Az (is) jó a mesterséges intelligenciában, hogy gyakorlatilag bárminek a felismerésére be lehet tanítani. Nem csak rákos daganatot tud megkülönböztetni az egészséges szövettől, nem csak az arcokat ismeri fel, de ha kell, az elektromos távvezetékek részegységeit, hibáit is. Az E.ON-nak pedig pont erre van szüksége.
31 ezer kilométer, 28 ezer óra. Előbbi annak a távvezeték-hálózatnak a hossza, amelyet az E.ON szakembereinek ellenőrizniük kell; utóbbi pedig az az időmennyiség, amennyit erre rá kell fordítani. Nem csoda, hogy a szerelők csak átlagosan háromévente jutnak vissza a hálózat ugyanazon pontjaira, mondta Pintér László, az E.ON hálózati innovációs részlegének vezetője a Microsoft Future Decoded konferencián.
A folyamat jelenleg úgy néz ki, hogy először megtervezik a szükséges bejárást. Ezt követően a szerelők kimennek a terepre, és méterről méterre bejárják a hálózatot, és szemrevételezik a vezetékeket, oszlopokat. Gyakorlott szakemberekkel dolgozik az E.ON, akik szinte minden hibát észlelnek, de a humán tényezőből eredő hibázást nem lehet teljesen kiküszöbölni, ismerte el Pintér László. 2012-ig csak papíron rögzítették az észlelt hibákat, utána már digitális fényképek is készültek. Az adatlapokat és a fényképeket az irodákban feldolgozták, majd az észlelt hibák kijavítására munkarendelés készült.
Ez a munkamódszer már több okból sem fenntartható. Egyrészt, a gazdaság egészéhez hasonlóan az E.ON-t is erősen sújtja a munkaerőhiány, miközben a szakképzet villanyszerelőkre más területeken – például az emelkedő számú új bekötéseknél – is óriási szükség lenne. Másrészt viszont az ügyfelek is egyre magasabb színvonalú szolgáltatást igényelnek, zavaroktól és kiesésektől mentes elektromos energiát akarnak használni. A hatékony karbantartás már csak azért is fontos, mert a cég el akarja kerülni azokat az eseteket, amikor a berendezéseiken bekövetkezett meghibásodások másoknak kárt vagy sérülést okoznak, tette hozzá Pintér László.
Így aztán az E.ON hálózati innovációs részlegénél kiadták a jelszót: ami algoritmizálható, azt algoritmizálják, és oldják meg digitális eszközök segítségével. Első lépésként a bejárás során készült fényképek utólagos (és rendkívül fáradságos, sok szubjektív elemet tartalmazó) kiértékelését automatizálták. Az ITQS Kft. És a Microsoft Azure mesterséges intelligencia megoldásának segítségével kidolgoztak egy neurális hálózatra épülő képelemző rendszert, amelyet betanítottak arra, hogy a fényképeken felismerje az E.ON üzemeltetésébe tartozó objektumokat (távvezetékek, oszlopok, szigetelők, egyebek). Amikor a részegységek felismerése már stabilan ment, a hibák (szakszóval: látleletek) felismertetése következett. A betanítás jó egy évig tartott, nagyobb erőforrásokat is igényelt, mint ahogy arra előre számítottak, de mint Pintér László mondja, ezt a lépést nem lehet megspórolni. A rendszer most már minden elemet és 15 látleletet ismer fel stabilan; a továbblépés egyik iránya az lesz, hogy a még hiányzó (hasonló számú) látlelet felismerésére is betanítják a rendszert.
A rendszert az első ütem után kibővítették. Már nem csak a képek elemzése, hanem elkészítése is automatikusan történik. Speciális kamerákkal felszerelt autókkal járják végig a hálózatokat, a képek pedig automatikusan elkészülnek (és pontos GPS-koordinátáikkal együtt), felkerülnek egy központi tárba. Ahova az autó nem jut el, ott drónokkal készítenek felvételeket.
Ha a megoldás megvalósul teljes egészében, óriási haszonnal jár az E.ON számára. A számítások alapján a hálózat bejárási ideje a harmadára, 9900 órára csökkent, ami azt is jelenti, hogy immár az egész hálózatot évente végig tudják járni. Legalább ennyire fontos az is, hogy villanyszerelő helyett csak gépkocsivezetőre van szükség – a szerelők közben pedig nagyobb hozzáadott értékű munkát (hibajavítás, új bekötések) végezhetnek. A távoli jövőben pedig a tervezési folyamat is automatizálható lesz, a bejárást talán önvezető autókkal is meg lehet oldani, és a felvételek kiértékelésében, a döntések meghozatalában is nagyobb szerepet kaphat a mesterséges intelligencia.