Mencari Kemitraan Sebenarnya: Bagaimana Perusahaan Utilitas Mengevaluasi Penyedia Layanan Kecerdasan Buatan

Dunia energi sedang mengalami perubahan besar, merancang kembali sistem yang dirancang lebih dari satu abad yang lalu untuk membuat ruang bagi kemunculan teknologi yang lebih cerdas dan lebih bersih. Ini adalah waktu yang menyenangkan – hampir setiap industri sedang mengalami elektrifikasi dalam beberapa cara, kendaraan listrik (EV) mendapatkan traksi pasar, dan ada transisi aktif untuk mendukung Sumber Daya Energi Terdistribusi (DER), “sumber daya energi skala kecil” yang biasanya terletak di dekat situs penggunaan listrik, seperti panel surya atap dan penyimpanan baterai. Yang terakhir ini adalah hal besar, dan seperti yang ditunjukkan oleh Asosiasi Energi Internasional (IEA), perluasan cepat DER akan “mengubah tidak hanya cara listrik dihasilkan, tetapi juga cara listrik diperdagangkan, disampaikan dan dikonsumsi” di masa depan.

Bagi pengamat, semua perubahan ini positif, berkelanjutan, dan sudah lama ditunggu. Namun, secara praktis, percepatan energi terbarukan dan elektrifikasi ini menciptakan stres tambahan dan menegangkan batas kemampuan grid kita. Selain tekanan dari energi terbarukan, sistem daya dunia juga menghadapi tantangan kritis dari peristiwa cuaca ekstrem yang terkait dengan perubahan iklim yang sedang berlangsung – kekeringan di Eropa, gelombang panas di India, badai musim dingin parah di AS – semua ini mengakibatkan peningkatan eksponensial dalam biaya inspeksi, pemeliharaan, dan perbaikan. Pemimpin di sektor utilitas sekarang fokus pada peningkatan modernisasi grid, keandalan, dan ketahanan.

Ambil Foto, Ini Akan Bertahan Lebih Lama

Untuk perusahaan utilitas, peralatan mereka sering kali merupakan aset paling penting dan memerlukan pemeliharaan yang konstan dan teliti. Melakukan pemeliharaan ini bergantung pada aliran data yang stabil (biasanya dalam bentuk gambar) yang dapat dianalisis oleh utilitas untuk mendeteksi anomali operasional. Mengumpulkan data ini dilakukan dengan berbagai cara, dari drone dan pesawat sayap tetap, hingga pekerja garis yang secara fisik berjalan di lokasi. Dan dengan teknologi baru seperti UAV/drone dan kamera helikopter resolusi tinggi, jumlah data telah meningkat secara astronomis. Kami tahu dari percakapan kami dengan banyak perusahaan utilitas bahwa utilitas sekarang mengumpulkan 5-10 kali jumlah data yang mereka kumpulkan dalam beberapa tahun terakhir.

Semua data ini membuat siklus kerja inspeksi yang sudah lambat menjadi lebih lambat. Rata-rata, utilitas menghabiskan waktu setara dengan 6-8 bulan jam kerja per tahun untuk menganalisis data inspeksi. (Disediakan oleh wawancara pelanggan utilitas Pantai Barat dari utilitas yang mengumpulkan 10M gambar per tahun) Alasan besar untuk ini adalah bahwa analisis ini masih sebagian besar dilakukan secara manual, dan ketika sebuah perusahaan mengambil jutaan gambar inspeksi setiap tahun, proses ini menjadi tidak dapat diskalakan. Menganalisis anomali sangat memakan waktu sehingga sebagian besar data sudah usang pada saat itu sebenarnya ditinjau, menghasilkan informasi yang tidak akurat pada yang terbaik dan inspeksi berulang atau kondisi berbahaya pada yang terburuk. Ini adalah masalah besar, dengan risiko tinggi. Analisis memperkirakan bahwa sektor daya kehilangan $170 miliar setiap tahun karena kegagalan jaringan, shutdown paksa, dan bencana massal.

Membangun Utilitas Masa Depan dengan Inspeksi Infrastruktur Berdaya Kecerdasan Buatan

Membuat grid kita lebih dapat diandalkan dan tahan akan membutuhkan dua hal – uang, dan waktu. Untungnya, ini adalah tempat di mana teknologi baru dan inovasi dapat membantu mempermudah proses inspeksi. Dampak kecerdasan buatan (AI) dan pembelajaran mesin (ML) pada sektor utilitas tidak dapat dilebihkan. AI/ML sangat cocok untuk lingkungan yang kaya data ini, dan ketika volume data semakin besar, kemampuan AI untuk menerjemahkan gunung informasi menjadi wawasan yang bermakna semakin baik. Menurut Utility Dive, sudah ada kesepakatan luas di industri bahwa [AI/ML] memiliki potensi untuk mengidentifikasi peralatan yang berisiko gagal dengan cara yang jauh lebih cepat dan lebih aman daripada metode saat ini yang bergantung pada inspeksi manual.

