การค้นหาพันธมิตรที่แท้จริง: บริษัทยูทิลิตี้ประเมินผู้จำหน่ายปัญญาประดิษฐ์อย่างไร

โลกด้านพลังงานกำลังเผชิญกับการเปลี่ยนแปลงครั้งใหญ่ มีการคิดทบทวนระบบที่ออกแบบขึ้นเมื่อกว่าศตวรรษที่แล้วเพื่อให้มีที่ว่างสำหรับการเพิ่มขึ้นของเทคโนโลยีที่ชาญฉลาดและสะอาดขึ้น เป็นช่วงเวลาที่น่าตื่นเต้น แทบทุกอุตสาหกรรมกำลังใช้พลังงานไฟฟ้าไม่ทางใดก็ทางหนึ่ง ยานพาหนะไฟฟ้า (EVs) กำลังดึงดูดตลาด และมีการเปลี่ยนแปลงอย่างแข็งขันเพื่อรองรับ Distributed Energy Resources (DERs) "แหล่งพลังงานขนาดเล็ก" ซึ่งมักจะตั้งอยู่ใกล้กับไซต์ ของการใช้ไฟฟ้า เช่น แผงโซลาร์รูฟท็อปและที่เก็บแบตเตอรี่ อันสุดท้ายนั้นเป็นเรื่องใหญ่และเป็น สมาคมพลังงานระหว่างประเทศ (IEA) ชี้ให้เห็นว่าการขยายตัวอย่างรวดเร็วของ DERs จะ ​​"เปลี่ยนโฉมวิธีการผลิตไฟฟ้าไม่เพียงเท่านั้น แต่ยังรวมถึงวิธีซื้อขาย ส่งมอบ และบริโภคด้วย" ในอนาคต

สำหรับผู้สังเกตการณ์ การเปลี่ยนแปลงทั้งหมดนี้เป็นไปในเชิงบวก ยั่งยืน และเกินกำหนดมานาน แต่ในทางปฏิบัติแล้ว การเร่งความเร็วอย่างรวดเร็วของพลังงานหมุนเวียนและพลังงานไฟฟ้ากำลังสร้างความเครียดเพิ่มเติมและทำให้ขีดจำกัดของกริดของเราตึงเครียด นอกจากแรงกดดันจากพลังงานหมุนเวียนแล้ว ระบบไฟฟ้าของโลกยังเผชิญกับความท้าทายที่สำคัญจากเหตุการณ์สภาพอากาศรุนแรงที่เกี่ยวข้องกับการเปลี่ยนแปลงสภาพภูมิอากาศอย่างต่อเนื่อง เช่น ภัยแล้งในยุโรป คลื่นความร้อนในอินเดีย พายุฤดูหนาวที่รุนแรงในสหรัฐอเมริกา ทั้งหมดนี้ส่งผลให้มีการตรวจสอบและบำรุงรักษาเพิ่มขึ้นแบบทวีคูณ และค่าซ่อมแซม ผู้นำในภาคสาธารณูปโภคกำลังมุ่งเน้นไปที่การเพิ่มความทันสมัยของกริด ความน่าเชื่อถือ และความยืดหยุ่น

ถ่ายภาพก็จะนานขึ้น

สำหรับบริษัทสาธารณูปโภค อุปกรณ์ของพวกเขามักเป็นทรัพย์สินที่สำคัญที่สุดและต้องการการบำรุงรักษาอย่างต่อเนื่องและพิถีพิถัน การดำเนินการบำรุงรักษานี้ขึ้นอยู่กับกระแสข้อมูลที่สม่ำเสมอ (โดยปกติจะอยู่ในรูปของรูปภาพ) ซึ่งโปรแกรมอรรถประโยชน์สามารถวิเคราะห์เพื่อตรวจจับความผิดปกติในการปฏิบัติงานได้ การรวบรวมข้อมูลทำได้หลายวิธี ตั้งแต่โดรนและเครื่องบินปีกคงที่ ไปจนถึงพนักงานเดินแถวที่ไซต์งาน และด้วยเทคโนโลยีใหม่ เช่น UAVs/โดรน และกล้องเฮลิคอปเตอร์ความละเอียดสูง ปริมาณข้อมูลที่แท้จริงได้เพิ่มขึ้นในทางดาราศาสตร์ เราทราบจากการสนทนากับบริษัทด้านสาธารณูปโภคหลายแห่งว่าขณะนี้ระบบสาธารณูปโภคกำลังรวบรวมข้อมูล 5-10 เท่าของจำนวนข้อมูลที่พวกเขารวบรวมในช่วงไม่กี่ปีที่ผ่านมา

