Esta publicación fue coescrita con Anthony Medeiros, Gerente de Ingeniería y Arquitectura de Soluciones para Inteligencia Artificial de América del Norte, y Adrian Boeh, Científico de Datos Senior – NAM ai, de Schneider Electric.
Electricidad Schneider es un líder mundial en la transformación digital de la gestión y automatización de la energía. La empresa se especializa en brindar soluciones integradas que hacen que la energía sea segura, confiable, eficiente y sustentable. Schneider Electric presta servicios a una amplia gama de industrias, incluida la fabricación inteligente, la infraestructura resiliente, los centros de datos preparados para el futuro, los edificios inteligentes y los hogares intuitivos. Ofrecen productos y servicios que abarcan distribución eléctrica, automatización industrial y gestión de energía. Sus tecnologías innovadoras, su amplia gama de productos y su compromiso con la sostenibilidad posicionan a Schneider Electric como un actor clave en el avance de soluciones inteligentes y ecológicas para el mundo moderno.
A medida que la demanda de energía renovable sigue aumentando, Schneider Electric se enfrenta a una gran demanda de energía sostenible. microrred infraestructura. Esta demanda se presenta en forma de solicitudes de propuestas (RFP), cada una de las cuales debe ser revisada manualmente por un experto en la materia (PYME) de microrredes de Schneider. La revisión manual de cada RFP estaba resultando demasiado costosa y no podía ampliarse para satisfacer las necesidades de la industria. Para resolver el problema, Schneider recurrió a amazon Bedrock y a la inteligencia artificial (IA) generativa. amazon Bedrock es un servicio totalmente administrado que ofrece una selección de modelos básicos (FM) de alto rendimiento de empresas líderes en inteligencia artificial como AI21 Labs, Anthropic, Cohere, Meta, Stability ai y amazon a través de una única API, junto con un amplio conjunto de capacidades para crear aplicaciones de IA generativa con seguridad, privacidad e IA responsable.
En esta publicación, mostramos cómo el equipo de Schneider colaboró con el Centro de innovación de IA generativa de AWS (GenAIIC) para crear una solución de IA generativa en amazon Bedrock para resolver este problema. La solución procesa y evalúa cada RFP y luego envía las RFP de alto valor a la PYME de microrred para su aprobación y recomendación.
Declaración del problema
La infraestructura de microrredes es un elemento crítico para el creciente mercado de energías renovables. Una microrred incluye generación y almacenamiento de energía en el sitio que permiten que un sistema se desconecte de la red principal. Schneider Electric ofrece varios productos importantes que permiten a los clientes crear soluciones de microrredes para hacer que sus edificios residenciales, escuelas o centros de fabricación sean más sostenibles. La creciente inversión pública y privada en este sector ha llevado a un aumento exponencial en el número de RFP para sistemas de microrredes.
Los documentos RFP contienen información textual y visual técnicamente compleja, como el alcance del trabajo, listas de piezas y diagramas eléctricos. Además, pueden tener cientos de páginas. La siguiente figura proporciona varios ejemplos de documentos RFP. El tamaño y la complejidad de las RFP hacen que su revisión sea costosa y requiera mucha mano de obra. Por lo general, se requiere que una PYME con experiencia revise una RFP completa y proporcione una evaluación de su aplicabilidad al negocio y su potencial de conversión.
Para agregar complejidad adicional, el mismo conjunto de documentos RFP podría ser evaluado por múltiples unidades de negocios dentro de Schneider. Cada unidad puede estar buscando requisitos diferentes que hagan que la oportunidad sea relevante para ese equipo de ventas.
Dado el tamaño y la complejidad de los documentos RFP, el equipo de Schneider necesitaba una manera de identificar de manera rápida y precisa oportunidades donde los productos Schneider ofrecen una ventaja competitiva y un alto potencial de conversión. No responder a oportunidades viables podría resultar en una posible pérdida de ingresos, mientras que dedicar recursos a propuestas en las que la empresa carece de una clara ventaja competitiva conduciría a un uso ineficiente del tiempo y el esfuerzo.
