Геннадий Мятишкин: «Использование нейросетей становится конкурентным преимуществом»

— Сейчас много говорят о применении искусственного интеллекта в бизнесе. Прогнозы по этому поводу самые разнообразные: от того, что ИИ уничтожит много рабочих мест и до того, что ИИ переоценивают, как раньше переоценивали важность блокчейна, про который все уже давно перестали говорить. Как уже применяется искусственный интеллект в электроэнергетике, и какая польза от его применения может быть для потребителей энергии?

— Я бы не стал так категорично сбрасывать со счетов задачи распределенного реестра, то есть блокчейна, в задачах энергетики. Уверен, его перспективы значительны. Нужно время. Что касается алгоритмов искусственного интеллекта (ИИ), то сейчас активно набирается практический опыт по использованию моделей машинного обучения (ML-модели) в отрасли всеми её участниками.

В частности, к областям применения часто относят планирование ремонтов оборудования, поиск потерь, цифровые РЭС и сети, управление нагрузкой и многие, многие другие. Я могу рассказать о нашем опыте в ПАО «Самараэнерго».

Наша компания является гарантирующим поставщиком электрической энергии в Самарской области. У нас примерно 18 тысяч клиентов из числа юридических лиц, а это и промышленные предприятия, сельское хозяйство, больницы, школы, детские сады, котельные… и около 1 миллиона домохозяйств. Поэтому естественно, что мы начали использовать ML-модели в таких сферах, как аналитика и прогноз почасового потребления электрической энергии, а также в задачах повышения производительности и скорости обработки входящих обращений наших потребителей.

— Поясните, пожалуйста.

— Практически вся электрическая энергия, производимая в России, реализуется на федеральной торговой площадке, организованной АО «Администратор торговой системы». Для простоты мы можем называть её товарной биржей электрической энергии, тем более что логика и правила построения этой специализированной площадки во многом схожи.

Цены на эту энергию могут повышаться или понижаться в зависимости от многих факторов, определяющих спрос и предложение. Это и метеоусловия, динамика потребления производств и общий рост реального сектора экономики в регионе, межсетевые перетоки и ограничения инфраструктуры, ремонтные программы тепловых, атомных и гидростанций и, конечно, динамика потребления граждан-потребителей.

К слову, значение и влияние граждан в общем объеме потребления в регионе сильно возросли за истекшие 5-7 лет.

Этот рост настолько значителен, что колебания в потреблении населения стали играть в прогнозе почасовых значений роль, по своему весу соизмеримую с производством. Такая динамика спроса по периодам, часам и сезонам в значительной мере определяет итоги торгов на энергетической бирже.

Мы уже говорили с вами, что биржевые торги обеспечивают реализацию баланса спроса и предложения (выработки) со стороны генераторов. Результатом такого баланса становится цена за кВт·ч. Причем для каждого часа суток и точки поставки она может существенно отличаться. Промышленные потребители хорошо знают об этом, ведь они получают счета по итогам месяца с учетом результата таких торгов, и цена за кВт·ч в них может колебаться, расти или снижаться от месяца к месяцу. К населению такой механизм в настоящее время не применяется и обычным потребителям скорее знаком термин – тариф, нежели цена за кВт·ч.

Для населения тариф устанавливается регулятором и остается постоянным в течение установленного периода регулирования. И тариф для населения ниже уровня цены энергии для промышленности и таким образом является субсидируемым.

— Какова роль в этом ПАО «Самараэнерго»?

— Если кратко, то наша задача — участие в торгах на энергетической бирже с максимально точным почасовым прогнозом потребления для всех наших потребителей. Торги проводятся ежедневно на завтрашний день.

Точность прогноза влияет на отклонения в потреблении, которые фактически произойдут уже завтра в течение операционных суток. А они, конечно, случатся, поскольку каждый из потребителей расходует электроэнергию по своему практическому усмотрению в течение суток по часам. В таких условиях задача прогноза становится весьма нетривиальной. Так вот, главная проблема не столько в отклонениях, сколько в их размере.

