Dave Boundy er CTO i Innowatts – Intervju-serie

Dave Boundy er CTO i Innowatts, en ledende leverandør av AI-dataanalyse. SaaS-plattformen gir bedrifter de dataene de trenger for å bli mer prediktive, proaktive og knyttet til kundene og tariffkundene, og hjelper dem med å bedre håndtere risiko, forbedre lønnsomheten, opprettholde nettverksstabilitet og forutse bærekraftstrender.

David har over 20 års erfaring fra IoT- og energibransjen. Hans karriere har omfattet enterprise IT, produktutvikling, forskning og innovasjon samt nye bedriftsstart. Før han begynte i sin nåværende stilling, etablerte og ledet han Intels globale energiløsninger, og leverte maskinlæring og kunstig intelligens-løsninger til kunder over hele verden. David har flere patenter og sitter i flere råd.

Hva er Innowatts?

Innowatts er et nytt energiselskap som fokuserer på å forbedre kundenes bruttomarginer samtidig som de øker adopsjonen av fornybar energi. Vi gjør dette ved å analysere store mengder data for å låse opp handlebare innsikter. Selv om vi er et B2B-selskap, tilbyr vi både B2B- og B2C-tjenester gjennom våre kunder til deres sluttbrukere. Vi tar måledata fra et hjem eller bedrift, eller innenfor nettverket, og kombinerer det med mange andre datasæt, inkludert sosioøkonomiske data, CRM-data og risikostyringsdata.

Vår AI-baserte analytikk-motor leverer innsikter som spenner fra forbruker-nivå-prognoser til å dele opp nåværende og fremtidig energiforbruk. Gjennom dette kan vi identifisere potensielle produkter som passer til enhver forbruker. Vi tilbyr også detaljhandelskunder tjenester som for eksempel identifisering av det optimale tariffmodellen for å maksimere deres bruttomarginer.

Til slutt støtter vi nettverksoperatører og utilities for å hjelpe dem med å planlegge for fremtiden. Det er essensielt at de forstår hvor endringer skjer, så de kan optimalisere aktivene og redusere prisene for forbrukerne.

Hvilke typer maskinlærings-teknologier brukes i Innowatts?

Vi hjelper maskiner med å tenke mer som mennesker, samtidig som de kan skaleres og håndtere svært store datasæt. Vi har over 43 millioner målepunkter under forvaltning, og vi håndterer milliarder av datapunkter hver time over flere geografier og kunder. I det overvåkede området bruker vi en rekke modeller, inkludert lineær regresjon, beslutningstre og andre; i det uovervåkede området inkluderer eksempler ensemble-modeller, neurale nettverk og tilfeldige skoger.

Vår bruk av en rekke modeller er sentral for styrken i vårt produkt — vi kan identifisere den riktige modellen for hver kunde i hver gitt situasjon. Vi kan faktisk bryte det ned til måle-nivå. Det er det som virkelig posisjonerer oss som en ledende aktør i dette området.

Hvorfor er energiovervåking viktig for energidetaljister?

Kosten for å tilegne seg en kunde er ofte to til tre ganger marginen som en detaljist tjener på den kunden i løpet av et år. Det betyr at det tar to til tre år å tjene inn kunde-tilkjøpskostnadene, så det er veldig viktig å beholde hver enkelt kunde.

Vi hjelper detaljister med å oppnå dette ved å gi dem muligheten til å differensiere. Vi tilbyr prognoser og muligheten til å definere og utvikle tid-av-bruk-tariffer for å tilpasse produktet til kundene. Vi kan også tilby risikostyrings- og prisplattformer, samt muligheten til å identifisere de beste kundene i hvert område. Vi kan også identifisere hvilke kunder som er best egnet til bestemte produkter. Alt dette bidrar til en mer overbevisende og kostnadseffektiv tjeneste for kundene, og øker både tilegnings- og beholdningsinnsatsen.

Hva er noen av de viktigste innsiktene som kan hentes fra å studere energiforbruk?

Forestall at du nylig kjøpte en elbil. Våre modeller kan detektere det, og din strømleverandør kan automatisk sende oss tilpassede kommunikasjoner og målrettede tjenester som er relevante for din status som ny elbil-eier — kanskje en annen tariff, et nytt forsikringsprodukt eller et servicprodukt.

Liknende kan vi identifisere og proaktivt varsle deg, basert på ditt energiforbruk de siste 15 dagene, at vi projiserer at ditt forbruk de neste 30 dagene vil være mye høyere enn normalt av en bestemt grunn. Vi kan deretter arbeide med deg for å foreta forebyggende handlinger for å unngå en overraskende regning. Dette er bare noen eksempler på den type engasjementer vi kan levere.

