Pronalaženje pravih partnerstava: Kako komunalna poduzeća ocjenjuju dobavljače umjetne inteligencije

Energetski svijet prolazi kroz goleme promjene, preispitujući sustave dizajnirane prije više od jednog stoljeća kako bi napravili mjesta za uspon pametnijih, čišćih tehnologija. Ovo je uzbudljivo vrijeme – gotovo svaka industrija se na neki način elektrificira, električna vozila (EV) dobivaju tržišnu privlačnost, a postoji i aktivan prijelaz na podršku distribuiranim energetskim resursima (DER), "malim izvorima energije" koji se obično nalaze u blizini lokacija upotrebe električne energije, kao što su krovni solarni paneli i skladištenje baterija. Ovo posljednje je velika stvar, i kao Međunarodno energetsko udruženje (IEA) ističe da će brzo širenje DER-ova "transformirati ne samo način na koji se električna energija proizvodi, već i način na koji se njome trguje, isporučuje i troši" napredujući.

Promatraču je sva ova promjena pozitivna, održiva i dugo je trebalo doći. No, praktično govoreći, brzo ubrzanje obnovljive energije i elektrifikacije stvara dodatni stres i napreže granice naše mreže. Uz pritisak obnovljivih izvora energije, svjetski elektroenergetski sustavi također se suočavaju s kritičnim izazovima zbog ekstremnih vremenskih događaja povezanih s tekućim klimatskim promjenama – suše u Europi, toplinski valovi u Indiji, jake zimske oluje u SAD-u – što sve rezultira eksponencijalnim porastom pregleda, održavanja , i troškove popravka. Lideri u komunalnom sektoru sada su laserski usredotočeni na povećanje modernizacije mreže, pouzdanosti i otpornosti.

Slikajte, trajat će duže

Za komunalna poduzeća njihova je oprema često najvažnija imovina i zahtijeva stalno, pažljivo održavanje. Izvođenje ovog održavanja ovisi o stalnom protoku podataka (obično u obliku slika) koje komunalne službe mogu analizirati kako bi otkrile operativne anomalije. Prikupljanje tih podataka obavlja se na mnoge načine, od bespilotnih letjelica i letjelica s fiksnim krilima do radnika koji fizički hodaju gradilištem. A s novom tehnologijom kao što su bespilotne letjelice/dronovi i helikopterske kamere visoke razlučivosti, sama količina podataka astronomski se povećala. Znamo iz naših razgovora s mnogim komunalnim poduzećima da komunalna poduzeća sada prikupljaju 5-10X više podataka nego što su prikupili posljednjih godina.

Svi ovi podaci dodatno usporavaju ionako spori ciklus rada inspekcija. U prosjeku, komunalna poduzeća troše ekvivalent od 6-8 mjeseci radnih sati godišnje analizirajući podatke inspekcije. (Osigurano putem intervjua s korisnicima komunalnog poduzeća Zapadne obale od komunalnog poduzeća koje prikuplja 10 milijuna slika godišnje) Veliki razlog za ovo prezasićenost je taj što se ova analiza još uvijek uglavnom radi ručno, a kada tvrtka snima milijune inspekcijskih slika svake godine, proces postaje krajnje neprilagodljiv. Analiza anomalija zapravo oduzima toliko vremena da je većina podataka zastarjela u trenutku kada se stvarno pregledaju, što u najboljem slučaju dovodi do netočnih informacija i ponovljenih inspekcija ili opasnih stanja u najgorem slučaju. Ovo je veliki problem, s velikim rizicima. Analitičari procjenjuju da energetski sektor svake godine gubi 170 milijardi dolara zbog kvarova na mreži, prisilnih gašenja i masovnih katastrofa.

Izgradnja korisnosti budućnosti s inspekcijama infrastrukture koje pokreće AI

Da bismo našu mrežu učinili pouzdanijom i otpornijom, trebat će dvije stvari – novac i vrijeme. Srećom, to je mjesto gdje nova tehnologija i inovacija mogu pomoći u pojednostavljenju procesa inspekcije. Utjecaj umjetne inteligencije (AI) i strojnog učenja (ML) na sektor komunalnih usluga ne može se precijeniti. AI/ML je kao kod kuće u ovom okruženju bogatom podacima, a kako količina podataka postaje sve veća, sposobnost umjetne inteligencije da prevede brda informacija u smislene uvide postaje bolja. Prema Utility Dive, već postoji "široko slaganje u industriji da [AI/ML] ima potencijal identificirati opremu kod koje postoji rizik od kvara na način koji je puno brži i sigurniji od trenutne metode" koja se oslanja na ručne preglede.

