Dave Boundy เป็น CTO ที่ Innowatts – ซีรีส์สัมภาษณ์

Dave Boundy เป็น CTO ที่ Innowatts ซึ่งเป็นผู้นำในด้าน AI data analytics แพลตฟอร์ม SaaS ให้บริการข้อมูลที่จำเป็นแก่บริษัทต่างๆ เพื่อให้สามารถคาดการณ์ได้ดีขึ้น proactively และเชื่อมต่อกับลูกค้าและผู้ใช้บริการได้ดีขึ้น ช่วยให้พวกเขาจัดการความเสี่ยงได้ดีขึ้น เพิ่มผลกำไร รักษาความน่าเชื่อถือของกริด และคาดการณ์แนวโน้มความยั่งยืน

David มีประสบการณ์มากกว่า 20 ปีในอุตสาหกรรม IoT และพลังงาน อาชีพของเขาครอบคลุมตั้งแต่ IT ระดับองค์กร การพัฒนาผลิตภัณฑ์ การวิจัยและนวัตกรรม และการเริ่มต้นธุรกิจใหม่ ก่อนที่เขาจะเข้ารับตำแหน่งปัจจุบัน เขาได้ก่อตั้งและนำธุรกิจ Global Energy Solutions ของ Intel (INTC ) ซึ่งให้บริการ machine learning และ artificial intelligence แก่ลูกค้าทั่วโลก David มีหลายสิทธิบัตรและเป็นสมาชิกของคณะกรรมการที่ปรึกษาหลายแห่ง

คุณสามารถอธิบายได้หรือไม่ว่า Innowatts คืออะไร?

Innowatts เป็นบริษัทพลังงานใหม่ที่มุ่งเน้นในการปรับปรุงอัตรากำไรขั้นต้นของลูกค้าในขณะเดียวกันก็เพิ่มการนำรับพลังงานทดแทน เราทำสิ่งนี้โดยการวิเคราะห์ข้อมูลจำนวนมากเพื่อปลดล็อกข้อมูลเชิงลึกที่สามารถดำเนินการได้ ในขณะที่เราคือบริษัท B2B เราให้บริการ B2B และ B2C ผ่านลูกค้าของเราไปยังผู้ใช้บริการสุดท้ายของพวกเขา เรารับข้อมูลระดับเมตริกจากบ้านหรือธุรกิจหรือภายในเครือข่าย และเรารวมข้อมูลนั้นเข้ากับชุดข้อมูลอื่นๆ รวมถึงข้อมูลทางเศรษฐกิจและสังคม ข้อมูล CRM และข้อมูลการจัดการความเสี่ยง

เครื่องยนต์分析 AI ของเรามอบข้อมูลเชิงลึกตั้งแต่การคาดการณ์ระดับผู้บริโภคจนถึงการแยกย่อยการใช้พลังงานในปัจจุบันและอนาคต ด้วยวิธีนี้ เราสามารถระบุผลิตภัณฑ์ที่เหมาะสมสำหรับผู้บริโภคแต่ละรายได้ เรายังให้บริการแก่ลูกค้าปลีกด้วย เช่น การระบุแบบจำลองอัตราที่เหมาะสมที่สุดเพื่อเพิ่มผลกำไรขั้นต้นให้สูงสุด

สุดท้าย เราให้การสนับสนุนผู้ให้บริการเครือข่ายและยูทิลิตี้เพื่อช่วยให้พวกเขาวางแผนสำหรับอนาคต เป็นสิ่งสำคัญที่พวกเขาต้องเข้าใจว่าการเปลี่ยนแปลงเกิดขึ้นที่ไหนเพื่อที่พวกเขาจะสามารถเพิ่มประสิทธิภาพสินทรัพย์และลดราคาสำหรับผู้บริโภคได้

คุณใช้เทคโนโลยี machine learning ประเภทใดที่ Innowatts?