ข้อมูลทั้งหมดนี้ทำให้วงจรการตรวจสอบที่ช้าอยู่แล้วช้าลงไปอีก โดยเฉลี่ยแล้ว สาธารณูปโภคใช้เวลาเทียบเท่ากับชั่วโมงแรงงาน 6-8 เดือนต่อปีในการวิเคราะห์ข้อมูลการตรวจสอบ (จากการสัมภาษณ์ลูกค้าของยูทิลิตี้ West Coast จากยูทิลิตี้ที่รวบรวมภาพ 10 ล้านภาพต่อปี) เหตุผลหลักสำหรับปริมาณที่มากเกินไปนี้คือการวิเคราะห์นี้ส่วนใหญ่ยังคงทำด้วยตนเอง และเมื่อบริษัทจับภาพการตรวจสอบหลายล้านภาพในแต่ละปี กระบวนการนี้จะไม่สามารถปรับขนาดได้อย่างมาก การวิเคราะห์หาความผิดปกตินั้นใช้เวลานานมาก อันที่จริงแล้วข้อมูลส่วนใหญ่ล้าสมัยตามเวลาที่ได้รับการตรวจสอบจริง ซึ่งนำไปสู่ข้อมูลที่ไม่ถูกต้องอย่างดีที่สุดและการตรวจสอบซ้ำหรือเงื่อนไขที่อันตรายที่สุด นี่เป็นปัญหาใหญ่และมีความเสี่ยงสูง นักวิเคราะห์ประมาณการ ภาคพลังงานสูญเสีย 170 ล้านดอลลาร์ในแต่ละปีเนื่องจากความล้มเหลวของเครือข่าย การบังคับปิดระบบ และภัยพิบัติครั้งใหญ่

สร้างยูทิลิตี้แห่งอนาคตด้วยการตรวจสอบโครงสร้างพื้นฐานที่ขับเคลื่อนด้วย AI

การทำให้กริดของเราเชื่อถือได้และยืดหยุ่นมากขึ้นจะต้องอาศัยสองสิ่ง ได้แก่ เงิน และเวลา โชคดีที่เทคโนโลยีและนวัตกรรมใหม่ๆ สามารถช่วยปรับปรุงกระบวนการตรวจสอบได้ ผลกระทบของปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) ในภาคสาธารณูปโภคไม่สามารถกล่าวเกินจริงได้ AI/ML อยู่ที่บ้านในสภาพแวดล้อมที่เต็มไปด้วยข้อมูลนี้ และเมื่อปริมาณข้อมูลเพิ่มมากขึ้น ความสามารถของ AI ในการแปลข้อมูลจำนวนมหาศาลให้เป็นข้อมูลเชิงลึกที่มีความหมายก็จะดีขึ้น ตาม Utility Diveมี “ข้อตกลงกว้างๆ ในอุตสาหกรรมอยู่แล้วว่า [AI/ML] มีศักยภาพในการระบุอุปกรณ์ที่มีความเสี่ยงต่อความล้มเหลวในลักษณะที่รวดเร็วและปลอดภัยกว่าวิธีการปัจจุบันมาก” ซึ่งอาศัยการตรวจสอบด้วยตนเอง

แม้ว่าคำมั่นสัญญาของเทคโนโลยีนี้จะไม่เป็นที่โต้แย้ง แต่การสร้างโปรแกรม AI/ML ของคุณเองภายในบริษัทนั้นเป็นกระบวนการที่ช้าและใช้แรงงานมากซึ่งเต็มไปด้วยความยุ่งยากและอุปสรรค ความท้าทายเหล่านี้ทำให้บริษัทสาธารณูปโภคหลายแห่งต้องการการสนับสนุนเพิ่มเติมจากที่ปรึกษาและผู้ขายภายนอก

3 สิ่งที่ต้องพิจารณาเมื่อประเมินศักยภาพของ AI/ML Partner

เมื่อมองหาพันธมิตร AI/ML การกระทำสำคัญกว่าคำพูด มีบริษัทที่เนียนๆ มากมายที่อาจให้คำมั่นสัญญากับดวงจันทร์ แต่ผู้นำด้านสาธารณูปโภคควรเจาะลึกเกี่ยวกับเมตริกที่สำคัญหลายอย่างเพื่อประเมินผลกระทบอย่างแม่นยำ สิ่งที่สำคัญที่สุดคือวิธีที่ผู้ขายอธิบาย/ส่งมอบ:

การเติบโตของโมเดลเมื่อเวลาผ่านไป – การสร้างชุดข้อมูลที่หลากหลาย (ข้อมูลที่มีความผิดปกติจำนวนมากให้วิเคราะห์) ใช้เวลานานพอสมควร (มักจะหลายปี) และความผิดปกติบางประเภทจะไม่เกิดขึ้นด้วยความถี่ที่สูงพอที่จะฝึกโมเดล AI ที่ประสบความสำเร็จ ตัวอย่างเช่น การฝึกอัลกอริทึมเพื่อตรวจหาสิ่งต่างๆ เช่น ความเน่า รูของนกหัวขวาน หรือแดมเปอร์ที่เป็นสนิมอาจเป็นเรื่องที่ท้าทายหากไม่ได้เกิดขึ้นบ่อยครั้งในภูมิภาคของคุณ ดังนั้น โปรดสอบถามผู้จำหน่าย AI/ML ไม่เพียงแต่เกี่ยวกับปริมาณชุดข้อมูลของตนเท่านั้น แต่ยังรวมถึงคุณภาพและความหลากหลายด้วย

