Jak obniżyć koszty usuwania awarii dzięki sztucznej inteligencji? Case study
Obniżenie kosztów usuwania awarii dróg, rur, czy linii wysokiego napięcia? Tak, to możliwe dzięki sztucznej inteligencji.
Czy wprowadzanie innowacji w firmie musi wiązać się z dużymi kosztami? Nie, jeśli zapewnimy sobie wsparcie silnego zespołu, zastosujemy zwinną metodykę pracy i dobrze określimy problem, który chcemy rozwiązać. W tym artykule opowiem o tym, jak razem z kilkuosobowym zespołem R&D zaproponowaliśmy rozwiązanie problemu, który potencjalnie może kilkukrotnie zmniejszyć u naszego Klienta nakłady związane z naprawą usterek.
Sztuczna inteligencja w branży ciepłowniczej, case study
Niedawno miałam przyjemność wspólnie z zespołem zmierzyć się w praktyce z wyzwaniem, w ramach którego udało nam się znaleźć optymalną metodę analizy danych przestrzennych, które od jakiegoś czasu zbierał nasz klient – jedna z największych w Polsce firm z branży ciepłowniczej.
Zaczęliśmy od małej próbki, projektu typu Proof of Concept, w ramach którego mieliśmy sprawdzić, czy uda nam się dzięki automatyzacji procesu wesprzeć ekspertów w wykrywaniu na podstawie zdjęć termicznych drobnych usterek, niewidocznych na pierwszy rzut oka.
To doskonały przykład na to, że innowacja nie musi wiązać się z czasochłonną i kosztowną reorganizacją całej firmy. Można zacząć od prostej optymalizacji, lub automatyzacji prostych czynności, dzięki którym można odciążyć zespół.
Wyzwanie
W przypadku naszego Klienta proces, z którym mieliśmy do czynienia był jednym z tych, którego unowocześnienie miało bardzo dużą wartość biznesową. Stąd pomysł na zautomatyzowanie procesu wykrywania usterek poprzez wykorzystanie algorytmów sztucznej inteligencji.
Drobne usterki generują duże straty ciepła, a co za tym idzie wysokie koszty ich obsługi. Do tej pory wykrywanie usterek sieci odbywało się na dwa sposoby:
- Duże awarie zgłaszane były na podstawie fizycznych oględzin
- Małe usterki, które nie były widoczne na zewnątrz, wykrywane były na podstawie manualnej analizy zdjęć termicznych.
W praktyce analiza polegała na przeglądaniu przez eksperta wszystkich zdjęć zrobionych z drona w celu wykrycia anomalii cieplnych. Proces ten trwał miesiącami, co wpływało również na długi czas potrzebny do wykrycia awarii.
Naszym zadaniem było częściowe zautomatyzowanie tego procesu, czyli wytypowanie miejsc z potencjalnymi usterkami, które ekspert zatwierdzi lub odrzuci.
Efekt
W ramach realizowanego projektu udało nam się:
- Uzyskać skuteczność wykrywania potwierdzonych awarii na poziomie ponad 90% .
- Ułatwić pracę eksperta dzięki wskazaniu konkretnych miejsc z potencjalną usterką.
- Skrócić czas analizy dostępnych danych z 3 miesięcy pracy 3-osobowego zespołu do 3 dni pracy 1 eksperta.
Jeśli chcesz dowiedzieć się:
- w jaki sposób podeszliśmy do rozwiązania tego problemu,
- jakie funkcjonalności zawierał system przygotowany dla klienta,
- kto z Isolution brał udział w projekcie,
- jakie korzyści daje inwestowanie w AI,
pobierz pełną wersję case study poniżej!
Możesz też umówić się na rozmowę z jednym z naszych specjalistów i porozmawiać o tym projekcie oraz poradzić się w kwestii wdrożenia rozwiązań AI w swojej firmie.
Katarzyna Roszczewska, Data Scientist w Isolution