실제 파트너십을 찾는 방법: 공공事業 회사들이 인공 지능 벤더를 평가하는 방법

에너지 세계는 거대한 변화를 겪고 있으며, 100년 이상 전 설계된 시스템을 재고하고 더智能하고 깨끗한 기술을 도입하기 위해 노력하고 있습니다. 이것은 흥미로운 시기입니다. 거의 모든 산업이某种 형태로 전기화되고 있으며, 전기 자동차(EVs)가 시장에서 지배적이 되고 있으며, 분산 에너지 자원(DERs)을 지원하기 위한 전환도 진행 중입니다. DERs는 일반적으로 전기 사용 장소 근처에 위치한 소규모 에너지 자원으로, 지붕 太陽能 패널과 배터리 저장소가 있습니다. 이것은 큰 문제입니다. 국제 에너지 기구(IEA)에 따르면, DERs의 급속한 확장은 “전기 생성, 거래, 전달 및 소비의 방식을 변革”할 것입니다.

관찰자에게 이것은 모두 긍정적이고 지속 가능하며 오래 전부터 필요한 변화입니다. 그러나 실제로 재생 가능 에너지와 전기화의 급속한 확장은 우리의 그리드를 더 많은 스트레스와 한계에 밀어 넣고 있습니다. 재생 가능 에너지의 압력 외에도, 세계의 전력 시스템은 기후 변화로 인한 극단적인 날씨 이벤트로 인해 중요한 도전을 겪고 있습니다. 유럽의 가뭄, 인도의 열대성 폭풍, 미국의 심한 겨울 폭풍 등이 모두 검사, 유지 보수, 수리의 비용을 지수적으로 증가시키고 있습니다. 공공事業 부문의 리더들은 현재 그리드 현대화, 신뢰성, 탄력성을 증가시키는 데 집중하고 있습니다.

사진을 찍어라, 그것은 더 오래 갈 것이다

공공事業 회사들에게서 그들의 장비는 일반적으로 가장 중요한 자산이며, 끊임없이 주의 깊게 관리해야 합니다. 이 관리는 일반적으로 이미지 형태의 데이터를 분석하여 운영 이상을 감지할 수 있는 데이터의稳定한 흐름에 의존합니다. 이러한 데이터를 수집하는 방법은 드론, 고정익 항공기, 현장 작업자들이 실제로 현장에 방문하는 등 다양한 방법으로 이루어집니다. 또한 새로운 기술인 UAV/드론과 고해상도 헬리콥터 카메라로 인해 데이터의 양이 천문학적으로 증가했습니다. 우리는 많은 공공事業 회사와의 대화에서, 공공事業 회사들이 최근 몇 년 동안 수집한 데이터의 5~10배의 데이터를 수집하고 있다고 알고 있습니다.

이 모든 데이터는 이미 느린 검사 작업 주기를 더 느리게 만들고 있습니다. 평균적으로, 공공事業 회사들은 검사 데이터를 분석하기 위해 1년 동안 노동 시간의 6~8개월을 소요합니다. (서부 해안 공공事業 고객 인터뷰에서 제공, 1년 동안 1,000만 개의 이미지 수집) 이러한 과부하의 주요 이유는이 분석이 여전히 대부분 수동으로 수행되기 때문이며, 회사에서 매년 수백만 개의 검사 이미지를 수집할 때, 이 프로세스는 매우 비효율적입니다. 이상을 분석하는 것은 매우 시간이 걸리며, 대부분의 데이터는 실제로 검토될 때까지 구식이 됩니다. 이는 최악의 경우 불확실한 정보나 반복적인 검사 또는 위험한 상황을 초래할 수 있습니다. 이것은 큰 문제입니다. 분석가들은 전력 부문이 네트워크 故障, 강제 종료, 대규모 재해로 인해 매년 1,700억 달러의 손실을 입는다고 추정합니다.

인공 지능 기반 인프라 검사를 사용하여 미래의 공공事業을 구축하다

그리드를 더 신뢰성 있게 만들고 탄력성을 높이려면 두 가지가 필요합니다.幸い, 이것은 새로운 기술과 혁신이 검사 프로세스를 간소화하는 데 도움이 될 수 있는 곳입니다. 인공 지능(AI)과 기계 학습(ML)이 공공事業 부문에 미치는 영향은 과장할 수 없습니다. AI/ML은 데이터가 풍부한 환경에서 매우 적합하며, 데이터의 양이 커질수록 AI가大量의 정보를 의미 있는 통찰력으로 번역하는 능력이 향상됩니다. Utility Dive에 따르면, “이미 산업에서 AI/ML이 장비 고장을 예측하는 데 기존 방법보다 더 빠르고 안전한 방법을 제공할 수 있는 잠재력이 있는 것으로 널리 동의하고 있습니다.” 그러나 이 기술의 약속은 분명하지만, 자체 맞춤형 AI/ML 프로그램을 구축하는 것은 느리고 복잡한 프로세스입니다. 이러한 도전은 많은 공공事業 회사들이 외부 컨설턴트와 벤더의 추가 지원을寻求하도록 만들었습니다.

