2018年，加州北部的巴特县因太平洋天然气电力公司（PG&E）的输电线路故障引发了一场大火，导致85人丧生，近1.9万栋建筑被毁。今年6月，PG&E的首席执行官兼总裁比尔·约翰逊在巴特县高级法院承认了84项过失杀人罪及一项非法纵火重罪。
火灾过后，PG&E开始研发一套人工智能技术工具，旨在通过计算机视觉识别高风险火灾区域。该解决方案名为“SheRlock SuITe”，它帮助PG&E实现了现场设备的自动化检查。
PG&E的SheRlock SuITe产品经理库纳尔·达塔表示：“SheRlock SuITe使得检查员能够在高分辨率图像上标记潜在设备问题，并进一步训练计算机视觉模型，以自动检测这些问题，同时为图像添加元数据，以便在企业内部进行搜索。”
自动化检查
火灾后，PG&E利用航空摄影技术拍摄了超过200万张关于5万个输电塔的图像，并从全国各地聘请了150名检查人员对这些图像进行审核。最初的检查依赖于共享驱动器中的文件夹、纸质手册、传统地图系统和Excel电子表格进行工作跟踪。
达塔表示：“野火安全检查项目是PG&E首次在如此大规模上使用航空图像进行远程检查。”
这一人工流程从图像采集到检查过程十分漫长，检查本身也相当耗时。2019年1月，PG&E组建了SheRlock团队，团队与检查人员、监督者、主题专家及其他相关人员会面，寻找简化和自动化的机会。
达塔指出：“从飞行到检查完成，整个过程中都需要手动输入数据。降低野火风险是PG&E的首要任务，因此，缩短检查时间和提高整个检查流程的可审核性被视为重要的改进方向。”
在整个开发过程中，达塔与团队成员保持紧密联系，包括数据科学家、开发人员和设计师，努力从利益相关者的角度理解问题。
他强调：“我们的理念是与业务合作伙伴紧密合作，我们不是单独为他们开发产品，而是共同打造解决方案。”这种参与有助于团队提出可测试的小增量并获得反馈，确保开发出符合用户需求的正确产品。
迭代与期望管理
该团队于2019年3月向一小部分审查员部署了测试版，并在2019年5月将所有审查员转移到SheRlock上，但仍在持续添加新功能。
达塔表示：“我们一直在努力推进，没有真正的‘完成’状态。我们每周发布新版本，并不断收集反馈。我们采用Scrum方法，每两周与所有利益相关者进行一次回顾，展示过去的进展及未来的计划，确保有足够的时间进行反馈和讨论。”
SheRlock的网络应用程序允许检查人员查看图像并标记发现的问题，这些标记将用作训练计算机视觉模型的标签，进而向检查员提供预测。调查人员会对预测结果进行确认或反对，以进一步完善模型。该套件还能够自动标记合规性审查所需的标准项。
达塔引用了汽车工程师协会（SAE）为自动驾驶汽车定义的自动化级别，解释说PG&E目前正处于从0级自动化（无自动化、手动流程）向1级自动化（自动化辅助）过渡的阶段。他指出，降低期望值将是一个关键的挑战。
他提到：“当我们提到使用人工智能时，人们通常会非常兴奋，这固然是好事，但也意味着期待可能会过高。”达塔表示，在每次演讲中，他总会保留几张名为“机器学习101”的幻灯片，以确保大家明白人工智能其实是数学，而非魔法。
SheRlock SuITe显著减少了检查的次数和时间，达塔提到，随着团队部署新功能，这两个指标仍在不断改善。此外，该套件还允许电力运营机构搜索图像，达塔表示，其他业务部门对该模型也开始表现出兴趣，因为他们看到了SheRlock带来的新机遇。
[[[IMG_1]]]
[[[IMG_2]]]
[[[IMG_3]]]
[[[IMG_4]]]
[[[IMG_5]]]
