Нахождение реальных партнерств: как компании коммунальных услуг оценивают поставщиков искусственного интеллекта

Мир энергетики претерпевает огромные изменения, переосмысливая системы, разработанные более века назад, чтобы освободить место для роста более умных и чистых технологий. Это интересное время – практически каждая отрасль электрифицируется каким-то образом, электромобили (ЭМ) набирают рыночную долю, и происходит активный переход к поддержке распределенных энергетических ресурсов (ДЭР), “малых энергетических ресурсов” обычно расположенных рядом с местами потребления электроэнергии, таких как солнечные панели на крышах и аккумуляторы. Последнее очень важно, и, как отмечает Международное энергетическое агентство (МЭА), быстрое расширение ДЭР “превратит не только способ генерации электроэнергии, но и то, как она торгуется, доставляется и потребляется” в будущем.

Для наблюдателя, все эти изменения положительны, устойчивы и давно назрели. Но на практике, быстрое ускорение возобновляемой энергетики и электрификации создает дополнительную нагрузку и напрягает пределы нашей сети. Вместе с давлением со стороны возобновляемых источников энергии, системы электроснабжения мира также сталкиваются с критическими проблемами, связанными с экстремальными погодными явлениями, вызванными продолжающимся изменением климата – засухами в Европе, жарой в Индии, сильными зимними бурями в США – все это приводит к экспоненциальному росту затрат на осмотр, техническое обслуживание и ремонт. Лидеры сектора коммунальных услуг теперь сосредоточены на увеличении модернизации, надежности и устойчивости сети.

Сделайте фотографию, она продлится дольше

Для компаний коммунальных услуг их оборудование часто является их наиболее важным активом и требует постоянного, тщательного ухода. Выполнение этого ухода зависит от постоянного потока данных (обычно в виде изображений), которые коммунальные услуги могут проанализировать, чтобы обнаружить операционные аномалии. Сбор этих данных осуществляется различными способами, от беспилотников и самолетов с фиксированным крылом до линейных рабочих, физически проходящих по объекту. И с новыми технологиями, такими как БПЛА/беспилотники и высокоразрешающие вертолетные камеры, количество данных увеличилось астрономически. Мы знаем из наших разговоров с многими компаниями коммунальных услуг, что коммунальные услуги теперь собирают в 5-10 раз больше данных, чем они собирали в последние годы.

Все эти данные делают уже медленный цикл работы осмотра еще медленнее. В среднем коммунальные услуги тратят эквивалент 6-8 месяцев рабочих часов в год на анализ данных осмотра. (Приведено по интервью с коммунальной компанией Западного побережья, собирающей 10 миллионов изображений в год) Большая причина этой засоры заключается в том, что этот анализ все еще в основном выполняется вручную, и когда компания захватывает миллионы изображений осмотра каждый год, процесс становится совершенно не масштабируемым. Анализ аномалий так трудоемок, что большая часть данных устаревает к моменту их фактического рассмотрения, что приводит к неточной информации в лучшем случае и повторным осмотрам или опасным условиям в худшем случае. Это большая проблема, с высокими рисками. Аналитики оценивают, что сектор электроэнергетики теряет 170 миллиардов долларов каждый год из-за сбоев в сети, принудительных остановок и массовых катастроф.

Строительство коммунальной компании будущего с помощью осмотра инфраструктуры, управляемого искусственным интеллектом

Сделать нашу сеть более надежной и устойчивой потребует двух вещей – денег и времени. К счастью, это то место, где новая технология и инновации могут помочь оптимизировать процесс осмотра. Воздействие искусственного интеллекта (ИИ) и машинного обучения (МО) на сектор коммунальных услуг невозможно переоценить. ИИ/МО идеально подходит для этой среды, богатой данными, и по мере роста объема данных способность ИИ переводить горы информации в осмысленные идеи улучшается. По данным Utility Dive, уже существует широкое согласие в отрасли, что [ИИ/МО] имеет потенциал выявлять оборудование, находящееся в зоне риска отказа, быстрее и безопаснее, чем текущий метод, который полагается на ручные осмотры.

