ຜູ້ ນຳ ທີ່ຄິດ
ຊອກຫາຄູ່ຮ່ວມງານທີ່ແທ້ຈິງ: ບໍລິສັດ Utility ກໍາລັງປະເມີນຜູ້ຂາຍປັນຍາທຽມແນວໃດ
ໂລກພະລັງງານກໍາລັງມີການປ່ຽນແປງອັນໃຫຍ່ຫຼວງ, ລະບົບການຄິດຄືນໃຫມ່ທີ່ຖືກອອກແບບຫຼາຍກວ່າຫນຶ່ງສະຕະວັດກ່ອນຫນ້ານີ້ເພື່ອເຮັດໃຫ້ພື້ນທີ່ສໍາລັບເຕັກໂນໂລຢີທີ່ສະຫລາດກວ່າ, ສະອາດກວ່າ. ມັນເປັນເວລາທີ່ຫນ້າຕື່ນເຕັ້ນ - ເກືອບທຸກອຸດສາຫະກໍາກໍາລັງມີໄຟຟ້າໃນບາງທາງ, ຍານພາຫະນະໄຟຟ້າ (EVs) ກໍາລັງດຶງດູດຕະຫຼາດ, ແລະມີການຫັນປ່ຽນຢ່າງຫ້າວຫັນເພື່ອສະຫນັບສະຫນູນຊັບພະຍາກອນພະລັງງານທີ່ແຈກຢາຍ (DERs), "ຊັບພະຍາກອນພະລັງງານຂະຫນາດນ້ອຍ" ປົກກະຕິແລ້ວຕັ້ງຢູ່ໃກ້ກັບສະຖານທີ່ຕ່າງໆ. ການນໍາໃຊ້ໄຟຟ້າ, ເຊັ່ນ: ແຜງແສງອາທິດເທິງຫລັງຄາແລະການເກັບຮັກສາຫມໍ້ໄຟ. ອັນສຸດທ້າຍແມ່ນເລື່ອງໃຫຍ່, ແລະເປັນ ສະມາຄົມພະລັງງານສາກົນ (IEA) ຊີ້ໃຫ້ເຫັນວ່າ, ການຂະຫຍາຍຕົວຢ່າງໄວວາຂອງ DERs ຈະ "ຫັນປ່ຽນບໍ່ພຽງແຕ່ວິທີການຜະລິດໄຟຟ້າ, ແຕ່ຍັງເປັນວິທີການຊື້ຂາຍ, ສົ່ງແລະບໍລິໂພກ" ກ້າວໄປຂ້າງຫນ້າ.
ສໍາລັບຜູ້ສັງເກດການ, ການປ່ຽນແປງທັງຫມົດນີ້ແມ່ນໃນທາງບວກ, ຍືນຍົງ, ແລະເປັນເວລາດົນນານ. ແຕ່ໃນການເວົ້າໃນຕົວຈິງແລ້ວ, ການເລັ່ງພະລັງງານທົດແທນແລະການຜະລິດໄຟຟ້າຢ່າງວ່ອງໄວແມ່ນສ້າງຄວາມເຄັ່ງຕຶງເພີ່ມຂຶ້ນ ແລະ ເຮັດໃຫ້ຂໍ້ຈຳກັດຂອງຕາຂ່າຍໄຟຟ້າຂອງພວກເຮົາເຄັ່ງຕຶງ. ຄຽງຄູ່ກັບຄວາມກົດດັນຈາກການຜະລິດຄືນໃໝ່, ລະບົບໄຟຟ້າຂອງໂລກຍັງປະສົບກັບຄວາມທ້າທາຍທີ່ສຳຄັນຈາກເຫດການດິນຟ້າອາກາດທີ່ຮ້າຍແຮງກ່ຽວກັບການປ່ຽນແປງຂອງດິນຟ້າອາກາດ - ໄພແຫ້ງແລ້ງຢູ່ຢູໂຣບ, ຄື້ນຄວາມຮ້ອນໃນອິນເດຍ, ພາຍຸລະດູໜາວທີ່ຮ້າຍແຮງຢູ່ອາເມລິກາ - ລ້ວນແຕ່ສົ່ງຜົນໃຫ້ການກວດກາ, ບຳລຸງສ້າງເພີ່ມຂຶ້ນຢ່າງບໍ່ຢຸດຢັ້ງ. , ແລະຄ່າສ້ອມແປງ. ຜູ້ນໍາໃນຂະແຫນງຜົນປະໂຫຍດໃນປັດຈຸບັນແມ່ນ laser ສຸມໃສ່ການເພີ່ມຄວາມທັນສະໄຫມຕາຂ່າຍໄຟຟ້າ, ຄວາມຫນ້າເຊື່ອຖື, ແລະຄວາມຢືດຢຸ່ນ.
