ค้นหาความร่วมมือที่แท้จริง: วิธีการที่บริษัทสาธารณูปโภคประเมินคู่ค้าผู้ให้บริการปัญญาประดิษฐ์

โลกพลังงานกำลังเปลี่ยนแปลงอย่างมาก โดยพิจารณาวิธีการที่ออกแบบไว้มากกว่าศตวรรษที่แล้วเพื่อให้พื้นที่สำหรับการเพิ่มขึ้นของเทคโนโลยีที่ฉลาดและสะอาดกว่า นี่เป็นช่วงเวลาที่น่าตื่นเต้น – เกือบทุกอุตสาหกรรมกำลังใช้พลังงานไฟฟ้าในบางรูปแบบ ยานพาหนะไฟฟ้า (EVs) กำลังได้รับการยอมรับในตลาด และมีการเปลี่ยนแปลงอย่างแข็งขันเพื่อสนับสนุนการกระจายแหล่งพลังงาน (DERs) “แหล่งพลังงานขนาดเล็ก” ที่มักจะอยู่ใกล้กับสถานที่ใช้ไฟฟ้า เช่น แผงโซลาร์เซลล์บนหลังคาและระบบเก็บพลังงานแบบแบตเตอรี่ สิ่งนี้เป็นเรื่องใหญ่ และตามที่ สมาคมพลังงานระหว่างประเทศ (IEA) ระบุว่าการขยายตัวของ DERs อย่างรวดเร็วจะ “เปลี่ยนแปลงไม่เพียงแต่วิธีการผลิตไฟฟ้า แต่ยังรวมถึงวิธีการซื้อขาย จัดส่ง และบริโภค” ในอนาคตด้วย

สำหรับผู้สังเกตการณ์ การเปลี่ยนแปลงทั้งหมดนี้เป็นเชิงบวก ทั้งยั่งยืนและล่าช้า แต่ในทางปฏิบัติ การเร่งความเร็วของพลังงานทดแทนและการใช้ไฟฟ้ากำลังสร้างความเครียดเพิ่มเติมและทำให้ขีดจำกัดของโครงข่ายไฟฟ้าของเราตึงเครียดไปพร้อมกัน นอกเหนือจากแรงกดดันจากพลังงานทดแทน ระบบไฟฟ้าของโลกยังเผชิญกับความท้าทายที่สำคัญจากเหตุการณ์สภาพอากาศที่รุนแรงที่เกี่ยวข้องกับการเปลี่ยนแปลงสภาพภูมิอากาศที่กำลังดำเนินอยู่ – ความแห้งแล้งในยุโรป ความร้อนในอินเดีย และพายุฤดูหนาวที่รุนแรงในสหรัฐอเมริกา – ทั้งหมดนี้ส่งผลให้ต้นทุนการตรวจสอบ การบำรุงรักษา และการซ่อมแซมเพิ่มขึ้นอย่างมาก ผู้นำในภาคสาธารณูปโภคกำลังเน้นไปที่การเพิ่มการปรับปรุงโครงข่ายไฟฟ้า ความน่าเชื่อถือ และความทนทาน

ถ่ายรูป มันจะคงอยู่นาน

สำหรับบริษัทสาธารณูปโภค อุปกรณ์ของตนมักเป็นสินทรัพย์ที่สำคัญที่สุดและต้องการการดูแลอย่างรอบคอบและสม่ำเสมอ การดูแลนี้ขึ้นอยู่กับกระแสข้อมูลที่สม่ำเสมอ (โดยทั่วไปในรูปแบบของภาพ) ที่สาธารณูปโภคสามารถวิเคราะห์เพื่อตรวจจับความผิดปกติในการทำงาน การรวบรวมข้อมูลนี้ทำได้หลายวิธี ตั้งแต่โดรนและเครื่องบินปีกติดถึงพนักงานสายตรวจที่เดินไปตามไซต์ และด้วยเทคโนโลยีใหม่ๆ เช่น โดรน/ยูเอวีและกล้องเฮลิคอปเตอร์ความละเอียดสูง ปริมาณข้อมูลเพิ่มขึ้นอย่างมาก เรารู้จากการสนทนากับหลายบริษัทสาธารณูปโภคว่าตอนนี้สาธารณูปโภคกำลังรวบรวมข้อมูล 5-10 เท่าของที่รวบรวมในช่วงไม่กี่ปีที่ผ่านมา

