Buzz Solutions Mengumpulkan $20 Juta Seri A untuk Memperluas Kecerdasan Grid Berbasis AI

Buzz Solutions telah mengumpulkan $20 juta dalam putaran pendanaan Seri A yang oversubscribed karena utilitas mencari cara yang lebih cepat untuk memeriksa, memelihara, dan memperkuat infrastruktur energi yang semakin kompleks.

S3 Ventures memimpin putaran tersebut, dengan investasi follow-on yang signifikan dari GoPoint Ventures. Investor yang sudah ada HearstLab dan Blackhorn Ventures juga berpartisipasi. Buzz Solutions mengatakan bahwa modal tersebut akan mendukung pengembangan produk, perluasan tim go-to-market, dan penerapan yang lebih dalam dengan pelanggan utilitas.

Perusahaan yang berbasis di Palo Alto ini mengembangkan perangkat lunak kecerdasan buatan yang menganalisis data inspeksi visual yang dikumpulkan dari infrastruktur seperti saluran listrik, gardu listrik, dan pemasangan surya skala utilitas. Pelanggannya termasuk Dominion Energy (D ), American Electric Power (AEP ), dan Otoritas Listrik New York.

Menggerakkan Inspeksi Grid Melampaui Tinjauan Gambar Manual

Utilitas telah semakin mengadopsi drone, helikopter, pesawat sayap tetap, kamera termal, dan sistem pengambilan gambar lainnya untuk memeriksa infrastruktur. Teknologi ini dapat mengumpulkan lebih banyak data daripada inspeksi lapangan tradisional, tetapi mereka juga menciptakan tantangan baru: memproses ribuan atau bahkan jutaan gambar dengan cukup cepat untuk mempengaruhi keputusan pemeliharaan.

Platform PowerAI Buzz Solutions dirancang untuk menangani bottleneck tersebut. Ini mengonsumsi gambar dari program inspeksi udara dan darat, mencocokkan gambar dengan struktur tertentu, mengidentifikasi potensi cacat, dan membantu peringkat masalah berdasarkan tingkat keparahannya.

Platform ini dapat menganalisis gambar RGB dan termal untuk masalah seperti tiang yang rusak, lengan salib yang rusak, transformator yang terlalu panas, semak yang mengganggu, kerusakan isolator, dan sarang burung. Hasilnya kemudian dapat dikirim ke sistem informasi geografis, platform pesanan kerja, dan perangkat lunak manajemen aset melalui integrasi dan antarmuka pemrograman aplikasi.

Alur kerja ini penting karena mengidentifikasi cacat hanya satu bagian dari manajemen infrastruktur. Utilitas juga harus menentukan di mana aset yang terkena dampak berada, menilai seberapa mendesaknya perlu perhatian, mengatur pekerjaan, dan memantau kondisi aset tersebut dari waktu ke waktu.

PowerAI Menggabungkan Penglihatan Komputer dengan Pengawasan Manusia

Buzz Solutions mengatakan bahwa modelnya telah disesuaikan menggunakan lebih dari satu dekade gambar utilitas daripada dilatih hanya pada dataset demonstrasi yang lebih kecil. Platform ini saat ini mencakup lebih dari 50 model kecerdasan buatan dan dapat memproses lebih dari 5,8 gambar per detik, berdasarkan angka yang diterbitkan oleh perusahaan.

PowerAI juga mencakup pengawasan manusia dalam loop. Inspektor dapat memvalidasi deteksi, memperbaiki output model, dan meningkatkan akurasi saat sistem menghadapi jenis infrastruktur dan kondisi operasional tambahan.

Kombinasi otomatisasi dan pengawasan manusia ini sangat relevan dalam lingkungan utilitas, di mana positif palsu dapat menciptakan pekerjaan lapangan yang tidak perlu, sedangkan cacat yang terlewatkan dapat menyumbang kegagalan peralatan, pemadaman, atau risiko keamanan.