También necesitaban una solución que pudiera reutilizarse para otras unidades de negocio, permitiendo que el impacto se extendiera a toda la empresa. Manejar con éxito la afluencia de solicitudes de propuestas no solo permitiría al equipo de Schneider expandir su negocio de microrredes, sino que también ayudaría a las empresas e industrias a adoptar un nuevo paradigma de energía renovable.
amazon Bedrock y la IA generativa
Para ayudar a resolver este problema, el equipo de Schneider recurrió a la IA generativa y a amazon Bedrock. Los modelos de lenguajes grandes (LLM) ahora permiten procesos comerciales más eficientes gracias a su capacidad para identificar y resumir categorías específicas de información con precisión humana. El volumen y la complejidad de los documentos RFP los convirtieron en un candidato ideal para utilizar la IA generativa para el procesamiento de documentos.
Puede utilizar amazon Bedrock para crear y escalar aplicaciones de IA generativa con una amplia gama de FM. amazon Bedrock es un servicio totalmente administrado que incluye FM de amazon y modelos de terceros que admiten una variedad de casos de uso. Para obtener más detalles sobre los FM disponibles, consulte Modelos de cimentación admitidos en amazon Bedrock. amazon Bedrock permite a los desarrolladores crear experiencias únicas con capacidades de IA generativa que admiten una amplia gama de lenguajes y marcos de programación.
La solución utiliza Anthropic Claude en amazon Bedrock, específicamente el modelo Anthropic Claude Sonnet. Para la gran mayoría de cargas de trabajo, Sonnet es dos veces más rápido que Claude 2 y Claude 2.1, con niveles más altos de inteligencia.
Descripción general de la solución
Los sistemas tradicionales de recuperación de generación aumentada (RAG) no pueden identificar la relevancia de los documentos RFP para un equipo de ventas determinado debido a la larga lista de requisitos comerciales únicos y la gran taxonomía de componentes o servicios eléctricos, que pueden o no ser presente en los documentos.
Otros enfoques existentes requieren un costoso ajuste del LLM específico del dominio o el uso de filtrado de ruido y elementos de datos, lo que conduce a impactos subóptimos en el rendimiento y la escalabilidad.
En cambio, el equipo de AWS GenAIC trabajó con Schneider Electric para empaquetar objetivos comerciales en el LLM a través de múltiples prismas de transformaciones semánticas: conceptos, funciones y componentes. Por ejemplo, en el ámbito de las redes inteligentes, los objetivos empresariales subyacentes podrían definirse como resiliencia, aislamiento y sostenibilidad. En consecuencia, las funciones correspondientes implicarían la generación, el consumo y el almacenamiento de energía. La siguiente figura ilustra estos componentes.
El enfoque de extracción de información basada en conceptos se parece ontología-incitaciones basadas en. Permite a los equipos de ingeniería personalizar la lista inicial de conceptos y escalarla a diferentes dominios de interés. La descomposición de conceptos complejos en funciones específicas incentiva al LLM a detectar, interpretar y extraer los elementos de datos asociados.
Se solicitó al LLM que leyera las RFP y recuperara cotizaciones pertinentes a los conceptos y funciones definidos. Estas cotizaciones materializan la presencia de equipos eléctricos que satisfacen los objetivos de alto nivel y se utilizaron como evidencia de peso que indica la relevancia posterior de una RFP para el equipo de ventas original.
Por ejemplo, en el siguiente código, el término BESS significa sistema de almacenamiento de energía en batería y materializa evidencia del almacenamiento de energía.
En el siguiente ejemplo, el término EPC indica la presencia de una planta solar.
La solución general abarca tres fases:
- Fragmentación y preprocesamiento de documentos
- Recuperación de cotizaciones basada en LLM
- Resumen y evaluación de cotizaciones basadas en LLM
El primer paso utiliza la fragmentación de documentos estándar, así como los canales de procesamiento de documentos patentados de Schneider para agrupar elementos de texto similares en una sola porción. Cada fragmento es procesado por el LLM de recuperación de cotizaciones, que identifica las cotizaciones relevantes dentro de cada fragmento si están disponibles. Esto pone en primer plano la información relevante y filtra el contenido irrelevante. Finalmente, las cotizaciones relevantes se compilan y se envían a un LLM final que resume la RFP y determina su relevancia general para la familia de RFP de microrredes. El siguiente diagrama ilustra este canal.
La determinación final sobre la RFP se realiza utilizando la siguiente estructura de indicaciones. Los detalles del mensaje real son propietarios, pero la estructura incluye lo siguiente:
- Primero proporcionamos al LLM una breve descripción de la unidad de negocio en cuestión.
- Luego definimos una persona y le decimos al LLM dónde ubicar la evidencia.
