Ο Dave Boundy είναι ο CTO στην Innowatts – Σειρά Συνεντεύξεων

Ο Dave Boundy είναι ο CTO στην Innowatts, einen ηγέτη στις αναλύσεις δεδομένων AI. Η πλατφόρμα SaaS παρέχει στις εταιρείες τα δεδομένα που χρειάζονται για να είναι πιο προβλέψιμες, προενεργητικές και συνδεδεμένες με τους πελάτες και τους καταναλωτές, βοηθώντας τους να διαχειρίζονται καλύτερα τον κίνδυνο, να βελτιώνουν την κερδοφορία, να διατηρούν την αξιοπιστία του δικτύου και να προβλέπουν τις τάσεις της βιωσιμότητας.

Ο David έχει πάνω από 20 χρόνια εμπειρίας στον τομέα IoT και Ενέργειας. Η καριέρα του έχει περιλαμβάνει εταιρική τεχνολογία πληροφοριών, ανάπτυξη προϊόντων, έρευνα και καινοτομία και νέες επιχειρηματικές εκκινήσεις. Πριν από το τρέχον του ρόλο, ίδρυσε και ηγήθηκε του Παγκόσμιου Εργαστηρίου Ενεργειακών Λύσεων της Intel (INTC ), παρέχοντας λύσεις μηχανικής μάθησης και τεχνητής νοημοσύνης σε πελάτες σε όλο τον κόσμο. Ο David κατέχει πολλά патέντα και συμμετέχει σε πολλά συμβουλευτικά σώματα.

Μπορείτε να περιγράψετε τι είναι η Innowatts;

Η Innowatts είναι μια νέα εταιρεία ενέργειας που επικεντρώνεται στην βελτίωση των κερδών των πελατών μας ενώ αυξάνει τη χρήση των ανανεώσιμων πηγών ενέργειας. Το κάνουμε αυτό αναλύοντας μεγάλες ποσότητες δεδομένων για να αποκτήσουμε δράσιμες ενημερώσεις. Ενώ είμαστε μια εταιρεία B2B, παρέχουμε τόσο υπηρεσίες B2B όσο και B2C μέσω των πελατών μας στους τελικούς χρήστες. Λαμβάνουμε δεδομένα από μετρητές σε σπίτια ή επιχειρήσεις ή μέσα στο δίκτυο και τα συνδυάζουμε με πολλά άλλα σύνολα δεδομένων, συμπεριλαμβανομένων κοινωνικοοικονομικών δεδομένων, δεδομένων CRM και δεδομένων διαχείρισης κινδύνου.

Ο μηχανισμός αναλύσεων μας που βασίζεται σε AI παρέχει ενημερώσεις που κυμαίνονται από προβλέψεις καταναλωτών σε επίπεδο μετρητή μέχρι τη διάσπαση της τρέχουσας και μελλοντικής κατανάλωσης ενέργειας. Μέσω αυτού, μπορούμε να αναγνωρίσουμε πιθανές υπηρεσίες που ταιριάζουν σε κάθε καταναλωτή. Επίσης, παρέχουμε υπηρεσίες σε λιανοπωλητές για την ταυτοποίηση του βέλτιστου μοντέλου τιμολόγησης για την μεγιστοποίηση των κερδών τους.

Τέλος, υποστηρίζουμε τους χειριστές δικτύων και τις εταιρείες ενέργειας για να τους βοηθήσουμε να σχεδιάσουν για το μέλλον. Είναι απαραίτητο να κατανοήσουν τις αλλαγές που συμβαίνουν για να μπορέσουν να βελτιστοποιήσουν τα περιουσιακά στοιχεία τους ενώ μειώνουν τις τιμές για τους καταναλωτές.

Ποια είδη τεχνολογιών μηχανικής μάθησης χρησιμοποιούνται στην Innowatts;

Ουσιαστικά, βοηθάμε τις μηχανές να σκέφτονται με πιο ανθρώπινους τρόπους, ενώ τις επιτρέπουμε να κλιμακωθούν και να αντιμετωπίσουν πολύ μεγάλες βάσεις δεδομένων. Έχουμε πάνω από 43 εκατομμύρια μετρητές υπό διαχείριση και αντιμετωπίζουμε δισεκατομμύρια σημεία δεδομένων κάθε ώρα σε πολλές γεωγραφικές περιοχές και πελάτες. Στο εποπτευόμενο χώρο, χρησιμοποιούμε eine ποικιλία μοντέλων, συμπεριλαμβανομένων γραμμικής παλινδρόμησης, δέντρων απόφασης κ.λπ. στο ανεπόπτευτο χώρο, παραδείγματα περιλαμβάνουν συνδυαστικά μοντέλα, νευρωνικά δίκτυα και τυχαία δάση.