Våre prognose-egenskaper er også ekstremt kraftfulle. Nylige hendelser i Texas gjorde at prognosene ble svært vanskelige, fordi det var en fullstendig ny scenario. Men våre prognoser var 20% til 40% mer nøyaktige enn våre konkurrenters, så våre kunder var mye bedre forberedt på avbruddet. Ved å bruke våre prognoser som en del av deres hedging-strategi, var de mye bedre posisjonert da energiprisene steg til 9 000 dollar per megawatt-time. Besparelsene for dem har vært betydelige. Det faktum at våre modeller tilpasser seg raskt til endrede situasjoner, gjør også at våre kunder kan prognostisere og bytte effektivt i svært volatile situasjoner, selv midt i rullende blackouts.

Dette nivået av overvåking og tolkning av energidata er stadig viktigere. Mange detaljister vil gå konkurs, og de store detaljistene har sikret seg sine behov på markedet opp til et år, kanskje lengre. Avhengig av deres strategi og risikoprofil, kan de ha kjøpt 50% av den nødvendige energien de trengte i løpet av den siste uken. De ville ha prøvd å øke denne prosenten ettersom risikoprofilen og energiprisen økte. De ville ha sikret seg mer, men til slutt ville de ha gått inn på det reelle markedet for å kjøpe kraft. De måtte gjøre det til gjennomsnittsprisen for det siste året, som har vært omkring 25 dollar per megawatt-time. Nå går de inn på markedet for å kjøpe til 9 000 dollar per megawatt-time. Så kostnadene for detaljisten er enorme, det er deres års gevinster som forsvinner på en ettermiddag.

Hvor kan denne informasjonen brukes til å påvirke bruk for grønnere energi?

Historisk sett har nettverket vært etterspørselsdrevet — når etterspørselen økte, bygde operatørene flere kraftverk, la inn flere kabler, brente mer brennstoff. Vi er nå i en overgangsfase hvor vi går over til et tilbudsdrevet nett. Ettersom vi går over til fornybar energi, må vi kunne håndtere tilbudssiden. I den nye verden kommer tilbud når vinden blåser eller solen skinner. Vi vil også se en stor økning i etterspørsel på grunn av elektrifisering av transport og varme.

Hva vi gjør for våre kunder, er å analysere hvordan forbrukerne bruker energi. Vi starter med å se på hvor mye av deres belastning som er det vi kaller “base load”. Det er noen ting som kan gjøres for å oppmuntre folk til å redusere det, men generelt sett er det fast. Vi kan identifisere de som er følsomme for værforhold, vi kan identifisere hjem som kunne ha nytte av termiske inngrep — isolasjon eller innsetting av en termostat.

Men vi kan også identifisere tidssensitive belastninger, som er en indikator for atferd. Uten å bli for invasive, kan vi se hjemmebasert atferd. For eksempel kan du rådgive en kunde om at de kanskje ønsker å vurdere å kjøle eller varme hjemmet sitt på en annen tid for å gjøre det mer komfortabelt, spare penger eller maksimere bruken av grønn energi.

Vi kan også bruke proaktive, etterspørselsstyringsstrategier for å tilpasse forbruket til tilgjengeligheten av fornybar energi uten å negativt påvirke brukerens erfaring. For eksempel kan du vanligvis plugge inn bilen din kl. 19 og plugge den ut kl. 07. Vi kan sende en etterspørselsstyrings-signal til ladepunktene for å bestemme timene når bilen faktisk lades, for å optimalisere bruken av fornybar energi.

I 2020 kunngjorde Innowatts at de hadde overgått fem andre energiprognoser på de fleste målinger i en uavhengig prøve. Hvor verdifullt er det å kunne prognostisere med så høy nøyaktighet?

Situasjonen i Texas viste kostnadene ved uakkurate prognoser. Hvis en detaljist ser på en potensiell halv milliard dollar i tap, så kan våre prognoser — som er 20% til 40% mer nøyaktige enn konkurrentene — konservativt spare dem over 100 millioner dollar. Dette er en ekstrem situasjon, men vår granulære tilnærming gjør at kundene våre kommer ut foran hele året, selv uten ekstreme fluktuasjoner.

For eksempel støtter vi en leverandør i Europa med både kommersielle og industrielle kunder. De har forsøkt i årevis å få proaktive varsler om når kundene deres skal utføre handlinger — når de skal øke eller redusere kraftforbruket — men de har ikke vært suksessfulle. Vi har kunnet prognostisere for dem med 15-minutters intervaller for hver av deres kommersielle og industrielle kunder, og lar dem forutse endringer i belastning og ta smartere kjøpsbeslutninger på et svært granulært nivå — og det betyr at de kan spare betydelige summer.

Hva er fremtiden for data-vitenskap og maskinlæring i denne sektoren?

Som jeg nevnte, håndterer vi svært store datasæt. Ettersom vi får mer data og mer granulært data, vil vi kunne slutte og slutte mer informasjon — og ettersom datamaskinkraften øker, vil vi kunne prosessere dataene raskere for å levere kraftfulle innsikter. De matematiske prinsippene endrer seg ikke, men vår økende evne til å bruke kompleks matematikk i stor skala vil gjøre disse evnene stadig mer effektive, innflytelsesrike og rimelige over de neste årene. Til slutt vil dette støtte bevegelsen mot et avkarbonisert nett.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Innowatts.