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

Dunia energi sedang mengalami perubahan besar, merenungkan sistem yang dirancang lebih dari seabad yang lalu untuk memberi ruang bagi munculnya teknologi yang lebih cerdas dan lebih bersih. Ini adalah waktu yang menyenangkan – hampir setiap industri mengalami elektrifikasi dengan cara tertentu, 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 lokasi penggunaan listrik, seperti panel surya atap dan penyimpanan baterai. Yang terakhir ini merupakan hal besar, dan seperti yang ditunjukkan oleh Asosiasi Energi Internasional (IEA), ekspansi cepat DER akan “mengubah tidak hanya cara listrik dihasilkan, tetapi juga cara listrik diperdagangkan, disampaikan dan dikonsumsi” ke depan.

Bagi seorang pengamat, semua perubahan ini positif, berkelanjutan, dan sudah lama tertunda. Namun secara praktis, percepatan energi terbarukan dan elektrifikasi ini menciptakan stres tambahan dan menegangkan batas kemampuan grid kita. Bersama dengan tekanan dari energi terbarukan, sistem daya dunia juga menghadapi tantangan kritis dari peristiwa cuaca ekstrem yang terkait dengan perubahan iklim yang berlangsung – kekeringan di Eropa, gelombang panas di India, badai musim dingin parah di AS – semua ini menghasilkan 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

Bagi perusahaan utilitas, peralatan mereka sering kali merupakan aset paling penting dan memerlukan perawatan yang konstan dan teliti. Melakukan perawatan ini tergantung pada aliran data yang stabil (biasanya dalam bentuk gambar) yang dapat dianalisis 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 dengan banyak perusahaan utilitas bahwa utilitas sekarang mengumpulkan 5-10X 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 terkendali. Menganalisis anomali sangat memakan waktu sehingga sebagian besar data sudah ketinggalan zaman ketika 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 Berbasis AI

Membuat grid kita lebih dapat diandalkan dan tangguh akan membutuhkan dua hal – uang, dan waktu. Beruntungnya, 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 di 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 dipertanyakan, membangun program AI/ML kustom di dalam perusahaan 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 Ketika Mengevaluasi Mitra AI/ML Potensial

Ketika mencari mitra AI/ML, tindakan lebih penting daripada kata-kata. Ada banyak perusahaan yang licin di luar sana yang mungkin berjanji bulan dan bintang, tetapi pemimpin utilitas harus memfokuskan pada beberapa metrik penting untuk mengevaluasi dampak. Di antara yang paling penting adalah bagaimana vendor menjelaskan/menyampaikan:

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 jenis anomali tertentu tidak terjadi dengan frekuensi yang cukup tinggi untuk melatih model AI yang sukses. Misalnya, melatih algoritma untuk mendeteksi hal-hal seperti kerusakan, lubang burung pelatuk, atau peredam yang berkarat dapat menantang jika mereka tidak terjadi dengan frekuensi yang cukup tinggi 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 bereputasi harus dapat menunjukkan dengan jelas bagaimana penawaran mereka mempercepat proses inspeksi. Misalnya, Buzz Solutions bermitra dengan Otoritas Daya New York (NYPA) untuk menghadirkan platform berbasis AI yang dirancang untuk secara signifikan 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 kelompok 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 buatan oleh algoritma komputer) untuk mengisi kesenjangan. Ini adalah praktik yang populer, dan analisis memprediksi bahwa 60% dari semua data yang digunakan dalam pengembangan AI akan menjadi sintetis (bukan nyata) pada tahun 2024. Namun, sementara data sintetis baik untuk skenario teoretis, data tersebut tidak berkinerja baik dalam lingkungan dunia nyata di mana Anda membutuhkan data dunia nyata (dan intervensi manusia-dalam-litar) untuk self-koreksi. Pertimbangkan untuk bertanya kepada vendor tentang campuran data nyata vs. sintetis mereka untuk memastikan perbandingan tersebut masuk akal.

Dan ingat, pekerjaan tidak berakhir sekali Anda telah memilih mitra Anda. Sebuah ide baru dari Gartner adalah mengadakan acara “AI Bake-Off” secara teratur – dijelaskan sebagai “sesi yang cepat, informatif yang memungkinkan Anda melihat vendor berdampingan menggunakan demo yang ditulis dan dataset umum dalam lingkungan yang terkendali” untuk mengevaluasi kekuatan dan kelemahan masing-masing. Proses ini menetapkan 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 tuntutan inspeksi T&D diharapkan meningkat dua kali lipat pada tahun 2030 dan pemerintah mengumumkan pemeliharaan dan pertahanan infrastruktur energi sebagai prioritas keamanan nasional teratas.

Masih ada pekerjaan yang harus dilakukan, tetapi suatu hari nanti kita akan melihat kembali periode ini sebagai momen penting, saat di mana para pemimpin industri mengambil langkah untuk berinvestasi dalam masa depan grid energi kita dan membawa utilitas ke era modern.