वास्तविक साझेदारी की खोज: कैसे उपयोगिता कंपनियां आर्टिफ़िशियल इंटेलिजेंस विक्रेताओं का मूल्यांकन कर रही हैं

ऊर्जा दुनिया में बड़े पैमाने पर बदलाव हो रहा है, जिसमें एक सदी से अधिक समय से डिज़ाइन किए गए सिस्टम को स्मार्ट, स्वच्छ प्रौद्योगिकियों के उदय के लिए जगह बनाने के लिए पुनः सोचा जा रहा है। यह एक रोमांचक समय है – लगभग हर उद्योग किसी न किसी तरह से विद्युतीकरण कर रहा है, इलेक्ट्रिक वाहन (ईवी) बाजार में अपनी पकड़ बना रहे हैं, और वितरित ऊर्जा संसाधनों (डीईआरएस) का समर्थन करने के लिए सक्रिय रूप से संक्रमण हो रहा है, जो आमतौर पर बिजली के उपयोग स्थलों के पास स्थित “छोटे पैमाने के ऊर्जा संसाधन” होते हैं, जैसे कि छत पर सौर पैनल और बैटरी भंडारण। यह आखिरी एक बड़ी बात है, और जैसा कि अंतर्राष्ट्रीय ऊर्जा संघ (आईईए) बताता है, डीईआरएस का तेजी से विस्तार “न केवल बिजली के उत्पादन को बदल देगा, बल्कि यह भी कि यह कैसे व्यापार किया जाता है, वितरित किया जाता है और उपभोग किया जाता है” आगे बढ़ रहा है।

एक दर्शक के लिए, यह सभी परिवर्तन सकारात्मक, टिकाऊ और लंबे समय से अतिदेय हैं। लेकिन व्यावहारिक रूप से, अक्षय ऊर्जा और विद्युतीकरण का तेजी से त्वरण हमारे ग्रिड पर अतिरिक्त तनाव और सीमा को बढ़ा रहा है। अक्षय ऊर्जा से दबाव के साथ, दुनिया की बिजली प्रणालियों का सामना जलवायु परिवर्तन से संबंधित चरम मौसम की घटनाओं से महत्वपूर्ण चुनौतियों का सामना करना पड़ रहा है – यूरोप में सूखा, भारत में गर्मी की लहरें, अमेरिका में गंभीर शीतकालीन तूफान – सभी निरीक्षण, रखरखाव और मरम्मत की लागत में एक्सपोनेंशियल वृद्धि का कारण बनते हैं। उपयोगिता क्षेत्र के नेता अब ग्रिड आधुनिकीकरण, विश्वसनीयता और लचीलापन बढ़ाने पर लेजर-केंद्रित हैं।

एक तस्वीर लें, यह लंबे समय तक चलेगा

उपयोगिता कंपनियों के लिए, उनके उपकरण अक्सर उनकी सबसे महत्वपूर्ण संपत्ति होते हैं और निरंतर, मeticulous रखरखाव की आवश्यकता होती है। इस रखरखाव को करने के लिए डेटा (आमतौर पर छवियों के रूप में) की एक स्थिर धारा पर निर्भर करता है जिसे उपयोगिता विश्लेषण कर सकती है ताकि संचालन असामान्यताओं का पता लगाया जा सके। इस डेटा को इकट्ठा करने के कई तरीके हैं, जैसे कि ड्रोन और फिक्स्ड-विंग विमान, से लेकर लाइन कार्यकर्ता शारीरिक रूप से साइट पर चलने तक। और नए प्रौद्योगिकी जैसे कि यूएवी/ड्रोन और उच्च-रिज़ॉल्यूशन हेलीकॉप्टर कैमरे, डेटा की मात्रा में खगोलीय वृद्धि हुई है। हम जानते हैं कि हमारे कई उपयोगिता कंपनियों के साथ बातचीत से कि उपयोगिताएं अब हाल के वर्षों में इकट्ठा किए गए डेटा की मात्रा का 5-10 गुना इकट्ठा कर रही हैं।

