Dave Boundy jest CTO w Innowatts – seria wywiadów

Dave Boundy jest CTO w Innowatts, liderze w dziedzinie analityki danych AI. Platforma SaaS dostarcza firmom danych niezbędnych do tego, aby były bardziej przewidywalne, proaktywne i połączone z ich klientami i odbiorcami, pomagając im lepiej zarządzać ryzykiem, poprawiać zyski, utrzymywać niezawodność sieci i przewidywać trendy związane z zrównoważonym rozwojem.

David ma ponad 20-letnie doświadczenie w branży IoT i energetyki. Jego kariera obejmowała przedsiębiorstwa IT, rozwój produktów, badania i innowacje oraz nowe startupy. Przed objęciem obecnej funkcji założył i kierował globalnym biznesem Intel’s (INTC ) Global Energy Solutions, dostarczając rozwiązania oparte na maszynach i sztucznej inteligencji klientom na całym świecie. David jest współautorem kilku patentów i zasiada w kilku radach doradczych.

Czy mógłbyś opisać, czym jest Innowatts?

Innowatts to nowa firma energetyczna, której celem jest poprawa marż brutto naszych klientów oraz zwiększanie udziału odnawialnych źródeł energii. Robimy to, analizując duże ilości danych, aby uzyskać działające spostrzeżenia. Chociaż jesteśmy firmą B2B, oferujemy usługi B2B i B2C za pośrednictwem naszych klientów ich końcowym użytkownikom. Pobieramy dane z poziomu liczników w domu lub firmie, lub w sieci, i łączymy je z wieloma innymi zestawami danych, w tym z danymi społeczno-ekonomicznymi, danymi CRM i danymi zarządzania ryzykiem.

Nasze silniki analityczne oparte na AI dostarczają spostrzeżeń od prognozowania na poziomie konsumenta aż do rozłączania bieżącego i przyszłego zużycia energii. Dzięki temu możemy zidentyfikować potencjalne produkty dostosowane do każdego konsumenta. Oferujemy również detalistom usługi, takie jak identyfikacja optymalnego modelu taryfy w celu maksymalizacji ich marż brutto.

Wreszcie wspieramy operatorów sieci i przedsiębiorstwa energetyczne, aby pomóc im planować przyszłość. Jest to niezwykle ważne, aby zrozumieli, gdzie zachodzą zmiany, aby mogli zoptymalizować aktywa i obniżyć ceny dla konsumentów.

Jakie rodzaje technologii machine learning są wykorzystywane w Innowatts?

Podstawowo pomagamy maszynom myśleć w bardziej ludzkich sposób, jednocześnie pozwalając im na skalowanie i radzenie sobie z bardzo dużymi zbiorami danych. Zarządzamy ponad 43 milionami liczników i mamy do czynienia z miliardami punktów danych każdej godziny w wielu geograficznych lokalizacjach i u wielu klientów. W przestrzeni nadzorowanej wykorzystujemy różne modele, w tym regresję liniową, drzewa decyzyjne itp.; w przestrzeni nienadzorowanej przykładami są modele ensemble, sieci neuronowe i lasy losowe.

Nasze wykorzystanie różnych modeli jest kluczem do siły naszego produktu — możemy zidentyfikować odpowiedni model dla każdego klienta w każdej danej sytuacji. Możemy to nawet sprowadzić do poziomu licznika. To właśnie to położenie nas jako lidera w tej dziedzinie.

Dlaczego monitorowanie energii jest ważne dla detalistów energii?

Koszt pozyskania klienta jest często dwa do trzech razy większy niż marża, którą detalista uzyskuje od tego klienta w ciągu roku. Oznacza to, że zajmuje to dwa do trzech lat, aby odzyskać koszty pozyskania klienta, więc jest to bardzo ważne, aby utrzymać każdego klienta.