Η χρήση μας μιας ποικιλίας μοντέλων είναι κεντρική στην δύναμη του προϊόντος μας — μπορούμε να αναγνωρίσουμε το σωστό μοντέλο για κάθε πελάτη σε κάθε δεδομένη κατάσταση. Μπορούμε πραγματικά να το αναλύσουμε μέχρι το επίπεδο του μετρητή. Αυτό είναι αυτό που μας θέτει πραγματικά ως ηγέτες σε αυτόν τον χώρο.

Γιατί η παρακολούθηση ενέργειας είναι σημαντική για τους λιανοπωλητές ενέργειας;

Το κόστος απόκτησης ενός πελάτη είναι συχνά δύο έως τρεις φορές το κέρδος που ένας λιανοπωλητής κάνει σε αυτόν τον πελάτη σε ένα χρόνο. Αυτό σημαίνει ότι χρειάζονται δύο έως τρεις χρόνια για να ανακτήσουν το κόστος απόκτησης του πελάτη, οπότε είναι πραγματικά σημαντικό να διατηρήσουν κάθε πελάτη.

Βοηθάμε τους λιανοπωλητές να το επιτύχουν αυτό παρέχοντας τους τη δυνατότητα να διαφοροποιηθούν. Παρέχουμε προβλέψεις και τη δυνατότητα να ορίσουν και να αναπτύξουν χρεώσεις χρήσης για να προσαρμόσουν το προϊόν τους στους πελάτες τους. Μπορούμε επίσης να παρέχουμε πλατφόρμες διαχείρισης κινδύνου και τιμολόγησης, μαζί με τη δυνατότητα να αναγνωρίσουμε τους καλύτερους καταναλωτές σε κάθε περιοχή. Επίσης, αναγνωρίζουμε ποιους πελάτες είναι πιο κατάλληλοι για συγκεκριμένα προϊόντα. Όλα αυτά συνεισφέρουν σε μια πιο ελκυστική και οικονομική υπηρεσία για τους πελάτες, ενισχύοντας τόσο την απόκτηση όσο και τη διατήρηση.

Ποια είναι κάποια από τα κλειδιά που μπορούν να εξαχθούν από τη μελέτη της κατανάλωσης ενέργειας;

Φανταστείτε ότι αγοράσατε πρόσφατα ένα ηλεκτρικό όχημα. Τα μοντέλα μας μπορούν να ανιχνεύσουν αυτό, επιτρέποντας στον προμηθευτή σας να σας στείλει αυτόματα εξατομικευμένες επικοινωνίες και στοχευμένες υπηρεσίες που ισχύουν για την κατάσταση σας ως νέου ιδιοκτήτη EV — vielleicht μια διαφορετική χρέωση, ένα νέο προϊόν ασφάλισης ή ένα προϊόν συντήρησης.

Ομοίως, μπορούμε να αναγνωρίσουμε και να ειδοποιήσουμε προληπτικά, με βάση την κατανάλωση ενέργειας σας τα τελευταία 15 ημέρες, ότι προβλέπουμε ότι η κατανάλωση σας τις επόμενες 30 ημέρες θα είναι πολύ υψηλότερη από το κανονικό για κάποιον λόγο. Τότε μπορούμε να συνεργαστούμε μαζί σας για να λάβουμε προληπτικές ενέργειες για να αποφευχθεί ο σοκ του λογαριασμού. Αυτά είναι μόνο quelques παραδείγματα των ενημερώσεων που μπορούμε να παραθέσουμε.

Οι ικανότητες μας προβλέψεως είναι επίσης εξαιρετικά ισχυρές. Τα πρόσφατα γεγονότα στο Τέξας έκαναν την προβλέψη πολύ δύσκολη, επειδή ήταν ένα εντελώς νέο σενάριο. Αλλά οι προβλέψεις μας ήταν 20% έως 40% πιο ακριβείς από αυτές των ανταγωνιστών μας, οπότε οι πελάτες μας ήταν πολύ καλύτερα προετοιμασμένοι για τη διαταραχή. Χρησιμοποιώντας τις προβλέψεις μας ως μέρος της στρατηγικής τους hedging, ήταν πολύ καλύτερα τοποθετημένοι όταν οι τιμές ενέργειας ανέβηκαν σε 9.000 δολάρια ανά megawatt ώρα. Οι économies για αυτούς ήταν σημαντικές. Το γεγονός ότι τα μοντέλα μας προσαρμόζονται γρήγορα στις αλλαγές των συνθηκών επίσης επιτρέπει στους πελάτες μας να προβλέψουν και να συμμετάσχουν αποτελεσματικά σε πολύ волатίλες καταστάσεις, ακόμη και σε middle blackouts.