Действующая модель энергорынка реагирует на изменения в потреблении оперативными командами генерирующим станциям, как следствие, ростом цены за эти отклонения. Цена отклонений всегда выше цены плановых торгов, проведенных вчера на сегодня. Рынок отклонений работает уже внутри операционных суток и требует от станций оперативного увеличения или снижения выработки электроэнергии.

Приведу понятный пример: мы с вами знаем, что на расход топлива наших автомобилей в значительной степени влияет манера вождения. Переходные режимы работы — это всегда рост затрат топлива. На станциях тоже самое. Переходные режимы хуже стационарных. Выше расход топлива – выше цена выработки.

Поэтому не удивительно, что правила энергорынка так строго относятся к точности прогноза потребления на следующий операционный день, причем именно в почасовой разбивке. Таким образом, наш точный прогноз — это забота о наших потребителях с целью минимизации стоимости для них. Цена за кВт·ч — критически важная величина для потребителей и в целом экономики как Самарского региона.

— Какую пользу в этом плане может принести искусственный интеллект ПАО «Самараэнерго» и потребителям?

— Энергорынок в нашей стране существует уже более 20 лет и до появления ML-моделей ПАО «Самараэнерго» пользовалось и другими инструментами, и алгоритмами моделирования. Мы прошли весьма долгий путь в разработке моделей прогнозирования. Продолжали совершенствовать их непрерывно.

Думаю, вполне закономерен тот факт, что мы подошли к использованию ИИ. Действующие правила не позволяют нам превышать порог 5% отклонений, и мы в интересах своих потребителей стараемся обеспечить это значение как можно меньшим.

Запущенная в работу модель ИИ для нужд прогнозирования потребления позволяет нам сохранять многолетний нормативный уровень отклонений несмотря на те значительные изменения в потреблении реального сектора и населения, который мы отмечаем в регионе. Так что модель ИИ помогает нам вести ту незаметную для потребителя работу по удержанию минимального уровня цены за кВтч в условиях энергорынка, которая нам доступна в рамках действующих правил для Гарантирующих поставщиков в РФ.

— Да, но рост цены все равно отмечается …

— Верно, но давайте не забывать, что на этот рост в первую очередь оказывает влияние рост и других составляющих себестоимости производства у генерирующих станций. И это не только рост на величину индекса потребительских цен, который применяют в отношении постоянных затрат станций, это прежде всего рост цены топлива для выработки.

Посмотрите за динамикой цен на газ, и вы заметите явную корреляцию с ценой на электроэнергию. Это естественный процесс, поскольку на энергобирже станции участвуют своим ценовым предложением с опорой на цену топлива и объём выработки. Загрузка станций ниже себестоимости — это убыток и путь к банкротству. Тем не менее сама модель энергорынка объективна и подразумевает загрузку разных станций с разными ценами за мегаватт час, в результате средневзвешенная цена по рынку может складываться лучше, чем стоимость выработки станции, которую вы видите из окна.

Конечно же, свое влияние на цену оказывает и выработка ГЭС и АЭС. Иногда случается встречать суждение о высокой цене при наличии в нашем регионе дешевой выработки у Жигулевской ГЭС, и вроде бы для потребителя выбор недорогой выработки и источника благополучия очевиден. Однако так не работает.

Энергетический рынок построен в интересах минимальной цены и общего блага всех участников.

Согласитесь, создавать модель рынка, в которой потребители одного региона оказались бы в явно выигрышной позиции по отношению к другим и в целом по стране, было бы экономической дискриминацией. Энерговооруженность регионов разная. Тем не менее, мы как профессиональные участники рынка видим, что наличие ГЭС все же оказывает позитивное ценовое влияние на наш регион.

Так что наши интересы как региона, на мой взгляд, не пострадали.

— Вы используете одну или несколько моделей ИИ?

