IGS Energy usa la IA y el ML para simplificar las previsiones y mejorar la detección de anomalías

IGS Energy mantiene un firme compromiso por crear un futuro más verde. Por ello, como parte de su misión para lograr que todo el mundo pueda acceder a una energía fiable, asequible y limpia, la empresa ofrece varias soluciones energéticas sostenibles, como electricidad renovable, gas natural con neutralidad en carbono y energía solar. IGS es uno de los proveedores energéticos de la región del Medio Oeste de EE. UU. y cuenta con más de un millón de clientes de luz y gas en todo el país, tanto particulares como empresas. 

“Los datos son esenciales para cumplir nuestra misión, ya que nos permiten ofrecer unos servicios más fiables y competitivos a nuestros clientes”, destaca Dan Shah, Manager of Data Science en IGS Energy. Llegó un punto en el que el sistema heredado on-premise de IGS no podía seguir el ritmo de crecimiento de los datos que debía procesar diariamente. La empresa necesitaba una plataforma de datos sólida y escalable, y ahí entró en juego Snowflake para convertirse en la piedra angular de su infraestructura de datos. Ahora, IGS puede cumplir muchos de sus objetivos empresariales gracias a la IA y el ML, por ejemplo, en cuanto a las previsiones de la demanda o la detección de anomalías.

Aunque los datos son fundamentales para cumplir la misión de IGS, la empresa antes contaba con una infraestructura de datos on‑premise heredada que limitaba la capacidad del equipo para sacar adelante el trabajo diario de forma precisa y eficiente. “Teníamos una gran cantidad de flujos de trabajo que dependían los unos de los otros”, comenta Shah. “Si algo fallaba en la cadena, era muy difícil aislarlo. Además, mejorar el proceso resultaba muy difícil”.

Estas dificultades resultaban especialmente problemáticas a la hora de prevenir la demanda, una parte esencial de la actividad de IGS que requiere una precisión extrema. “Tomamos decisiones de compra de energía a diario, y para esas decisiones necesitamos una previsión”, continúa Shah. Estas transacciones van desde decisiones de compra-venta de energía a largo plazo hasta operaciones en el mercado energético diario, conocido como “day-ahead”, en el que las negociaciones de electricidad se hacen al por mayor con un día de antelación para evitar la volatilidad de los precios.

Los modelos de previsión basados en ML de IGS necesitan ingentes cantidades de datos que incluyen información sobre las condiciones meteorológicas, el consumo energético histórico, detalles de cuentas y fechas de contratos. Como los precios de la electricidad al por mayor varían a lo largo del día, la empresa tiene que hacer sus previsiones del consumo por hora para toda la duración del contrato del cliente, que puede abarcar muchos años. Los datos que se generan en un proceso como este pueden hacer que se creen hasta 40 000 o 50 000 millones de filas y se supere el terabyte. “Si algo interrumpe el flujo inicial durante las previsiones, el proceso no funciona y se corre el riesgo de perder mucho dinero”, detalla Shah.

IGS recurrió a Snowflake en busca de una solución escalable y flexible. “El Data Cloud nos pareció la opción más rentable y rápida para almacenar, consultar y usar este enorme volumen de datos”, continúa Shah. “Snowflake desempeña un papel crucial en nuestro propósito de hacer que los datos sean más útiles, interpretables y prácticos”.

Con Snowflake, el equipo de Shah ha desarrollado un modelo de previsión de la demanda de “nueva generación”. “La previsión de la demanda suele ser más precisa cuando se alcanza un mayor nivel de detalle”, explica Shah. “Sin embargo, dado que usábamos un modelo predictivo por cuenta y teníamos muchas cuentas de clientes, se generaba una gran sobrecarga”. IGS pasó de entrenar un modelo por cliente a entrenar un solo modelo unificado en Snowflake, un cambio con el que ha logrado simplificar sus procesos, alcanzar altos niveles de precisión y reducir los costes del entrenamiento en un 75 %.

“Antes, el proceso de entrenar todos estos modelos y generar las previsiones llevaba media hora”, comenta Shah. “Sin embargo, el modelo unificado de Snowflake es rapidísimo: tardamos unos minutos en generar previsiones para cientos de miles de clientes. Este nivel de agilidad y sencillez nos permite poner en marcha otras iniciativas para el negocio, como la simulación y la previsión de situaciones”.

Shah considera que las ventajas de su modelo de previsión basado en Snowflake pueden ir más allá de IGS. “En nuestra opinión, este enfoque puede funcionar en otros sectores distintos al energético, como el retail o la cadena de suministro”, afirma. “Puede servir de modelo para cualquier sector en el que las previsiones supongan un reto por su volumen”.

Además de proporcionar energía renovable a través de la red eléctrica, IGS también ofrece paneles solares para colocar en tejados. Una vez que se instalan, IGS supervisa la generación de energía para garantizar un rendimiento óptimo.

En el pasado, IGS detectaba las anomalías en el funcionamiento de forma manual, exportando los valores promedio históricos de generación de energía desde su servidor SQL on-premise a una hoja de Excel y, a continuación, comparándolos con los datos de producción. Se trataba de un proceso manual que llevaba mucho tiempo y que no era preciso. “Detectar estas anomalías es fundamental para que nuestros clientes disfruten de una experiencia satisfactoria con nuestros paneles”, explica Shah. “Sin embargo, antes de contar con Snowflake, había riesgo de tener falsos negativos, por lo que se pasaban por alto algunas anomalías; y también riesgo de falsos positivos que nos hacían enviar personal técnico sin que hubiera ningún problema”.

El equipo de Shah recurrió a Streamlit para poner a prueba su idea de modelo basado en ML con datos meteorológicos y especificaciones de paneles solares para predecir casos de rendimiento insuficiente. Gracias a la facilidad de uso de Streamlit, pudieron crear una aplicación de detección de anomalías inicial de uso interno en solo dos semanas. “Streamlit ha ayudado a nuestros científicos de datos a tener más tiempo para hacer otras tareas de ingeniería, desarrollar modelos con Snowpark y crear soluciones de uso interno”, explica Shah. “Es una herramienta sencilla con la que pueden llevar a cabo sus tareas de ciencia de datos sin preocuparse por tener que trabajar fuera de su ecosistema”.

De cara al futuro, Shah y su equipo seguirán evolucionando para evaluar nuevas formas innovadoras de obtener valor a partir de los datos. En este sentido, Snowflake es un partner esencial en su trayectoria tanto a la hora de aprovechar todo el potencial de la IA y el ML como para conseguir nuevas ventas con Snowflake Marketplace. “Los beneficios de Snowflake Marketplace son enormes”, subraya Shah. “Separa los procesos de extracción, carga y transformación del mantenimiento de esquemas y datos para facilitar el acceso y el uso de una gran variedad de conjuntos de datos de alta calidad, todo ello en nuestro entorno de Snowflake, con nuestros datos”.  

Más adelante, IGS tiene previsto probar el uso de datos demográficos y geoespaciales para identificar qué edificios podrían ser buenos candidatos para sus soluciones de energía renovable.