वास्तविक साझेदारियाँ ढूँढना: यूटिलिटी कंपनियाँ आर्टिफिशियल इंटेलिजेंस विक्रेताओं का मूल्यांकन कैसे कर रही हैं

ऊर्जा जगत बड़े पैमाने पर बदलाव के दौर से गुजर रहा है, स्मार्ट, स्वच्छ प्रौद्योगिकियों के उदय के लिए जगह बनाने के लिए एक सदी से भी अधिक समय पहले डिजाइन की गई प्रणालियों पर पुनर्विचार किया जा रहा है। यह एक रोमांचक समय है - वस्तुतः हर उद्योग किसी न किसी तरह से विद्युतीकरण कर रहा है, इलेक्ट्रिक वाहन (ईवी) बाजार में लोकप्रियता हासिल कर रहे हैं, और वितरित ऊर्जा संसाधनों (डीईआर), "छोटे पैमाने के ऊर्जा संसाधन" जो आमतौर पर साइटों के पास स्थित हैं, का समर्थन करने के लिए एक सक्रिय परिवर्तन हो रहा है। बिजली का उपयोग, जैसे छत पर सौर पैनल और बैटरी भंडारण। वह आखिरी वाला एक बड़ी बात है, और जैसा कि अंतर्राष्ट्रीय ऊर्जा संघ (आईईए) बताते हैं, डीईआर का तेजी से विस्तार "न केवल बिजली पैदा करने के तरीके को बदल देगा, बल्कि इसके व्यापार, वितरण और उपभोग के तरीके को भी बदल देगा"।

एक पर्यवेक्षक के लिए, यह सारा परिवर्तन सकारात्मक, टिकाऊ और लंबे समय से प्रतीक्षित है। लेकिन व्यावहारिक रूप से कहें तो, नवीकरणीय ऊर्जा और विद्युतीकरण की तीव्र गति अतिरिक्त तनाव पैदा कर रही है और हमारे ग्रिड की सीमाओं पर दबाव डाल रही है। नवीकरणीय ऊर्जा के दबाव के साथ-साथ, दुनिया की बिजली प्रणालियों को चल रहे जलवायु परिवर्तन से संबंधित चरम मौसम की घटनाओं से भी गंभीर चुनौतियों का सामना करना पड़ता है - यूरोप में सूखा, भारत में गर्मी की लहरें, अमेरिका में गंभीर शीतकालीन तूफान - इन सभी के परिणामस्वरूप निरीक्षण, रखरखाव में तेजी से वृद्धि हुई है , और मरम्मत की लागत। उपयोगिता क्षेत्र के नेता अब ग्रिड आधुनिकीकरण, विश्वसनीयता और लचीलापन बढ़ाने पर केंद्रित हैं।

एक तस्वीर लें, यह लंबे समय तक चलेगी

उपयोगिता कंपनियों के लिए, उनके उपकरण अक्सर उनकी सबसे महत्वपूर्ण संपत्ति होते हैं और उन्हें निरंतर, सावधानीपूर्वक रखरखाव की आवश्यकता होती है। इस रखरखाव को निष्पादित करना डेटा की एक स्थिर धारा (आमतौर पर छवियों के रूप में) पर निर्भर करता है जिसका विश्लेषण उपयोगिताएँ परिचालन संबंधी विसंगतियों का पता लगाने के लिए कर सकती हैं। उस डेटा को इकट्ठा करना कई तरीकों से किया जाता है, ड्रोन और फिक्स्ड-विंग विमान से लेकर साइट पर शारीरिक रूप से चलने वाले लाइन श्रमिकों तक। और यूएवी/ड्रोन और उच्च-रिज़ॉल्यूशन वाले हेलीकॉप्टर कैमरों जैसी नई तकनीक के साथ, डेटा की विशाल मात्रा में खगोलीय वृद्धि हुई है। हम कई उपयोगिता कंपनियों के साथ अपनी बातचीत से जानते हैं कि उपयोगिताएँ अब हाल के वर्षों में एकत्र किए गए डेटा की तुलना में 5-10 गुना अधिक डेटा एकत्र कर रही हैं।

