Кейтлин Альбертович Основатель Buzz Solutions – Интервью Серия

Кейтлин Альбертович является основателем Buzz Solutions, компании по искусственному интеллекту, которая предоставляет обнаружение неисправностей активов и прогностический анализ для инспекций линий электропередачи, обеспечивая критические экономии в предотвращении обрывов линий, отключений электроэнергии и лесных пожаров, вызванных неисправной инфраструктурой сети.

Buzz Solutions была основана в рамках курса Stanford Launchpad в 2017 году, можете ли вы рассказать некоторые подробности о этих ранних днях?

Мы начали Buzz Solutions, чтобы решить критическую потребность, которая возникла в ранние дни инспекций инфраструктуры электросетей. В это решающее время компаниями электросетей начали собирать больше визуальных данных, чтобы обеспечить и ermögчить тщательные и частые инспекции. С самого начала мы потратили много времени на изучение болевых точек электросетей, а также на понимание ближайших и долгосрочных целей их программ инспекций.

Признавая, что каждая электросеть имеет свои собственные уникальные методы инспекции и процесс рутины, стало ясно, что лучшая точка входа на рынок – через высокоточные и гибкие алгоритмы, работающие на основе искусственного интеллекта. В первые два года нашей миссией было построить наиболее точные и легко перенастраиваемые алгоритмы на рынке, которые компании электросетей могли бы развернуть直接 в свои существующие системы. Мы запустили официальный продукт Buzz Solutions PowerAI на рынок электросетей в августе 2019 года.

Электросетям предписано инспектировать все линии электропередачи и распределения, почему это такая проблема для традиционных методов ручной инспекции?

Поскольку электросети обязаны проводить более частые инспекции, уровень сбора данных взлетает. Компании электросетей собирают в 5-10 раз больше данных, чем ранее, часто собирая сотни тысяч и миллионы изображений ежегодно. Текущий процесс анализа этих данных выполняется вручную, с помощью линейных рабочих и полевых техников, что является очень трудоемким и не масштабируемым процессом. По мере того, как инспекции становятся более частыми, ручной процесс становится более дорогим, трудоемким и приводит к увеличению риска отказа инфраструктуры из-за того, что данные не обрабатываются своевременно.

Какой тип визуальных данных собирается в поле?

В настоящее время изображения и видеопотоки собираются в поле с помощью дронов, вертолетов, самолетов с неподвижным крылом и даже наземных систем сбора данных. Дроны становятся более распространенным средством инспекции, поскольку они могут летать ближе к конструкциям и собирать изображения с различных углов, которые невозможны с помощью пилотируемых самолетов. Дроны способны собирать визуальные изображения различных электрических компонентов, конструкций электросетей, окружающей растительности и мест. Это позволяет провести более всестороннюю инспекцию, чтобы электросеть могла лучше понять состояние каждого компонента инфраструктуры как для линий электропередачи, так и для подстанций.

Какой тип экономии затрат наблюдается при анализе этих изображений с помощью ИИ по сравнению с ручным анализом?

Анализ изображений с помощью ИИ обеспечивает значительную экономию затрат, которая продолжает увеличиваться с течением времени. ИИ обеспечивает прямую, первоначальную экономию затрат примерно на 50% по сравнению с ручным анализом, и с течением времени эти экономии увеличиваются экспоненциально, поскольку ИИ отслеживает тенденции и становится умнее с течением времени. Это позволяет проводить более целевые, информированные инспекции и обеспечивает линейным рабочим дополнительную экономию, предоставляя им лучшую информацию, чтобы они могли более четко и быстро спланировать путь к техническому обслуживанию.

Технология Buzz Solutions может определить, что нужно исправить, всего за несколько часов, можете ли вы рассказать об ИИ, который используется для этого?

