Η Buzz Solutions Συλλέγει 20 Εκατομμύρια Δολάρια Σειράς A για την Επέκταση της Νοημοσύνης του Πλέγματος με τη Βοήθεια του AI

Buzz Solutions έχει συλλέξει 20 εκατομμύρια δολάρια σε μια υπερχρεωμένη Σειρά A χρηματοδότησης, καθώς οι κοινωφελείς οργανώσεις αναζητούν ταχύτερους τρόπους για την επιθεώρηση, τη συντήρηση και την ενίσχυση της ολοένα και πιο σύνθετης ενεργειακής υποδομής.

S3 Ventures ηγήθηκε του γύρου, με σημαντική επένδυση από GoPoint Ventures. Οι υφιστάμενοι επενδυτές HearstLab και Blackhorn Ventures cũng συμμετείχαν. Η Buzz Solutions ανέφερε ότι το κεφάλαιο θα υποστηρίξει την ανάπτυξη προϊόντων, την επέκταση της ομάδας πωλήσεων και την πιο глубη ανάπτυξη με πελάτες κοινωφελών.

Η εταιρεία με έδρα το Palo Alto αναπτύσσει λογισμικό τεχνητής νοημοσύνης που αναλύει δεδομένα οπτικής επιθεώρησης που συλλέγονται από υποδομή όπως γραμμές ηλεκτρικής ενέργειας, υποσταθμοί και εγκαταστάσεις φωτοβολταϊκών. Οι πελάτες της περιλαμβάνουν Dominion Energy (D ), American Electric Power (AEP ) και την Αρχή Ηλεκτρικής Ενέργειας της Νέας Υόρκης.

Μετακίνηση της Επιθεώρησης του Πλέγματος Πέρα από την Προσαρμογή Εικόνων

Οι κοινωφελείς οργανώσεις έχουν ολοένα και περισσότερο υιοθετήσει drones, ελικόπτερα, αεροπλάνα, θερμικές κάμερες και άλλα συστήματα εικόνων για την επιθεώρηση της υποδομής. Αυτές οι τεχνολογίες μπορούν να συλλέξουν πολύ περισσότερα δεδομένα από τις παραδοσιακές επιθεωρήσεις πεδίου, αλλά δημιουργούν επίσης μια νέα πρόκληση: η επεξεργασία χιλιάδων ή ακόμη και εκατομμυρίων εικόνων αρκετά γρήγορα για να επηρεάσουν τις αποφάσεις συντήρησης.

Η πλατφόρμα PowerAI της Buzz Solutions σχεδιάστηκε για να αντιμετωπίσει αυτό το μποτιλιάρισμα. Καταναλώνει εικόνες από προγράμματα εναέριων και εδαφικών επιθεωρήσεων, αντιστοιχίζει εικόνες με συγκεκριμένες δομές, αναγνωρίζει πιθανές ελαττώματα και βοηθά στην κατάταξη των προβλημάτων με βάση τη σοβαρότητά τους.

Η πλατφόρμα μπορεί να αναλύσει εικόνες RGB και θερμικές για προβλήματα όπως υποβαθμισμένα πόλοι, χειροτερεύουσες διασταυρώσεις, υπερθερμαμένες μετασχηματιστές, είσδυση φυτοκάλυψης, ζημιά απομονωτή, και φωλιές πουλιών. Τα αποτελέσματα μπορούν να σταλούν σε γεωγραφικά συστήματα πληροφοριών, πλατφόρμες εργασιών και λογισμικό διαχείρισης περιουσιακών στοιχείων μέσω ολοκληρώσεων και διεπαφών προγραμματισμού εφαρμογών.

Αυτός ο ροή εργασιών είναι σημαντικός επειδή η αναγνώριση ενός ελαττώματος είναι μόνο ένα μέρος της διαχείρισης της υποδομής. Οι κοινωφελείς οργανώσεις πρέπει επίσης να καθορίσουν την τοποθεσία του επηρεαζόμενου περιουσιακού στοιχείου, να αξιολογήσουν την επείγουσα ανάγκη για προσοχή, να ανατεθούν εργασίες και να παρακολουθήσουν την κατάσταση του περιουσιακού στοιχείου με την πάροδο του χρόνου.

