Trouver de véritables partenariats : Comment les entreprises de services publics évaluent les fournisseurs d’intelligence artificielle

Le monde de l’énergie subit un changement massif, repensant les systèmes conçus il y a plus d’un siècle pour laisser place à l’essor de technologies plus intelligentes et plus propres. C’est une période excitante – virtuellement toutes les industries s’électrifient d’une manière ou d’une autre, les véhicules électriques (VE) gagnent du terrain sur le marché, et il y a une transition active pour soutenir les ressources énergétiques distribuées (DER), des “petites ressources énergétiques” généralement situées à proximité des sites d’utilisation de l’électricité, comme les panneaux solaires sur les toits et le stockage de batteries. Ce dernier est un gros problème, et comme le souligne l’Association internationale de l’énergie (IEA), l’expansion rapide des DER va “transformer non seulement la façon dont l’électricité est générée, mais aussi la façon dont elle est commercialisée, livrée et consommée” à l’avenir.

Pour un observateur, tout ce changement est positif, durable et attendu depuis longtemps. Mais en pratique, l’accélération rapide de l’énergie renouvelable et de l’électrification crée une pression supplémentaire et tend les limites de notre réseau. Avec la pression exercée par les énergies renouvelables, les systèmes électriques du monde entier sont également confrontés à des défis critiques liés aux événements météorologiques extrêmes dus au changement climatique en cours – sécheresses en Europe, vagues de chaleur en Inde, tempêtes hivernales sévères aux États-Unis – tous entraînant une augmentation exponentielle des coûts d’inspection, de maintenance et de réparation. Les dirigeants du secteur des services publics se concentrent désormais sur l’augmentation de la modernisation, de la fiabilité et de la résilience du réseau.

Prenez une photo, cela durera plus longtemps

Pour les entreprises de services publics, leurs équipements sont souvent leur actif le plus important et nécessitent une maintenance constante et méticuleuse. La réalisation de cette maintenance dépend d’un flux constant de données (généralement sous forme d’images) que les services publics peuvent analyser pour détecter les anomalies opérationnelles. La collecte de ces données est effectuée de diverses manières, des drones et des avions à voilure fixe aux équipes de maintenance qui se déplacent physiquement sur le site. Et avec de nouvelles technologies comme les UAV/drones et les caméras d’hélicoptère à haute résolution, la quantité de données a augmenté de manière astronomique. Nous savons, à partir de nos conversations avec de nombreuses entreprises de services publics, que les services publics collectent désormais 5 à 10 fois plus de données qu’ils ne l’ont fait ces dernières années.

Toutes ces données rendent le cycle de travail des inspections déjà lent encore plus lent. En moyenne, les services publics consacrent l’équivalent de 6 à 8 mois de temps de travail par an à l’analyse des données d’inspection. (Fourni par un client de service public de la côte ouest qui collecte 10 millions d’images par an) Une grande raison de cet excédent est que cette analyse est encore largement effectuée manuellement, et lorsqu’une entreprise capte des millions d’images d’inspection chaque année, le processus devient complètement non évolutif. L’analyse des anomalies est si fastidieuse que la plupart des données sont obsolètes au moment où elles sont réellement examinées, ce qui entraîne des informations inexactes dans le meilleur des cas et des inspections répétées ou des conditions dangereuses dans le pire des cas. C’est un gros problème, avec des risques élevés. Les analystes estiment que le secteur de l’énergie perd 170 milliards de dollars chaque année en raison de défaillances du réseau, de fermetures forcées et de catastrophes.

Construire le service public de l’avenir avec des inspections d’infrastructure alimentées par l’IA

Rendre notre réseau plus fiable et plus résilient nécessitera deux choses – de l’argent et du temps. Heureusement, c’est là que la nouvelle technologie et l’innovation peuvent aider à rationaliser le processus d’inspection. L’impact de l’intelligence artificielle (IA) et de l’apprentissage automatique (ML) sur le secteur des services publics ne peut pas être surestimé. L’IA/ML est parfaitement à sa place dans cet environnement riche en données, et à mesure que le volume de données augmente, la capacité de l’IA à traduire des montagnes d’informations en insights significatifs s’améliore. Selon Utility Dive, il y a “déjà un large accord dans l’industrie sur le fait que [l’IA/ML] a le potentiel pour identifier les équipements à risque de défaillance d’une manière beaucoup plus rapide et plus sûre que la méthode actuelle” qui repose sur des inspections manuelles.