इस डेटा के कारण पहले से ही धीमी निरीक्षण चक्र और भी धीमा हो रहा है। औसतन, उपयोगिताएं प्रति वर्ष 6-8 महीने के श्रम घंटे निरीक्षण डेटा का विश्लेषण करने में खर्च करती हैं। (पश्चिमी तट उपयोगिता ग्राहक साक्षात्कार से प्रदान किया गया, जो प्रति वर्ष 10 मिलियन छवियों का संग्रह करता है) एक बड़ा कारण यह है कि यह विश्लेषण अभी भी बड़े पैमाने पर मैनुअल रूप से किया जाता है, और जब एक कंपनी प्रति वर्ष लाखों निरीक्षण छवियों को कैप्चर करती है, तो प्रक्रिया अविश्वसनीय रूप से अस्केलेबल हो जाती है। असामान्यताओं का विश्लेषण इतना समय लेने वाला है कि अधिकांश डेटा समीक्षा किए जाने से पहले ही पुराना हो जाता है, जिससे सबसे अच्छा मामला गलत जानकारी और सबसे खराब मामले में पुनरावृत्ति निरीक्षण या खतरनाक स्थितियों का कारण बनता है। यह एक बड़ा मुद्दा है, जिसमें उच्च जोखिम हैं। विश्लेषकों का अनुमान है कि बिजली क्षेत्र प्रति वर्ष नेटवर्क विफलताओं, मजबूर बंद और बड़े आपदाओं के कारण $170 बिलियन का नुकसान होता है।

एआई-संचालित बुनियादी ढांचे की निरीक्षण के साथ भविष्य की उपयोगिता का निर्माण

हमारे ग्रिड को अधिक विश्वसनीय और लचीला बनाने के लिए दो चीजों की आवश्यकता होगी – पैसा और समय। सौभाग्य से यह वह जगह है जहां नई प्रौद्योगिकी और नवाचार निरीक्षण प्रक्रिया को सुव्यवस्थित करने में मदद कर सकते हैं। उपयोगिता क्षेत्र में कृत्रिम बुद्धिमत्ता (एआई) और मशीन लर्निंग (एमएल) का प्रभाव अतिरंजित नहीं किया जा सकता है। एआई/एमएल डेटा-समृद्ध वातावरण में सहज है, और जैसे-जैसे डेटा की मात्रा बढ़ती है, एआई की क्षमता पहाड़ों की जानकारी को अर्थपूर्ण अंतर्दृष्टि में अनुवाद करने में बेहतर होती जाती है। उपयोगिता डाइव के अनुसार, “उद्योग में पहले से ही एक व्यापक समझ है कि [एआई/एमएल] वर्तमान विधि की तुलना में बहुत तेजी से और सुरक्षित तरीके से विफलता के जोखिम वाले उपकरण की पहचान करने की क्षमता रखता है” जो मैनुअल निरीक्षण पर निर्भर करता है।

इस प्रौद्योगिकी के वादे को छोड़ दें, अपने स्वयं के अनुकूलित एआई/एमएल कार्यक्रम को इनहाउस बनाना एक धीमी, श्रमसाध्य प्रक्रिया है जिसमें जटिलताओं और बाधाओं से भरा होता है। इन चुनौतियों ने कई उपयोगिता कंपनियों को बाहरी सलाहकारों और विक्रेताओं से अतिरिक्त समर्थन की तलाश करने के लिए प्रेरित किया है।

संभावित एआई/एमएल साझेदार का मूल्यांकन करते समय 3 चीजें

एक एआई/एमएल साझेदार की तलाश में, कार्यों से अधिक शब्दों की गिनती होती है। कई महत्वपूर्ण मापदंडों पर ड्रिल करने के लिए विक्रेता को शब्दों से अधिक कार्यों की आवश्यकता होती है। इनमें से सबसे महत्वपूर्ण है कि विक्रेता कैसे वर्णन करता है/वितरित करता है:

