Innogy

Każdego dnia technicy firm energetycznych odwiedzają klientów w ich domach, mieszkaniach i firmach i spisują stany liczników do pomiaru energii elektrycznej, gazu, ciepła czy wody. Bardzo duża ilość liczników jest już sczytywana zdalnie z urządzeń IoT, ale mimo dostępnej technologii, pozostało wiele liczników spisywanych w tradycyjny sposób, „ręcznie” przez techników. 

Dlatego dla jednej z największych firm energetycznych w Europie wykonaliśmy aplikację, która miała za zadanie ułatwić życie milionom ludzi. Pozwolić na elektroniczne odczytywanie licznika bez konieczności wymieniania go na model IoT. Dzięki tej aplikacji nie było konieczne wydawanie milionów złotych na wymiany liczników. 

Klient posiadający aplikację mobilną Innogy, uruchamia wewnętrzną kamerę w swoim smartfonie czy tablecie i „robi zdjęcie” licznikowi. Aplikacja za pomocą OCR (optical character recognition, optycznego rozpoznawania znaków) sczytuje ciąg liczb znajdujących się na liczniku i dopisuje stan licznika zalogowanemu klientowi. Bez konieczności wizyty technika i bez konieczności wymiany licznika. Algorytm, który odczytuje stan licznika, został „wytrenowany” za pomocą Machine Learningu.

Celem projektu było dopasowanie technologii do specyficznych potrzeb Innogy. Firma energetyczna miała na celu zapewnienie realnych odczytów liczników, bez konieczności zatrudniania ogromnej ilości techników. Niestety jeszcze w wielu domach liczniki znajdują się wewnątrz mieszkań czy domów, a w czasach COVID-19 odwiedzanie klientów nie było wskazane. Wymiana liczników na IoT, które z częstotliwością co 15 min wysyłałyby raporty do chmury, wiązałoby się z ogromnymi kosztami. 

Największym wyzwaniem projektu było nauczenie algorytmu rozpoznawania znaków za pomocą Machine Leaarningu. I nie chodziło tu o sam Machine Learning. Na przestrzeni lat, w użyciu było bowiem ponad 40 "standardowych" liczników energii elektrycznej. Niektóre używają zegarów mechanicznych do odczytu cyfr, inne liczników cyfrowych. Niektóre używają nadajnika radiowego. Znalezienie odpowiedniego rozwiązania i zintegrowanej bazy danych wymagało trochę nauki (maszynowej i ludzkiej).

Aplikacja rozwiązuje w zasadzie 2 problemy klienta.

• Problem z zatrudnieniem - nie od dziś wiadomo, że do najprostszych prac brakuje chętnych. Aplikacja przenosiła ciężar “spisywania” liczników z techników na klientów. Klienci natomiast zyskiwali realne odczyty w jasno określonym czasie, bez opóźnień i prognoz
• W związku z tym, że firma energetyczna miała braki kadrowe, liczniki nie były spisywane regularnie. Rozwiązaniem była wymiana liczników na zdalnie sczytywane liczniki IoT. Jednoczesny koszt wymiany liczników byłby jednak zbyt kosztowny i wymagałby ingerencji w infrastrukturze domowej klientów. Aplikacja mobilna wyeliminowała konieczność wymiany liczników i przeniosła odpowiedzialność spisywania liczników na klientów.

Proces pracy nad aplikacją mobilną rozpoczął się od oszacowania ilości punktów danych potrzebnych do stworzenia wartościowego rozwiązania dla rdzenia aplikacji opartego o Machine Learning. Algorytm, aby był precyzyjny i skuteczny musiał zostać poddany długiemu “trenowaniu” tak, aby potrafił niemal bezbłędnie rozpoznawać znaki, szczególnie w warunkach słabego oświetlenia czy przy używaniu starszych modeli smartfonów. W procesie została uwzględniona również rozbudowa systemu. Została sporządzona roadmapa gwarantująca rozwój aplikacji przy wykorzystaniu continuous integration and continuous development. Na tym etapie została stworzona również architektura całego projektu.

Testy aplikacji stworzonej zarówno na systemy iOS jak i Android zostały przeprowadzone na różnych urządzeniach. Bardzo istotne było, aby testy przeprowadzić w warunkach, które symulowałyby naturalne warunki, czyli: 

• utrudniony dostęp do liczników,
• warunki słabego oświetlenia,
• brak dostępu do skrzynek i konieczność wykonywania zdjęć przez podrapane lub zabrudzone szkło
• starsze modele smartfonów
   

Po przeprowadzeniu testów i „wytrenowaniu” algorytmu aplikacja niemal w 100% przypadków precyzyjnie rozpoznawała znaki. Przypadki, w których algorytm nie był w stanie odczytać stanu licznika, oko wprawnego technika również nie było w stanie tego dokonać. 

