch proaktive Strategien zur Nachfragemanagement verwenden, um den Verbrauch an die Verfügbarkeit von erneuerbarer Energie anzupassen, ohne die Nutzererfahrung negativ zu beeinflussen. Zum Beispiel können Sie Ihr Fahrzeug routinemäßig um 19 Uhr einstecken und um 7 Uhr morgens ausstecken. Wir können ein Nachfragemanagement-Signal an die Ladepunkte senden, um die Stunden zu bestimmen, in denen Ihr Fahrzeug tatsächlich lädt, um die Nutzung von erneuerbarer Energie zu optimieren.

Im Jahr 2020 gab Innowatts bekannt, dass es in einem unabhängigen Test fünf andere Energievorhersager in den meisten Bereichen übertrumpft hat. Wie wertvoll ist es, mit einem so hohen Grad an Genauigkeit vorherzusagen?

Die Situation in Texas zeigte die Kosten ungenauer Vorhersagen. Wenn ein Händler mit einem potenziellen Verlust von einer halben Milliarde Dollar konfrontiert ist, dann könnten unsere Vorhersagen — die 20% bis 40% genauer sind als die der Konkurrenz — konservativ geschätzt über 100 Millionen Dollar sparen. Das ist eine extreme Situation, aber unser granularer Ansatz bedeutet, dass die Kunden das ganze Jahr über Vorteile haben, auch ohne extreme Volatilität.

Beispielsweise unterstützen wir einen Anbieter in Europa mit sowohl gewerblichen als auch industriellen Kunden. Sie haben versucht, proaktive Benachrichtigungen darüber zu erhalten, wann ihre Kunden Maßnahmen ergreifen werden — wann sie ihre Leistung erhöhen oder verringern — aber sie waren nicht erfolgreich. Wir konnten für sie Vorhersagen in 15-Minuten-Intervallen für jeden ihrer gewerblichen und industriellen Kunden liefern, sodass sie Laständerungen vorhersehen und intelligente Kaufentscheidungen auf sehr granularer Ebene treffen konnten — und das bedeutet, dass sie erheblich Geld sparen können.

Wie sieht die Zukunft der Datenwissenschaft und des maschinellen Lernens in diesem Sektor aus?

Wie ich bereits erwähnt habe, beschäftigen wir uns mit sehr großen Datensätzen. Wenn wir mehr Daten und granularere Daten erhalten, werden wir in der Lage sein, mehr Informationen abzuleiten und zu folgern — und wenn die Rechenleistung zunimmt, werden wir in der Lage sein, diese Daten schneller zu verarbeiten, um leistungsfähige Erkenntnisse zu liefern. Die mathematischen Prinzipien ändern sich nicht, aber unsere wachsende Fähigkeit, komplexe Mathematik im großen Maßstab anzuwenden, wird diese Fähigkeiten immer effektiver, einflussreicher und erschwinglicher machen. Letztendlich wird dies die Bewegung hin zu einem dekarbonisierten Netz unterstützen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Innowatts besuchen.