Pomagamy detalistom osiągnąć to, dając im możliwość różnicowania. Zapewniamy prognozy i możliwość definiowania i rozwijania taryf czasowych, aby dostosować ich produkt do klientów. Możemy również zapewnić platformy zarządzania ryzykiem i cenami, wraz z możliwością identyfikacji najlepszych konsumentów na każym terytorium. Możemy również zidentyfikować, którym klientom najlepiej odpowiadają określone produkty. To wszystko składa się na bardziej przekonywującą i efektywną usługę dla klientów, zwiększając zarówno pozyskiwanie, jak i utrzymanie klientów.

Jakie są niektóre z kluczowych spostrzeżeń, które można uzyskać z badania zużycia energii?

Wyobraź sobie, że niedawno kupiłeś samochód elektryczny. Nasze modele mogą wykryć to, pozwalając twojemu dostawcy energii automatycznie wysłać nasze specjalne komunikaty i ukierunkowane usługi odpowiednie dla twojego statusu jako nowego właściciela EV — być może inny model taryfy, nowy produkt ubezpieczeniowy lub produkt serwisowy.

Podobnie możemy zidentyfikować i proaktywnie powiadomić cię, na podstawie twojego zużycia energii w ciągu ostatnich 15 dni, że przewidujemy, iż twoje zużycie w ciągu następnych 30 dni będzie znacznie wyższe niż zwykle z powodu określonej przyczyny. Możemy wtedy współpracować z tobą, aby podjąć zapobiegawcze działania w celu uniknięcia szoku rachunkowego. To tylko kilka przykładów rodzaju zaangażowań, które możemy dostarczyć.

Nasze możliwości prognozowania są również niezwykle potężne. Ostatnie wydarzenia w Teksasie sprawiły, że prognozowanie było bardzo trudne, ponieważ była to całkowicie nowa sytuacja. Ale nasze prognozy były o 20% do 40% bardziej dokładne niż naszych konkurentów, więc nasi klienci byli znacznie lepiej przygotowani do perturbacji. Dzięki wykorzystaniu naszych prognoz jako części ich strategii zabezpieczeń byli znacznie lepiej przygotowani, gdy ceny energii osiągnęły 9 000 dolarów za megawatogodzinę. Oszczędności dla nich były znaczne. Fakt, że nasze modele szybko adaptują się do zmieniających się sytuacji, pozwala również naszym klientom skutecznie prognozować i licytować w sytuacjach o wysokiej zmienności, nawet podczas przerw w dostawie prądu.

Ten poziom monitorowania i interpretowania danych energetycznych staje się coraz bardziej istotny. Wiele detalistów będzie zmuszonych do ogłoszenia upadłości, a duzi detalści zabezpieczyli swoje potrzeby na rynku do roku, może dłużej. W zależności od ich strategii i profilu ryzyka mogli zdobyć 50% wymaganej energii w ciągu ostatniego tygodnia. Próbowaliby zwiększyć ten procent, gdy ryzyko i cena energii rosły. Zabezpieczaliby więcej, ale ostatecznie musieliby wejść na rynek w czasie rzeczywistym, aby kupić energię. Robiliby to po średniej cenie z ostatniego roku, która wynosiła około 25 dolarów za megawatogodzinę. Teraz, wchodząc na rynek, próbowaliby kupić po 9 000 dolarów za megawatogodzinę. Koszt dla detalisty jest ogromny, to ich roczne zyski stracone w ciągu popołudnia.

Jakie są niektóre sposoby, aby wykorzystać te informacje do wpływania na zużycie energii w kierunku zielonej energii?

Historycznie sieć była prowadzona przez popyt — gdy popyt rosł, operatorzy budowali więcej elektrowni, wkładali więcej kabli, spalali więcej paliwa. Teraz jesteśmy w fazie przejściowej, w której przechodzimy do sieci prowadzonej przez podaż. W miarę jak przechodzimy do odnawialnych źródeł energii, musimy umieć zarządzać stroną podaży. W nowym świecie podaż pojawia się, gdy wiatr wieje lub słońce świeci. Będziemy również świadkami ogromnego wzrostu popytu wynikającego z elektryfikacji transportu i ciepła.