Αυτό το επίπεδο παρακολούθησης και ερμηνείας των δεδομένων ενέργειας είναι ολοένα και πιο σημαντικό. Πολλοί λιανοπωλητές θα πάνε εκτός επιχειρήσεων, και οι μεγάλοι λιανοπωλητές έχουν hedged τις απαιτήσεις τους στην αγορά μέχρι ένα χρόνο, vielleicht περισσότερο. Ανεξάρτητα από τη στρατηγική και το προφίλ κινδύνου, μπορεί να έχουν αποκτήσει το 50% της απαιτούμενης ενέργειας που χρειάζονταν την τελευταία εβδομάδα. Θα είχαν προσπαθήσει να αυξήσουν αυτό το ποσοστό καθώς ο κίνδυνος και η τιμή ενέργειας αυξάνονταν. Θα είχαν hedged περισσότερο, αλλά τελικά θα είχαν μπει στην αγορά σε πραγματικό χρόνο για να αγοράσουν ενέργεια. Θα είχαν προσπαθήσει να αγοράσουν στην αγορά με την μέση τιμή του τελευταίου χρόνου, η οποία ήταν περίπου 25 δολάρια ανά megawatt ώρα. Τώρα, μπαίνοντας στην αγορά, προσπαθούν να αγοράσουν με 9.000 δολάρια ανά megawatt ώρα. Έτσι, το κόστος για τον λιανοπωλητή είναι τεράστιο, αυτό είναι το κέρδος του για ένα χρόνο που χάνεται σε μια μέρα.

Ποια είναι κάποια από τα τρόπια που αυτή η πληροφορία μπορεί να χρησιμοποιηθεί για να επηρεάσει τη χρήση για καθαρότερη ενέργεια;

Ιστορικά, το δίκτυο ήταν demand-led — όταν η ζήτηση αυξανόταν, οι χειριστές θα έκτιζαν περισσότερα εργοστάσια, θα έβαζαν περισσότερα καλώδια, θα καύγαζαν περισσότερο καύσιμο. Τώρα βρισκόμαστε σε μια μεταβατική φάση όπου μεταβαίνουμε σε ένα δίκτυο που οδηγείται από την προσφορά. Όταν μεταβαίνουμε σε ανανεώσιμες πηγές ενέργειας, πρέπει να μπορέσουμε να διαχειριστούμε την πλευρά της προσφοράς. Στον νέο κόσμο, η προσφορά έρχεται όταν ο άνεμος φυσά ή ο ήλιος λάμπει. Θα δούμε επίσης μια τεράστια αύξηση της ζήτησης που προέρχεται από την ηλεκτροκίνηση των μεταφορών και της θέρμανσης.

Αυτό που κάνουμε για τους πελάτες μας είναι να αναλύσουμε πώς οι καταναλωτές χρησιμοποιούν ενέργεια. Ξεκινάμε αναλύοντας πόσο από το φορτίο τους είναι αυτό που ονομάζουμε “βάση φορτίου”. Υπάρχουν κάποια πράγματα που μπορούν να γίνουν για να ενθαρρύνουν τους ανθρώπους να μειώσουν αυτό, αλλά γενικά, είναι σταθερό. Μπορούμε να αναγνωρίσουμε αυτούς που είναι ευαίσθητοι σε καιρικές συνθήκες, μπορούμε να αναγνωρίσουμε σπίτια που θα ωφεληθούν από θερμικές παρεμβάσεις — μόνωση ή τοποθέτηση θερμοστάτη.

Αλλά μπορούμε επίσης να αναγνωρίσουμε φορτία που εξαρτώνται από το χρόνο, τα οποία είναι δείκτης συμπεριφοράς. Χωρίς να γίνουμε πολύ εισβαλτικοί, μπορούμε να δούμε συμπεριφορές που βασίζονται στο σπίτι. Για παράδειγμα, μπορείτε να συμβουλεύσετε έναν πελάτη ότι μπορεί να θέλει να考虑ει ψύξη ή θέρμανση του σπιτιού του σε διαφορετική ώρα για να το κάνει πιο άνετο, να σώσει χρήματα ή να μεγιστοποιήσει τη χρήση καθαρής ενέργειας.