Η PowerAI Συνδυάζει την Οπτική Νοημοσύνη με την Ανθρώπινη Επιτήρηση

Η Buzz Solutions λέει ότι τα μοντέλα της έχουν ρυθμιστεί χρησιμοποιώντας πάνω από μια δεκαετία εικόνων κοινωφελών και όχι μόνο εκπαιδευμένα σε μικρότερα σετ δεδομένων. Η πλατφόρμα περιλαμβάνει目前 πάνω από 50 μοντέλα τεχνητής νοημοσύνης και μπορεί να επεξεργαστεί πάνω από 5,8 εικόνες ανά δευτερόλεπτο, με βάση τα στοιχεία που δημοσιεύονται από την εταιρεία.

Η PowerAI περιλαμβάνει επίσης ανθρώπινη επιτήρηση. Οι επιθεωρητές μπορούν να επικυρώσουν ανιχνεύσεις, να διορθώσουν τις εξόδους του μοντέλου και να βελτιώσουν την ακρίβεια καθώς το σύστημα αντιμετωπίζει επιπλέον τύπους υποδομής και συνθήκες λειτουργίας.

Αυτός ο συνδυασμός αυτοματοποίησης και ανθρώπινης επιτήρησης είναι ιδιαίτερα σχετικός σε περιβάλλοντα κοινωφελών, όπου οι ψευδείς θετικοί μπορεί να δημιουργήσουν απαραίτητο πεδίο εργασίας, ενώ ένα λεγόμενο έλλειμμα μπορεί να συμβάλλει σε αποτυχίες εξοπλισμού, διακοπές ή κινδύνους ασφαλείας.

Η Buzz προσφέρει πολλές εκδόσεις της πλατφόρμας. Οι κοινωφελείς οργανώσεις μπορούν να αρχίσουν με κεντρική διαχείριση δεδομένων επιθεώρησης και χειροκίνητη αναθεώρηση πριν μεταβούν σε αυτοματοποιημένη ανάλυση εικόνων, χαρτογράφηση συστημάτων γεωγραφικών πληροφοριών, προηγμένα στατιστικά και ολοκληρώσεις με συστήματα εργασιών και διαχείρισης περιουσιακών στοιχείων.

Επέκταση της Πλατφόρμας σε Όλο το Πλέγμα

PowerAI αρχικά επικεντρώθηκε στην υποδομή μεταφοράς και διανομής, αλλά η Buzz Solutions έχει επεκτείνει την πλατφόρμα σε υποσταθμούς και φωτοβολταϊκές εγκαταστάσεις.

Για δίκτυα διανομής, το λογισμικό μπορεί να συνδέσει εικόνες επιθεώρησης με отдельные πόλους και δομές πριν τις αναλύσει για ζημιάς στο υλικό, προβλήματα μετασχηματιστών ή κινδύνους φυτοκάλυψης. Οι ομάδες μεταφοράς μπορούν να χρησιμοποιήσουν την πλατφόρμα για να αποθηκεύσουν περιουσιακά στοιχεία και να παρακολουθήσουν αλλαγές στην κατάσταση σε μεγάλα δίκτυα.

Στους υποσταθμούς, η εταιρεία χρησιμοποιεί εικόνες από σταθερές κάμερες και drones για να παρακολουθήσει γεγονότα ασφαλείας, προβλήματα ασφαλείας και κατάσταση εξοπλισμού. Οι οπτικές και θερμικές βίντεο μπορούν να αναλυθούν για γεγονότα όπως μη εξουσιοδοτημένη είσοδος, καπνός, φωτιά ή ανώμαλες θερμικές υπογραφές, με ειδοποιήσεις που παρέχονται μέσω πινάκων ελέγχου, email ή μηνυμάτων κειμένου. Οι αναπτύξεις μπορούν να είναι βασισμένες στο cloud ή εγκατεστημένες σε τοπικό επίπεδο, ανάλογα με τις λειτουργικές και κυβερνοασφαλείς απαιτήσεις του κοινωφελούς.

Η προσφορά φωτοβολταϊκών εφαρμόζει οπτική νοημοσύνη σε εικόνες drones RGB και θερμικές. Σκοπός της είναι να βοηθήσει τους χειριστές να αναγνωρίσουν θερμικά σημεία, ρήγματα πάνελ και διακοπές σειρών πριν αυτά τα προβλήματα μειώσουν σημαντικά την απόδοση.

Επενδύσεις Κοινωφελών Πέρα από Μικρές Πειραματικές Εφαρμογές

Η Buzz Solutions ανέφερε ότι ο αριθμός των πελατών της τριπλασιάστηκε κατά τη διάρκεια του τελευταίου έτους, ενώ η έσοδος αυξήθηκε κατά 400%. Η εταιρεία έχει επίσης δημοσιεύσει πολλά παραδείγματα κοινωφελών που εφαρμόζουν την πλατφόρμα σε μεγαλύτερα προγράμματα επιθεώρησης.