Buzz menawarkan beberapa versi platform. Utilitas dapat memulai dengan manajemen data inspeksi terpusat dan tinjauan manual sebelum beralih ke analisis gambar otomatis, pemetaan sistem informasi geografis, analitik lanjutan, dan integrasi dengan sistem manajemen kerja dan aset.

Mengembangkan Platform di Seluruh Grid

PowerAI awalnya berfokus pada infrastruktur transmisi dan distribusi, tetapi Buzz Solutions telah mengembangkan platform ini ke gardu listrik dan pemasangan surya skala utilitas.

Untuk jaringan distribusi, perangkat lunak dapat mengasosiasikan gambar inspeksi dengan tiang dan struktur individu sebelum menganalisisnya untuk perangkat keras yang rusak, masalah transformator, atau risiko semak. Tim transmisi dapat menggunakan platform ini untuk menginventarisasi aset dan memantau perubahan kondisi di seluruh jaringan yang luas.

Di gardu listrik, perusahaan menggunakan gambar dari kamera tetap dan drone yang ditambatkan untuk memantau kejadian keamanan, kekhawatiran keamanan, dan kondisi peralatan. Video optik dan termal dapat dianalisis untuk kejadian seperti masuk tanpa izin, asap, api, atau tanda panas yang tidak normal, dengan peringatan yang disampaikan melalui dasbor, email, atau pesan teks. Penerapan dapat berbasis cloud atau dipasang di tempat, tergantung pada kebutuhan operasional dan keamanan siber utilitas.

Penawaran surya menerapkan penglihatan komputer pada gambar RGB dan termal yang dikumpulkan oleh drone. Ini dimaksudkan untuk membantu operator mengidentifikasi hotspot, retakan panel, dan gangguan string sebelum masalah tersebut secara signifikan mengurangi output.

Penerapan Utilitas Melampaui Pilot Kecil

Buzz Solutions mengatakan bahwa jumlah pelanggannya tiga kali lipat selama setahun terakhir, sedangkan pendapatannya meningkat 400%. Perusahaan ini juga telah menerbitkan beberapa contoh utilitas yang menerapkan platform ini pada program inspeksi yang lebih besar.

Dominion Energy menggunakan PowerAI untuk memproses 74.000 gambar yang mencakup sekitar 47.000 menara transmisi dalam tiga setengah jam, menurut Buzz Solutions. AEP Texas telah menggunakan platform ini untuk menganalisis lebih dari 88.000 gambar saat bekerja untuk mempersingkat siklus inspeksi di seluruh wilayah distribusi yang terkena badai dan kebakaran hutan.

Otoritas Listrik New York telah mengintegrasikan hasil inspeksi dengan Esri, IBM Maximo, dan sistem media internal. Buzz Solutions melaporkan bahwa utilitas tersebut mengurangi waktu analisis manual sebesar 70%, memungkinkan volume besar gambar inspeksi untuk dievaluasi dalam hitungan jam atau hari, bukan bulan.

Penerapan ini menggambarkan pergeseran yang lebih luas yang saat ini terjadi di seluruh program kecerdasan buatan utilitas. Daripada mengevaluasi model yang terisolasi, beberapa utilitas mulai menghubungkan analisis AI langsung dengan catatan aset, prioritas pemeliharaan, dan sistem operasional yang ada.

Permintaan Listrik yang Meningkat Menambah Kebutuhan

Pendanaan ini tiba saat Amerika Serikat memasuki periode pertumbuhan permintaan listrik yang diperbarui. Administrasi Informasi Energi AS melaporkan bahwa konsumsi listrik nasional telah meningkat rata-rata 2,1% per tahun selama lima tahun terakhir, dengan permintaan server pusat data yang muncul sebagai kontributor utama.

Badan tersebut memperkirakan bahwa konsumsi listrik akan terus meningkat hingga 2050, membalikkan lebih dari satu dekade permintaan yang relatif datar.