Μπορούμε επίσης να χρησιμοποιήσουμε στρατηγικές διαχείρισης της πλευράς της ζήτησης για να ευθυγραμμίσετε την κατανάλωση με τη διαθεσιμότητα ανανεώσιμης ενέργειας χωρίς να επηρεάσουμε αρνητικά την εμπειρία του χρήστη. Για παράδειγμα, μπορείτε να συνδέσετε το όχημά σας στις 7 μ.μ. και να το αποσυνδέσετε στις 7 π.μ. Μπορούμε να στείλουμε ένα σήμα διαχείρισης της πλευράς της ζήτησης στους σημεία φόρτισης για να καθορίσουμε τις ώρες κατά τις οποίες το όχημά σας πραγματικά φορτίζει, για να βελτιστοποιήσουμε τη χρήση ανανεώσιμης ενέργειας.

Το 2020, η Innowatts ανακοίνωσε ότι είχε ξεπεράσει πέντε άλλους προβλεπτικούς ενέργειας σε meisten μετρήσεις σε μια ανεξάρτητη δοκιμή. Πόσο σημαντικό είναι να μπορείτε να προβλέψετε με τόσο υψηλό επίπεδο ακρίβειας;

Η κατάσταση στο Τέξας έδειξε το κόστος της ανακριβούς προβλέψεως. Αν ένας λιανοπωλητής κοιτάζει μια πιθανή ζημία μισού δισεκατομμυρίου δολαρίων, τότε οι προβλέψεις μας — οι οποίες είναι 20% έως 40% πιο ακριβείς από τους ανταγωνιστές — θα μπορούσαν να σώσουν τους πελάτες μας πάνω από 100 εκατομμύρια δολάρια. Αυτή είναι μια ακραία κατάσταση, αλλά η γρανυλαρή μας προσέγγιση σημαίνει ότι οι πελάτες μας βγάζουν κέρδος όλο το χρόνο, ακόμη και χωρίς ακραίες μεταβλητές.

Για παράδειγμα, υποστηρίζουμε έναν προμηθευτή στην Ευρώπη με εμπορικούς και βιομηχανικούς πελάτες. Έχουν προσπαθήσει για χρόνια να λάβουν προληπτικές ειδοποιήσεις όταν οι πελάτες τους θα λάβουν ενέργειες — όταν θα αυξήσουν ή μειώσουν την κατανάλωση ενέργειας τους — αλλά δεν έχουν BEEN επιτυχημένοι. Μπορούμε να προβλέψουμε για αυτούς σε διαστήματα 15 λεπτών για κάθε einen εμπορικό και βιομηχανικό πελάτη, επιτρέποντας τους να προβλέψουν αλλαγές φορτίου και να λάβουν έξυπνες αποφάσεις αγοράς σε πολύ γρανυλαρό επίπεδο — και αυτό σημαίνει ότι μπορούν να σώσουν σημαντικά χρήματα.

Τι είναι το μέλλον της επιστήμης δεδομένων και της μηχανικής μάθησης σε αυτόν τον τομέα;

Όπως ανέφερα, αντιμετωπίζουμε πολύ μεγάλες βάσεις δεδομένων. Όσο περισσότερα δεδομένα έχουμε και πιο γρανυλαρές βάσεις δεδομένων, θα μπορούμε να εξαγάγουμε και να συναγάγουμε περισσότερες πληροφορίες — και καθώς η ισχύς των υπολογιστών αυξάνεται, θα μπορούμε να επεξεργαστούμε αυτά τα δεδομένα πιο γρήγορα για να παραθέσουμε ισχυρές ενημερώσεις. Οι μαθηματικές αρχές δεν αλλάζουν, αλλά η αυξανόμενη μας ικανότητα να εφαρμόζουμε σύνθετο μαθηματικό σε κλίμακα θα κάνει αυτές τις ικανότητες ολοένα και πιο αποτελεσματικές, επηρεαστικές και οικονομικές τα επόμενα χρόνια. Τελικά, αυτό θα υποστηρίξει την οδήγηση προς ένα αποκαρβονισμένο δίκτυο.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Innowatts.