ทั้งหมดนี้ทำให้กระบวนการตรวจสอบที่ช้าอยู่แล้วช้าลงมากขึ้น โดยเฉลี่ยแล้ว สาธารณูปโภคใช้เวลาเทียบเท่ากับ 6-8 เดือนของชั่วโมงการทำงานต่อปีในการวิเคราะห์ข้อมูลการตรวจสอบ (ตามข้อมูลจากลูกค้าสาธารณูปโภคชายฝั่งตะวันตกที่รวบรวมภาพ 10 ล้านภาพต่อปี) สาเหตุหลักของปัญหานี้คือการวิเคราะห์ยังคงทำด้วยมืออยู่ และเมื่อบริษัทหนึ่งรวบรวมภาพการตรวจสอบหลายล้านภาพต่อปี กระบวนการนี้กลายเป็นไปไม่ได้ในการปรับขนาด การวิเคราะห์ความผิดปกตินั้นใช้เวลานานมาก จนข้อมูลส่วนใหญ่ล้าสมัยเมื่อถูกตรวจสอบจริงๆ ส่งผลให้ได้ข้อมูลที่ไม่ถูกต้องในระดับที่ดีที่สุด และอาจทำให้เกิดการตรวจสอบซ้ำหรือสภาพที่อันตรายในกรณีที่เลวร้ายที่สุด นี่เป็นปัญหาที่สำคัญมาก โดยมีความเสี่ยงสูง นักวิเคราะห์ประมาณการ ว่าภาคพลังงานสูญเสียเงิน 170 พันล้านดอลลาร์ทุกปีเนื่องจากการล้มเหลวของเครือข่าย การปิดระบบบังคับ และภัยพิบัติระดับหมู่

สร้างสาธารณูปโภคแห่งอนาคตด้วยการตรวจสอบโครงสร้างพื้นฐานที่ใช้ AI

การทำให้โครงข่ายไฟฟ้าของเรามีความน่าเชื่อถือและทนทานมากขึ้นจะต้องใช้สองสิ่ง – เงินและเวลา幸ดี ที่นี่คือจุดที่เทคโนโลยีใหม่ๆ และนวัตกรรมสามารถช่วยให้กระบวนการตรวจสอบเป็นไปอย่างราบรื่น ผลกระทบของปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) ต่อภาคสาธารณูปโภคไม่สามารถมองข้ามได้ AI/ML มีความเหมาะสมอย่างยิ่งในสภาพแวดล้อมที่มีข้อมูลจำนวนมาก และเมื่อปริมาณข้อมูลเพิ่มขึ้น ความสามารถของ AI ในการแปลข้อมูลจำนวนมากให้เป็นข้อมูลเชิงลึกที่มีความหมายจะดีขึ้น ตามที่ Utility Dive ระบุ มีความเห็นพ้องกันอย่างกว้างขวางในอุตสาหกรรมแล้วว่า [AI/ML] มีศักยภาพในการระบุอุปกรณ์ที่มีความเสี่ยงต่อการล้มเหลวในลักษณะที่เร็วกว่าและปลอดภัยกว่าวิธีการตรวจสอบด้วยมือที่ใช้กันในปัจจุบัน

แม้ว่าความหวังของเทคโนโลยีนี้จะไม่ต้องสงสัย แต่การสร้างโปรแกรม AI/ML ที่ปรับแต่งเองภายในองค์กรเป็นกระบวนการที่ช้าและซับซ้อน มีหลายปัญหาและอุปสรรคที่ทำให้บริษัทสาธารณูปโภคหลายแห่งต้องหาความช่วยเหลือจากที่ปรึกษาภายนอกและผู้ให้บริการ

3 สิ่งที่ต้องพิจารณาเมื่อประเมินคู่ค้า AI/ML ที่มีศักยภาพ

เมื่อค้นหาคู่ค้า AI/ML การกระทำมีความสำคัญมากกว่าคำพูด มีหลายบริษัทที่อาจสัญญาว่าจะทำสิ่งที่ดี แต่ผู้นำสาธารณูปโภคควรตรวจสอบค่าต่างๆ ที่สำคัญเพื่อประเมินผลกระทบอย่างถูกต้อง สิ่งสำคัญที่สุดคือวิธีที่ผู้ให้บริการอธิบายและส่งมอบ:

การเติบโตของโมเดลเมื่อเวลาผ่านไป – การสร้างชุดข้อมูลที่หลากหลาย (ข้อมูลที่มีความผิดปกติให้วิเคราะห์มากมาย) ต้องใช้เวลานาน (มักเป็นหลายปี) และบางประเภทของความผิดปกติไม่เกิดขึ้นบ่อยพอที่จะฝึกโมเดล AI ที่ประสบความสำเร็จได้ ตัวอย่างเช่น การฝึกอัลกอริทึมเพื่อระบุสิ่งเช่น การเน่า การเจาะรูโดยนกกระสา หรือดัมเปอร์ที่ผุอาจเป็นเรื่องที่ท้าทายหากไม่เกิดขึ้นบ่อยในภูมิภาคของคุณ ดังนั้น ควรถามผู้ให้บริการ AI/ML ไม่เพียงแต่ปริมาณชุดข้อมูลเท่านั้น แต่ยังรวมถึงคุณภาพและความหลากหลายด้วย

