Neste mês de dezembro tivemos o evento mundial da AWS, re:Invent em Las Vegas, e a dataRain esteve presente. Mas os especialistas, clientes e interessados em novas tecnologias puderam participar remotamente pelas transmissões ao vivo de muitas sessões diárias. E vimos várias novas ideias e soluções apresentadas pelos executivos e especialista da AWS, como também vimos uma variedade de cases de clientes. Entretanto, um tema que permeou o evento em muitas sessões foi o de dados.
Quem acompanhou viu, ou pode ver depois nas gravações disponibilizadas no website, um grande conjunto e bastante diverso de soluções de armazenagem de dados para os mais diversos tipos de dados ou demandas distintas. Existem soluções de armazenagem para bancos de dados relacional tradicionais, PostgreSQL, seja para base de dados baseada em valor e chave, documentos, gráficos, cache, streaming, muitas colunas, memória, series temporais, ledger, etc.
O que vemos nos tempos atuais é que todos os segmentos de indústria hoje, possuem grande quantidades de dados gerados nas suas operações, relacionamento com clientes, serviços pela web, logística e muitos outros. No setor de Utilities não é diferente e, pelo processo de transformação digital pelo qual o setor está passando, mais e mais dados são gerados e estão disponíveis para essas empresas fazerem uso. Entretanto, será que as empresas sabem fazer um bom uso desses dados? O que vemos é que ainda não, e salvo algumas exceções, ainda existem muitas boas e grandes oportunidades para se obter grandes resultados pelo uso desse grande volume de dados disponíveis, podendo gerar bons resultados para o negócio.
Utilities em geral, mas particularmente no segmento de energia elétrica temos várias áreas onde temos muitos dados e que podem ser explorados em benefício de melhor resultados para os negócios. Sabemos que este setor é bem regulamentado pela ANEEL e que devem prover vários índices e performar bem de acordo com as determinações dessa agência reguladora. Nos últimos anos tem aumentado muito os requisitos demandados pela agência, mas também tem crescido as expectativas dos clientes por melhores serviços e maiores preocupações com segurança e confiabilidade da rede (grid) elétrica.
Uma dessas áreas é a de gestão de riscos que elas têm de controlar para evitar eventos desastrosos, minimizar ocorrências para os seus clientes e buscar realizar essas ações com um maior controle de custos. E as empresas de Utilities, como as de energia elétrica, estão buscando soluções inovadoras para realizar a gestão de riscos de forma mais efetiva.
E várias empresas estão começando a descobrir que a resposta para várias dessas preocupações ou expectativas de melhorias estão nos volumes de dados que elas possuem, mas o grande desafio está em descobrir maneiras econômicas de fazer os dados trabalharem para eles. É aí que entra o aprendizado de máquina (ML- Machine Leaning), a qual é uma parte mais específica de um segmento tecnológico denominado Inteligência Artificial (IA).
A IA é um campo da ciência da computação capaz de criar um sistema de computador que pode imitar a inteligência humana, e sistemas de inteligência artificial usam algoritmos para trabalhar o seu próprio raciocínio. Já a aprendizagem de máquina (ML) é um subcampo da inteligência artificial que permite que os robôs aprendam com dados ou experiências anteriores sem precisar serem programados para determinada tarefa. A ML dá ao computador a capacidade de aprender por si mesmo, com base em modelos de treinamento, para avaliar o seu desempenho e fazer previsões.
A adoção acelerada de soluções baseadas em inteligência artificial (IA), especialmente aprendizado de máquina, permite que as Utilities aproveitem o poder de seus dados na tomada de decisões de missão crítica. Quando as empresas desses tipos de serviços implementam o aprendizado de máquina para gerenciar riscos, elas estão mais bem equipadas para superar os desafios do ambiente atual e se preparar para o que está por vir. Assim possibilita que as empresas se posicionem com grandes oportunidades para aumentar a segurança, melhorar a conformidade com a regulamentação, gerenciar custos e melhorar o serviço para seus clientes.
-
Novos disruptores, novos desafios
Embora poucas Utilities sejam conhecidas por serem as primeiras a adotar as inovações mais recentes, algumas tendências recentes forçaram até mesmo as empresas mais relutantes a repensar suas perspectivas sobre a automação orientada por IA.
-Eventos relacionados à mudança climática
Como as mudanças climáticas continuam a gerar eventos climáticos extremos, as empresas de energia devem se adaptar aos picos de demanda resultantes, riscos de interrupção, riscos de incêndio e outros desafios. Aqui no Brasil, há bem pouco tempo enfrentamos uma seca de vários anos – pelo menos nas últimas décadas temos visto cada vez mais longos períodos mais secos do que a média de longo prazo – aumentando a demanda por serviços de água e aumentando os riscos de incêndio. Ainda em 2021 tivemos eventos de tempestades no interior de São Paulo que no espaço de dois dias deixou dezenas de milhares de pessoas sem energia e causando um prejuízo com a danificação de mais de 500 equipamentos transformadores de energia na rede da empresa.
Não só no Brasil, em fevereiro de 2022 a tempestade de inverno Landon que ocorreu nos Estados Unidos varreu grande parte do país, levando a quedas de energia em mais de 330.000 residências e empresas em vários estados do país.
Embora a necessidade de antecipar e se preparar para condições meteorológicas severas não seja novidade, a frequência e a intensidade crescentes das crises climáticas exigem a exploração de soluções mais eficazes.