โดยพื้นฐานแล้ว เรากำลังช่วยให้เครื่องจักรคิดในลักษณะที่คล้ายกับมนุษย์ ในขณะเดียวกันก็ช่วยให้พวกมันสามารถปรับขนาดและจัดการกับชุดข้อมูลขนาดใหญ่ได้ เรามีมากกว่า 43 ล้านเมตริกที่อยู่ภายใต้การบริหารจัดการ และเรากำลังจัดการกับจุดข้อมูลหลายพันล้านจุดในแต่ละชั่วโมงตลอดหลายภูมิภาคและหลายลูกค้า ในพื้นที่ที่ได้รับการดูแล เราใช้แบบจำลองต่างๆ รวมถึงการถดถอยเชิงเส้น ต้นไม้การตัดสินใจ ฯลฯ ในพื้นที่ที่ไม่ได้รับการดูแล ตัวอย่างเช่น แบบจำลองアンサンブル โครงข่ายประสาทเทียม และป่าแบบสุ่ม

การใช้แบบจำลองหลากหลายเป็นศูนย์กลางของความแข็งแกร่งของผลิตภัณฑ์ของเรา — เราสามารถระบุแบบจำลองที่เหมาะสมสำหรับลูกค้าใดๆ ในสถานการณ์ใดๆ เราสามารถลดความซับซ้อนลงได้จริงๆ ถึงระดับเมตริก นั่นคือสิ่งที่ทำให้เราเป็นผู้นำในพื้นที่นี้

ทำไมการตรวจสอบพลังงานจึงสำคัญสำหรับผู้ค้าปลีกพลังงาน?

ต้นทุนในการได้มาซึ่งลูกค้ามักจะสูงถึงสองถึงสามเท่าของอัตรากำไรที่ผู้ค้าปลีกทำได้จากลูกค้าในหนึ่งปี ซึ่งหมายความว่าต้องใช้เวลา 2-3 ปีในการหาเงินคืนจากต้นทุนการได้มาซึ่งลูกค้า ดังนั้นจึงสำคัญมากที่จะต้องรักษาลูกค้าแต่ละรายให้ได้

เราช่วยให้ผู้ค้าปลีกบรรลุเป้าหมายนี้โดยให้ความสามารถในการแยกความแตกต่าง เราให้การคาดการณ์และความสามารถในการกำหนดและพัฒนาอัตราใช้เวลาเพื่อปรับผลิตภัณฑ์ของตนให้เหมาะสมกับลูกค้า เรายังให้แพลตฟอร์มการจัดการความเสี่ยงและการกำหนดราคา รวมถึงความสามารถในการระบุลูกค้าที่ดีที่สุดในแต่ละพื้นที่ เรายังระบุลูกค้าเหล่านั้นที่เหมาะสมกับผลิตภัณฑ์เฉพาะอีกด้วย สิ่งเหล่านี้ทั้งหมดช่วยให้บริการที่น่าสนใจและคุ้มค่าสำหรับลูกค้า ซึ่งจะช่วยเพิ่มการได้มาซึ่งลูกค้าและความพยายามในการรักษาลูกค้า

ข้อมูลเชิงลึกที่สำคัญใดที่สามารถได้รับจากการศึกษาการบริโภคพลังงาน?

ลองนึกภาพว่าคุณเพิ่งซื้อรถยนต์ไฟฟ้า แบบจำลองของเราสามารถตรวจจับสิ่งนี้ได้ ทำให้ผู้ให้บริการไฟฟ้าของคุณสามารถส่งสื่อสารและบริการที่กำหนดเองที่เหมาะสมกับสถานะของคุณในฐานะเจ้าของ EV ใหม่ — อาจเป็นอัตราที่แตกต่าง ผลิตภัณฑ์ประกันภัยใหม่ หรือผลิตภัณฑ์บริการ

ในทำนองเดียวกัน เราสามารถระบุและแจ้งให้คุณทราบล่วงหน้าตามการใช้พลังงานของคุณในช่วง 15 วันที่ผ่านมา ว่าเราคาดการณ์ว่าการบริโภคของคุณในช่วง 30 วันที่จะถึงนี้จะสูงกว่าปกติเป็นเพราะเหตุผลบางประการ เราสามารถทำงานร่วมกับคุณเพื่อ采取การดำเนินการที่จะหลีกเลี่ยงการช็อคค่าใช้จ่าย