— Для решения задачи предиктивной аналитики лучше использовать несколько вариантов машинного обучения ИИ, потому что разные методы обладают уникальными сильными сторонами и подходят для разных типов данных и сценариев.

Если хотите, разные методы машинного обучения ИИ специализируются и хорошо проявляют себя на разных задачах и сценариях. Это не означает отсутствия у них универсальности, однако результат поиска и обучения для них дает в последствие отличающиеся итоги. Мы для своей задачи прогнозирования и последующих торгов используем 2-3 конкурирующих модели.

Это подход, направленный на максимизацию точности, устойчивости и полноты прогноза путем комбинирования сильных сторон разных методов. Но главный нюанс конечно тут в другом – качество исходных данных и учет влияющих на волатильность потребления почасового потребления электроэнергии факторов. Это не только метеоусловия как многие полагают. На потребление влияют факторы более сложного характера.

Выбор и учет этих метафакторов в прогнозе тоже весьма творческая задача.

— Что вы имеете в виду?

— Приведу пример: в последние пару лет май месяц в нашем регионе не отличался хорошей погодой, не баловал на майские праздники теплом. А вот несколько лет назад случился май, в котором температура наружного воздуха поднималась стабильно до уровней июня и даже июля.

Так вот, если опираться исключительно на единственный метафактор, то есть на погоду, то обычно в таких условиях население и бизнес включают кондиционеры и дополнительную вентиляцию, что в итоге приводит к росту потребления электроэнергии.

Однако в нашем случае этого не произошло. Хотя неделя жаркой погоды, а временами температура воздуха доходила до 30-32°С должна была привести к этому. Почему? Виной всему иной метафактор — потребительское поведение.

Если до середины апреля еще оставался снег, а в первой декаде мая установилась такая жара, вы скорее откроете форточку проветрить, нежели включите кондиционер. Вам психологически трудно перестроиться в начале мая на режим июня-июля после остаточного снега еще в апреле две-три недели назад. В нашем случае ситуация вообще стала почти парадоксальной. Жара пришлась частично на майские праздники, и большая часть городского населения уехала за город, а промышленность и бизнес тоже оказались на выходных. Результат? Потребление резко снизилось вместо того, чтобы по всем метеопризнакам заметно возрасти.

Еще больший «провал в потреблении» добавило то, что май обычно по ночам еще холодный в нашем регионе и загородные дома отапливают помещения обогревателями. Но здесь такого тоже не случилось. Ночью тоже было тепло. Может ли алгоритм ИИ учесть в будущем такой «парадокс»? Да, ему это по силам, но обучить ML-модель без создания тестового варианта не представляется возможным, а поскольку этот частный пример, один из многих, то обучение ИИ идет постоянно. Предсказание потребительского поведения, как я уже говорил ранее, задача весьма нетривиальная, а модель ИИ должна учитывать разнородные метафакторы для корректного прогноза.

— Насколько применение ИИ для прогнозирования спроса может считаться потенциальным конкурентным преимуществом ПАО «Самараэнерго» в будущем?

— ПАО «Самараэнерго» имеет статус гарантирующего поставщика в регионе, то есть компанией, которая обязана заключить договор энергоснабжения электрической энергией с любым потребителем, обращающимся к ней в пределах своей зоны деятельности.

Фактически мы выполняем функцию «единого окна» для потребителя: покупаем электрическую энергию на оптовом рынке, заключаем договоры с сетевыми компаниями, реализуем энергию конечным потребителям, ведем расчеты и сбор платежей, а также взыскиваем задолженность. До девяноста с лишним процентов конечной цены потребителя составляет стоимость выработки энергии генерирующими станциями и услуга по передаче сетевых компаний.

Сбытовая надбавка самого гарантирующего поставщика невелика в сравнении с полной ценой за кВт·ч в счете у юридических лиц. Таким образом, эффективная операционная деятельность по покупке электроэнергии у генерирующих компаний на оптовом рынке электроэнергии и ведение описанных мной ранее процедур энерготрейдинга – главная наша задача в интересах конечных потребителей.