Pusat data kecerdasan buatan hanya salah satu sumber tekanan. Utilitas juga harus menghubungkan pembangkit listrik tenaga surya, mendukung elektrifikasi transportasi dan industri, merespons cuaca ekstrem, dan memelihara infrastruktur yang mungkin telah beroperasi selama beberapa dekade.

Membangun kapasitas pembangkit dan transmisi yang baru tetap penting, tetapi utilitas juga harus mengekstrak lebih banyak keandalan dari infrastruktur yang ada. Identifikasi lebih awal dari peralatan yang rusak dapat memungkinkan tim pemeliharaan untuk menangani masalah sebelum mereka menjadi pemadaman, kecelakaan, atau perbaikan darurat yang mahal.

Masa Depan Manajemen Grid Berbantuan AI

Signifikansi yang lebih luas dari platform seperti PowerAI terletak pada bagaimana mereka dapat mengubah cara utilitas mengelola infrastruktur dari waktu ke waktu. Saat ini, banyak program inspeksi masih periodik dan reaktif, dengan aset diperiksa pada jadwal tetap atau setelah badai, pemadaman, dan kegagalan peralatan. Saat data visual menjadi lebih mudah dikumpulkan dan dianalisis, utilitas mungkin dapat bergerak menuju pemeliharaan yang lebih berkelanjutan dan berbasis risiko.

Dalam model tersebut, kecerdasan buatan akan membantu mengidentifikasi perubahan halus dalam kondisi aset, membandingkan gambar saat ini dengan inspeksi sebelumnya, dan menyoroti peralatan yang tampaknya rusak lebih cepat dari yang diharapkan. Jadwal pemeliharaan kemudian dapat didasarkan lebih sedikit pada usia atau siklus inspeksi rutin dan lebih banyak pada kondisi nyata dan profil risiko dari setiap aset.

Teknologi ini juga dapat menjadi lebih berharga saat utilitas menerapkan armada drone, kamera tetap, sensor termal, dan sistem pemantauan lainnya yang lebih besar. Tanpa analisis otomatis, volume data yang dihasilkan oleh alat-alat ini dapat membanjiri tim inspeksi. Sistem AI mungkin semakin berfungsi sebagai lapisan penyaring, mengarahkan ahli manusia ke gambar, aset, dan anomali yang paling mungkin memerlukan perhatian.

Seiring waktu, kemampuan ini dapat mendukung representasi digital yang lebih rinci dari grid, menggabungkan inspeksi visual dengan data cuaca, riwayat pemadaman, kondisi semak, dan catatan pemeliharaan. Ini dapat memungkinkan utilitas untuk memodelkan bagaimana cacat individu dapat mempengaruhi jaringan yang lebih luas dan memprioritaskan perbaikan berdasarkan dampak potensialnya terhadap keandalan dan keselamatan publik.

Perubahan ini juga akan memperkenalkan pertanyaan penting tentang akurasi model, keamanan siber, transparansi, dan akuntabilitas. Utilitas akan perlu memahami mengapa sistem tersebut menandai aset tertentu, seberapa yakin asesmen tersebut, dan kapan pengawasan manusia diperlukan. Karena keputusan melibatkan infrastruktur kritis, rekomendasi AI kemungkinan akan tetap menjadi bagian dari proses yang diawasi daripada menjadi sepenuhnya otonom.

Jika tantangan tersebut dapat diatasi, penglihatan komputer dapat berkembang dari alat untuk meninjau gambar inspeksi menjadi komponen yang lebih sentral dari perencanaan dan pemeliharaan grid. Dampak jangka panjangnya tidak harus berarti fewer inspektor, tetapi perubahan dalam cara waktu mereka digunakan, dengan perhatian yang lebih besar diarahkan pada aset dan lokasi di mana intervensi dapat membuat perbedaan terbesar.