Iako je obećanje ove tehnologije neosporno, izgradnja vlastitog prilagođenog AI/ML programa unutar tvrtke je spor, radno intenzivan proces prepun komplikacija i prepreka. Ovi su izazovi naveli mnoge komunalne tvrtke da potraže dodatnu podršku od vanjskih konzultanata i dobavljača.

3 stvari koje treba uzeti u obzir pri procjeni potencijalnog AI/ML partnera

Kada tražite AI/ML partnera, djela su važnija od riječi. Postoji mnogo lukavih tvrtki koje bi mogle obećati Mjesec, ali čelnici komunalnih poduzeća trebali bi proučiti nekoliko važnih metrika kako bi točno procijenili učinak. Među najvažnijima je kako prodavač opisuje/isporučuje:

Rast modela tijekom vremena – Izrada različitih skupova podataka (podataka koji imaju puno anomalija za analizu) zahtijeva značajnu količinu vremena (često nekoliko godina), a određene vrste anomalija ne pojavljuju se s dovoljnom učestalošću za treniranje uspješnog AI modela. Na primjer, uvježbavanje algoritma za uočavanje stvari poput truleži, rupa djetlića ili zahrđalih amortizera može biti izazovno ako se ne pojavljuju često u vašoj regiji. Dakle, svakako pitajte dobavljača AI/ML-a ne samo o količini njihovih skupova podataka, već io njihovoj kvaliteti i raznolikosti.

Brzina – Vrijeme je novac i svaki ugledni AI/ML dobavljač trebao bi moći jasno pokazati kako njihova ponuda ubrzava postupak inspekcije. Na primjer, Buzz Solutions se udružio s New York Power Authority (NYPA) isporučiti platformu temeljenu na umjetnoj inteligenciji dizajniranu za značajno smanjenje vremena potrebnog za inspekciju i analizu. Rezultat je bio program koji je mogao analizirati slike imovine u satima ili danima, umjesto u mjesecima koji su bili potrebni prije toga. Ova ušteda vremena omogućila je grupama za održavanje NYPA da daju prioritet popravcima i smanje mogućnost kvara.

Kvaliteta/preciznost – U nedostatku stvarnih podataka za AI/ML programe, tvrtke ponekad dopunjuju sintetičke podatke (tj. podatke koje su umjetno stvorili računalni algoritmi) kako bi popunile praznine. To je popularna praksa, i analitičari predviđaju da će 60% svih podataka koji se koriste u razvoju umjetne inteligencije biti sintetički (umjesto stvarnih) do 2024. No dok su sintetički podaci dobri za teoretske scenarije, ne rade dobro u okruženjima stvarnog svijeta gdje trebate podaci iz stvarnog svijeta (i čovjek-u-petlji intervencije) samoispravljati. Razmislite o tome da tražite od dobavljača njihovu mješavinu stvarnih i sintetičkih podataka kako biste osigurali da podjela ima smisla.

I zapamtite, posao ne završava nakon što odaberete partnera. Nova ideja iz Gartnera održava se redovito “AI Bake-Off” događaji – opisani kao “brze, informativne sesije koje vam omogućuju da vidite dobavljače rame uz rame koristeći skriptirane demonstracije i zajednički skup podataka u kontroliranom okruženju” kako biste procijenili prednosti i slabosti svakog od njih. Ovaj proces uspostavlja jasne metrike koje su izravno povezane sa skalabilnošću i pouzdanošću AI/ML algoritama koji se zatim usklađuju s poslovnim ciljevima komunalnih usluga.

Snaga budućnosti komunalne industrije

Od učinkovitijih integracija tijeka rada do sofisticiranog AI otkrivanja anomalija, komunalna industrija je na daleko svjetlijem putu nego prije nekoliko godina. Ova će se inovacija ipak morati nastaviti, posebice budući da će se mandati T&D inspekcije udvostručiti do 2030. Vlada je najavila održavanje i obranu energetske infrastrukture kao glavne prioritete nacionalne sigurnosti.

Pred nama je još posla, ali jednog dana ćemo se osvrnuti na ovo vrijeme kao na prijelomno razdoblje, trenutak kada su čelnici industrije pojačali ulaganja u budućnost naše energetske mreže i doveli komunalne usluge u moderno doba.