本物のパートナーシップを見つける：電力会社が人工知能ベンダーを評価する方法

エネルギー界は、100年以上前に設計されたシステムを再考し、スマートでクリーンな技術の台頭に合わせて変化しています。興奮する時期です – ほぼすべての業界が電化されており、電気自動車（EV）が市場での地位を確立し、分散型エネルギー資源（DERs）をサポートする移行が活発に行われています。最後のものは大きなものであり、国際エネルギー機関（IEA）は、DERsの急速な拡大が「将来、電気の生成、取引、配送、消費の方法を変える」と指摘しています。

観察者から見ると、これらの変化はすべて肯定的なものであり、持続可能であり、遅れていたものです。しかし、実際的には、再生可能エネルギーと電化の急速な進展は、グリッドに追加のストレスを加え、限界を試しています。再生可能エネルギーからの圧力に加えて、世界の電力システムは、気候変動による極端な天候イベントにも直面しています。ヨーロッパでの干ばつ、インドでの熱波、アメリカでの厳しい冬の嵐など、すべてが検査、メンテナンス、修理のコストを指数関数的に増加させています。電力業界のリーダーは、グリッドの近代化、信頼性、耐久性の向上に焦点を当てています。

写真を撮る、それが長く続く

電力会社にとって、機器は最も重要な資産であり、常に精密なメンテナンスが必要です。このメンテナンスを実行するには、通常画像の形式で提供されるデータの連続したストリームが必要です。このデータの収集は、ドローンや固定翼機、現場を物理的に歩くラインワーカーなど、さまざまな方法で行われます。UAV/ドローンや高解像度のヘリコプターカメラなどの新しい技術により、収集されるデータの量は天文学的です。多くの電力会社との会話から、電力会社は現在、以前の年間よりも5〜10倍のデータを収集していることがわかりました。

すべてのデータは、すでに遅い検査ワークサイクルをさらに遅くしています。平均して、電力会社は年間6〜8ヶ月の労働時間を検査データの分析に費やしています。（ウェストコーストの電力会社の顧客インタビューから、年間1,000万枚の画像を収集する電力会社が提供）このような混乱の理由の1つは、分析がまだ主に手動で行われているため、会社が年間数百万枚の検査画像を収集すると、プロセスが非常にスケーラブルでなくなります。異常を分析することは非常に時間がかかります。実際、ほとんどのデータは、実際にレビューされるまでに古くなっています。これにより、最悪の場合、不正確な情報や繰り返しの検査、または危険な状況が生じます。これは大きな問題であり、高いリスクがあります。アナリストは推定、電力部門は年間170億ドルをネットワークの故障、強制的なシャットダウン、そして大規模な災害により失っています。

AIを活用したインフラ検査で未来の電力会社を構築する

グリッドをより信頼性が高く、耐久性が高くするには、2つのことが必要です – お金と時間。幸いなことに、これが新しいテクノロジーとイノベーションが検査プロセスを合理化するのに役立つ場所です。人工知能（AI）と機械学習（ML）が電力業界に与える影響は、過小評価できません。AI/MLは、このデータ豊富な環境で最も適切な場所にあり、データの量が増えるにつれて、AIが大量の情報を有意義な洞察に変換する能力が向上します。Utility Diveによると、業界ではすでに「[AI/ML]は、現在の方法よりもはるかに速く、安全に、故障の危険性のある機器を特定する可能性がある」という広範な合意があります。

このテクノロジーの約束は、誰もが認めるものですが、社内でカスタマイズされたAI/MLプログラムを構築することは、遅く、労働集約型のプロセスであり、複雑さと障害に満ちています。これらの課題により、多くの電力会社が外部のコンサルタントやベンダーから追加のサポートを求めるようになりました。

AI/MLパートナーを評価する際に考慮すべき3つのこと

AI/MLパートナーを探す際、行動は言葉よりも重要です。スリックな会社が多くあり、月を約束するかもしれませんが、電力会社のリーダーは、影響を正確に評価するために、いくつかの重要な指標を調べる必要があります。最も重要なのは、ベンダーがどのように説明/提供しているかです。

モデルの成長 – 多様なデータセット（異常を分析するための多くのデータを持つデータ）を構築するには、相当の時間（通常数年）がかかります。また、特定の種類の異常は、AIモデルを成功させるのに十分な頻度で発生しません。たとえば、腐敗、キツツキの穴、錆びたダンパーを検出するアルゴリズムをトレーニングすることは、地域によっては難しい場合があります。したがって、AI/MLベンダーに、データセットの数量だけでなく、質と多様性についても質問する必要があります。

速度 – 時間は金なりです。信頼できるAI/MLベンダーは、検査プロセスをどのように高速化するかを明確に示す必要があります。たとえば、Buzz Solutionsはニューヨーク電力局（NYPA）と提携して、検査と分析に必要な時間を大幅に削減するAIベースのプラットフォームを提供しました。結果として、資産画像を数時間または数日で分析できるプログラムが開発され、以前に数ヶ月かかっていた時間を大幅に短縮しました。この時間の節約により、NYPAのメンテナンスグループは修理に優先順位を付けることができ、故障の可能性を減らすことができました。

品質/精度 – AI/MLプログラムに実データが不足している場合、会社はギャップを埋めるために合成データ（コンピュータアルゴリズムによって生成されたデータ）を使用することがあります。これは一般的な慣行であり、アナリストは予測、AIの開発に使用されるデータの60％は、2024年までに合成データ（実データではなく）になるだろうと予測しています。しかし、合成データは理論的なシナリオには適していますが、実世界の環境では、実データと人間の介入が必要です。ベンダーに実データと合成データの混合比率を尋ね、実データと合成データのバランスが適切であることを確認する必要があります。

そして、パートナーを選択した後、仕事は終了しません。ガートナーの新しいアイデアは、ベンダーを並べた状態で、スクリプト化されたデモと共通のデータセットを使用した「AIベイクオフ」イベントを定期的に開催しています。これは、「迅速で、情報に富んだセッションで、ベンダーを並べた状態で、スクリプト化されたデモと共通のデータセットを使用して、AI/MLアルゴリズムの強みと弱点を評価する」ものです。これにより、AI/MLアルゴリズムの拡張性と信頼性に直接関連する明確な指標が確立され、電力会社のビジネス目標に合うようになります。

電力業界の未来を支える

より効率的なワークフロー統合から、洗練されたAI異常検出まで、電力業界は数年前よりもはるかに明るい道を歩んでいます。このイノベーションは、特に送電・配電検査の義務が2030年までに倍増し、政府がエネルギーインフラのメンテナンスと防衛を国家安全保障のトップ優先事項として発表したため、継続する必要があります。

まだ впередに仕事がありますが、いつの日か、この時期を、業界のリーダーがエネルギーグリッドの未来に投資し、電力会社を現代に導いた、画期的な時期として振り返ることになるでしょう。