Алгоритмы машинного зрения PowerAI обучены обнаруживать конкретный список аномалий для инфраструктуры электросетей. Мы потратили два года на построение этих алгоритмов с нуля и агрегирование разнообразных наборов данных по географии и срокам, чтобы обучить ИИ охватить эти неисправности. Преимущество, которое мы имеем, заключается в том, что мы обучили наш ИИ реальными изображениями, а не “синтетическими” изображениями, и наша точность выявления и прогнозирования неисправностей оборудования или проблем значительно выше, чем средний показатель отрасли. Это означает, что электросети могут исправить проблемы гораздо быстрее и более эффективно.

Кроме того, наш ИИ использует человека в цикле обучения, где полевые техники и инженеры предоставляют данные обратно в ИИ, позволяя модели стать умнее и более персонализированной с течением времени. Полный список режимов отказов, которые алгоритмы PowerAI обнаруживают сегодня, был получен из наиболее насущных потребностей, которые электросети выразили.

Можете ли вы рассказать о системе прогностического анализа, которая используется, и о преимуществах, которые она предлагает?

Buzz отслеживает тенденции активов электросетей и отказов с течением времени, в конечном итоге помогая системам ИИ и машинного обучения стать сильнее, более персонализированными и более эффективными. Это также заставляет системы получать информацию из этих тенденций и прогнозировать области, которые могут быть более склонны к потенциально более высоким уровням неисправностей, т.е. “горячим точкам”. Это то место, где真正щий потенциал системы прогностического анализа вступает в игру и позволяет электросетям иметь лучшее представление о том, где и когда их оборудование может выйти из строя.

Можете ли вы рассказать о своих планах также нацелиться на сектор ветро- и солнечной энергетики?

На сегодняшний день Buzz сосредоточился на том, чтобы стать наиболее точным и эффективным решением ИИ в области инспекций электросетей. Однако есть и другие области инфраструктуры, включая возобновляемую генерацию энергии, где аналитика инспекций необходима и очень ценна. Buzz планирует расшириться за пределы пространства инспекций электропередачи и распределения и сделает объявления о некоторых из этих более конкретных расширений рынка, когда мы добавим новые случаи использования в наш портфель.

Как оптимизация электросектора помогает в борьбе с изменением климата?

Buzz Solutions помогает в усилиях, направленных на устойчивое развитие, и помогает решить некоторые из наиболее насущных климатических проблем, с которыми мы сталкиваемся сегодня, позволяя снизить количество катастроф, вызванных неисправной сетью, снизить выбросы и повысить надежность сети. Наши алгоритмы обнаружения неисправностей на основе ИИ снижают количество лесных пожаров, вызванных неисправными активами, поскольку мы предупреждаем электросети о неисправностях и растительности, приближающейся к инфраструктуре.

Кроме того, наши системы флагируют общие области неисправностей (“горячие точки”). Предварительно определенные горячие точки позволяют проводить целевые инспекции, а не бесцельно летать на вертолетах сотни миль. Целевые инспекции помогают электросетям снизить выбросы углекислого газа и способствуют прогностическим реакциям, а не реактивным действиям. Наша технология позволяет создать более устойчивую и стабильную сеть, что позволяет эффективно подключать возобновляемые источники энергии к инфраструктуре сети.

Можете ли вы рассказать о своем общем видении цифровой трансформации сектора электросетей?

Buzz Solutions находится на переднем крае цифровой трансформации рабочего процесса инспекции и технического обслуживания для электросетей. Хотя сбор большего количества данных важен, еще более важно успешно управлять данными и получать действенные выводы из этой информации. Это то место, где Buzz особенно ценен.

Не только наше решение PowerAI обеспечивает быстрые выводы о текущем состоянии инфраструктуры, но также отслеживает эти данные и предупреждает электросеть о области, которая представляет наибольший потенциальный риск для сети. PowerAI позволяет быстро модернизировать компоненты и обеспечивает более эффективный путь к модернизации сети. Цифровая трансформация в секторе позволила обеспечить бесшовный сбор данных, но сила данных заключается в том, чтобы превратить сырые данные в целостную картину и получить конкретные выводы из этой информации.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Buzz Solutions.