Знаходження справжніх партнерств: як компанії з комунальних послуг оцінюють постачальників штучного інтелекту

Світ енергетики переживає масові зміни, переглядаючи системи, створені понад століття тому, щоб зробити місце для розвитку розумніших та чистіших технологій. Це цікавий час – практично кожна галузь електрифікується якимось чином, електромобілі (ЕМ) набирають популярність на ринку, а також відбувається перехід на підтримку розподілених джерел енергії (ДЖЕ), тобто “малосcale енергетичних ресурсів”, зазвичай розташованих біля місць споживання електроенергії, таких як сонячні панелі на дахах та батарейне сховище. Останнє є великою справою, і, як зазначає Міжнародне енергетичне агентство (МЕА), швидке розширення ДЖЕ “змінить не тільки спосіб генерації електроенергії, але й спосіб її торгівлі, доставки та споживання” в майбутньому.

Для спостерігача, усі ці зміни є позитивними, сталими та довгоочікуваними. Але на практиці, швидке прискорення розвитку відновлюваної енергетики та електрифікації створює додатковий тиск і перевантажує межі нашої мережі. Разом із тиском від відновлюваної енергетики, світові енергосистеми також стикаються з критичними викликами від екстремальних погодних явищ, пов’язаних з триваючими змінами клімату – посухами в Європі, спеками в Індії, сильними зимовими бурями в США – все це призводить до експоненціального зростання витрат на інспекцію, технічне обслуговування та ремонт. Лідери галузі комунальних послуг зараз уважно зосереджені на збільшенні модернізації мережі, надійності та стійкості.

Зробіть фотографію, вона триватиме довше

Для компаній з комунальних послуг їхнє обладнання часто є їхньою найважливішою активом і вимагає постійного, ретельного технічного обслуговування. Виконання цього технічного обслуговування залежить від постійного потоку даних (зазвичай у вигляді зображень), які комунальні підприємства можуть аналізувати для виявлення операційних аномалій. Збір цих даних здійснюється багатьма способами, від безпілотних літальних апаратів і стаціонарних літаків до лінійних працівників, які фізично ходять по території. І з новими технологіями, такими як БПЛА/дрони та високороздільні вертольотні камери, кількість даних збільшується астрономічно. Ми знаємо з наших розмов з багатьма компаніями з комунальних послуг, що вони зараз збирають у 5-10 разів більше даних, ніж збирали в останні роки.

Усі ці дані роблять вже повільний цикл робіт з інспекцій ще повільнішим. В середньому комунальні підприємства витрачають еквівалент 6-8 місяців робочих годин на рік на аналіз даних інспекцій. (Постачено західною комунальною клієнтською інтерв’ю з комунальної компанії, яка збирає 10 мільйонів зображень на рік) Великою причиною цього надлишку є те, що цей аналіз ще здебільшого проводиться вручну, а коли компанія захоплює мільйони зображень інспекцій щороку, процес стає абсолютно не масштабованим. Аналіз аномалій такий тривалий, що більшість даних застарівають до того, як вони фактично переглядаються, що призводить до неточної інформації в кращому випадку та повторних інспекцій або небезпечних умов у гіршому випадку. Це велика проблема з високими ризиками. Аналітики оцінюють, що енергетичний сектор втрачає 170 мільярдів доларів щороку через відмови мережі, примусові зупинки та масові катастрофи.

Будівництво комунальної компанії майбутнього з інспекціями інфраструктури, підтримуваними штучним інтелектом

Зробити нашу мережу більш надійною та стійкою потребуватиме двох речей – грошей та часу. На щастя, це саме те місце, де нові технології та інновації можуть допомогти оптимізувати процес інспекцій. Вплив штучного інтелекту (ШІ) та машинного навчання (МЛ) на галузь комунальних послуг не можна переоцінити. ШІ/МЛ знаходиться точно у потрібному місці в цьому середовищі, багатому на дані, і коли обсяг даних зростає, здатність ШІ перекладати гори інформації в значимі знання покращується. За даними Utility Dive, вже є широкий консенсус у галузі щодо того, що [ШІ/МЛ] має потенціал визначати обладнання, яке знаходиться під загрозою відмови, набагато швидше та безпечніше, ніж поточний метод, який залежить від ручних інспекцій.