-Impulsionadores de energia renovável
Para combater as causas das mudanças climáticas, vários governos do mundo todo pedem a eliminação das emissões de carbono do setor elétrico por volta de 2035 e o alcance de emissões líquidas zero em toda a economia até aproximadamente 2050. Do lado do consumidor, em setembro de 2022 comparado com o mesmo mês de 2021 vimos as vendas de veículos elétricos (EVs ) crescerem 131,98% gerando aumentos tanto na demanda por estações de recarga públicas quanto na tensão nas redes elétricas.
-Ampliação dos requisitos de regulamentação
O já altamente regulamentado setor de serviços de energia elétrica está enfrentando um fluxo constante de novas regulamentações, e os custos para manter o ritmo – em termos de tempo e dinheiro – continuam a aumentar. Na área de conformidade de segurança, por exemplo, as empresas de energia elétrica são obrigadas a provê índices periódicos do estado das redes (grid) e geração.
Atualmente estamos em curso de implantação da Resolução Normativa no. 1000 de 2021 que consolidou 64 outras normas pre-existentes, na busca de melhorar padrões de qualidade para o serviço, tanto de fornecimento e geração de energia quanto de atendimento ao consumidor
-
Por que o aprendizado de máquina (ML) é fundamental para Utilities
A maioria das empresas de Utilities tem dados mais do que suficientes para tomar decisões informadas e oportunas para apoiar o gerenciamento de riscos. Drones, câmeras estacionárias, sensores inteligentes, outros recursos de IoT e relatórios humanos criam enormes volumes de dados quase em tempo real a cada hora de cada dia. No entanto, essa abundância de dados é tão valiosa quanto a capacidade da empresa de fazer algo com ela – analisar as informações e identificar irregularidades que justifiquem investigação. Esta é uma tarefa impossível até mesmo para os trabalhadores humanos mais experientes e conhecedores. Mas para a tecnologia de aprendizado de máquina, tudo isso acontece em um dia de trabalho.
Os dados históricos permitem que as soluções de ML “aprendam” parâmetros aceitáveis, como a quantidade de desgaste que pode aparecer em um equipamento antes que se torne um risco de falha ou a quantidade de vegetação que pode invadir uma linha de energia antes que surja um risco de incêndio. O sistema pode avaliar os dados à medida que são transmitidos e sinalizar irregularidades que estejam fora desses parâmetros, que as equipes de resposta humana podem analisar e resolver. À medida que mais irregularidades são definidas e tratadas, essas informações fluem de volta para os dados históricos do sistema, permitindo que a plataforma se torne mais habilidosa com o passar do tempo.
-Caso de uso: Gerenciamento preditivo de ativos
As soluções de aprendizado de máquina podem receber grandes volumes de dados relacionados a equipamentos – incluindo marcas/fornecedores, datas de instalação, condições climáticas, registros de manutenção e registros históricos de falhas – para prever quando um equipamento específico está em risco de falha.
-Caso de uso: Priorização de manutenção
Tradicionalmente, muitas concessionárias mantêm seus equipamentos de acordo com um cronograma definido – ou respondem quando o equipamento falha. O aprendizado de máquina permite que eles atribuam prioridade aos ativos que, de acordo com sua idade, condições climáticas circundantes e outros fatores, apresentam maior risco de falha. Ao atribuir a prioridade mais alta aos ativos de maior risco, as concessionárias podem evitar falhas que levam a interrupções e riscos de incêndio – e possivelmente prolongar a vida útil de seus equipamentos também.
-
Benefícios do aprendizado de máquina no gerenciamento de riscos de Utilities
Por combinar uma enorme capacidade de revisão de dados e a capacidade de aprender continuamente com os resultados, o aprendizado de máquina é ideal para Utilities que buscam aprimorar suas práticas de gerenciamento de risco de maneira econômica. As empresas que estão adicionando aprendizado de máquina às suas operações estão percebendo uma série de benefícios.
-Maior segurança
O aprendizado de máquina permite que as Utilities identifiquem e resolvam rapidamente possíveis riscos de segurança antes que possam causar danos ou colocar as comunidades em risco.
-Conformidade aprimorada
Graças ao aprendizado de máquina, Utilities podem reunir facilmente os dados de que precisam para responder requisitos de relatórios de conformidade e garantir o alinhamento contínuo com as diretrizes regulatórias.
-Gerenciamento de custos aprimorado
Utilities podem aproveitar o aprendizado de máquina para economizar centenas de horas em inspeções manuais, relatórios de manutenção e outras tarefas tradicionalmente realizadas por funcionários humanos.
-Mais satisfação do cliente
Sempre que uma interrupção pode ser evitada, as empresas de serviços públicos têm a oportunidade de aumentar a satisfação e a confiança de seus clientes.
Ferramentas de aprendizado de máquina para gerenciamento de riscos eficaz
Os produtos de tecnologia sozinhos não garantem resultados ideais em aprendizado de máquina, mas é difícil ter sucesso sem a combinação certa das soluções certas.
Pode-se usar várias combinações de soluções AWS (Amazon Athena, AWS Glue, Amazon SageMaker) e Palantir Foundry, como produtos. Cada solução oferece suas próprias vantagens, por isso é importante termos uma compreensão profunda da situação atual e objetivos finais da organização antes de usar tecnologias específicas.
Por Jorge Medeiros