Мы стремимся к минимизации цены покупки у генерирующих компаний электроэнергии в рамках тех возможностей операций на энергетической бирже, которыми обладаем. Стремление к росту своей эффективности и снижению транзакционных издержек — это классика конкурентоспособности. Мы тоже её придерживаемся, а опыт, накопленный нами в решении задачи прогнозирования, позволяет говорить и о квалификационном преимуществе перед конкурентами.

Действующие правила позволяют потребителям выбирать поставщика. Отрасль живет в конкурентной среде уже более 20 лет. Но в ходе этого выбора нужно помнить о рисках операционной деятельности на энергетической бирже. Далеко не все наши конкуренты уделяют столько внимания её эффективности. Это приводит к росту затрат вместо ожидаемого, а чаще просто обещанного снижения, не более того. Поэтому мы всегда помогаем нашим потребителям определиться с выбором вариантов. Если хотите, выступаем в роли профессиональных экспертов по вопросам энергетической себестоимости и управления ей. В этом смысле, использование ИИ, как одного из наших инструментов, несомненно является нашим конкурентным преимуществом.

— Ваши коллеги в других регионах пытаются привлекать нейросети для прогнозирования спроса?

— Да, конечно. Такие пилотные проекты у других гарантирующих поставщиков по стране нам известны. Мы общаемся и обмениваемся опытом с некоторыми из них. Коллеги так же, как и мы, тестируют похожие решения. При этом все понимают, что ИИ служит, но итоговое решение и ответственность останется за человеком.

ИИ скорее выступает в качестве экспертной системы в принятии итоговых решений, нежели автоматической. Существуют, конечно, и вопросы информационной безопасности, которые требуют внимания при работе с искусственным интеллектом. Тем более если физически алгоритм расчета расположен где-то на серверах, связанных с внешним миром. Мы не используем возможности, которые предоставляют поставщики разных ИИ онлайн-решений для нашей задачи прогнозирования. Расчетная модель локализована на защищенных серверах нашей компании. Тем не менее, апробация использования возможностей больших лингвистических моделей в работе нами тоже ведется.

— Какие лингвистические модели вы используете для апробации и какие задачи пытаетесь решать?

— Мы тестируем возможности GigaChat и Perplexity для решения наших задач классификации. Часть нашей работы – это обработка, классификация и ответы на запросы наших потребителей. Электронные сервисы, которые предоставляются ПАО «Самараэнерго» формируют достаточно широкий круг возможностей для наших потребителей. Конечно, со временем число их активных пользователей возрастает. Это хорошо. Современный потребитель хочет решать свои вопросы и проблемы дистанционно, полно и в возможно короткие сроки.

Простота и доступность электронных сервисов увеличивает поток обращений по самым разным вопросам.

Кстати, совсем не обязательно эти вопросы носят характер проблем или жалоб. Подавляющее большинство обращений в компанию — текущие вопросы операционной деятельности. Для ускорения обработки этих документов, их распознавания, классификации и последующей маршрутизации в компании удобно использовать возможности лингвистических моделей ИИ.

Например, мы видим, что самарцы очень активно начали использовать сервис «ГИС ЖКХ» для отправки обращений в ПАО «Самараэнерго». Темп прироста использования этого сервиса в нашем регионе немногим отстает от таких мегаполисов, как Москва и Санкт-Петербург, и, если я не ошибаюсь, занимает четвертое место по России. Конечно же, обработать такой поток входящих обращений без автоматизации становится затруднительно.

Мы стремимся сэкономить рутинное время наших специалистов, чтобы использовать его в непосредственном решении вопросов и задач по обращениям. Для этого рутинные действии по распознаванию текстов, классификации и маршрутизации можно поручать большим лингвистическим моделям.

— Каковы первые итоги такого тестирования?

