डेव बाउंडी इन्नोवाट्स के सीटीओ हैं – इंटरव्यू श्रृंखला

डेव बाउंडी इन्नोवाट्स में सीटीओ हैं, जो एआई डेटा विश्लेषण में एक नेता है। सास प्लेटफ़ॉर्म कंपनियों को उनके ग्राहकों और दरों के भुगतानकर्ताओं के साथ अधिक पूर्वानुमानी, सक्रिय और जुड़े होने के लिए आवश्यक डेटा प्रदान करता है, जिससे उन्हें जोखिम को बेहतर ढंग से प्रबंधित करने, लाभप्रदता में सुधार करने, ग्रिड विश्वसनीयता बनाए रखने और स्थिरता रुझानों की भविष्यवाणी करने में मदद मिलती है।

डेविड के पास 20 से अधिक वर्षों का आईओटी और ऊर्जा उद्योग का अनुभव है। उनका करियर उद्यम आईटी, उत्पाद विकास, अनुसंधान और नवाचार और नए व्यवसाय शुरू करने से लेकर है। अपनी वर्तमान भूमिका से पहले, उन्होंने इंटेल के वैश्विक ऊर्जा समाधान व्यवसाय की स्थापना और नेतृत्व किया, जो दुनिया भर के ग्राहकों को मशीन लर्निंग और कृत्रिम बुद्धिमत्ता समाधान प्रदान करता है। डेविड के पास कई पेटेंट हैं और वे कई सलाहकार बोर्डों में बैठते हैं।

क्या आप बता सकते हैं कि इन्नोवाट्स क्या है?

इन्नोवाट्स एक नई ऊर्जा कंपनी है जो अपने ग्राहकों के लिए ग्रॉस मार्जिन में सुधार करने और नवीकरणीय ऊर्जा को बढ़ावा देने पर केंद्रित है। हम बड़ी मात्रा में डेटा का विश्लेषण करके क्रियाशील अंतर्दृष्टि प्राप्त करते हैं। जबकि हम एक बी2बी कंपनी हैं, हम अपने ग्राहकों के माध्यम से उनके अंतिम उपयोगकर्ताओं को बी2बी और बी2सी सेवाएं प्रदान करते हैं। हम घर या व्यवसाय से मीटर-स्तर के डेटा को नेटवर्क में या अन्य डेटा सेटों के साथ जोड़ते हैं, जिनमें सामाजिक-आर्थिक डेटा, सीआरएम डेटा और जोखिम प्रबंधन डेटा शामिल हैं।

हमारे एआई-आधारित विश्लेषण इंजन उपभोक्ता-स्तर की भविष्यवाणी से लेकर वर्तमान और भविष्य की ऊर्जा उपयोग को विभाजित करने तक की अंतर्दृष्टि प्रदान करता है। इसके माध्यम से, हम किसी भी उपभोक्ता के लिए उपयुक्त उत्पादों की पहचान कर सकते हैं। हम खुदरा ग्राहकों को उनके ग्रॉस मार्जिन को अधिकतम करने के लिए ऑप्टिमल टैरिफ मॉडल की पहचान जैसी सेवाएं भी प्रदान करते हैं।

अंत में, हम नेटवर्क ऑपरेटरों और उपयोगिताओं को भविष्य की योजना बनाने में मदद करते हैं। यह आवश्यक है कि वे समझें कि परिवर्तन कहां हो रहे हैं ताकि वे संपत्ति को अनुकूलित कर सकें और उपभोक्ताओं के लिए कीमतें कम कर सकें।

इन्नोवाट्स में किस प्रकार की मशीन लर्निंग प्रौद्योगिकियों का उपयोग किया जाता है?

