In che modo gli insight sui dati basati sull'intelligenza artificiale possono contribuire a migliorare la gestione del raccolto

Migliora la tua strategia di gestione della raccolto con previsioni più accurate

Per molte organizzazioni, la gestione del raccolto (VM) è il più grande costo operativo non correlato al carburante. Per dare priorità al lavoro delle VM, le organizzazioni devono acquisire e unire dati da più origini, tra cui immagini, dati provenienti dai sistemi di gestione del lavoro, requisiti normativi, informazioni meteorologiche, modelli di rischio, dati geospaziali e altro ancora. Devono quindi essere in grado di utilizzare questi dati per pianificare e prevedere con precisione la distanza tra asset e raccolto, registrando e combinando attentamente i modelli 3D della rete e della vegetazione circostante. Sfruttando i dati dei sondaggi topografici insieme agli analytics (ad esempio, gli indici di salute delle piante), le aziende possono ottimizzare le risorse di manutenzione della vegetazione, i budget e le routine di lavoro.

Riduci i costi e migliora le strategie di gestione del raccolto con tecniche avanzate di elaborazione delle immagini

Valutare l'altezza degli alberi e, più in generale, l'altezza di qualsiasi tipo di vegetazione, come parte di un piano di gestione della vegetazione, è una delle applicazioni più conosciute della rilevazione della luce e della gamma (LiDAR), nonché della fotogrammetria. Entrambe le tecniche, che sono spesso abbinate, richiedono algoritmi di classificazione e filtraggio avanzati per derivare con precisione l'altezza e la condizione della vegetazione. Le aziende utilizzano queste tecniche per identificare alberi strutturalmente non sani, analizzare viti rampicanti che potrebbero avere un impatto su fili e componenti di quadri elettrici e gestire la vegetazione che potrebbe attirare fauna selvatica indesiderata vicino alle attrezzature più strategiche.

La seguente architettura dimostra come possiamo utilizzare Oracle Modern Data Platform insieme a tecniche ML/IA avanzate e GPU NVIDIA non solo per ottenere un'immagine bidimensionale della vegetazione, ma anche per aggiungere una terza dimensione che fornisce dettagli più specifici. Queste informazioni ci permettono di stabilire il tipo di albero, la sua crescita e la sua distanza dall'infrastruttura, così come altri dettagli, in modo più accurato.

Questa immagine mostra in che modo è possibile utilizzare Oracle Data Platform per l'energia e l'acqua al fine di supportare un caso d'uso di gestione del raccolto. La piattaforma include i seguenti cinque pilastri:

1. 1. Data Sources, Discovery
2. 2. Ingestione, trasformazione
3. 3. Persist, Curate, Create
4. 4. Analyze, Learn, Predict
5. 5. Measure, Act

Il pillar Data Sources, Discovery include due categorie di dati.

1. 1. I dati proprietari sono costituiti da metadati degli asset, dati GIS, immagini LiDAR e immagini satellitari.
2. 2. Le applicazioni includono sistemi di gestione delle interruzioni e della manutenzione.
3. 3. I dati di terze parti includono dati provenienti da fonti meteorologiche.

Il pillar Ingest, Transform comprende due funzionalità.

1. 1. L'inclusione batch utilizza Oracle Integration Cloud, Spatial Studio, OCI Data Integration e Data Studio.
2. 2. Change data capture utilizza OCI GoldenGate e Oracle Data Integrator.

Tutte e due le funzionalità si connettono in modo unidirezionale all'interno del data store e nello storage cloud nel pillar Persist, Curate, Create.

Il pillar Persist, Curate, Createa comprende quattro funzionalità.

1. 1. Il data store preposto utilizza Autonomous Data Warehouse.
2. 3. Cloud Storage utilizza OCI object storage.
3. 3. L'elaborazione batch utilizza OCI Data Integration, Functions e Data Flow.
4. 4.Governance utilizza il catalogo dati OCI.

Queste funzionalità sono connesse all'interno del pillar. Lo storage cloud è connesso in modo unidirezionale al data store di servizio e, inoltre, è connesso in modo bidirezionale all'elaborazione in batch.

Le righe di metadati si connettono in modo unidirezionale dal data store e dallo storage cloud in uso alla governance.