Η Dominion Energy χρησιμοποίησε την PowerAI για να επεξεργαστεί 74.000 εικόνες που καλύπτουν περίπου 47.000 πύργους μεταφοράς σε τρεις και μισό ώρες, σύμφωνα με την Buzz Solutions. Η AEP Texas χρησιμοποίησε την πλατφόρμα για να αναλύσει πάνω από 88.000 εικόνες καθώς εργάζεται για τη συντομεύση των κυκλών επιθεώρησης σε μια περιοχή διανομής που εκτίθεται σε υφιστάμενες και πυρκαγιές.

Η Αρχή Ηλεκτρικής Ενέργειας της Νέας Υόρκης έχει ολοκληρώσει τα αποτελέσματα επιθεώρησης με Esri, IBM Maximo και τα εσωτερικά μέσα της. Η Buzz Solutions αναφέρει ότι ο κοινωφελής μειώθηκε χειροκίνητη ανάλυση χρόνου κατά 70%, επιτρέποντας τη μεγάλη ποσότητα εικόνων επιθεώρησης να αξιολογηθεί σε ώρες ή ημέρες 而不是 μήνες.

Αυτές οι αναπτύξεις εικονογραφούν την ευρύτερη μετατόπιση που συμβαίνει τώρα σε προγράμματα τεχνητής νοημοσύνης κοινωφελών. Αντί να αξιολογούν μοντέλα σε απομόνωση, ορισμένοι κοινωφελείς αρχίζουν να συνδέουν την ανάλυση AI απευθείας με εγγραφές περιουσιακών στοιχείων, προτεραιότητες συντήρησης και υφιστάμενα λειτουργικά συστήματα.

Αύξηση της Ζήτησης Ηλεκτρικής Ενέργειας Προσθέτει Επείγουσα Ανάγκη

Η χρηματοδότηση έρχεται καθώς οι Ηνωμένες Πολιτείες εισέρχονται σε μια περίοδο ανανεωμένης αύξησης της ζήτησης ηλεκτρικής ενέργειας. Η Υπηρεσία Ενημέρωσης Ενέργειας των ΗΠΑ ανέφερε ότι η εθνική κατανάλωση ηλεκτρικής ενέργειας έχει αυξηθεί κατά μέσο όρο 2,1% ετησίως τα τελευταία πέντε χρόνια, με την ζήτηση διακομιστή δεδομένων να αναδύεται ως ένας σημαντικός συντελεστής.

Η υπηρεσία αναμένει ότι η κατανάλωση ηλεκτρικής ενέργειας θα συνεχίσει να αυξάνεται μέχρι το 2050, αναστρέφοντας περισσότερο από μια δεκαετία σχετικά επίπεδης ζήτησης.

Οι κέντροι δεδομένων AI δεν είναι η μόνη πηγή πίεσης. Οι κοινωφελείς οργανώσεις πρέπει επίσης να συνδέσουν ανανεώσιμη παραγωγή, να υποστηρίξουν την ηλεκτροκίνηση των μεταφορών και της βιομηχανίας, να ανταποκριθούν σε ακραίες καιρικές συνθήκες και να διατηρήσουν την υποδομή που μπορεί να λειτουργεί για δεκαετίες.

Η κατασκευή νέας παραγωγικής και μεταφορικής ικανότητας παραμένει απαραίτητη, αλλά οι κοινωφελείς οργανώσεις πρέπει επίσης να εξάγουν περισσότερη αξιοπιστία από την υφιστάμενη υποδομή. Η προηγούμενη αναγνώριση υποβαθμισμένου εξοπλισμού θα μπορούσε να επιτρέψει στις ομάδες συντήρησης να αντιμετωπίσουν προβλήματα πριν γίνουν διακοπές, περιστατικά ασφαλείας ή ακριβές επείγουσες επισκευές.

Το Μέλλον της Διαχείρισης Πλέγματος με τη Βοήθεια του AI

Η ευρύτερη σημασία των πλατφορμών όπως η PowerAI έγκειται στο πώς θα μπορούσαν να αλλάξουν τον τρόπο με τον οποίο οι κοινωφελείς οργανώσεις διαχειρίζονται την υποδομή με την πάροδο του χρόνου. Σήμερα, πολλά προγράμματα επιθεώρησης παραμένουν περιοδικά και αντιδραστικά, με περιουσιακά στοιχεία που εξετάζονται σε σταθερές προγραμματισμένες ή μετά από θύελλες, διακοπές και αποτυχίες εξοπλισμού. Όσο η οπτική δεδομένα γίνεται πιο εύκολη στη συλλογή και ανάλυση, οι κοινωφελείς οργανώσεις μπορεί να μπορέσουν να μεταβούν σε μια πιο συνεχής, βασισμένη στο ρίσκο συντήρηση.