- Proporcionar criterios para la categorización de RFP.
- Especifique el formato de salida, que incluye:
- un solo Sí, No, tal vez
- Una puntuación de relevancia del 1 al 10.
- Una explicabilidad.
El resultado comprime un corpus relativamente grande de documentos RFP en una representación enfocada, concisa e informativa al capturar y devolver con precisión los aspectos más importantes. La estructura permite a la PYME filtrar rápidamente etiquetas LLM específicas, y las cotizaciones resumidas les permiten comprender mejor qué cotizaciones impulsan el proceso de toma de decisiones del LLM. De esta manera, el equipo de PYME de Schneider puede dedicar menos tiempo a leer páginas de propuestas de RFP y, en cambio, puede centrar su atención en el contenido más importante para su negocio. El siguiente ejemplo muestra un resultado de clasificación y comentarios cualitativos para una RFP de muestra.
Los equipos internos ya están experimentando las ventajas de nuestro nuevo Asistente RFP impulsado por IA:
“En Schneider Electric, estamos comprometidos a resolver problemas del mundo real mediante la creación de un futuro eléctrico nuevo, sostenible y digitalizado. Aprovechamos la IA y los LLM para mejorar y acelerar aún más nuestra propia transformación digital, desbloqueando la eficiencia y la sostenibilidad en el sector energético”.
– Anthony Medeiros, Gerente de Ingeniería y Arquitectura de Soluciones, Schneider Electric.
Conclusión
En esta publicación, el equipo de AWS GenAIIC, en colaboración con Schneider Electric, demostró la notable capacidad general de los LLM disponibles en amazon Bedrock para ayudar a los equipos de ventas y optimizar sus cargas de trabajo.
La solución asistente RFP permitió a Schneider Electric lograr una precisión del 94 % en la tarea de identificar oportunidades de microrredes. Al realizar pequeños ajustes en las indicaciones, la solución se puede escalar y adoptar en otras líneas de negocio.
Al guiar con precisión las indicaciones, el equipo puede derivar perspectivas distintas y objetivas a partir de conjuntos idénticos de documentos. La solución propuesta permite ver las RFP a través de lentes intercambiables de varias unidades de negocios, cada una de las cuales persigue una amplia gama de objetivos. Estos conocimientos previamente ocultos tienen el potencial de revelar nuevas perspectivas comerciales y generar flujos de ingresos complementarios.
Estas capacidades permitirán a Schneider Electric integrar perfectamente conocimientos y recomendaciones basados en IA en sus operaciones diarias. Esta integración facilitará procesos de toma de decisiones bien informados y basados en datos, optimizará los flujos de trabajo operativos para una mayor eficiencia y elevará la calidad de las interacciones con los clientes, brindando en última instancia experiencias superiores.
Acerca de los autores
Antonio Medeiros es Gerente de Ingeniería y Arquitectura de Soluciones en Schneider Electric. Se especializa en ofrecer iniciativas de IA/ML de alto valor para muchas funciones comerciales dentro de América del Norte. Con 17 años de experiencia en Schneider Electric, aporta al equipo un gran conocimiento de la industria y experiencia técnica.
Adrián Boeh es un científico de datos senior que trabaja en tareas de datos avanzadas para la Organización de Transformación de Clientes de América del Norte de Schneider Electric. Adrian tiene 13 años de experiencia en Schneider Electric y está certificado en aprendizaje automático de AWS con una capacidad comprobada para innovar y mejorar organizaciones utilizando métodos y tecnología de ciencia de datos.
Kosta Belz es científico aplicado sénior en el Centro de innovación de IA generativa de AWS, donde ayuda a los clientes a diseñar y crear soluciones de IA generativa para resolver problemas comerciales clave.
Dan Volk es científico de datos en el Centro de innovación de IA generativa de AWS. Tiene 10 años de experiencia en aprendizaje automático, aprendizaje profundo y análisis de series temporales, y tiene una maestría en ciencia de datos de UC Berkeley. Le apasiona transformar desafíos comerciales complejos en oportunidades aprovechando tecnologías de inteligencia artificial de vanguardia.
Negin Sokhandan es científica aplicada sénior en el Centro de innovación de IA generativa de AWS, donde trabaja en la creación de soluciones de IA generativa para clientes estratégicos de AWS. Su experiencia en investigación es la inferencia estadística, la visión por computadora y los sistemas multimodales.