Meskipun janji dari teknologi ini tidak dapat disangkal, membangun program AI/ML yang disesuaikan dengan kebutuhan perusahaan secara internal adalah proses yang lambat, memakan waktu, dan dipenuhi dengan komplikasi dan hambatan. Tantangan ini telah menyebabkan banyak perusahaan utilitas mencari dukungan tambahan dari konsultan dan vendor eksternal.

3 Hal yang Perlu Dipertimbangkan saat Mengevaluasi Mitra AI/ML Potensial

Ketika mencari mitra AI/ML, tindakan lebih penting daripada kata-kata. Ada beberapa perusahaan yang licin di luar sana yang mungkin menjanjikan bulan, tetapi pemimpin utilitas harus menekan beberapa metrik penting untuk mengevaluasi dampak dengan akurat. Di antara yang paling penting adalah bagaimana vendor menjelaskan/mengirimkan:

Pertumbuhan Model dari Waktu ke Waktu – Membangun dataset yang beragam (data yang memiliki banyak anomali untuk dianalisis) membutuhkan waktu yang signifikan (seringkali beberapa tahun) dan beberapa jenis anomali tidak terjadi dengan frekuensi yang cukup tinggi untuk melatih model AI yang sukses. Misalnya, melatih algoritma untuk mendeteksi hal-hal seperti kerusakan, lubang burung, atau peredam yang berkarat dapat menantang jika mereka tidak terjadi sering di wilayah Anda. Jadi, pastikan untuk bertanya kepada vendor AI/ML tidak hanya tentang kuantitas dataset mereka, tetapi juga kualitas dan keragamannya.

Kecepatan – Waktu adalah uang, dan setiap vendor AI/ML yang terpercaya harus dapat menunjukkan dengan jelas bagaimana penawaran mereka mempercepat proses inspeksi. Misalnya, Buzz Solutions bermitra dengan Otoritas Daya New York (NYPA) untuk mengirimkan platform berbasis AI yang dirancang untuk mengurangi waktu yang dibutuhkan untuk inspeksi dan analisis. Hasilnya adalah program yang dapat menganalisis gambar aset dalam hitungan jam atau hari, bukan bulan seperti sebelumnya. Penghematan waktu ini memungkinkan grup pemeliharaan NYPA untuk memprioritaskan perbaikan dan mengurangi potensi kegagalan.

Kualitas/Akurasinya – Dalam ketiadaan data nyata untuk program AI/ML, perusahaan terkadang melengkapi data sintetis (yaitu data yang dibuat secara artifisial oleh algoritma komputer) untuk mengisi celah. Ini adalah praktik yang populer, dan analisis memprediksi bahwa 60% dari semua data yang digunakan dalam pengembangan AI akan sintetis (bukan nyata) pada tahun 2024. Namun, meskipun data sintetis baik untuk skenario teoretis, data sintetis tidak berfungsi dengan baik dalam lingkungan dunia nyata di mana Anda memerlukan data nyata (dan intervensi manusia) untuk self-koreksi. Pertimbangkan untuk bertanya kepada vendor tentang campuran data nyata versus sintetis mereka untuk memastikan bahwa perbandingan tersebut masuk akal.

Dan ingat, pekerjaan tidak berakhir sekali Anda telah memilih mitra. Konsep baru dari Gartner adalah mengadakan acara “AI Bake-Off” secara teratur – dijelaskan sebagai “sesi yang cepat, informatif yang memungkinkan Anda melihat vendor secara berdampingan menggunakan demo yang ditulis dan dataset yang umum dalam lingkungan yang terkendali” untuk mengevaluasi kekuatan dan kelemahan masing-masing. Proses ini membentuk metrik yang jelas yang terkait langsung dengan skalabilitas dan keandalan algoritma AI/ML yang kemudian selaras dengan tujuan bisnis utilitas.

Menghidupkan Masa Depan Industri Utilitas

Dari integrasi alur kerja yang lebih efisien hingga deteksi anomali AI yang canggih, industri utilitas berada di jalur yang jauh lebih cerah daripada beberapa tahun yang lalu. Inovasi ini perlu terus berlanjut, terutama karena mandat inspeksi T&D diharapkan akan meningkat dua kali lipat pada tahun 2030 dan pemerintah mengumumkan pemeliharaan dan pertahanan infrastruktur energi sebagai prioritas keamanan nasional teratas.

Ada lebih banyak pekerjaan yang harus dilakukan, tetapi suatu hari nanti kita akan melihat kembali periode ini sebagai periode air bah, saat ketika para pemimpin industri mengambil langkah untuk berinvestasi dalam masa depan grid energi kita dan membawa utilitas ke era modern.