ความเร็ว – เวลาเป็นเงิน และผู้ให้บริการ AI/ML ที่น่าเชื่อถือควรสามารถแสดงให้เห็นได้อย่างชัดเจนว่าวิธีการของตนสามารถเร่งกระบวนการตรวจสอบได้อย่างไร ตัวอย่างเช่น Buzz Solutions ร่วมมือกับ New York Power Authority (NYPA) เพื่อนำเสนอแพลตฟอร์มที่ใช้ AI เพื่อลดเวลาในการตรวจสอบและวิเคราะห์ลงอย่างมาก ผลลัพธ์คือโปรแกรมที่สามารถวิเคราะห์ภาพอุปกรณ์ในเวลาไม่กี่ชั่วโมงหรือวัน แทนที่จะใช้เวลาหลายเดือนเหมือนเดิม การประหยัดเวลานี้ทำให้กลุ่มบำรุงรักษาของ NYPA สามารถจัดลำดับความสำคัญของการซ่อมแซมและลดความเสี่ยงต่อการล้มเหลว

คุณภาพ/ความแม่นยำ – ในการขาดข้อมูลจริงสำหรับโปรแกรม AI/ML บริษัทบางแห่งเสริมข้อมูลสังเคราะห์ (เช่น ข้อมูลที่สร้างขึ้นโดยอัลกอริทึมคอมพิวเตอร์) เพื่อเติมช่องว่าง นี่เป็นแนวปฏิบัติที่นิยม และ นักวิเคราะห์预測 ว่า 60% ของข้อมูลที่ใช้ในการพัฒนา AI จะเป็นข้อมูลสังเคราะห์ (แทนที่จะเป็นข้อมูลจริง) ภายในปี 2024 แต่ในขณะที่ข้อมูลสังเคราะห์เป็นประโยชน์สำหรับสถานการณ์ทางทฤษฎี มันไม่ทำงานได้ดีในสถานการณ์จริงที่ต้องการข้อมูลจริง (และ การแทรกแซงโดยมนุษย์) เพื่อแก้ไขตนเอง ควรถามผู้ให้บริการเกี่ยวกับสัดส่วนของข้อมูลจริงต่อข้อมูลสังเคราะห์เพื่อให้แน่ใจว่าสัดส่วนนั้นมีเหตุผล

และจำไว้ว่างานไม่สิ้นสุดเมื่อคุณเลือกคู่ค้าแล้ว คอนเซปต์ใหม่จาก Gartner คือการจัดงาน “AI Bake-Off” – อธิบายว่าเป็น “เซสชันที่รวดเร็ว มีประโยชน์ และให้ข้อมูลที่ช่วยให้คุณเห็นคู่ค้าอยู่ข้างๆ กันโดยใช้การดемоแบบเขียนสคริปต์และชุดข้อมูลร่วมกันในสถานการณ์ที่ควบคุม” เพื่อประเมินจุดแข็งและจุดอ่อนของแต่ละคู่ค้า กระบวนการนี้กำหนดมาตรการที่ชัดเจนซึ่งเกี่ยวข้องโดยตรงกับการขยายขนาดและความน่าเชื่อถือของอัลกอริทึม AI/ML ที่สอดคล้องกับเป้าหมายทางธุรกิจของสาธารณูปโภค

พลังงานแห่งอนาคตของอุตสาหกรรมสาธารณูปโภค

จากการบูรณาการกระบวนการทำงานที่มีประสิทธิภาพมากขึ้นไปจนถึงการตรวจจับความผิดปกติของ AI ที่ซับซ้อน อุตสาหกรรมสาธารณูปโภคกำลังเดินไปในเส้นทางที่ดีกว่ามากเมื่อไม่กี่ปีที่ผ่านมา การ đổiใหม่นี้จำเป็นต้องดำเนินต่อไป โดยเฉพาะอย่างยิ่งเมื่อข้อกำหนดการตรวจสอบ T&D มีแนวโน้มที่จะเพิ่มเป็นสองเท่าภายในปี 2030 และ รัฐบาลประกาศการบำรุงรักษาโครงสร้างพื้นฐานพลังงานและการป้องกัน เป็นลำดับความสำคัญด้านความมั่นคงแห่งชาติ

ยังมีงานที่ต้องทำ แต่ในอนาคตเราจะมองย้อนกลับมาในสมัยนี้ว่าเป็นช่วงเวลาที่เปลี่ยนแปลงไป เมื่อผู้นำในอุตสาหกรรมตัดสินใจลงทุนในอนาคตของโครงข่ายไฟฟ้าของเราและนำสาธารณูปโภคเข้าสู่ยุคสมัยใหม่