ຖ່າຍຮູບ, ມັນຈະຢູ່ໄດ້ດົນກວ່າ
ສໍາລັບບໍລິສັດຜົນປະໂຫຍດ, ອຸປະກອນຂອງພວກເຂົາມັກຈະເປັນຊັບສິນທີ່ສໍາຄັນທີ່ສຸດຂອງພວກເຂົາແລະຕ້ອງການການດູແລຢ່າງຕໍ່ເນື່ອງ, ລະມັດລະວັງ. ການປະຕິບັດການຮັກສານີ້ແມ່ນຂຶ້ນກັບຂໍ້ມູນຢ່າງຕໍ່ເນື່ອງ (ໂດຍປົກກະຕິໃນຮູບແບບຂອງຮູບພາບ) ທີ່ອຸປະກອນຕ່າງໆສາມາດວິເຄາະເພື່ອກວດພົບຄວາມຜິດປົກກະຕິຂອງການດໍາເນີນງານ. ການຮວບຮວມຂໍ້ມູນນັ້ນແມ່ນເຮັດໄດ້ໃນຫຼາຍວິທີ, ຈາກ drones ແລະເຮືອບິນທີ່ມີປີກຄົງທີ່, ໄປຫາຄົນງານຍ່າງຕາມທາງຮ່າງກາຍ. ແລະດ້ວຍເທັກໂນໂລຍີໃໝ່ໆເຊັ່ນ UAVs/drones ແລະກ້ອງຖ່າຍຮູບ helicopter ທີ່ມີຄວາມລະອຽດສູງ, ຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍໄດ້ເພີ່ມຂຶ້ນຕາມທາງດາລາສາດ. ພວກເຮົາຮູ້ຈາກການສົນທະນາຂອງພວກເຮົາກັບບໍລິສັດຜົນປະໂຫຍດຈໍານວນຫຼາຍວ່າ Utilities ກໍາລັງລວບລວມຂໍ້ມູນ 5-10X ຂອງຈໍານວນຂໍ້ມູນທີ່ພວກເຂົາເກັບກໍາໃນຊຸມປີທີ່ຜ່ານມາ.
ຂໍ້ມູນທັງໝົດນີ້ເຮັດໃຫ້ວົງຈອນການເຮັດວຽກຂອງການກວດສອບຊ້າລົງ. ໂດຍສະເລ່ຍ, ສາທາລະນະສຸກໃຊ້ເວລາເທົ່າກັບ 6-8 ເດືອນຂອງຊົ່ວໂມງແຮງງານຕໍ່ປີການວິເຄາະຂໍ້ມູນການກວດກາ. (ສະຫນອງໃຫ້ໂດຍການສໍາພາດລູກຄ້າຂອງ West Coast utility ຈາກການເກັບລວບລວມຮູບພາບ 10M ຕໍ່ປີ) ເຫດຜົນອັນໃຫຍ່ຫຼວງສໍາລັບ glut ແມ່ນວ່າການວິເຄາະນີ້ຍັງເຮັດດ້ວຍຕົນເອງເປັນສ່ວນໃຫຍ່, ແລະເມື່ອບໍລິສັດເກັບກໍາຮູບພາບການກວດກາຫຼາຍລ້ານໃນແຕ່ລະປີ, ຂະບວນການດັ່ງກ່າວກາຍເປັນທໍາມະຊາດທີ່ບໍ່ມີຂະຫນາດ. ການວິເຄາະສໍາລັບຄວາມຜິດປົກກະຕິແມ່ນໃຊ້ເວລາຫຼາຍໃນຄວາມຈິງທີ່ວ່າຂໍ້ມູນສ່ວນໃຫຍ່ລ້າສະໄຫມໂດຍເວລາທີ່ມັນຖືກທົບທວນຕົວຈິງ, ນໍາໄປສູ່ຂໍ້ມູນທີ່ບໍ່ຖືກຕ້ອງທີ່ດີທີ່ສຸດແລະການກວດກາຄືນໃຫມ່ຫຼືສະພາບອັນຕະລາຍທີ່ຮ້າຍແຮງທີ່ສຸດ. ນີ້ແມ່ນບັນຫາໃຫຍ່, ມີຄວາມສ່ຽງສູງ. ນັກວິເຄາະຄາດຄະເນ ຂະແໜງການໄຟຟ້າໄດ້ສູນເສຍ 170 ຕື້ໂດລາໃນແຕ່ລະປີ ຍ້ອນເຄືອຂ່າຍລົ້ມເຫຼວ, ການປິດການບັງຄັບ, ແລະໄພພິບັດອັນໃຫຍ່ຫຼວງ.
