對于以加油站為代表的能源行業(yè)而言，“降本增效”和“安全管理”就是兩大基本紅線——前者拉高企業(yè)的上線，后者守護企業(yè)的下線。面對行業(yè)數(shù)字化、智能化轉型趨勢，主要奉行“人海戰(zhàn)術”的能源企業(yè)在盡可能降低人力成本的前提下，用AI為加油站筑起一道安全“防火墻”，就是轉型的生命線。

安全管理：懸在加油站頭上的“達摩克利斯之劍”

一直以來，加油站主要都是依賴人工防范、排查、辨識存在的安全隱患及風險，運維管理難度大，人員抽煙、打電話、員工離崗、煙火異常、卸油管理、靜電釋放時長等行為的監(jiān)控方式尚存在不及時、非智能、易疏忽等諸多問題。

數(shù)據(jù)來源：前瞻產(chǎn)業(yè)研究院

數(shù)據(jù)顯示，目前我國運行的加油站已接近12萬座，其中民營加油站就占了超過50%，不斷攀升的業(yè)務體量，人員素質的參差不齊，帶來的是安全事故概率的增加，也讓安全管理成為懸在所有加油站頭上的一把“達摩克利斯之劍”。據(jù)統(tǒng)計，2020年全國加油站安全事故數(shù)量超過60起，其中86.7%都是人為原因導致。卸油、加油兩大環(huán)節(jié)的安全事故占比高達50%。

曾在加油站從事管理工作十余年的李先生表示，油品具有易燃、易爆、易產(chǎn)生靜電等危險特征，因此安全方面必須嚴格管控。但很多加油站在安全管理的信息感知、信息集成、風險評估等多方面都存在不足，特別是對于潛在人為風險的監(jiān)測和預警還存在管理盲區(qū)。以卸油區(qū)為例，油氣揮發(fā)的濃度不能直接有效觀測，且卸油流速較快時容易聚集靜電，存在嚴重的安全隱患。

2022年3月，國家應急管理部召開視頻推進會，全面部署重大危險源企業(yè)雙重預防機制數(shù)字化建設，持續(xù)深化?；钒踩a(chǎn)風險監(jiān)測預警系統(tǒng)建設應用。而作為能源大省的山東更是明確發(fā)文要求，推動加油站采用視頻智能監(jiān)控技術，對加油區(qū)和卸油區(qū)內(nèi)人員打電話等違規(guī)行為，明火和煙霧等異常狀態(tài)，卸油作業(yè)時人員離崗，滅火器未正確擺放，靜電釋放時間不足等不規(guī)范情形進行智能識別、報警和記錄，推行加油站渠化規(guī)范工作。

由此看來，無論是市場發(fā)展需求，還是國家監(jiān)管要求，依靠數(shù)字化、智能化手段提升加油站的安全管理水平已是行業(yè)必然趨勢，也催生了一大批智慧加油站解決方案提供商。一時間，智慧加油站“百家爭鳴”，大廠小廠紛紛入場，解決方案層出不窮，意欲分食百億級智慧能源“新蛋糕”。

智慧賦能：解決方案千千萬，亂花漸欲迷人眼

“我們也先后接觸了不少智慧加油站的解決方案服務商，但總的來說，大廠比較靠譜，但價格太高，承受不了，小廠性價比高，但精度不敢保證，而且交付周期都挺長，我們員工的專業(yè)能力也有限，很難具體對接這種偏AI技術流的工作?！崩钕壬f出了所有加油站管理者的心聲。

確如李先生所言，目前市場上關于智慧加油站的解決方案提供商“一抓一把”，既有華為等大廠巨頭，也不乏諸多科技新秀，但絕大部分提供的都是“非定制化”產(chǎn)品方案，即用一套標準化產(chǎn)品方案去適配N個場景需求，當然這其實也沒錯，只不過針對像加油站這樣的極特殊場景，“一魚多吃”的方案似乎很難讓“李先生們”滿意。

首先，加油站對安全管理的要求是“絕對級”的。與居民社區(qū)等一般民用安防系統(tǒng)不同，加油站對煙火等風險隱患的識別預警必須要前置化，如果等到已經(jīng)開始冒煙了再報警，萬事休矣。而要做到提前風險預警，就需要對加油站不同場景下的數(shù)據(jù)狀態(tài)和數(shù)據(jù)采集反復進行高精度的算法適配，比如大到一輛卸油車的停放位置，小到一根細煙的圖像識別，背后都需要一套成熟的算法體系。

通常這種情況下，如果按照傳統(tǒng)的人工作業(yè)方式，至少需要一個15人的專業(yè)算法工程師團隊，從數(shù)據(jù)采集、數(shù)據(jù)標注、模型結構設計、超參調節(jié)、芯片適配、迭代優(yōu)化、部署應用等13大環(huán)節(jié)，耗費數(shù)月甚至更長的周期才能交付完成。所以，“極不劃算”的投入產(chǎn)出比也讓加油站管理者們對AI的部署望而卻步。