मूल रूप से, हम मशीनों को मानव तरीके से सोचने में मदद कर रहे हैं, जबकि उन्हें बड़े डेटासेट को संभालने और स्केल करने की अनुमति भी दे रहे हैं। हमारे पास 43 मिलियन से अधिक मीटर प्रबंधन में हैं, और हम प्रति घंटे अरबों डेटा बिंदुओं को कई भौगोलिक और ग्राहकों के साथ संभालते हैं। पर्यवेक्षित स्थान में, हम रेखीय प्रतिगमन, निर्णय पेड़ आदि जैसे विभिन्न मॉडलों का उपयोग करते हैं; अनपर्यवेक्षित स्थान में, उदाहरणों में एन्सेम्बल मॉडल, न्यूरल नेटवर्क और रैंडम फ़ॉरेस्ट शामिल हैं।

विभिन्न मॉडलों का उपयोग करना हमारे उत्पाद की ताकत का केंद्र है – हम किसी भी ग्राहक के लिए किसी भी दिए गए स्थिति में सही मॉडल की पहचान कर सकते हैं। हम वास्तव में इसे मीटर स्तर तक कम कर सकते हैं। यही हमें इस स्थान में एक नेता के रूप में स्थापित करता है।

ऊर्जा खुदरा विक्रेताओं के लिए ऊर्जा निगरानी क्यों महत्वपूर्ण है?

एक ग्राहक को प्राप्त करने की लागत अक्सर एक वर्ष में उस ग्राहक से एक खुदरा विक्रेता द्वारा अर्जित मार्जिन के दो से तीन गुना होती है। इसका मतलब है कि ग्राहक अधिग्रहण लागत को पुनः प्राप्त करने में दो से तीन साल लगते हैं, इसलिए प्रत्येक ग्राहक को बनाए रखना बहुत महत्वपूर्ण है।

हम खुदरा विक्रेताओं को यह हासिल करने में मदद करते हैं कि हम उन्हें भिन्नता प्रदान करते हैं। हम उन्हें पूर्वानुमान और समय-उपयोग टैरिफ को परिभाषित और विकसित करने की क्षमता प्रदान करते हैं ताकि वे अपने उत्पाद को अपने ग्राहकों के अनुसार तैयार कर सकें। हम जोखिम प्रबंधन और मूल्य निर्धारण प्लेटफ़ॉर्म भी प्रदान करते हैं, साथ ही साथ विशिष्ट क्षेत्रों में सर्वोत्तम उपभोक्ताओं की पहचान करने की क्षमता भी प्रदान करते हैं। हम यह भी पहचान सकते हैं कि कौन से ग्राहक विशिष्ट उत्पादों के लिए सबसे उपयुक्त हैं। यह सभी एक अधिक प्रेरक और लागत प्रभावी सेवा के लिए जोड़ती है, जो दोनों अधिग्रहण और प्रतिधारण प्रयासों को बढ़ाती है।

ऊर्जा खपत का अध्ययन करने से कुछ प्रमुख अंतर्दृष्टि क्या हासिल की जा सकती हैं?

कल्पना करें कि आपने हाल ही में एक इलेक्ट्रिक वाहन खरीदा है। हमारे मॉडल इसका पता लगा सकते हैं, जिससे आपके बिजली प्रदाता को स्वचालित रूप से हमारे अनुकूलित संचार और लक्षित सेवाएं भेजने की अनुमति मिलती है जो आपके नए ईवी मालिक की स्थिति के लिए लागू होती हैं – शायद एक अलग टैरिफ, एक नया बीमा उत्पाद, या एक सेवा उत्पाद।

इसी तरह, हम आपको आपकी ऊर्जा खपत के आधार पर, अगले 30 दिनों में आपकी खपत को सामान्य से बहुत अधिक होने की भविष्यवाणी कर सकते हैं और फिर आपके साथ मिलकर अग्रिम कार्रवाई करने के लिए काम कर सकते हैं ताकि बिल शॉक से बचा जा सके। ये कुछ उदाहरण हैं जो हम वितरित कर सकते हैं।