Хоча обіцянка цієї технології є непересічною, будівництво власної програми ШІ/МЛ всередині компанії є повільним, трудомістким процесом, повним ускладнень та перешкод. Ці виклики змусили багато компаній з комунальних послуг шукати додаткову підтримку з боку зовнішніх консультантів та постачальників.

3 речі, які потрібно враховувати при оцінці потенційного партнера ШІ/МЛ

При пошуку партнера ШІ/МЛ, дії важливіше слів. Є багато компаній, які можуть обіцяти все, але лідери комунальної галузі повинні зосередитися на кількох важливих метриках, щоб точно оцінити вплив. Серед найважливіших є те, як постачальник описує/доставляє:

Ріст моделі з часом – Будування різноманітних наборів даних (даних, які мають багато аномалій для аналізу) потребує значного часу (часто кілька років) і певних типів аномалій не відбуваються з достатньо високою частотою для навчання успішної моделі ШІ. Наприклад, навчання алгоритму для виявлення таких речей, як гниль, дупла дятла чи зріджені демпфери, може бути складним, якщо вони не відбуваються часто в вашому регіоні. Тому запитайте у постачальника ШІ/МЛ не тільки про кількість їхніх наборів даних, але й про їхню якість та різноманітність.

Швидкість – Час – це гроші, і будь-який авторитетний постачальник ШІ/МЛ повинен бути能够 чітко показати, як їхнє рішення прискорює процес інспекцій. Наприклад, Buzz Solutions партнером з New York Power Authority (NYPA) для доставки платформи на основі ШІ, призначеної для значного скорочення часу, необхідного для інспекції та аналізу. Результатом став програма, яка могла аналізувати зображення активів за декілька годин або днів, замість місяців, які це займало раніше. Цей часовий збереження дозволило групам технічного обслуговування NYPA пріоритизувати ремонти та зменшити потенціал відмов.

Якість/Точність – У відсутність реальних даних для програм ШІ/МЛ компанії іноді доповнюють синтетичні дані (тобто дані, які були штучно створені комп’ютерними алгоритмами) для заповнення пробілів. Це популярна практика, і аналітики передбачають, що 60% всіх даних, використовуваних у розробці ШІ, будуть синтетичними (замість реальних) вже у 2024 році. Але хоча синтетичні дані є хорошими для теоретичних сценаріїв, вони не працюють добре в реальних середовищах, де вам потрібні реальні дані (і в介влення людини в цикл) для самокорекції. Спитайте у постачальника про їхній склад реальних та синтетичних даних, щоб переконатися, що співвідношення має сенс.

І пам’ятайте, робота не закінчується одразу після вибору партнера. Нова ідея від Gartner полягає у проведенні регулярних “змагань ШІ” – описаних як “швидких, інформативних сесій, які дозволяють вам бачити постачальників поруч, використовуючи сценарні демонстрації та спільний набір даних у контрольованому середовищі” для оцінки сильних та слабких сторін кожного. Цей процес встановлює чіткі метрики, які безпосередньо пов’язані з масштабованістю та надійністю алгоритмів ШІ/МЛ, які потім відповідають цілям бізнесу комунальної галузі.

Постачання майбутнього комунальної галузі

Від більш ефективних інтеграцій робочих процесів до складних виявлень аномалій ШІ, комунальна галузь зараз знаходиться на значно кращому шляху, ніж навіть кілька років тому. Ця інновація повинна продовжуватися, особливо оскільки вимоги інспекцій Т&D мають подвоїтися до 2030 року, а уряд оголосив технічне обслуговування та захист енергетичної інфраструктури як найвищі національні пріоритети безпеки.

Є ще робота попереду, але одного дня ми оглянемося на цей час як на переломний період, момент, коли лідери галузі інвестували у майбутнє нашої енергетичної мережі та привели комунальні підприємства у сучасну епоху.