我们大多数人都不太注意电网，它让我们的家保持凉爽，让我们的企业保持运转——直到灯灭了，或者冰箱静音了。但在加州和西海岸，以及澳大利亚和世界上其他受干旱影响的地区，能源公司正在检查他们的基础设施，以确定食物变质以外的风险，包括野火。随着火灾越来越大，越来越多地发生在我们认为的火灾季节之外，能够在设备故障发生之前发现和解决问题变得更加重要。
大约两年前，圣地亚哥燃气和电力公司(SDG&E)的维护和数字创新团队面临着挑战和机遇。他们与埃森哲的一个团队一起构建的解决方案——一个不断发展的解决方案——是SDG&E合格电气工人长期经验的完美结合，是一群无人机捕捉到的公用事业设备的鸟瞰图，以及在亚马逊网络服务(AWS)云上运行的强大机器学习模型。
2019年，SDG&E最初考虑的想法是使用无人机飞越该公司24万根电线杆中的约7.5万根(这些电线杆位于野火风险最高的地区)，以拍摄图像并识别可能需要维修的设备。SDG&E项目经理詹妮弗·卡明斯基(Jennifer Kaminsky)负责大型输电、配电和变电站项目，当她听说无人机飞行的想法时，她对这种可能性很感兴趣。
卡明斯基说:“我想确保它不仅仅是一个可爱的电线杆相册。”
它必须超越一种简洁的方式来收集图像。无人机项目必须帮助避免野火的风险。为了做到这一点，卡明斯基和她的团队需要一种机制，不仅可以拍摄图像，还可以识别需要立即关注的高优先级问题。
卡明斯基是指导公用事业项目通过加州众多监管机构以及公共和私人利益相关者的专家。她驾驶无人机并不是为了好玩(她开玩笑说，“我有专门的人”)，但她非常清楚自己想让无人机收集什么样的数据，细节程度如何，以及可以用这些数据做什么。
卡明斯基在技术方面请来了一位专家盟友——sdg&e的数字战略与创新领导者Gabe Mika。当米卡听说无人机被投入空中作为概念验证时，他有和卡明斯基一样的直觉:他们如何利用图像做更多的事情?
“我知道他们在收集图像，所以问题是，‘我们能否应用计算机视觉模型来帮助我们在维护和防火工作中长期更有效?’，”米卡说。“我们能否利用无人机拍摄的照片来建立机器学习模型，让这种无人机项目不仅成为现实，而且为我们的客户带来真正的好处?”
对于卡明斯基来说，真正的客户利益可以用一个直截了当的想法来定义。
“你要在东西坏掉之前把它们修好，”她说。
公用事业通常是一个非常人工的行业。按照既定的时间表，一组技术高超的工作人员检查数英里的输电和配电线路，在SDG&E的情况下，检查数以万计的电线杆，他们的工作方式是让卡车停下来，向上看，做笔记，并将它们记录到一个系统中。
维护人员优先考虑首先修复系统中最关键和最脆弱的部分，然后再进行不太紧急的修复。然后他们再重复一遍，一直在处理不可避免地出现的天气事件和各种其他不可预知的情况的紧急修复。
在合格的无人机飞行员的帮助下，米卡的团队以及埃森哲、卡明斯基和SDG&E的机器学习顾问将无人机投放到空中，开始拍摄难以到达且风险最大的地区:高火灾威胁地区。SDG&E服务于圣地亚哥县和奥兰治县南部的360万人口，所以想象一下圣地亚哥市中心东部和北部的所有山坡和山脉。这里地势崎岖、干燥、偏远;换句话说，非常适合驾驶无人机。
卡明斯基想要的不仅仅是图片，他的观点预示着下一个任务:开发图像识别算法——机器学习模型——不仅可以识别变压器、绝缘体、避雷器、交叉臂和电线杆，而且还可以确定条件并给它打个分。评分将建议哪些图像需要进一步审查，并确定可能需要修复的设备。