ความสามารถในการคาดการณ์ของเรายังทรงพลังมาก เหตุการณ์เมื่อเร็วๆ นี้ในเท็กซัสทำให้การคาดการณ์ยากมาก เนื่องจากเป็นสถานการณ์ที่ไม่เคยเกิดขึ้นมาก่อน แต่การคาดการณ์ของเรามีความแม่นยำ 20-40% มากกว่าคู่แข่งของเรา ดังนั้นลูกค้าของเราจึงเตรียมพร้อมสำหรับการหยุดชะงักมากขึ้น โดยใช้การคาดการณ์ของเราเป็นส่วนหนึ่งของกลยุทธ์การป้องกันความเสี่ยง พวกเขาจึงมีตำแหน่งที่ดีกว่าเมื่อราคาพลังงานพุ่งขึ้นสู่ 9,000 ดอลลาร์ต่อเมกะวัตต์ชั่วโมง การประหยัดสำหรับพวกเขาได้มาก

ระดับการตรวจสอบและตีความข้อมูลพลังงานนี้มีความสำคัญมาก ยังร้านค้าปลีกหลายแห่งจะล้มละลาย และผู้ค้าปลีกขนาดใหญ่ได้ป้องกันความต้องการของตนในตลาดล่วงหน้า 1 ปี หรือมากกว่านั้น ขึ้นอยู่กับกลยุทธ์และโปรไฟล์ความเสี่ยงของพวกเขา พวกเขาอาจได้ซื้อพลังงานที่จำเป็น 50% ในสัปดาห์ที่แล้ว พวกเขาจะพยายามเพิ่มเปอร์เซ็นต์นี้เมื่อโปรไฟล์ความเสี่ยงและราคาพลังงานเพิ่มขึ้น พวกเขาจะพยายามป้องกันความเสี่ยงมากขึ้น แต่สุดท้ายพวกเขาจะเข้าสู่ตลาดจริงเพื่อซื้อพลังงานที่ราคาค่าเฉลี่ยของปีที่แล้ว ซึ่งประมาณ 25 ดอลลาร์ต่อเมกะวัตต์ชั่วโมง ตอนนี้เข้าสู่ตลาด พวกเขาพยายามซื้อในราคา 9,000 ดอลลาร์ต่อเมกะวัตต์ชั่วโมง ดังนั้นต้นทุนสำหรับผู้ค้าปลีกจึงมีมาก

ข้อมูลนี้สามารถใช้เพื่อชี้นำการใช้พลังงานที่เป็นมิตรกับสิ่งแวดล้อมได้อย่างไร?

ในประวัติศาสตร์ กริดถูกนำโดยความต้องการ — เมื่อความต้องการเพิ่มขึ้น ผู้ให้บริการจะสร้างโรงไฟฟ้าเพิ่มเติม วางสายเคเบิลเพิ่มเติม และเผาเชื้อเพลิงมากขึ้น เรากำลังอยู่ในช่วงการเปลี่ยนแปลงที่เรากำลังย้ายไปยังกริดที่นำโดยการให้บริการ ในโลกใหม่นี้ การให้บริการมาถึงเมื่อใดก็ตามที่ลมพัดหรือดวงอาทิตย์ส่องแสง เรายังจะเห็นการเพิ่มขึ้นของความต้องการที่เกิดจากไฟฟ้ารถยนต์และความร้อน

สิ่งที่เราทำสำหรับลูกค้าของเราคือการวิเคราะห์ว่าผู้บริโภคใช้พลังงานอย่างไร เราเริ่มต้นด้วยการดูว่าจำนวนการโหลดของพวกเขาเป็น “โหลดฐาน” มากน้อยเพียงใด มีสิ่งที่สามารถทำได้เพื่อกระตุ้นให้ลดโหลดฐาน แต่โดยทั่วไปแล้วมันคือสิ่งที่ตายตัว เราสามารถระบุผู้ที่มีความเสี่ยงต่อสภาวะอากาศ เราสามารถระบุบ้านที่สามารถทำได้ด้วยการแทรกแซงทางความร้อน — การฉนวนทางความร้อนหรือการติดตั้งเครื่องปรับอากาศ

เรายังสามารถระบุโหลดที่มีความสำคัญต่อเวลา ซึ่งเป็นตัวบ่งชี้ของพฤติกรรม โดยไม่ต้องรุกรานมากเกินไป เราสามารถเห็นพฤติกรรมในบ้านได้ ตัวอย่างเช่น คุณอาจต้องการพิจารณาการทำความเย็นหรือการทำความร้อนบ้านของคุณในเวลาที่แตกต่างออกไปเพื่อทำให้มันสบายขึ้น ประหยัดเงิน หรือเพิ่มการใช้พลังงานที่เป็นมิตรกับสิ่งแวดล้อม