ການກໍ່ສ້າງຜົນປະໂຫຍດຂອງອະນາຄົດດ້ວຍການກວດກາໂຄງສ້າງພື້ນຖານທີ່ຂັບເຄື່ອນດ້ວຍ AI
ການເຮັດໃຫ້ຕາໜ່າງຂອງພວກເຮົາມີຄວາມໜ້າເຊື່ອຖື ແລະ ຢືດຢຸ່ນຫຼາຍຂຶ້ນຈະຕ້ອງໃຊ້ສອງຢ່າງ – ເງິນ ແລະ ເວລາ. ໂຊກດີທີ່ນີ້ແມ່ນບ່ອນທີ່ເຕັກໂນໂລຢີແລະນະວັດກໍາໃຫມ່ສາມາດຊ່ວຍປັບປຸງຂະບວນການກວດກາ. ຜົນກະທົບຂອງປັນຍາປະດິດ (AI) ແລະການຮຽນຮູ້ເຄື່ອງຈັກ (ML) ໃນຂະແຫນງການສາທາລະນູປະໂພກບໍ່ສາມາດເວົ້າເກີນ. AI/ML ແມ່ນຖືກຕ້ອງຢູ່ເຮືອນໃນສະພາບແວດລ້ອມທີ່ອຸດົມສົມບູນຂອງຂໍ້ມູນນີ້, ແລະຍ້ອນວ່າປະລິມານຂອງຂໍ້ມູນມີຂະຫນາດໃຫຍ່, ຄວາມສາມາດຂອງ AI ໃນການແປພູເຂົາຂອງຂໍ້ມູນເຂົ້າໄປໃນຄວາມເຂົ້າໃຈທີ່ມີຄວາມຫມາຍຈະດີຂຶ້ນ. ອີງຕາມ Utility Dive, ມີ "ຂໍ້ຕົກລົງຢ່າງກວ້າງຂວາງໃນອຸດສາຫະກໍາທີ່ [AI / ML] ມີທ່າແຮງທີ່ຈະກໍານົດອຸປະກອນທີ່ມີຄວາມສ່ຽງຕໍ່ຄວາມລົ້ມເຫຼວໃນລັກສະນະທີ່ໄວແລະປອດໄພກວ່າວິທີການປະຈຸບັນ" ເຊິ່ງອີງໃສ່ການກວດກາຄູ່ມື.
ໃນຂະນະທີ່ສັນຍາຂອງເທກໂນໂລຍີນີ້ບໍ່ມີຂໍ້ໂຕ້ແຍ້ງ, ການສ້າງໂຄງການ AI / ML ທີ່ປັບແຕ່ງເອງພາຍໃນເຮືອນແມ່ນຂະບວນການທີ່ຊ້າ, ໃຊ້ແຮງງານຫຼາຍທີ່ເຕັມໄປດ້ວຍຄວາມສັບສົນແລະອຸປະສັກ. ສິ່ງທ້າທາຍເຫຼົ່ານີ້ໄດ້ເຮັດໃຫ້ບໍລິສັດຜົນປະໂຫຍດຈໍານວນຫຼາຍຊອກຫາການສະຫນັບສະຫນູນເພີ່ມເຕີມຈາກທີ່ປຶກສາແລະຜູ້ຂາຍພາຍນອກ.
