Realių partnerysčių paieška: kaip komunalinių paslaugų įmonės vertina dirbtinio intelekto pardavėjus

Energetikos pasaulyje vyksta didžiuliai pokyčiai, pergalvojamos sistemos, sukurtos daugiau nei prieš šimtmetį, kad būtų vietos pažangesnėms, švaresnėms technologijoms. Tai įdomus laikas – beveik kiekviena pramonė tam tikru būdu elektrifikuojasi, elektra varomos transporto priemonės (EV) vis labiau įsitvirtina rinkoje ir vyksta aktyvus perėjimas prie paskirstytų energijos išteklių (DER), „mažos apimties energijos išteklių“, paprastai esančių netoli objektų, rėmimo. elektros energijos, pvz., stogo saulės baterijų ir baterijų saugyklos. Pastarasis yra didelis dalykas, ir kaip Tarptautinė energetikos asociacija (IEA) pažymi, kad sparti DER plėtra „pakeis ne tik elektros gamybos būdą, bet ir prekybos, tiekimo ir vartojimo būdus“.

Stebėtojui visas šis pokytis yra teigiamas, tvarus ir seniai laukiamas. Tačiau praktiškai spartus atsinaujinančios energijos įsibėgėjimas ir elektrifikacija sukuria papildomą įtampą ir įtempia mūsų tinklo ribas. Kartu su spaudimu iš atsinaujinančių energijos šaltinių pasaulio elektros sistemos taip pat susiduria su kritiniais iššūkiais dėl ekstremalių oro reiškinių, susijusių su besitęsiančia klimato kaita – sausros Europoje, karščio bangos Indijoje, smarkios žiemos audros JAV – dėl to eksponentiškai padaugėja patikrinimų ir priežiūros. , ir remonto išlaidas. Komunalinių paslaugų sektoriaus lyderiai dabar lazeriu orientuojasi į tinklo modernizavimo, patikimumo ir atsparumo didinimą.

Nufotografuokite, tai truks ilgiau

Komunalinių paslaugų įmonėms jų įranga dažnai yra svarbiausias turtas ir reikalauja nuolatinės, kruopščios priežiūros. Šios priežiūros atlikimas priklauso nuo pastovaus duomenų srauto (dažniausiai vaizdų pavidalu), kurį komunalinės paslaugos gali analizuoti, kad nustatytų veikimo anomalijas. Šie duomenys renkami įvairiais būdais: nuo dronų ir fiksuotų sparnų orlaivių iki darbuotojų, kurie fiziškai vaikšto vietoje. O naudojant naujas technologijas, tokias kaip UAV/dronai ir didelės raiškos sraigtasparnių kameros, duomenų kiekis astronomiškai išaugo. Iš pokalbių su daugeliu komunalinių paslaugų įmonių žinome, kad komunalinės paslaugos dabar surenka 5–10 kartų daugiau duomenų, nei surinko pastaraisiais metais.

Visi šie duomenys dar labiau sulėtina ir taip lėtą patikrinimų ciklą. Vidutiniškai komunalinių paslaugų įmonės per metus nagrinėdamos patikrinimų duomenis išleidžia 6–8 mėnesių darbo valandų ekvivalentą. (Pateikiamas Vakarų pakrantės komunalinių paslaugų klientų interviu iš komunalinių paslaugų, renkančių 10 mln. vaizdų per metus) Didelė šio pertekliaus priežastis yra ta, kad ši analizė vis dar daugiausia atliekama rankiniu būdu, o kai įmonė kasmet užfiksuoja milijonus tikrinimo vaizdų, procesas tampa beprotiškai nepakeičiamas. Anomalijų analizė iš tikrųjų užima tiek daug laiko, kad dauguma duomenų yra pasenę iki to laiko, kai jie faktiškai peržiūrimi, todėl geriausiu atveju gaunama netiksli informacija, o blogiausiu atveju - pakartotiniai patikrinimai arba pavojingos sąlygos. Tai didelė problema su didele rizika. Analitikai apskaičiavo kad energetikos sektorius kasmet praranda 170 milijardų dolerių dėl tinklo gedimų, priverstinių išjungimų ir masinių nelaimių.

Ateities naudingumo kūrimas naudojant dirbtinio intelekto infrastruktūros patikrinimus

Kad mūsų tinklas taptų patikimesnis ir atsparesnis, reikės dviejų dalykų – pinigų ir laiko. Laimei, čia naujos technologijos ir naujovės gali padėti supaprastinti tikrinimo procesą. Dirbtinio intelekto (AI) ir mašininio mokymosi (ML) poveikio komunalinių paslaugų sektoriui negalima pervertinti. AI / ML yra kaip namie šioje duomenų turtingoje aplinkoje, o didėjant duomenų kiekiui, AI gebėjimas paversti kalnus informacijos prasmingomis įžvalgomis gerėja. Pagal Utility Dive, pramonėje jau sutariama, kad [AI/ML] gali identifikuoti įrangą, kuriai gresia gedimas, daug greičiau ir saugesniu būdu nei dabartinis metodas, pagrįstas tikrinimais rankiniu būdu.