यह सारा डेटा निरीक्षण के पहले से ही धीमे कार्य चक्र को और भी धीमा बना रहा है। औसतन, उपयोगिताएँ निरीक्षण डेटा का विश्लेषण करने में प्रति वर्ष 6-8 महीने के श्रम घंटों के बराबर खर्च करती हैं। (प्रति वर्ष 10M छवियों को एकत्रित करने वाली उपयोगिता से वेस्ट कोस्ट यूटिलिटी ग्राहक साक्षात्कार द्वारा प्रदान किया गया) इस बहुतायत का एक बड़ा कारण यह है कि यह विश्लेषण अभी भी बड़े पैमाने पर मैन्युअल रूप से किया जाता है, और जब कोई कंपनी हर साल लाखों निरीक्षण छवियों को कैप्चर करती है, तो प्रक्रिया बेतहाशा अस्थिर हो जाती है। विसंगतियों का विश्लेषण करने में वास्तव में इतना समय लगता है कि जब तक इसकी समीक्षा की जाती है, तब तक अधिकांश डेटा पुराना हो चुका होता है, जिसके परिणामस्वरूप सबसे अच्छी स्थिति में गलत जानकारी होती है और सबसे बुरी स्थिति में बार-बार निरीक्षण या खतरनाक स्थितियाँ होती हैं। यह एक बड़ा मुद्दा है, जिसमें जोखिम भी अधिक है। विश्लेषकों का अनुमान है नेटवर्क विफलताओं, जबरन शटडाउन और बड़े पैमाने पर आपदाओं के कारण बिजली क्षेत्र को हर साल 170 अरब डॉलर का नुकसान होता है।

एआई-पावर्ड इंफ्रास्ट्रक्चर निरीक्षण के साथ भविष्य की उपयोगिता का निर्माण

हमारे ग्रिड को अधिक विश्वसनीय और लचीला बनाने में दो चीजें लगेंगी - पैसा और समय। शुक्र है कि यह वह जगह है जहां नई तकनीक और नवाचार निरीक्षण प्रक्रिया को सुव्यवस्थित करने में मदद कर सकते हैं। उपयोगिता क्षेत्र पर कृत्रिम बुद्धिमत्ता (एआई) और मशीन लर्निंग (एमएल) के प्रभाव को बढ़ा-चढ़ाकर नहीं बताया जा सकता है। इस डेटा-समृद्ध वातावरण में एआई/एमएल घर पर ही है, और जैसे-जैसे डेटा की मात्रा बड़ी होती जाती है, सूचनाओं के ढेर को सार्थक अंतर्दृष्टि में अनुवाद करने की एआई की क्षमता बेहतर होती जाती है। यूटिलिटी डाइव के अनुसार, "उद्योग में पहले से ही एक व्यापक सहमति है कि [एआई/एमएल] में विफलता के जोखिम वाले उपकरणों की पहचान करने की क्षमता है जो मौजूदा पद्धति की तुलना में बहुत तेज़ और सुरक्षित है" जो मैन्युअल निरीक्षण पर निर्भर करती है।

हालांकि इस तकनीक का वादा निर्विवाद है, अपने स्वयं के अनुकूलित एआई/एमएल प्रोग्राम को इन-हाउस बनाना एक धीमी, श्रम-गहन प्रक्रिया है जो जटिलताओं और बाधाओं से भरी है। इन चुनौतियों के कारण कई उपयोगिता कंपनियों को बाहरी सलाहकारों और विक्रेताओं से अतिरिक्त सहायता लेनी पड़ी है।

संभावित एआई/एमएल पार्टनर का मूल्यांकन करते समय विचार करने योग्य 3 बातें

एआई/एमएल पार्टनर की तलाश करते समय शब्दों से ज्यादा कार्रवाई मायने रखती है। वहाँ बहुत सारी चालाक कंपनियाँ हैं जो चाँद का वादा कर सकती हैं, लेकिन उपयोगिता नेताओं को प्रभाव का सटीक मूल्यांकन करने के लिए कई महत्वपूर्ण मैट्रिक्स पर ध्यान देना चाहिए। सबसे महत्वपूर्ण बात यह है कि विक्रेता किस प्रकार वर्णन/वितरण करता है:

समय के साथ मॉडल का विकास - विभिन्न डेटासेट (डेटा जिसमें विश्लेषण करने के लिए बहुत सारी विसंगतियां होती हैं) बनाने में काफी समय लगता है (अक्सर कई साल) और एक सफल एआई मॉडल को प्रशिक्षित करने के लिए कुछ प्रकार की विसंगतियां उच्च-पर्याप्त आवृत्ति के साथ नहीं होती हैं। उदाहरण के लिए, सड़ांध, कठफोड़वा के छेद, या जंग लगे डैम्पर्स जैसी चीजों का पता लगाने के लिए एल्गोरिदम को प्रशिक्षित करना चुनौतीपूर्ण हो सकता है यदि वे आपके क्षेत्र में अक्सर नहीं होते हैं। इसलिए, एआई/एमएल विक्रेता से न केवल उनके डेटासेट की मात्रा, बल्कि उनकी गुणवत्ता और विविधता के बारे में भी पूछना सुनिश्चित करें।