— Прежде всего следует заметить, что лингвистические модели ИИ показали весьма высокий результат по распознаванию и классификации видов входящих обращений. В нашем классификаторе содержится полтора десятка видов и тематик обращений.

Процент безошибочной классификации обращений по содержанию текста составляет порядка 95-98%. Не всегда вновь принятые специалисты, без опыта работы, справляются с этой задачей так хорошо и быстро, как это делает ИИ. Но отмечается и ряд проблем, в частности, при обработке обращений, поступающих через «ГИС ЖКХ».

Главная из которых — это использование сервиса «ГИС ЖКХ» в качестве мессенджера. Появились потребители, которые просто тестируют сервис и отправляют нам, например, отдельные слова, реплики, набор цифр или букв и зачастую вообще непонятно, что это было и зачем. Думаю, что если бы в «ГИС ЖКХ» были смайлики и эмодзи, ими тоже бы активно пользовались заявители. Мир поменялся, и мы его принимаем таким каков он есть.

Однако, насущная потребность общения, обратной связи и простота использования каналов связи «ГИС ЖКХ» таким образом подвергает инфляции практическую ценность самого сервиса. Как бы то ни было, но каждое такое обращение по делу или из баловства считается официальным запросом и должно быть обработано. Рост числа «месседжей» доставляет нашим сотрудникам массу забот и требует времени. «ГИС ЖКХ» регистрирует все обращения без исключения, присваивая им номер и сроки рассмотрения. Для нас это вызов.

Здесь, конечно, тоже велика роль лингвистических моделей ИИ. Они способны помочь в обработке «месседжей» для последующего быстрого ответа.

Это нужно в интересах иных заявителей, вопрос которых изложен детально и по существу, и требует времени на полноценный ответ и решение проблемы. Согласитесь, именно такая категория обращений требует не просто регистрации, маршрутизации и классификации, но, и самое важное, своевременного и полноценного ответа.

— Тогда ускорить написание ответа поможет нейросеть?

— Мы сейчас тестируем возможности GigaChat для ускорения написания ответов на «месседжи». В идеале нейросеть должна вставлять в ответ правильные ссылки на нормативные акты, использовать данные о платежах потребителя, оперировать массой особенностей законодательства в области энергоснабжения и нюансов по конкретному лицевому счету заявителя. Здесь, конечно, заметно сложнее, и пока без специалиста не обойтись. Тем не менее лингвистические модели ИИ действительно могут сократить время подготовки ответа.

— А сотрудников отделений можно будет сократить?

— Я бы сказал, ни в коем случае! За последние годы жители многих управляющих компаний в регионе перешли на прямые договоры с ПАО «Самараэнерго». Они теперь оплачивают энергию и взаимодействуют с нами напрямую. Нагрузка на сотрудников наших клиентских офисов выросла очень сильно. Автоматизация в подготовке ответов это путь сокращения времени рутинных операций, чтобы использовать полученную экономию ради подготовки содержательных ответов с одной стороны, ну и, конечно, очного обслуживания потребителей, — с другой.

Люди хотят общаться с людьми.

Уровень цифровой грамотности и канцелярские навыки у всех разные. Надо уважительно относиться ко всем потребителям. Нехорошо, когда посетитель очно пришел в отделение и вместо трех окон обслуживания работает два, только потому, что в другом вынуждены вести обработку «месседжей» из «ГИС ЖКХ».

Потребители этого не знают, но понять их негодование может каждый. Вместе с тем, успеть готовить письменные ответы, обслуживать очно, отвечать на входящие телефонные звонки одновременно, согласитесь, задача не из простых. Поэтому мне кажется, что лингвистические модели ИИ — это способ экономии времени, чтобы сохранить его для тех наших потребителей, которые нуждаются в очном рассмотрении своих вопросов. Их по-прежнему много, хотя нашими электронными сервисами пользуется все больше клиентов.

— Сергей Петров