Nors šios technologijos pažadas yra neginčijamas, savo individualizuotos AI/ML programos kūrimas namuose yra lėtas, daug darbo reikalaujantis procesas, kupinas komplikacijų ir kliūčių. Dėl šių iššūkių daugelis komunalinių paslaugų įmonių ieškojo papildomos išorės konsultantų ir pardavėjų pagalbos.

3 dalykai, į kuriuos reikia atsižvelgti vertinant potencialų AI/ML partnerį

Ieškant AI/ML partnerio, veiksmai yra svarbesni nei žodžiai. Yra daug gudrių įmonių, kurios gali žadėti mėnulį, tačiau komunalinių paslaugų vadovai turėtų įsigilinti į keletą svarbių metrikų, kad galėtų tiksliai įvertinti poveikį. Vienas iš svarbiausių yra tai, kaip pardavėjas apibūdina / pristato:

Modelio augimas laikui bėgant – Įvairių duomenų rinkinių (duomenų, kuriuos reikia analizuoti daug anomalijų) kūrimas užtrunka daug laiko (dažnai kelerius metus), o tam tikrų tipų anomalijos neatsiranda pakankamai dažnai, kad būtų parengtas sėkmingas AI modelis. Pavyzdžiui, išlavinti algoritmą, kad būtų galima pastebėti tokius dalykus kaip puvinys, dygių skylės ar surūdijusios sklendės, gali būti sudėtinga, jei jų jūsų regione pasitaiko retai. Taigi, būtinai paklauskite AI/ML pardavėjo ne tik apie jų duomenų rinkinių kiekį, bet ir apie kokybę bei įvairovę.

Pagreitinti – Laikas yra pinigai, ir bet kuris patikimas AI/ML pardavėjas turėtų aiškiai parodyti, kaip jų pasiūlymas pagreitina tikrinimo procesą. Pavyzdžiui, „Buzz Solutions“ bendradarbiauja su Niujorko energijos tarnyba (NYPA) pristatyti dirbtiniu intelektu pagrįstą platformą, skirtą žymiai sutrumpinti tikrinimui ir analizei reikalingą laiką. Rezultatas buvo programa, kuri galėjo analizuoti išteklių vaizdus valandomis ar dienomis, o ne mėnesiais, kurie buvo padaryti prieš tai. Šis sutaupytas laikas leido NYPA techninės priežiūros grupėms teikti pirmenybę remontui ir sumažinti gedimų tikimybę.

Kokybė / tikslumas – Nesant tikrų AI/ML programų duomenų, įmonės kartais papildo sintetinius duomenis (ty duomenis, kurie buvo dirbtinai sukurti kompiuteriniais algoritmais), kad užpildytų spragas. Tai populiari praktika ir analitikai prognozuoja kad 60 % visų duomenų, naudojamų kuriant dirbtinį intelektą, jau 2024 m. bus sintetiniai (o ne tikri). Tačiau nors sintetiniai duomenys yra tinkami teoriniams scenarijams, jie neveikia gerai realioje aplinkoje, kur jums to reikia. realaus pasaulio duomenis (ir žmogus kilpoje intervencijos) pataisyti save. Apsvarstykite galimybę paprašyti pardavėjo pateikti tikrų ir sintetinių duomenų derinį, kad įsitikintumėte, jog padalijimas yra prasmingas.

Ir atminkite, kad darbas nesibaigia, kai išsirinksite partnerį. Nauja Gartner idėja nuolat vyksta “AI Bake-Off“ įvykiai – apibūdinami kaip „greitai vykstantys, informatyvūs seansai, leidžiantys greta matyti pardavėjus naudojant scenarijaus demonstracines versijas ir bendrą duomenų rinkinį kontroliuojamoje aplinkoje“, siekiant įvertinti kiekvieno stipriąsias ir silpnąsias puses. Šis procesas nustato aiškią metriką, tiesiogiai susijusią su AI / ML algoritmų masteliu ir patikimumu, kurie vėliau suderinami su komunalinių paslaugų verslo tikslais.

Komunalinių paslaugų pramonės ateitis

Nuo efektyvesnės darbo eigos integravimo iki sudėtingo AI anomalijų aptikimo – komunalinių paslaugų pramonė žengia daug šviesesniu keliu nei prieš keletą metų. Tačiau šią naujovę reikės tęsti, ypač dėl to, kad iki 2030 m. T&D tikrinimo įgaliojimai padvigubės ir Vyriausybė paskelbė energetikos infrastruktūros priežiūrą ir gynybą kaip svarbiausius nacionalinio saugumo prioritetus.

Laukia dar daugiau darbo, bet vieną dieną pažvelgsime į šį laikotarpį kaip į takoskyros laikotarpį, kai pramonės lyderiai suaktyvino investicijas į mūsų energijos tinklo ateitį ir į šiuolaikinę erą įtraukė komunalines paslaugas.