हमारी पूर्वानुमान क्षमताएं भी बहुत शक्तिशाली हैं। टेक्सास में हाल की घटनाओं ने पूर्वानुमान को बहुत मुश्किल बना दिया, क्योंकि यह एक पूरी तरह से नए सenario था। लेकिन हमारे पूर्वानुमान हमारे प्रतिस्पर्धियों की तुलना में 20% से 40% अधिक सटीक थे, इसलिए हमारे ग्राहक व्यवधान के लिए बहुत बेहतर तैयार थे। हमारे पूर्वानुमान का उपयोग करके अपनी हेजिंग रणनीति के हिस्से के रूप में, वे ऊर्जा की कीमतों में $9,000 प्रति मेगावाट घंटे तक की वृद्धि के बावजूद बहुत बेहतर स्थिति में थे। उनके लिए बचत महत्वपूर्ण रही है। यह तथ्य कि हमारे मॉडल तेजी से बदलते परिदृश्यों में अनुकूलन करते हैं, यह भी हमारे ग्राहकों को अत्यधिक अस्थिर स्थितियों में भी प्रभावी ढंग से बोली लगाने और भविष्यवाणी करने में सक्षम बनाता है, यहां तक कि रोलिंग ब्लैकआउट के बीच में।

यह स्तर की ऊर्जा डेटा की निगरानी और व्याख्या बढ़ती महत्वपूर्णता है। कई खुदरा विक्रेता व्यवसाय से बाहर हो जाएंगे, और बड़े खुदरा विक्रेता अपनी आवश्यकताओं को बाजार में एक वर्ष, शायद अधिक समय तक हेज करेंगे। उनकी रणनीति और जोखिम प्रोफ़ाइल के आधार पर, वे पिछले सप्ताह में आवश्यक ऊर्जा का 50% हासिल करने का प्रयास करेंगे। उन्होंने जोखिम प्रोफ़ाइल और ऊर्जा मूल्य बढ़ने के साथ और अधिक हेज करने का प्रयास किया होगा, लेकिन अंततः वे वास्तविक समय बाजार में शक्ति खरीदने का प्रयास कर रहे थे। उन्हें पिछले वर्ष के लिए औसत मूल्य पर खरीदने का प्रयास करना पड़ा, जो लगभग $25 प्रति मेगावाट घंटा था। अब बाजार में जाने पर, वे $9,000 प्रति मेगावाट घंटे पर खरीदने का प्रयास कर रहे थे। इसलिए, खुदरा विक्रेता के लिए लागत बहुत बड़ी है, यह उनके वर्ष के लाभ एक दोपहर में चले गए हैं।

इस जानकारी का उपयोग हरित ऊर्जा के लिए उपयोग को प्रभावित करने के लिए कैसे किया जा सकता है?

ऐतिहासिक रूप से, ग्रिड मांग से नेतृत्व वाला रहा है – जब मांग बढ़ी, तो ऑपरेटरों ने अधिक बिजली संयंत्र बनाए, अधिक केबल लगाए, और अधिक ईंधन जलाया। हम अब एक संक्रमणकालीन चरण में हैं जहां हम आपूर्ति से नेतृत्व वाले ग्रिड में जा रहे हैं। जैसा कि हम नवीकरणीय ऊर्जा में जा रहे हैं, हमें आपूर्ति पक्ष को प्रबंधित करने में सक्षम होने की आवश्यकता है। नए दुनिया में, आपूर्ति तब आती है जब हवा चलती है या सूरज चमकता है। हम परिवहन और गर्मी के विद्युतीकरण से मांग में भी बड़ी वृद्धि देखेंगे।

हम अपने ग्राहकों के लिए उपभोक्ताओं के ऊर्जा उपयोग का विश्लेषण करते हैं। हम “बेस लोड” के रूप में जाने जाने वाले उनके लोड की मात्रा को देखना शुरू करते हैं। कुछ चीजें हैं जो उन्हें कम करने के लिए प्रोत्साहित करने के लिए की जा सकती हैं, लेकिन बड़े पैमाने पर यह निश्चित है। हम उन लोगों की पहचान कर सकते हैं जो मौसम की स्थिति के प्रति संवेदनशील हैं, हम घरों की पहचान कर सकते हैं जिन्हें थर्मल हस्तक्षेप की आवश्यकता है – बेहतर इन्सुलेशन या एक थर्मोस्टेट लगाना।

लेकिन हम समय-संवेदनशील लोड की भी पहचान कर सकते हैं, जो व्यवहार का संकेतक है। बिना बहुत अधिक आक्रामक हुए, हम घर-आधारित व्यवहार देख सकते हैं। उदाहरण के लिए, आप एक ग्राहक को सलाह दे सकते हैं कि वे अपने घर को गर्म या ठंडा करने के लिए एक अलग समय पर विचार करना चाह सकते हैं ताकि यह अधिक आरामदायक, पैसे बचाने वाला या हरित ऊर्जा का उपयोग करने वाला हो।