Due funzionalità si connettono al pillar Analyze, Learn, Predict: il data store in uso e lo storage cloud si connettono unidirezionalmente ai servizi di AI, analisi e visualizzazione, AppDev low-code, predict e learn.

Il pillar Analyze, Learn, Predict comprende sei funzionalità.

1. 1. Analytics e visualization utilizzano Spatial Studio, Oracle Analytics Cloud e ISV.
2. 2. Data products, API utilizza OCI API Gateway, Oracle Integration Cloud e OCI Functions.
3. 3. AppDev low-code utilizza APEX e Oracle Visual Builder.
4. 4. Predict utilizza i servizi OCI Data Science e Oracle Machine Learning.
5. 5. Il machine learning utilizza i notebook OCI Data Science e Oracle Machine Learning.
6. 6. I servizi AI utilizzano OCI Vision, OCI Language e terze parti.

I prodotti di dati e la funzionalità API sono collegati in modo unidirezionale alla funzionalità di previsione.

Il servizio di data store e object store forniscono metadati a OCI Data Catalog.

Il pillar Measure, Act acquisisce il modo in cui l'analisi dei dati può essere applicata per supportare un modello di consegna per la gestione del raccolto e monitorarne le prestazioni. Questi applicazioni sono suddivise in due gruppi.

1. 1. Il primo gruppo Peoples and Partners comprende il team di gestione del raccolto, l'affidabilità del sistema, le operazioni e la manutenzione.
2. 2. Il secondo gruppo di applicazioni include Oracle Field Service, Oracle Utilities Work and Asset Management, enterprise asset management, work management system e field service management.

I tre pillar centrali: Ingest, Transform; Persist, Curate, Create; and Analyze, Learn, Predict sono supportati dall'infrastruttura, dalla rete, dalla sicurezza e da IAM.

Architettura logica di gestione della vegetazione

Ci sono due modi principali per inserire i dati in un'architettura e consentire alle aziende di sviluppare efficacemente una strategia di gestione dell'azienda.

• Useremo l'acquisizione in batch per importare dati da sistemi che non sono in grado di supportare lo streaming (ad esempio, sistemi di controllo di supervisione e acquisizione di dati (SCADA) precedenti o sistemi di gestione della manutenzione). In questo caso d'uso, le immagini ad alta risoluzione, i dati meteorologici e i dati provenienti dai sistemi GPS, manutenzione e interruzioni verranno inclusi a intervalli variabili. Useremo Oracle Integration Cloud per caricare questi set di dati nello storage degli oggetti Oracle Cloud Infrastructure (OCI) o direttamente in Oracle Autonomous Data Warehouse (ADW). Cattureremo anche LiDAR e altre immagini dell'infrastruttura pertinente e della vegetazione circostante e le caricheremo nello storage degli oggetti OCI, di solito tramite un'API o l'interfaccia a riga di comando OCI.
• Inoltre, utilizzeremo Oracle Cloud Infrastructure GoldenGate per includere dati dai sistemi operativi, come i sistemi che monitorano i blackout, i sistemi di gestione della manutenzione e i sistemi di pianificazione delle risorse, tramite l'acquisizione dei dati di modifica.

La persistenza e l'elaborazione dei dati si basano su tre componenti.

• I dati di tipo ingested RAW provenienti da tutte le fonti vengono memorizzati nello storage cloud. Inizialmente etichetteremo o annoteremo le immagini direttamente utilizzando OCI Vision o un'opzione di terze parti. Durante il processo di annotazione, diverse aree di ogni immagine saranno classificate per tipo di vegetazione, linea di trasmissione, linea di distribuzione, polo di utilità e così via. In questo caso d'uso, stiamo utilizzando una combinazione di OCI Data Science e la piattaforma e le librerie NVIDIA per fornire un'immagine tridimensionale. Successivamente, utilizzeremo OCI Data Integration o OCI Data Flow per l'elaborazione in batch al fine di consolidare, curare o migliorare i dati raccolti in base alle esigenze. OCI Data Integration è il luogo in cui vengono create e gestite le pipeline di dati. Sebbene OCI Data Integration sia dotato di una vasta gamma di connettori per vari asset di dati (database, applicazioni, storage degli oggetti, API REST e così via), potrebbe non soddisfare tutte le tue esigenze. In questo caso, puoi creare un'applicazione OCI Data Flow per sfruttare tutti i connettori disponibili tramite Spark. In questo esempio, i risultati dell'elaborazione delle immagini, del GPS, dei dati storici sui blackout e di manutenzione vengono abbinati per creare un modello in grado di identificare le posizioni degli asset fisici che richiedono attenzione; tali informazioni possono essere utilizzate come parte di una soluzione di gestione della vegetazione.
• È così che vengono creati set di dati elaborati pronti per essere resi persistenti in formato relazionale al fine di ottimizzare le prestazioni in termini di conservazione e query nel data store fornito da ADW. Questo ci permette di visualizzare i risultati delle previsioni del modello. Possiamo anche utilizzare le funzionalità spaziali integrate per visualizzare possibili hotspot che potrebbero richiedere un'attenzione immediata.