AI/ML 파트너를 평가할 때 고려해야 할 3가지 사항

AI/ML 파트너를 찾을 때, 행동이 말보다 중요합니다. 많은 회사들이 달콤한 말을 할 수 있지만, 공공事業 리더들은 몇 가지 중요한 지표를 드릴하여 영향력을 정확하게 평가해야 합니다. 가장 중요한 것은 벤더가 어떻게 모델을 설명하고 제공하는지입니다.

모델의 성장 – 다양한 데이터 세트(이상이 많은 데이터)를 구축하는 것은 상당한 시간이 걸리며(종종 수년), 특정 유형의 이상은 빈도가 충분하지 않아 성공적인 AI 모델을 훈련하기 어렵습니다. 예를 들어, 부식, 나무꾼 구멍, 녹슬지 않은 댐퍼를 감지하는 알고리즘을 훈련하는 것은 해당 지역에서 자주 발생하지 않는 경우 어려울 수 있습니다. 따라서 AI/ML 벤더에게 데이터 세트의 양뿐만 아니라 질과 다양성에 대해 물어보십시오.

속도 – 시간은 돈입니다. 유명한 AI/ML 벤더는 검사 프로세스를 얼마나 빠르게 하는지 명확하게 보여주어야 합니다. 예를 들어, Buzz Solutions는 뉴욕 전력 당국(NYPA)와 협력하여 검사 및 분석에 필요한 시간을 크게 줄이는 AI 기반 플랫폼을 제공했습니다. 결과는 몇 개월이 아닌 몇 시간 또는 며칠 만에 자산 이미지를 분석할 수 있는 프로그램이었습니다. 이 시간 절약으로 인해 NYPA 유지 보수 그룹은 수리를 우선순위로 하고 고장을 줄일 수 있었습니다.

품질/정확도 – AI/ML 프로그램에 실제 데이터가 없는 경우, 회사들은 때때로 인공적으로 생성된 데이터(즉, 컴퓨터 알고리즘에 의해 생성된 데이터)를 사용하여 간격을 메웁니다. 이것은 인기 있는 관행이며, 분석가들은 2024년까지 AI 개발에 사용되는 모든 데이터의 60%가 인공적인 데이터가 될 것이라고 예측합니다. 그러나 인공 데이터는 이론적인 시나리오에는 좋지만 실제 환경에서 실제 데이터와 인간의 개입이 필요한 경우에는 잘 작동하지 않습니다. 벤더에게 실제 대 인공 데이터의 혼합 비율을 묻고, 이 비율이 합理한지 확인하십시오.

그리고 기억하십시오, 파트너를 선택한 후에도 일이 끝나지 않습니다. Gartner의 새로운 아이디어는 정기적인 “AI 베이크 오프” 이벤트를 개최하는 것입니다. 이는 “빠르고 정보가 풍부한 세션이며, 벤더를 비교하여 스크립트된 데모와 공통 데이터 세트를 사용하여 제어된 환경에서 평가할 수 있습니다”라고 설명합니다. 이 프로세스는 AI/ML 알고리즘의 확장 가능성과 신뢰성과 관련된 명확한 지표를 설정합니다.

공공事業 산업의 미래를 구동하다

より 효율적인 워크플로우 통합에서부터 고도한 AI 이상 감지까지, 공공事業 산업은 몇 년 전과 비교하면 훨씬 더 밝은 길을 걷고 있습니다. 그러나 이 혁신은 특히 2030년까지 검사 의무가 두 배가 될 예정이며, 정부가 에너지 인프라 유지 보수와 방어를 국가 안보의 최우선 순위로 발표한 것과 같이, 계속되어야 합니다.

앞으로 더 많은 일이 있을 것입니다. 그러나 언젠가 우리는 이 시기를 돌아보며, 산업 리더들이 우리의 에너지 그리드의 미래에 투자하고 공공사업을 현대화하기 위해 나서던 시기로 회상할 것입니다.