傳統(tǒng)算法生產(chǎn)流程及成本

另外，對精度要求極高的加油站還是典型的“小樣本”場景。“不同的場景需要不同的數(shù)據(jù)樣本，訓練出來的模型也不一樣，通用算法模型并不適用，精度會大打折扣?！弊鳛槿蝾I先的AutoML自動化AI訓練平臺提供商，共達地的一位產(chǎn)品經(jīng)理表示，極度碎片化的加油站應用場景缺乏大數(shù)據(jù)樣本，而訓練算法一般需要足夠有效的樣本數(shù)據(jù)支撐。如何通過小樣本學習訓練出高精度的算法模式？是一個不小的挑戰(zhàn)。

定制化、高精度、小樣本、低成本的智慧加油站轉型道路何去何從？共達地AutoML或許可以給出一個不一樣的示范答案。

共達地AutoML：以AI算法為加油站插上智慧的翅膀

AutoML，即自動化機器學習，被譽為深度學習新一代王者。雖然谷歌早在2017年便率先在產(chǎn)業(yè)界提出了這個概念，但長期以來缺乏真正的商業(yè)化落地。而共達地在AutoML領域已積累了2年多的商業(yè)化落地經(jīng)驗，并推出了GDDi自動化AI訓練平臺3.0，在智慧城市、智慧園區(qū)等多個領域打下了扎實的基本功，屬于業(yè)內(nèi)真正的領軍者。

面對加油站要求低成本、高精度、小樣本、定制化的碎片化場景需求，共達地AutoML自動化AI訓練平臺通過“用AI訓練AI”，將整個AI研發(fā)流程自動化，交付的不僅僅是一款“標品化”算法，而是一整套“軟件平臺+硬件設備+生態(tài)服務”的全平臺全鏈路閉環(huán)能力，為加油站插上了智慧的翅膀。

共達地算法生產(chǎn)流程及效率

在具體場景應用方面，共達地重點針對加油區(qū)和卸油區(qū)兩大高風險區(qū)域部署AI智能算法。在加油區(qū)部署吸煙檢測、打電話檢測、煙火檢測、車輛占道檢測、人員離崗檢測等AI算法系統(tǒng)，覆蓋加油區(qū)常見的危險行為。在卸油區(qū)部署車輛檢測、輪檔放置、除靜電、油品接卸載等AI算法系統(tǒng)，保障區(qū)域內(nèi)的全流程安全卸油作業(yè)，實現(xiàn)安全隱患事前預警、事中管控、事后取證，由“人防”到“智防”的數(shù)字化轉變。

作為共達地的核心服務標簽，以AutoML為底層技術能力的自動化AI訓練平臺，具有更快交付、更高精度、更好適配、更強迭代等多重優(yōu)勢，對加油站而言，是目前綜合成本最優(yōu)的AI解決方案。

1.更快交付：通過共達地AutoML自動化AI訓練平臺的自動化模型設計與超參調節(jié)等功能，以小時級的速度定制算法，開發(fā)效率可以提升10倍以上，并且全程由于沒有算法工程師參與，客戶也無需搭建專業(yè)算法團隊，AI建設成本可直降9成。

2.更高精度：依托首屈一指的自動化數(shù)據(jù)增強技術，共達地AutoML自動化AI訓練平臺可在更少數(shù)據(jù)標注的情況下，通過小步快跑敏捷迭代，使得算法平均精度超過95%，能力媲美8年的專業(yè)算法工程師。

3.更好適配：基于對近大量主流芯片的預適配，共達地AutoML自動化AI訓練平臺能在算法生成過程中，就針對即將部署的設配芯片的算子結構進行訓練，包含英偉達、高通、寒武紀、海思等10+主流大廠的100+款芯片，支持云/邊/終端靈活部署。

4.更強迭代：通常在算法的應用初期，AI識別的精度會出現(xiàn)不同程度下降，這就需要不斷進行數(shù)據(jù)的更新迭代，但要耗費很高的人力和時間成本。而通過共達地的訓練平臺，最快可實現(xiàn)一天迭代一個版本，免去額外成本與時間，讓精度直達最優(yōu)。

舉個例子，共達地針對某加油站存在的重大危險源監(jiān)測問題，提供了基于工服識別，車+人同步判斷的離崗識別等算法定制方案，以及安全帽、打電話、火焰識別等常規(guī)方案，助力客戶打造視頻算法的安全預警平臺，建立了可視化、數(shù)字化的智能管理系統(tǒng)。

共達地智慧能源應用案例

相較于其他友商提供的解決方案，共達地的單個算法交付時間由2個月縮短至1天，模型識別效果由85%提升至96%，定制算法交付數(shù)量提升了6倍，客戶滿意度大大提升。

從“偶像派”到“實力派”，以AutoML為核心的自動化算法服務正在成為驅動AI大規(guī)模商用的“關鍵力量”。而作為AutoML產(chǎn)業(yè)化的先行者，面對AI大航海時代的黎明前夜，共達地率先吹響了這樣的時代號角：技術平權，AI即服務，人人皆可AI——從某種角度說，共達地AutoML加速推動了一場AI算法商業(yè)化落地的產(chǎn)業(yè)革命。