Σε αυτό το μοντέλο, η τεχνητή νοημοσύνη θα βοηθήσει στην αναγνώριση λεπτών αλλαγών στην κατάσταση του περιουσιακού στοιχείου, τη σύγκριση της τρέχουσας εικόνας με προηγούμενες επιθεωρήσεις και την επισήμανση του εξοπλισμού που φαίνεται να υποβαθμίζεται πιο γρήγορα από το αναμενόμενο. Οι προγραμματισμοί συντήρησης θα μπορούσαν τότε να βασίζονται λιγότερο στην ηλικία ή τους προγραμματισμένους κύκλους επιθεώρησης και περισσότερο στην πραγματική κατάσταση και προφίλ κινδύνου του κάθε περιουσιακού στοιχείου.

Η τεχνολογία θα μπορούσε επίσης να γίνει πιο πολύτιμη καθώς οι κοινωφελείς οργανώσεις αναπτύσσουν μεγαλύτερες στόλες drones, σταθερές κάμερες, θερμικές αισθητήρες και άλλα συστήματα παρακολούθησης. Χωρίς αυτοματοποιημένη ανάλυση, ο όγκος δεδομένων που παράγεται από αυτά τα εργαλεία θα μπορούσε να καταβαραθρώσει τις ομάδες επιθεώρησης. Τα συστήματα AI μπορεί να υπηρετούν ως ένα φίλτρο, κατευθύνοντας τους ανθρώπινους εμπειρογνώμονες προς τις εικόνες, τα περιουσιακά στοιχεία και τις ανωμαλίες που πιθανότατα να απαιτούν προσοχή.

Με την πάροδο του χρόνου, αυτές οι ικανότητες θα μπορούσαν να υποστηρίξουν πιο λεπτομερείς ψηφιακές αναπαραστάσεις του πλέγματος, συνδυάζοντας οπτικές επιθεωρήσεις με δεδομένα καιρού, ιστορικού διακοπών, συνθηκών φυτοκάλυψης και εγγραφών συντήρησης. Αυτό θα μπορούσε να επιτρέψει στους κοινωφελείς να μοντελοποιήσουν πώς τα μεμονωμένα ελαττώματα θα μπορούσαν να επηρεάσουν ευρύτερα δίκτυα και να προτεραιοποιήσουν τις επισκευές με βάση την επίδρασή τους στην αξιοπιστία και την ασφάλεια του κοινού.

Η μετατόπιση θα εισαγάγει επίσης σημαντικά ερωτήματα γύρω από την ακρίβεια του μοντέλου, την κυβερνοασφάλεια, τη διαφάνεια και την ευθύνη. Οι κοινωφελείς οργανώσεις θα πρέπει να κατανοήσουν γιατί ένα σύστημα σημείωσε ένα συγκεκριμένο περιουσιακό στοιχείο, πόσο βέβαιο είναι στην αξιολόγησή του και πότε απαιτείται ανθρώπινη αναθεώρηση. Επειδή οι αποφάσεις αφορούν κρίσιμη υποδομή, οι συστάσεις AI θα παραμείνουν μέρος eines εποπτικού διαδικασίας και όχι πλήρως αυτονομίας.

Εάν αυτές οι προκλήσεις μπορούν να αντιμετωπιστούν, η οπτική νοημοσύνη θα μπορούσε να εξελιχθεί από ένα εργαλείο για την αναθεώρηση εικόνων επιθεώρησης σε ένα πιο κεντρικό στοιχείο της διαχείρισης και του σχεδιασμού του πλέγματος. Η μακροπρόθεσμη επίδραση δεν θα ήταν απαραίτητα λιγότεροι επιθεωρητές, αλλά μια αλλαγή στον τρόπο με τον οποίο χρησιμοποιείται ο χρόνος τους, με μεγαλύτερη προσοχή που κατευθύνεται προς τα περιουσιακά στοιχεία και τις τοποθεσίες όπου η παρέμβαση θα μπορούσε να κάνει τη μεγαλύτερη διαφορά.