मॉडल का विकास समय के साथ – विविध डेटासेट (डेटा जिसमें विश्लेषण के लिए बहुत सारी असामान्यताएं हैं) बनाने में महत्वपूर्ण समय लगता है (आमतौर पर कई वर्ष) और कुछ प्रकार की असामान्यताएं पर्याप्त बार नहीं होती हैं ताकि एक सफल एआई मॉडल को प्रशिक्षित किया जा सके। उदाहरण के लिए, सड़न, लकड़ी के छेद, या जंग खाए हुए डैम्पर जैसी चीजों को स्पॉट करने के लिए एक अल्गोरिदम 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 के बारे में पूछें, बल्कि उनकी गुणवत्ता और विविधता के बारे में भी पूछें।

गति – समय पैसा है, और कोई भी प्रतिष्ठित एआई/एमएल विक्रेता अपनी पेशकश को स्पष्ट रूप से दिखाने में सक्षम होना चाहिए कि यह निरीक्षण प्रक्रिया को कैसे तेज करता है। उदाहरण के लिए, बज़ समाधान ने न्यूयॉर्क पावर अथॉरिटी (एनवाईपीए) के साथ साझेदारी की ताकि एक एआई-आधारित प्लेटफ़ॉर्म विकसित किया जा सके जो निरीक्षण और विश्लेषण के लिए आवश्यक समय को काफी कम कर दे। परिणाम एक कार्यक्रम था जो कुछ घंटों या दिनों में एसेट छवियों का विश्लेषण कर सकता था, न कि पहले के महीनों में। यह समय की बचत एनवाईपीए 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 सिंथेटिक डेटा (अर्थात डेटा जो कंप्यूटर एल्गोरिदम द्वारा कृत्रिम रूप से बनाया गया है) को अंतराल को भरने के लिए पूरक करती हैं। यह एक लोकप्रिय अभ्यास है, और विश्लेषकों का अनुमान है कि 2024 तक एआई के विकास में उपयोग किए जाने वाले सभी डेटा में से 60% 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 वास्तविक दुनिया के डेटा (और मानव-इन-द-लूप हस्तक्षेप) की आवश्यकता होती है ताकि स्व-सुधार किया जा सके। विक्रेता से उनके वास्तविक बनाम सिंथेटिक डेटा के मिश्रण के बारे में पूछने पर विचार करें ताकि यह सुनिश्चित किया जा सके कि विभाजन समझ में आता है।

और याद रखें, काम तब समाप्त नहीं होता जब आप अपने साझेदार का चयन कर लेते हैं। गार्टनर से एक नया विचार नियमित “एआई बेक-ऑफ” आयोजन – “तेज़, सूचनात्मक सत्र जो आपको एक नियंत्रित सेटिंग में एक सामान्य डेटासेट और स्क्रिप्टेड डेमो का उपयोग करके विक्रेताओं को एक-दूसरे के बगल में देखने देता है” ताकि एआई/एमएल एल्गोरिदम की ताकत और कमजोरियों का मूल्यांकन किया जा सके, जो उपयोगिता व्यवसाय लक्ष्यों के साथ जुड़ते हैं।

उपयोगिता उद्योग के भविष्य को शक्ति प्रदान करना

अधिक कुशल कार्यप्रवाह एकीकरण से लेकर जटिल एआई असामान्यता का पता लगाने तक, उपयोगिता उद्योग कुछ वर्षों से अधिक उज्ज्वल मार्ग पर है। हालांकि, यह नवाचार जारी रखने की आवश्यकता होगी, खासकर जब टी एंड डी निरीक्षण मांग 2030 तक दोगुनी होने वाली है और सरकार ने ऊर्जा बुनियादी ढांचे की देखभाल और रक्षा को शीर्ष राष्ट्रीय सुरक्षा प्राथमिकताओं के रूप में घोषित किया है।

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