3 ສິ່ງທີ່ຄວນພິຈາລະນາເມື່ອປະເມີນທ່າແຮງ AI/ML Partner
ເມື່ອຊອກຫາຄູ່ຮ່ວມງານ AI / ML, ການກະທໍາແມ່ນສໍາຄັນກວ່າຄໍາເວົ້າ. ມີຫຼາຍບໍລິສັດທີ່ຫຼອກລວງຢູ່ບ່ອນນັ້ນທີ່ອາດຈະສັນຍາກັບດວງຈັນ, ແຕ່ຜູ້ນໍາດ້ານຜົນປະໂຫຍດຄວນເຈາະລົງໃນຕົວຊີ້ວັດທີ່ສໍາຄັນຈໍານວນຫນຶ່ງເພື່ອປະເມີນຜົນກະທົບຢ່າງຖືກຕ້ອງ. ໃນບັນດາສິ່ງທີ່ສໍາຄັນທີ່ສຸດແມ່ນວິທີທີ່ຜູ້ຂາຍອະທິບາຍ / ຈັດສົ່ງ:
ການຂະຫຍາຍຕົວຂອງຕົວແບບໃນໄລຍະເວລາ - ການສ້າງຊຸດຂໍ້ມູນທີ່ແຕກຕ່າງກັນ (ຂໍ້ມູນທີ່ມີຄວາມຜິດປົກກະຕິຫຼາຍໃນການວິເຄາະ) ໃຊ້ເວລາຫຼາຍ (ເລື້ອຍໆຫຼາຍປີ) ແລະບາງປະເພດຂອງຄວາມຜິດປົກກະຕິບໍ່ໄດ້ເກີດຂື້ນກັບຄວາມຖີ່ສູງພຽງພໍທີ່ຈະຝຶກອົບຮົມແບບຈໍາລອງ AI ທີ່ປະສົບຜົນສໍາເລັດ. ຕົວຢ່າງ, ການຝຶກອົບຮົມສູດການຄິດໄລ່ເພື່ອສັງເກດສິ່ງຕ່າງໆເຊັ່ນ: ການເນົ່າເປື່ອຍ, ຂຸມ pecker, ຫຼື dampers rusted ສາມາດເປັນສິ່ງທ້າທາຍຖ້າຫາກວ່າພວກມັນບໍ່ເກີດຂຶ້ນເລື້ອຍໆໃນພາກພື້ນຂອງທ່ານ. ດັ່ງນັ້ນ, ໃຫ້ແນ່ໃຈວ່າຈະຖາມຜູ້ຂາຍ AI / ML ບໍ່ພຽງແຕ່ກ່ຽວກັບປະລິມານຂອງຊຸດຂໍ້ມູນຂອງພວກເຂົາ, ແຕ່ຍັງມີຄຸນນະພາບແລະຄວາມຫລາກຫລາຍຂອງພວກເຂົາ.
ຄວາມໄວ - ເວລາແມ່ນເງິນ, ແລະຜູ້ຂາຍ AI / ML ທີ່ມີຊື່ສຽງຄວນຈະສາມາດສະແດງໃຫ້ເຫັນຢ່າງຊັດເຈນວ່າການສະເຫນີຂອງພວກເຂົາເລັ່ງຂະບວນການກວດສອບແນວໃດ. ຍົກຕົວຢ່າງ, Buzz Solutions ຮ່ວມມືກັບອົງການພະລັງງານນິວຢອກ (NYPA) ເພື່ອຈັດສົ່ງແພລະຕະຟອມທີ່ອີງໃສ່ AI ທີ່ຖືກອອກແບບມາເພື່ອຫຼຸດຜ່ອນເວລາທີ່ຈໍາເປັນສໍາລັບການກວດກາແລະການວິເຄາະຢ່າງຫຼວງຫຼາຍ. ຜົນໄດ້ຮັບແມ່ນໂຄງການທີ່ສາມາດວິເຄາະຮູບພາບຊັບສິນເປັນຊົ່ວໂມງຫຼືມື້, ແທນທີ່ຈະເປັນເດືອນທີ່ມັນປະຕິບັດກ່ອນ. ການປະຫຍັດເວລານີ້ອະນຸຍາດໃຫ້ກຸ່ມບໍາລຸງຮັກສາ NYPA ບູລິມະສິດການສ້ອມແປງແລະຫຼຸດຜ່ອນທ່າແຮງຂອງຄວາມລົ້ມເຫຼວ.