ความเร็ว – เวลาเป็นเงินเป็นทอง และผู้ให้บริการ AI/ML ที่มีชื่อเสียงควรสามารถแสดงให้เห็นอย่างชัดเจนว่าข้อเสนอของพวกเขาช่วยเร่งกระบวนการตรวจสอบได้อย่างไร ตัวอย่างเช่น, Buzz Solutions ร่วมมือกับ New York Power Authority (NYPA) เพื่อส่งมอบแพลตฟอร์มที่ใช้ AI ที่ออกแบบมาเพื่อลดเวลาที่ต้องใช้ในการตรวจสอบและวิเคราะห์ลงอย่างมาก ผลที่ได้คือโปรแกรมที่สามารถวิเคราะห์ภาพเนื้อหาในไม่กี่ชั่วโมงหรือเป็นวัน แทนที่จะเป็นเดือนที่ดำเนินการล่วงหน้า การประหยัดเวลานี้ทำให้กลุ่มการบำรุงรักษาของ NYPA สามารถจัดลำดับความสำคัญของการซ่อมแซมและลดโอกาสที่จะเกิดความล้มเหลวได้

คุณภาพ/ความแม่นยำ – ในกรณีที่ไม่มีข้อมูลจริงสำหรับโปรแกรม AI/ML บางครั้งบริษัทต่างๆ จะเสริมข้อมูลสังเคราะห์ (เช่น ข้อมูลที่สร้างขึ้นโดยอัลกอริทึมของคอมพิวเตอร์) เพื่อเติมเต็มช่องว่าง เป็นแนวทางปฏิบัติที่ได้รับความนิยมและ นักวิเคราะห์ทำนาย ว่า 60% ของข้อมูลทั้งหมดที่ใช้ในการพัฒนา AI จะเป็นข้อมูลสังเคราะห์ (แทนที่จะเป็นข้อมูลจริง) ภายในปี 2024 แม้ว่าข้อมูลสังเคราะห์จะดีสำหรับสถานการณ์ทางทฤษฎี แต่ก็ทำงานได้ไม่ดีนักในสภาพแวดล้อมจริงที่คุณต้องการ ข้อมูลในโลกแห่งความเป็นจริง (และ มนุษย์ในวง การแทรกแซง) เพื่อแก้ไขตนเอง ลองถามผู้ขายเกี่ยวกับส่วนผสมของข้อมูลจริงและข้อมูลสังเคราะห์เพื่อให้แน่ใจว่าการแยกนั้นสมเหตุสมผล

และจำไว้ว่างานไม่ได้จบลงเมื่อคุณเลือกคู่ของคุณแล้ว แนวคิดใหม่จาก Gartner ถือเป็นเรื่องปกติ "AI อบปิด” เหตุการณ์ – อธิบายว่าเป็น “เซสชันข้อมูลที่ดำเนินไปอย่างรวดเร็วซึ่งช่วยให้คุณเห็นผู้ขายเคียงข้างกันโดยใช้การสาธิตสคริปต์และชุดข้อมูลทั่วไปในการตั้งค่าที่มีการควบคุม” เพื่อประเมินจุดแข็งและจุดอ่อนของแต่ละรายการ กระบวนการนี้สร้างเมตริกที่ชัดเจนซึ่งเกี่ยวข้องโดยตรงกับความสามารถในการปรับขนาดและความน่าเชื่อถือของอัลกอริทึม AI/ML ซึ่งจะสอดคล้องกับเป้าหมายทางธุรกิจด้านสาธารณูปโภค

ขับเคลื่อนอนาคตของอุตสาหกรรมสาธารณูปโภค

ตั้งแต่การรวมเวิร์กโฟลว์ที่มีประสิทธิภาพมากขึ้นไปจนถึงการตรวจจับความผิดปกติของ AI ที่ซับซ้อน อุตสาหกรรมสาธารณูปโภคกำลังอยู่ในเส้นทางที่สดใสกว่าเมื่อไม่กี่ปีที่ผ่านมา นวัตกรรมนี้จำเป็นต้องดำเนินต่อไป โดยเฉพาะอย่างยิ่งเมื่อข้อบังคับการตรวจสอบ T&D ถูกกำหนดให้เพิ่มเป็นสองเท่าภายในปี 2030 และ รัฐบาลได้ประกาศการบำรุงรักษาและป้องกันโครงสร้างพื้นฐานด้านพลังงาน เป็นลำดับความสำคัญสูงสุดด้านความมั่นคงของชาติ

มีงานรออยู่ข้างหน้าอีกมาก แต่วันหนึ่งเราจะมองย้อนกลับไปในช่วงเวลานี้ซึ่งเป็นช่วงเวลาที่ผู้นำในอุตสาหกรรมก้าวขึ้นมาลงทุนในอนาคตของโครงข่ายพลังงานของเราและนำระบบสาธารณูปโภคเข้าสู่ยุคสมัยใหม่