AI e ML aiutano IGS Energy a rendere le previsioni meno complesse e a rilevare le anomalie in modo più efficace

IGS Energy si impegna a costruire un futuro più verde. Tenendo fede alla sua missione di rendere l’energia pulita affidabile e accessibile a tutti, IGS sviluppa soluzioni energetiche sostenibili, tra cui elettricità rinnovabile, gas naturale senza emissioni di carbonio ed energia solare. Fornitore di energia al dettaglio nel midwest degli Stati Uniti, IGS ha più di 1 milione di clienti tra aziende e singole abitazioni, a cui fornisce elettricità e gas naturale. 

“I dati sono molto importanti per realizzare la nostra missione; ci aiutano a rendere le nostre offerte più affidabili e concorrenziali”, sostiene Dan Shah, Manager of Data Science di IGS Energy. Con un sistema legacy on‑premise che non era più in grado di tenere il passo con l’enorme quantità di dati da elaborare quotidianamente, IGS aveva bisogno di una piattaforma dati solida e scalabile. Oggi che Snowflake è la dorsale dell’infrastruttura dati di IGS, l’azienda riesce a centrare molteplici obiettivi, dalla previsione della domanda al rilevamento delle anomalie.

I dati sono essenziali per realizzare la missione di IGS, ma la precedente infrastruttura dati on‑premise limitava la capacità dell’azienda di ultimare le attività giornaliere in modo accurato ed efficiente. “Gestivamo i nostri workflow in modo monolitico, erano tutti dipendenti l’uno dall’altro”, commenta Shah. “Se qualcosa non funzionava nella catena, era difficile da isolare. In più, non riuscivamo a migliorare il processo”.

Queste sfide si rivelavano particolarmente problematiche quando era necessario fare delle previsioni della domanda, una parte essenziale dell’attività di IGS che richiede la massima accuratezza. “Ogni giorno prendiamo decisioni sull’acquisto di energia e queste decisioni vanno previste”, aggiunge Shah. Queste transazioni spaziano dalle decisioni di lungo periodo sull’acquisto e la vendita di energia alle contrattazioni sui mercati dell’energia “day ahead”, dove si può acquistare o vendere elettricità all’ingrosso un giorno prima del giorno operativo per evitare la volatilità dei prezzi.

I modelli previsionali basati sull’ML richiedono enormi quantità di dati, tra cui informazioni sul meteo, dati storici dei consumi, dati dei clienti e date dei contratti. Poiché i prezzi dell’energia all’ingrosso variano in base all’ora del giorno, l’azienda deve poter prevedere il consumo di elettricità su base oraria per la durata del contratto di un cliente, che può essere di molti anni. I dati ottenuti in questo processo possono arrivare anche a 40 o 50 miliardi di righe e superare il Terabyte. “Se qualcosa non dovesse funzionare a monte durante una previsione, il processo non funziona e rischiamo di perdere parecchio denaro”, continua Shah.

IGS ha adottato una soluzione flessibile e scalabile basata su Snowflake. “Il Data Cloud ci è sembrato il modo più rapido e conveniente per archiviare, interrogare e usare questo enorme volume di dati”, dice Shah. “Snowflake è una parte importante della nostra visione di avere dati più utili, interpretabili e azionabili”.

Con Snowflake, il team di Shah ha creato un modello di previsione della domanda di nuova generazione. “La previsione della domanda è, in generale, più accurata e granulare”, sostiene Shah. “Ma avevamo un modello predittivo diverso per ogni cliente, e quando i clienti sono diventati tanti, i costi operativi generali sono schizzati in alto”. IGS è passata dal training di un modello diverso per ogni singolo cliente a un unico modello unificato in Snowflake, una transizione che ha ridotto la complessità e garantito un’accuratezza elevata tagliando al contempo i costi dell’addestramento del 75%.

“In passato, il processo di addestrare tutti questi modelli e generare le previsioni richiedeva circa mezz’ora”, dice Shah. “Il modello unificato su Snowflake è super veloce; bastano pochi minuti per generare previsioni per centinaia di migliaia di clienti. La velocità e la semplicità aiuteranno a ottenere funzionalità aggiuntive, come la capacità di simulare e prevedere determinate situazioni”.

Secondo Shah, i potenziali vantaggi del modello previsionale basato sulla tecnologia Snowflake vanno ben oltre IGS. “Riteniamo che questo approccio non sia applicabile solo al settore energetico, ma anche nel campo del retail o della supply chain”, aggiunge Shah. “Potrebbe essere un blueprint per qualsiasi settore che, come il nostro, ha bisogno di un numero elevato di previsioni”.

Oltre a fornire energia rinnovabile tramite la rete elettrica, IGS offre anche pannelli fotovoltaici da installare sui tetti. Dopo l’installazione, IGS monitora l’energia generata dai pannelli per assicurarsi che funzionino correttamente.

In precedenza, IGS rilevava le prestazioni anomale manualmente, esportava le medie storiche dell’energia generata dal server SQL on‑prem in un foglio di calcolo di Excel e confrontava i dati con quelli di produzione. Questo processo manuale richiedeva tempo e soprattutto non era accurato. “Riconoscere queste anomalie è essenziale per assicurare ai nostri clienti una user experience soddisfacente con i pannelli fotovoltaici”, continua Shah. “Prima di Snowflake, c’era il rischio di falsi negativi, ovvero di non riconoscere delle anomalie, così come c’era il rischio di falsi positivi, ovvero accadeva che i nostri tecnici andassero sul posto, ma il problema in realtà non c’era”.

Il team di Shah ha scelto Streamlit per collaudare la sua idea di un modello basato su ML che utilizzi i dati meteorologici e le specifiche delle celle fotovoltaiche per prevedere cali delle prestazioni. Grazie alla facilità d’uso di Streamlit, in appena due settimane il team di Shah ha creato una prima app di test per il rilevamento delle anomalie per i suoi stakeholder interni. “Streamlit ha consentito ai nostri data scientist di essere più liberi con alcune attività di progettazione, di creare modelli con Snowpark e di sviluppare per il business”, dice Shah. “È un tool semplice per mettere la data science al lavoro senza timore di operare al di fuori dell’ecosistema”.

Shah e il suo team stanno già pensando al futuro e continueranno a valutare modi nuovi e innovativi per ricavare valore dai dati. Snowflake è un partner chiave in questo percorso, sia che si tratti di cogliere il valore dell’intelligenza artificiale o dell’apprendimento automatico che di generare nuovi lead di vendita con il Marketplace Snowflake. “Il Marketplace Snowflake assicura vantaggi straordinari”, commenta Shah. “Astrae le fasi ELT [estrazione, carico e trasformazione] della manutenzione di dati e schemi e consente di usare con facilità un’ampia varietà di data set di alta qualità, il tutto nel nostro ambiente Snowflake, con l’uso dei nostri dati”.  

Per il futuro, IGS intende anche valutare l’uso di dati geospaziali e demografici per individuare possibili edifici idonei per l’adozione di soluzioni basate sulle energie rinnovabili.