Podczas realizacji prac spotkaliśmy się z szeregiem wyzwań, które przy takiej skali projektu są nieuniknione. Na początkowej fazie tzw. discovery szczególnie istotne było uporządkowanie przedstawionej nam wizji aplikacji. Z naszego doświadczenia wynika, że to najważniejsza faza w realizacji projektu, która ma decydujący wpływ na jego prawidłową realizację. Podczas serii warsztatów określiliśmy finalny kształt funkcjonalności w odpowiedzi na określone wcześniej potrzeby biznesowe klienta. Przede wszystkim zadbaliśmy, aby były one zrozumiałe dla wszystkich interesariuszy projektu, tak abyśmy zarówno my, jak i klient wiedzieli co uzyskamy na końcu.

Kolejnym szczególnie istotnym elementem był wygląd aplikacji. Klientowi zależało, aby wygląd aplikacji oddawał wyjątkowych charakter Radia 357, nie tracąc zarazem z funkcjonalności. Wychodząc z takiego założenia zadbaliśmy, aby projekt aplikacji stawiał na równi wygląd i funkcjonalność. Dołożyliśmy też starań, aby aplikację dobrze się obsługiwało w różnych warunkach, a przyciski było łatwo namierzalne i klikalne pod różnymi kątami. Zależało nam aby słuchacz jak najczęściej wracał do aplikacji dlatego postawili mocno na wygodę użytkowania, zarówno dla wersji webowej  jak i mobilnej. Równie ważne było odpowiednie przedstawianie poszczególnych audycji i treści w takiej formie, aby wywołać i utrzymać zainteresowanie słuchacza. Skupiliśmy się także na uwspólnieniu widoków dla aplikacji mobilnej i webowej, tak aby słuchacz miał jak najmniejszy próg bólu podczas przełączania się między wersjami Radia 357. Podczas warsztatów udało się nam stworzyć projekt aplikacji mobilnej i webowej, która spełniała wszystkie te założenia i zarazem idealnie wpisywała się w identyfikację wizualną naszego klienta.

Kolejnym kluczowym elementem było otoczenie projektu. Właściciele Radia 357 postawili przed nami relatywnie krótki termin na realizację projektu. Planowano premierę aplikacji na początek stycznia 2021 roku. Ta data wydania nie mogła zostać przesunięta. Biorąc pod uwagę potrzebę przeanalizowania, omówienia, zaprojektowania, zaprogramowania i wdrożenia, to nasz zespół musiał pracować w ściśle określonych terminach, dlatego efektywność i pełne zaangażowanie były dla nas kluczowe. Dodatkowo musieliśmy wziąć pod uwagę wymagania integracji aplikacji z zewnętrznymi systemami takimi jak Spotify oraz rozwiązaniami: Chromecast i AirPlay.

Po wdrożeniu spodziewaliśmy się dużej liczby użytkowników ze względu zarówno na planowaną kampanię marketingową, słynnych radiowców tworzących radio, jak i zainteresowanie dziennikarzy. Od samego początku wiedzieliśmy, że tysiące osób w Polsce i za granicą będzie ściągać aplikację i słuchać swojego ulubionego radia w jednym momencie, często słuchają audycji na żywo. Dlatego stabilność systemu, jego niezawodność oraz stabilna, skalowalna infrastruktura serwerowa miały ogromne znaczenie dla dostarczenia produktu w zamierzony sposób. Stworzona przez nas infrastruktura zabezpieczyła obie aplikacje przed pikami ruchu słuchaczy, które pojawiły się zarówno na samym początku tuż po wdrożeniu, jak i w późniejszym okresie.

Całość przeprowadzonych prac możemy podzielić na trzy etapy:

• Warsztaty: Przed rozpoczęciem projektu przeprowadziliśmy warsztaty, w których stworzyliśmy listę wymagań funkcjonalnych (FRD), w odpowiedzi na wymagania biznesowe (BRD). Na tym etapie określiliśmy także zakres architektury systemu (TRD). W ten sposób dostosowaliśmy zakres wymagań do potrzeb klienta. Lepiej zrozumieliśmy cele i znaleźliśmy sposób, jak je zrealizować.
• Faza developmentu: Projekt UX i bazujący na nim projekt graficzny aplikacji odpowiada identyfikacji wizualnej klienta. Zadbaliśmy o czytelność treści w aplikacji.
• Wdrożenie i integracja z systemami klienta: Dzięki analizie w trakcie warsztatów poznaliśmy szczegóły dotyczące systemów, z jakich korzysta klient. Szczegółowy opis architektury aplikacji pomógł nam w sprawnym wdrożeniu i zintegrowaniu jej z systemami spoza produktu.

Technologia:

• Keras
• OpenCV
• Tesseract

Aplikacja dla firmy energetycznej Innogy wprowadziła szereg ulepszeń zarówno dla firmy jak i dla klienta końcowego. 

Firma, zyskiwała oszczędności związane z wymianą liczników na nowe oraz związane z wynagrodzeniami dla techników. Wykorzystanie algorytmów machine learnig pozwoliło zaoszczędzić tysiące godzin pracy. Klienci zyskali narzędzie, dzięki któremu samodzielnie mogli dodać stan licznika, bez konieczności wizyty technika. Zyskiwali też bezpieczeństwo, które w czasach covid dla wielu jest kluczowe.