Alors que la promesse de cette technologie est indiscutable, la construction de son propre programme d’IA/ML personnalisé en interne est un processus lent et laborieux, parsemé de complications et d’obstacles. Ces défis ont conduit de nombreuses entreprises de services publics à rechercher un soutien supplémentaire auprès de consultants et de fournisseurs externes.

3 choses à considérer lors de l’évaluation d’un partenaire potentiel d’IA/ML

Lorsque vous recherchez un partenaire d’IA/ML, les actes comptent plus que les paroles. Il y a beaucoup de sociétés astucieuses qui pourraient promettre la lune, mais les dirigeants des services publics devraient se concentrer sur plusieurs métriques importantes pour évaluer avec précision l’impact. Parmi les plus importantes, il y a la façon dont le fournisseur décrit/livre :

La croissance du modèle au fil du temps – La construction de jeux de données variés (des données qui ont beaucoup d’anomalies à analyser) prend beaucoup de temps (souvent plusieurs années) et certains types d’anomalies ne se produisent pas avec une fréquence suffisamment élevée pour former un modèle d’IA réussi. Par exemple, la formation d’un algorithme pour détecter des choses comme la pourriture, les trous de pic, ou les clapets rouillés peut être difficile si elles ne se produisent pas souvent dans votre région. Assurez-vous donc de demander au fournisseur d’IA/ML non seulement la quantité de ses jeux de données, mais également leur qualité et leur variété.

Vitesse – Le temps, c’est de l’argent, et tout fournisseur d’IA/ML réputé devrait être en mesure de montrer clairement comment son offre accélère le processus d’inspection. Par exemple, Buzz Solutions a collaboré avec la New York Power Authority (NYPA) pour livrer une plate-forme basée sur l’IA conçue pour réduire considérablement le temps nécessaire aux inspections et à l’analyse. Le résultat était un programme qui pouvait analyser les images d’actifs en quelques heures ou jours, au lieu des mois qu’il avait fallu auparavant. Cette économie de temps a permis aux groupes de maintenance de la NYPA de donner la priorité aux réparations et de réduire le risque de défaillance.

Qualité/Précision – En l’absence de données réelles pour les programmes d’IA/ML, les entreprises complètent parfois les données synthétiques (c’est-à-dire les données qui ont été créées artificiellement par des algorithmes informatiques) pour combler les lacunes. C’est une pratique courante, et les analystes prévoient que 60 % de toutes les données utilisées dans le développement de l’IA seront synthétiques (plutôt que réelles) d’ici 2024. Mais alors que les données synthétiques sont bonnes pour les scénarios théoriques, elles ne fonctionnent pas bien dans les environnements du monde réel où vous avez besoin de données du monde réel (et d’interventions humaines dans la boucle) pour auto-correction. Demandez au fournisseur son mélange de données réelles et synthétiques pour vous assurer que la répartition a du sens.

Et n’oubliez pas, le travail ne s’arrête pas une fois que vous avez sélectionné votre partenaire. Une nouvelle idée de Gartner consiste à organiser régulièrement des événements “AI Bake-Off” – décrits comme des “séances rapides et informatives qui vous permettent de voir les fournisseurs côte à côte en utilisant des démonstrations scriptées et un jeu de données commun dans un environnement contrôlé” pour évaluer les forces et les faiblesses de chacun. Ce processus établit des métriques claires qui sont directement liées à l’évolutivité et à la fiabilité des algorithmes d’IA/ML qui s’alignent ensuite sur les objectifs commerciaux des services publics.

Alimenter l’avenir de l’industrie des services publics

Des intégrations de flux de travail plus efficaces à la détection d’anomalies par l’IA sophistiquée, l’industrie des services publics est sur un chemin beaucoup plus lumineux qu’il y a même quelques années. Cependant, cette innovation devra continuer, en particulier à mesure que les mandats d’inspection de T&D devraient doubler d’ici 2030 et que le gouvernement a annoncé la maintenance et la défense des infrastructures énergétiques comme des priorités de sécurité nationale de premier plan.

Il y a encore du travail à faire, mais un jour, nous regarderons cette période comme un moment charnière, un moment où les dirigeants de l’industrie ont pris les devants pour investir dans l’avenir de notre réseau énergétique et amener les services publics à l’ère moderne.