这正是埃森哲团队在计算机视觉、数据科学和开发应用程序方面的深厚经验发挥作用的地方。他们开始构建一个智能系统，其中还引入了一个更关键的组件:专家的人类经验。
该系统必须完成的最后一部分——测量一件设备的状况——需要专家的眼光和经验。幸运的是，这正是SDG&E在其线路工人(官方称为合格的电气工人)中所拥有的，这使一切都变得不同。正如SDG&E的智能图像处理项目团队所描述的那样:计算机视觉代表了未来资产检查的人机合作伙伴关系。
在教会图像识别模型通过标记准确地识别设备，并确认230万张照片中的每一张的内容(用机器学习的话说就是标记图像数据)之后，sdg&e的团队应用他们自己的经验来对设备的状况进行分级。“这根杆子好吗?”或“避雷器炸了或损坏了吗?”的问题并不总是那么容易回答，正确的答案只能通过经验来获得。通过在标记阶段添加资深SDG&E团队成员的见解，数据集和模型在分析图像时变得更加准确。如果有任何不明确的地方，机器学习模型就会把它交给人类专家进行进一步的审查和行动。这可能意味着后续的身体检查，或者直接进行维修。
卡明斯基说:“拥有云技术是一个真正的游戏规则改变者。“能够存储所有这些数据，并让多个用户能够快速访问这些数据，我们就有可能非常迅速地从评估到现场修复。”
她是认真的。
作为Mika领导的创新项目的一部分，SDG&E使用了一个他们称之为“学习、证明、扩展”的框架。整个想法是确定并试行新的解决方案，在解决公用事业最棘手的问题时，在速度和成本上产生重大差异。应用他们的框架，他们开始了无人机和机器学习辅助图像识别的“学习”阶段。他们很快就发现，这使他们进入了“证明”阶段，卡明斯基所寻找的速度是真实的，并且在计算人们进入现场并进行类似检查所需的相应时间时，可以转化为实际节省的时间。
使用亚马逊Rekognition而且亚马逊视觉瞭望台在美国，SDG&E的机器学习模型每小时可以评估近1.6万张图像的损坏情况。在短期内，SDG&E计划为三辆专用车辆和司机配备移动设备和AWS机器学习模型，在云边缘运行，以在90天内捕获高火灾威胁区域的图像。使用无人机捕捉相同电线杆的图像将花费更长的时间。他们的想法是将这一解决方案扩展到1500辆车队中的更多车辆，以更频繁地在大部分服务区域捕获图像。
两年后，SDG&E团队及其合作伙伴埃森哲正在努力实现该方法在整个组织中的变革潜力，拍摄了230万张变压器、绝缘体、连接器和电线杆的照片。这就开始了对“规模”阶段的思考。他们如何不仅将其应用于降低野火风险，而且应用于资产管理、植被管理以及气候变化中的总体可靠性?
“我们能得到的数据越多样化，我们就能更好地训练我们的模型来做各种各样的事情，”米卡说。“希望我们能在一定程度上与业界分享这些内容，因为我们有相同的问题，也有相同的基础设施。野火不再是加州的事情，它是西海岸的事情，也是全球的事情。”
气候变化在世界各地的社区和景观中推动的转变的规模和强度需要新的思维方式和新方法来解决这些新问题。SDG&E的努力就是朝着这个目标迈出的一步。
“这不是一个开始和结束的火灾季节;它正在通过跟踪天气模式、测量降雨量以及监测植被的含水量来准备和预防它，”卡明斯基说。“火灾科学和气候适应是我们全年都在考虑的问题，我们对这种数据收集和分析研究得越多，我们就越相信它不仅对公用事业行业是革命性的，而且适用于其他各种行业。”
她继续说道:“安全是我们的首要任务，通过使用人类专业知识，结合机器学习和这些模型，我们可以开始揭示我们以前没有看到的东西。”“这些东西可以帮助我们预防火灾，为我们的客户保持照明。”