हम प्रो-एक्टिव, मांग-साइड प्रबंधन रणनीतियों का उपयोग करके उपभोक्ताओं के अनुभव को नकारात्मक रूप से प्रभावित किए बिना नवीकरणीय ऊर्जा की उपलब्धता के साथ खपत को संरेखित कर सकते हैं। उदाहरण के लिए, आप अपने वाहन को 7 बजे प्लग इन करते हैं और 7 बजे इसे अनप्लग करते हैं। हम चार्ज पॉइंट्स को मांग-साइड प्रबंधन संकेत भेज सकते हैं ताकि यह निर्धारित किया जा सके कि आपका वाहन वास्तव में कब चार्ज होता है, ताकि नवीकरणीय ऊर्जा का उपयोग अनुकूलित किया जा सके।

2020 में, इन्नोवाट्स ने घोषणा की कि उन्होंने एक स्वतंत्र परीक्षण में अधिकांश मापदंडों पर पांच अन्य ऊर्जा पूर्वानुमानकर्ताओं को पीछे छोड़ दिया था। इतनी उच्च स्तर की सटीकता के साथ पूर्वानुमान लगाना कितना मूल्यवान है?

टेक्सास में स्थिति ने असटीक पूर्वानुमान की लागत दिखाई। यदि एक खुदरा विक्रेता एक संभावित आधा अरब डॉलर के नुकसान को देख रहा है, तो हमारे पूर्वानुमान – जो प्रतिस्पर्धा की तुलना में 20% से 40% अधिक सटीक हैं – उन्हें संरक्षित रूप से 100 मिलियन डॉलर से अधिक बचा सकते हैं। यह एक चरम स्थिति है, लेकिन हमारा विस्तृत दृष्टिकोण यह सुनिश्चित करता है कि ग्राहकों को वर्ष भर में आगे निकलने में मदद मिलती है, यहां तक कि चरम अस्थिरता के बिना भी।

उदाहरण के लिए, हम एक प्रदाता को यूरोप में व्यावसायिक और औद्योगिक ग्राहकों के साथ समर्थन कर रहे हैं। उन्होंने वर्षों से अपने ग्राहकों द्वारा की जाने वाली कार्रवाइयों की अग्रिम सूचना प्राप्त करने का प्रयास किया है – जब वे अपनी शक्ति बढ़ाने या घटाने जा रहे हैं – लेकिन वे सफल नहीं हुए हैं। हम उनके लिए 15 मिनट के अंतराल पर प्रत्येक व्यावसायिक और औद्योगिक ग्राहक के लिए पूर्वानुमान लगा सकते हैं, जिससे उन्हें भार परिवर्तन की भविष्यवाणी करने और उच्च स्तर पर स्मार्ट खरीदारी निर्णय लेने में सक्षम बनाता है – और इसका मतलब है कि वे महत्वपूर्ण पैसे बचा सकते हैं।

इस क्षेत्र में डेटा विज्ञान और मशीन लर्निंग का भविष्य क्या है?

जैसा कि मैंने उल्लेख किया है, हम बहुत बड़े डेटासेट से निपट रहे हैं। जैसा कि हम अधिक डेटा प्राप्त करते हैं और अधिक विस्तृत डेटा, हम अधिक जानकारी का अनुमान लगा सकते हैं – और जैसा कि कंप्यूटर शक्ति बढ़ती है, हम उस डेटा को तेजी से संसाधित करने में सक्षम होंगे ताकि शक्तिशाली अंतर्दृष्टि प्रदान की जा सके। गणितीय सिद्धांत नहीं बदलते हैं, लेकिन हमारी जटिल गणित को बड़े पैमाने पर लागू करने की बढ़ती क्षमता इन क्षमताओं को और अधिक प्रभावी, प्रभावशाली और सस्ती बना देगी। अंततः यह एक विकेंद्रीकृत ग्रिड की ओर बढ़ने का समर्थन करेगा।

साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें इन्नोवाट्स पर जाना चाहिए।