ຄຸນນະພາບ/ຄວາມຖືກຕ້ອງ – ໃນເມື່ອບໍ່ມີຂໍ້ມູນຕົວຈິງສຳລັບບັນດາໂຄງການ AI/ML, ບາງເທື່ອບໍລິສັດຈະເພີ່ມຂໍ້ມູນສັງເຄາະ (ເຊັ່ນ: ຂໍ້ມູນທີ່ຖືກສ້າງຂື້ນໂດຍລະບົບຄອມພິວເຕີ) ເພື່ອຕື່ມຂໍ້ມູນໃສ່ຊ່ອງຫວ່າງ. ມັນເປັນການປະຕິບັດທີ່ນິຍົມ, ແລະ ນັກວິເຄາະຄາດຄະເນ ວ່າ 60% ຂອງຂໍ້ມູນທັງຫມົດທີ່ໃຊ້ໃນການພັດທະນາ AI ຈະຖືກສັງເຄາະ (ແທນທີ່ຈະເປັນຈິງ) ພາຍໃນປີ 2024. ແຕ່ໃນຂະນະທີ່ຂໍ້ມູນສັງເຄາະແມ່ນດີສໍາລັບສະຖານະການທາງທິດສະດີ, ມັນບໍ່ໄດ້ປະຕິບັດໄດ້ດີໃນສະພາບແວດລ້ອມທີ່ແທ້ຈິງທີ່ທ່ານຕ້ອງການ. ຂໍ້ມູນໂລກທີ່ແທ້ຈິງ (ແລະ ມະນຸດໃນວົງ interventions) ເພື່ອແກ້ໄຂຕົນເອງ. ພິຈາລະນາຖາມຜູ້ຂາຍສໍາລັບການປະສົມຂອງຂໍ້ມູນທີ່ແທ້ຈິງທຽບກັບຂໍ້ມູນສັງເຄາະເພື່ອຮັບປະກັນການແບ່ງສ່ວນທີ່ມີຄວາມຫມາຍ.
ແລະຈື່ໄວ້ວ່າ, ວຽກງານຈະບໍ່ສິ້ນສຸດເມື່ອທ່ານເລືອກຄູ່ຂອງເຈົ້າ. ແນວຄວາມຄິດໃຫມ່ຈາກ Gartner ແມ່ນຖືເປັນປະຈໍາ "AI Bake-Off” ເຫດການ - ອະທິບາຍວ່າເປັນ "ກອງປະຊຸມທີ່ມີຂໍ້ມູນໄວ, ຊ່ວຍໃຫ້ທ່ານເຫັນຜູ້ຂາຍຂ້າງຄຽງໂດຍໃຊ້ສະຄິບ demos ແລະຊຸດຂໍ້ມູນທົ່ວໄປໃນການຕັ້ງຄ່າທີ່ຄວບຄຸມ" ເພື່ອປະເມີນຈຸດແຂງແລະຈຸດອ່ອນຂອງແຕ່ລະຄົນ. ຂະບວນການນີ້ສ້າງຕົວຊີ້ບອກທີ່ຊັດເຈນທີ່ກ່ຽວຂ້ອງກັບການຂະຫຍາຍຂະຫນາດແລະຄວາມຫນ້າເຊື່ອຖືຂອງ AI / ML algorithms ທີ່ສອດຄ່ອງກັບເປົ້າຫມາຍທຸລະກິດທີ່ເປັນປະໂຫຍດ.
ເສີມສ້າງອະນາຄົດຂອງອຸດສາຫະກຳອຸປະໂພກ
ຈາກການເຊື່ອມໂຍງການເຮັດວຽກທີ່ມີປະສິດທິພາບຫຼາຍຂຶ້ນໄປສູ່ການກວດພົບຄວາມຜິດປົກກະຕິຂອງ AI ທີ່ຊັບຊ້ອນ, ອຸດສາຫະກໍາຜົນປະໂຫຍດແມ່ນຢູ່ໃນເສັ້ນທາງທີ່ສົດໃສກວ່າແຕ່ສອງສາມປີກ່ອນ. ນະວັດຕະກໍານີ້ຈະຕ້ອງສືບຕໍ່ສືບຕໍ່, ໂດຍສະເພາະຍ້ອນວ່າຄໍາສັ່ງກວດກາ T&D ຖືກກໍານົດໃຫ້ເພີ່ມຂຶ້ນສອງເທົ່າໃນປີ 2030 ແລະ. ລັດຖະບານປະກາດການຮັກສາພື້ນຖານໂຄງລ່າງພະລັງງານແລະການປ້ອງກັນປະເທດ ເປັນບູລິມະສິດດ້ານຄວາມປອດໄພແຫ່ງຊາດ.
ຍັງມີວຽກຕໍ່ໄປອີກ, ແຕ່ມື້ຫນຶ່ງພວກເຮົາຈະເບິ່ງຄືນເວລານີ້ເປັນຊ່ວງເວລານ້ໍາ, ເປັນຊ່ວງເວລາທີ່ຜູ້ນໍາອຸດສາຫະກໍາໄດ້ກ້າວໄປສູ່ການລົງທຶນໃນອະນາຄົດຂອງຕາຂ່າຍໄຟຟ້າຂອງພວກເຮົາແລະນໍາເອົາຜົນປະໂຫຍດໄປສູ່ຍຸກທີ່ທັນສະໄຫມ.