गति - समय पैसा है, और किसी भी प्रतिष्ठित एआई/एमएल विक्रेता को यह स्पष्ट रूप से दिखाने में सक्षम होना चाहिए कि उनकी पेशकश निरीक्षण प्रक्रिया को कैसे गति देती है। उदाहरण के लिए, बज़ सॉल्यूशंस ने न्यूयॉर्क पावर अथॉरिटी (NYPA) के साथ भागीदारी की निरीक्षण और विश्लेषण के लिए आवश्यक समय को काफी कम करने के लिए डिज़ाइन किया गया एआई-आधारित प्लेटफ़ॉर्म प्रदान करना। परिणाम एक ऐसा कार्यक्रम था जो संपत्ति छवियों का विश्लेषण पहले लगने वाले महीनों के बजाय घंटों या दिनों में कर सकता था। इस बार की बचत ने NYPA रखरखाव समूहों को मरम्मत को प्राथमिकता देने और विफलता की संभावना को कम करने की अनुमति दी।

गुणवत्ता/सटीकता - एआई/एमएल कार्यक्रमों के लिए वास्तविक डेटा की अनुपस्थिति में, कंपनियां कभी-कभी कमियों को भरने के लिए सिंथेटिक डेटा (यानी वह डेटा जो कंप्यूटर एल्गोरिदम द्वारा कृत्रिम रूप से बनाया गया है) को पूरक करती हैं। यह एक लोकप्रिय प्रथा है, और विश्लेषकों का अनुमान है एआई के विकास में उपयोग किए जाने वाले सभी डेटा का 60% 2024 तक सिंथेटिक (वास्तविक के बजाय) होगा। लेकिन जबकि सिंथेटिक डेटा सैद्धांतिक परिदृश्यों के लिए अच्छा है, यह वास्तविक दुनिया के वातावरण में अच्छा प्रदर्शन नहीं करता है जहां आपको इसकी आवश्यकता होती है वास्तविक दुनिया डेटा (और मानव-इन-लूप हस्तक्षेप) स्वयं को सही करने के लिए। विभाजन को सार्थक बनाने के लिए विक्रेता से वास्तविक बनाम सिंथेटिक डेटा के मिश्रण के बारे में पूछने पर विचार करें।

और याद रखें, एक बार अपना साथी चुन लेने के बाद काम ख़त्म नहीं होता। गार्टनर का एक नया विचार नियमित रूप से चल रहा है"एआई बेक-ऑफघटनाओं को "तेज़ गति वाले, जानकारीपूर्ण सत्रों के रूप में वर्णित किया गया है जो आपको प्रत्येक की ताकत और कमजोरियों का मूल्यांकन करने के लिए स्क्रिप्टेड डेमो और एक नियंत्रित सेटिंग में एक सामान्य डेटासेट का उपयोग करके विक्रेताओं को एक साथ देखने देते हैं"। यह प्रक्रिया स्पष्ट मेट्रिक्स स्थापित करती है जो सीधे एआई/एमएल एल्गोरिदम की स्केलेबिलिटी और विश्वसनीयता से संबंधित होती हैं जो उपयोगिता व्यावसायिक लक्ष्यों के साथ संरेखित होती हैं।

उपयोगिता उद्योग के भविष्य को सशक्त बनाना

अधिक कुशल वर्कफ़्लो एकीकरण से लेकर परिष्कृत एआई विसंगति का पता लगाने तक, उपयोगिता उद्योग कुछ साल पहले की तुलना में कहीं अधिक उज्जवल पथ पर है। हालाँकि, इस नवाचार को जारी रखने की आवश्यकता होगी, विशेष रूप से टी एंड डी निरीक्षण अधिदेश 2030 तक दोगुना होने के लिए निर्धारित हैं सरकार ने ऊर्जा बुनियादी ढांचे के रखरखाव और रक्षा की घोषणा की सर्वोच्च राष्ट्रीय सुरक्षा प्राथमिकताओं के रूप में।

आगे और भी काम है, लेकिन एक दिन हम इस समय को एक महत्वपूर्ण अवधि के रूप में देखेंगे, एक ऐसा क्षण जब उद्योग जगत के नेताओं ने हमारे ऊर्जा ग्रिड के भविष्य में निवेश करने और आधुनिक युग में उपयोगिताओं को लाने के लिए कदम बढ़ाया।