Хотя обещание этой технологии неоспоримо, построение собственной настраиваемой программы ИИ/МО в-house – это медленный, трудоемкий процесс, полный осложнений и препятствий. Эти проблемы заставили многие компании коммунальных услуг искать дополнительную поддержку у внешних консультантов и поставщиков.

3 вещи, которые следует учитывать при оценке потенциального партнера ИИ/МО

При поиске партнера ИИ/МО действия важнее слов. Есть много компаний, которые могут обещать многое, но лидеры коммунальных услуг должны сосредоточиться на нескольких важных метриках, чтобы точно оценить влияние. Среди наиболее важных является то, как поставщик описывает/поставляет:

Рост модели во времени – Создание разнообразных наборов данных (данных, имеющих много аномалий для анализа) требует значительного количества времени (часто несколько лет) и определенных типов аномалий не происходят с достаточной частотой для обучения успешной модели ИИ. Например, обучение алгоритма для обнаружения таких вещей, как гниение, дыры, сделанные дятлами, или ржавые демпферы, может быть сложным, если они не происходят часто в вашем регионе. Поэтому обязательно спросите у поставщика ИИ/МО не только о количестве их наборов данных, но и о качестве и разнообразии.

Скорость – Время – деньги, и любой авторитетный поставщик ИИ/МО должен быть в состоянии четко показать, как его предложение ускоряет процесс осмотра. Например, Buzz Solutions сотрудничает с Authority of New York (NYPA), чтобы поставить платформу на основе ИИ, предназначенную для значительного сокращения времени, необходимого для осмотра и анализа. Результатом стала программа, которая могла проанализировать изображения активов за несколько часов или дней, вместо месяцев, которые потребовались ранее. Это экономия времени позволила группам технического обслуживания NYPA расставить приоритеты в ремонтах и снизить потенциал отказа.

Качество/Точность – В отсутствие реальных данных для программ ИИ/МО компании иногда дополняют синтетические данные (т.е. данные, искусственно созданные компьютерными алгоритмами), чтобы заполнить пробелы. Это популярная практика, и аналитики прогнозируют, что 60% всех данных, используемых при разработке ИИ, будут синтетическими (а не реальными) уже к 2024 году. Но хотя синтетические данные подходят для теоретических сценариев, они не работают хорошо в реальных средах, где вам нужны реальные данные (и вмешательства человека в цикл) для самокоррекции. Рассмотрите возможность запроса у поставщика его смеси реальных и синтетических данных, чтобы убедиться, что соотношение имеет смысл.

И помните, работа не заканчивается, когда вы выбрали своего партнера. Новая идея от Gartner – проведение регулярных “состязаний ИИ” – описывается как “быстрые, информативные сессии, которые позволяют вам увидеть поставщиков бок о бок, используя сценарные демонстрации и общий набор данных в контролируемой среде”, чтобы оценить сильные и слабые стороны каждого. Этот процесс устанавливает четкие метрики, напрямую связанные с масштабируемостью и надежностью алгоритмов ИИ/МО, которые затем соответствуют бизнес-целям коммунальных услуг.

Энергия будущего сектора коммунальных услуг

От более эффективных интеграций рабочих процессов до сложного обнаружения аномалий ИИ, сектор коммунальных услуг находится на гораздо более светлом пути, чем даже несколько лет назад. Однако эта инновация должна продолжаться, особенно поскольку требования к осмотру Т&D должны удвоиться к 2030 году, и правительство объявило об обслуживании и защите энергетической инфраструктуры в качестве приоритетных задач национальной безопасности.

Еще много работы впереди, но однажды мы оглянемся назад на это время как на переломный период, момент, когда лидеры отрасли шагнули вперед, чтобы инвестировать в будущее нашей энергетической сети и привести коммунальные услуги в современную эпоху.