La capacità di analizzare, imparare e prevedere è facilitata da tre approcci tecnologici.

• I servizi di analisi e visualizzazione come Oracle Analytics Cloud, Spatial Studio e Oracle APEX possono fornire dashboard interattivi che possiamo utilizzare per visualizzare informazioni sulle immagini e prevedere l'impatto futuro della vegetazione su asset di trasmissione o trasferimento specifici. Questi servizi forniscono
  • Analisi descrittive, che possiamo utilizzare per illustrare i tassi di crescita e invasione attuali con istogrammi e grafici al fine di identificare le aree che richiedono manutenzione immediata
  • Analisi predittive, che possiamo utilizzare per pianificare e determinare le esigenze di manutenzione a lungo termine, prevedendo la crescita e l'invasione future, identificando le tendenze e determinando la probabilità di risultati incerti
  • Analisi prescrittive, in grado di proporre azioni adeguate per ottimizzare il processo decisionale strategico di gestione del raccolto
• Oltre all'uso di analisi avanzate, vengono sviluppati, addestrati e distribuiti modelli di machine learning grazie a OCI Data Science. Questi modelli utilizzano l'intelligenza artificiale per analizzare grandi quantità di dati di immagine LiDAR per sviluppare immagini tridimensionali in modo da poter capire esattamente quanto è lontana la vegetazione dalle infrastrutture critiche. Questa misurazione dettagliata, se abbinata a requisiti normativi, dati meteorologici, programmi di manutenzione e altri dati preziosi, può aiutare le aziende a dare continuamente priorità al lavoro da svolgere e ai team necessari per farlo nel modo più efficiente ed economico. Una volta formati, questi modelli possono essere distribuiti in diversi modi, a seconda delle preferenze dell'utente. I modelli possono essere richiamati tramite endpoint REST utilizzando la piattaforma OCI Data Science o l'API REST di Oracle Machine Learning Services nel database. Inoltre, l'utente può creare un pacchetto di questi modelli in un formato ONNX (Open Neural Network Exchange) e distribuirli come parte di un'applicazione.
• I dati e modelli di alta qualità, esaminati e testati possono essere disciplinati da regole e policy di governance, con OCI Data Catalog e altri servizi, ed esposti come "prodotti di dati" (API) in un'architettura di data mesh per distribuirli all'interno dell'organizzazione.

Migliora la tua strategia di gestione del raccolto con Oracle Modern Data Platform

Una gestione efficiente e tempestiva degli asset è sempre fondamentale, ma è ancora più importante quando gli asset includono linee elettriche che potrebbero innescare un incendio o un'interruzione a causa della crescita eccessiva della vegetazione. Per i servizi di pubblica utilità negli Stati Uniti, la gestione della vegetazione è la più grande spesa di manutenzione preventiva e, in molte delle società di servizi più grandi, supera i 100 milioni di dollari l'anno. Tuttavia, la VM è anche il più grande contributore all'affidabilità del sistema di utility e alla gestione efficace delle interruzioni. Con Oracle Modern Data Platform, puoi raccogliere dettagli specifici della tua infrastruttura e della vegetazione circostante e utilizzare questi dati per migliorare la tua strategia e i risultati delle VM nei seguenti modi:

• Riducendo l'impatto della vegetazione sulle linee elettriche
• Convalidando i tassi di crescita previsti della vegetazione
• Promuovendo una pianificazione e un monitoraggio efficaci della vegetazione
• Riducendo la perdita di ricavi da interruzioni di corrente
• Riducendo il budget annuale per la gestione della vegetazione
• Aumentando la soddisfazione dei clienti e la sicurezza dei lavoratori