เรายังสามารถใช้กลยุทธ์การจัดการความต้องการด้านการบริโภคที่กระตือรือร้นเพื่อจัดตำแหน่งการบริโภคให้ตรงกับความพร้อมของพลังงานทดแทนโดยไม่ส่งผลเสียต่อประสบการณ์ของผู้ใช้ ตัวอย่างเช่น คุณอาจเสียบปลั๊กรถยนต์ของคุณที่ 19.00 น. และถอดปลั๊กออกเวลา 07.00 น. เราสามารถส่งสัญญาณการจัดการความต้องการด้านการบริโภคไปยังจุดชาร์จเพื่อกำหนดช่วงเวลาที่รถยนต์ของคุณชาร์จจริงๆ เพื่อเพิ่มประสิทธิภาพการใช้พลังงานทดแทน

ในปี 2020 Innowatts ประกาศ ว่าได้ทำผลงานได้ดีกว่าผู้คาดการณ์พลังงานอีก 5 รายในหลายมาตรการในการทดลองอิสระ มันจะมีค่าเท่าใดที่จะสามารถคาดการณ์ได้ด้วยระดับความแม่นยำสูง?

สถานการณ์ในเท็กซัสแสดงให้เห็นถึงต้นทุนของการคาดการณ์ที่ไม่แม่นยำ หากผู้ค้าปลีกกำลังมองหาการสูญเสียที่อาจเกิดขึ้น 500 ล้านดอลลาร์ การคาดการณ์ของเราซึ่งแม่นยำ 20-40% มากกว่าคู่แข่ง — อาจช่วยประหยัดเงินให้พวกเขาได้มากกว่า 100 ล้านดอลลาร์ นั่นคือสถานการณ์ที่รุนแรง แต่แนวทางที่เป็นรายละเอียดของเราหมายความว่าลูกค้าของเราจะได้รับผลประโยชน์ตลอดทั้งปี แม้จะไม่มีการเปลี่ยนแปลงที่รุนแรง

ตัวอย่างเช่น เรากำลังสนับสนุนผู้ให้บริการในยุโรปทั้งลูกค้าเชิงพาณิชย์และอุตสาหกรรม พวกเขาพยายามมานานหลายปีเพื่อให้ได้รับการแจ้งเตือนล่วงหน้าเมื่อลูกค้าจะดำเนินการ — เมื่อพวกเขาจะเพิ่มหรือลดพลังงาน — แต่พวกเขาไม่ประสบความสำเร็จ เราได้คาดการณ์ให้พวกเขาในอัตรา 15 นาทีสำหรับลูกค้าเชิงพาณิชย์และอุตสาหกรรมแต่ละราย ทำให้พวกเขาสามารถคาดการณ์การเปลี่ยนแปลงโหลดและตัดสินใจซื้อขายที่ชาญฉลาดในระดับที่มีรายละเอียดมาก — และนั่นหมายความว่าพวกเขาสามารถประหยัดเงินได้มาก

อนาคตของวิทยาศาสตร์ข้อมูลและ machine learning ในภาคส่วนนี้จะเป็นอย่างไร?

ตามที่ฉันกล่าวไว้ เรากำลังจัดการกับชุดข้อมูลขนาดใหญ่มาก เมื่อเรามีข้อมูลมากขึ้นและข้อมูลที่มีรายละเอียดมากขึ้น เราจะสามารถอนุมานและอนุมานข้อมูลได้มากขึ้น — และเมื่อพลังการประมวลผลคอมพิวเตอร์เพิ่มขึ้น เราจะสามารถประมวลผลข้อมูลได้เร็วขึ้นเพื่อมอบข้อมูลเชิงลึกที่ทรงพลัง หลักการทางคณิตศาสตร์ไม่เปลี่ยนแปลง แต่ความสามารถที่เพิ่มขึ้นในการใช้คณิตศาสตร์ที่ซับซ้อนในระดับใหญ่จะทำให้ความสามารถเหล่านี้มีประสิทธิภาพ มีผลกระทบ และมีราคาไม่แพงมากขึ้นในอีกไม่กี่ปีข้างหน้า สุดท้ายสิ่งนี้จะช่วยสนับสนุนการเคลื่อนไหวสู่กริดที่ปล่อยคาร์บอนต่ำ

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Innowatts เพื่อเรียนรู้เพิ่มเติม