Co robimy dla naszych klientów, to analizujemy, jak konsumenci używają energii. Zaczynamy od spojrzenia na to, jaki jest poziom ich obciążenia, który nazywamy „obciążeniem podstawowym”. Są rzeczy, które można zrobić, aby zachęcić ludzi do redukcji tego, ale ogólnie jest to stałe. Możemy zidentyfikować tych, którzy są podatni na warunki pogodowe, możemy zidentyfikować domy, które mogą skorzystać z interwencji termicznych — izolacji lub wstawienia termostatu.

Możemy również zidentyfikować obciążenia wrażliwe na czas, co jest wskaźnikiem zachowania. Bez wdawania się w zbyt inwazyjne sprawy, możemy zobaczyć zachowania w domu. Na przykład możemy doradzić klientowi, że może chcieć rozważyć schłodzenie lub ogrzanie domu w innym czasie, aby uczynić go bardziej komfortowym, zaoszczędzić pieniądze lub maksymalizować korzystanie z zielonej energii.

Możemy również wykorzystywać proaktywne strategie zarządzania popytem, aby dostosować konsumpcję do dostępności energii odnawialnej bez negatywnego wpływu na doświadczenie użytkownika. Na przykład, możesz regularnie podłączać swój samochód o 19:00 i odłączać go o 7:00 rano. Możemy wysłać sygnał zarządzania popytem do punktów ładowania, aby określić godziny, w których twój samochód jest ładowany, w celu optymalizacji korzystania z odnawialnych źródeł energii.

W 2020 roku Innowatts ogłosiło, że przewyższyło pięciu innych prognozistów energii w większości miar w niezależnym teście. Jak cenne jest to, aby móc prognozować z tak wysokim poziomem dokładności?

Sytuacja w Teksasie pokazała koszt niedokładnego prognozowania. Jeśli detalista patrzy na potencjalną stratę w wysokości pół miliarda dolarów, to nasze prognozy — które są o 20% do 40% bardziej dokładne niż konkurencji — mogłyby konserwatywnie zaoszczędzić im ponad 100 milionów dolarów. To jest skrajna sytuacja, ale nasze podejście granularne oznacza, że klienci wychodzą na plus przez cały rok, nawet bez ekstremalnej zmienności.

Na przykład wspieramy dostawcę w Europie z klientami komercyjnymi i przemysłowymi. Próbowali przez lata uzyskać proaktywne powiadomienia, kiedy ich klienci będą podejmować działania — kiedy zwiększą lub zmniejszą swoje zużycie energii — ale nie byli w stanie tego osiągnąć. Udało nam się prognozować dla nich w interwałach 15-minutowych dla każdego z ich klientów komercyjnych i przemysłowych, pozwalając im na przewidywanie zmian obciążenia i podejmowanie mądrzejszych decyzji zakupowych na bardzo granulowanym poziomie — i to oznacza, że są w stanie zaoszczędzić znaczne kwoty pieniędzy.

Jakie jest przyszłość nauki o danych i machine learning w tym sektorze?

Jak wspomniałem, mamy do czynienia z bardzo dużymi zbiorami danych. Im więcej danych będziemy mieli, i im bardziej granularne będą, tym więcej informacji będziemy mogli wyprowadzić — i im większa będzie moc obliczeniowa, tym szybciej będziemy mogli przetwarzać te dane, aby dostarczyć potężne spostrzeżenia. Zasady matematyczne nie zmieniają się, ale nasza rosnąca zdolność do stosowania złożonej matematyki w skali sprawi, że te możliwości staną się coraz bardziej skuteczne, wpływowe i przystępne w ciągu najbliższych kilku lat. Ostatecznie to wesprze dążenie do zdekaronizowanej sieci.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Innowatts.