Vikhyat Chaudhry, CTO, COO a spoluzakladatel Buzz Solutions – rozhovor

Vikhyat Chaudhry je CTO, COO a spoluzakladatel Buzz Solutions a bývalý datový vědec v Cisco, inženýr strojového učení a vestavěných systémů v Altitude a absolvent Stanfordu.

Buzz Solutions nabízí přesné AI a prediktivní analytické software pro efektivnější vizuální inspekce přenosových, distribučních a transformačních infrastruktur.

Můžete sdílet svou cestu a kariérní vrcholy, které vás vedly ke spoluzaložení Buzz Solutions?

Vyrostl jsem v Novém Dillí, Indii, s přirozenou zvědavostí pro inovace a inženýrství a studoval jsem na Delhi College of Engineering, kde jsem studoval civilní a environmentální inženýrství. Zvláště si pamatuji okamžik během mého posledního roku, kdy jsem postavil drone zscratch a letěl s ním ve městě. Úkolem bylo monitorovat kvalitu vzduchu v Novém Dillí a prostřednictvím tohoto experimentu jsem zjistil, že kvalita byla nad 500 AQI, což je ekvivalent kouření 60 cigaret denně. Špatná kvalita vzduchu mohla být přímo spojena s nedostatkem elektrifikace, rostoucími emisemi z vozidel a zvýšeným počtem uhelných elektráren v průběhu let. Tato zkušenost upevnila můj zájem o využití technologií pro řešení reálných problémů spojených s energií a silami.

Před založením Buzz, můj technologický background mě vedl k mé roli jako vedoucí týmu strojového učení a datové vědy v Cisco Systems (CSCO ) po několik let. Tato zkušenost byla neocenitelná a poskytla mi expozici širokého spektra projektů umělé inteligence a strojového učení.

Dosáhl jsem magisterského titulu v oboru civilního a environmentálního inženýrství na Stanford University v roce 2016. Během tohoto období jsem navštěvoval kurzy specializující se na energetické inženýrství, které posílily můj zájem, který začal v zahraničí. Setkal jsem se se svým spoluzakladatelem Kaitlyn v kurzu, kde jsme se spřátelili nad našimi vášněmi pro životní prostředí, energii a podnikání. Narazili jsme na velkou potřebu v odvětví veřejných služeb a od té doby pracujeme na řešeních, aby ji řešit.

Jaké klíčové trendy jste pozorovali v přechodu od tradiční AI k Generative AI během své kariéry a jaký významný dopad měl tento přechod na různé odvětví?

 V roce 2022 jsme začali experimentovat s Generative AI. GenAI v odvětví veřejných služeb je zajímavý případ, protože data, se kterými pracujeme, zahrnují mnoho různých proměnných. Existují faktory, jako je rozlišení kamery, úhel záběru a vzdálenost objektu – a to jsou pouze pro drony. Existují také environmentální podmínky, jako je koroze nebo vegetační nájezdy, které zavádějí mnoho stupňů volnosti. Díky této komplexitě je obtížné získat dobré trénovací data pro modely sítě.

To je místo, kde GenAI přišel v posledních letech – umělá inteligence a strojové učení se zlepšují, a tak i trénovací sady, které vytváří.

GenAI se stal životaschopnou možností pro trénování modelů, zejména u kritických „hraničních případů“, kde proměnné mají extrémní hodnoty, jako je v případě lesního požáru. Jak GenAI v odvětví veřejných služeb postupuje, syntetické datové sady založené na reálných datech pomohou dále trénovat modely pro zpracování komplexních a jedinečných datových scénářů, což povede k významnému zlepšení prediktivní údržby a detekce anomálií, což zase sníží přírodní katastrofy.

Můžete vysvětlit, jak AI nástroj Buzz Solutions používá reálná data pro detekci anomálií a jaké výhody nabízí oproti syntetickým datům?

V odvětví veřejných služeb reálná data znamenají cokoliv, co lze zachytit v terénu, obvykle včetně obrázků nebo videí pořízených z leteckých zdrojů, jako jsou drony nebo vrtulníky. Syntetická data, na druhé straně, jsou data shromážděná prostřednictvím procesu replikace obrázků, který ručně mění různé komponenty obrázku, aby se pokusil zohlednit exponenciální množství scénářů a hraničních případů. V současné době je to skvělé na papíru, ale ne v praxi. Modely trénované s reálnými daty od začátku jsou prokazatelně přesnější a výhodou je, že prostřednictvím použití reálných dat, týmy mohou mapovat 1:1 s „ground truth“ – přesným znázorněním fyzických scénářů, se kterými technik pravděpodobně narazí (jako je šum pozadí a počasí). Reálná data zahrnují reálné možnosti a zahrnují nepředvídatelné proměnné detekce závad.

Zatímco syntetická data samotná nejsou schopna optimalizovat reálné scénáře (ještě ne), stále hrají důležitou roli při trénování modelů.

Jaké jsou největší výzvy, kterým čelíte při integraci AI s legacy systémy v společnostech veřejných služeb?

Legacy systémy v společnostech veřejných služeb jsou často nekompatibilní s pokroky AI. Dvě hlavní výzvy, kterým společnosti čelí, jsou interní transformace a správa dat. Uzávěrem dat a komunikace může být škodlivé pro úsilí o digitální transformaci. Data, která již veřejné služby vlastní, musí být spravována a zabezpečena, zatímco informace jsou přenášeny.

Kromě toho společnosti veřejných služeb, které stále používají úložiště dat na místě, čelí větším výzvám. Přechod z úložiště dat na místě na cloudovou infrastrukturu není problémem, ale spíše rozsáhlou transformací a následnými otřesy. Tento proces vyžaduje podstatné zdroje a čas, což ztěžuje přidání různých technologií na vrchol přechodu. Zavádění účinných AI řešení se nedoporučuje, dokud tento proces není dokončen.

Je také důležité, aby vnitřně došlo k kulturní změně spolu s technologickou změnou. To vyžaduje, aby zaměstnanci byli připraveni na nepřetržité učení a adaptabilitu na změny v procesu a pohlíželi na AI řešení jako na účinné nástroje, které usnadňují jejich denní práci a efektivitu.

Můžete vysvětlit proces trénování AI modelů s polními testovanými daty z vitálních infrastruktur?

Velká část trénovacího procesu spočívá v přijímání leteckých dat poskytovaných drony a vrtulníky. Volíme drony místo metod, jako jsou satelity, kvůli flexibilitě a okamžitému doručování dat, které poskytují. Používáme tři různé typy algoritmů: shlukování obrázků, segmentace a detekce anomálií.

Naše technologie je poháněna člověkem v smyčce strojového učení – což umožňuje odborníkům z našeho týmu poskytnout přímou zpětnou vazbu modelu pro předpovědi pod určitou úrovní spolehlivosti. Jsme šťastní, že máme odborníky z našeho týmu, kteří mají desetileté kombinované zkušenosti s polními techniky, a poskytují zpětnou vazbu, aby naše modely byly přesnější, personalizované a robustní.

Používáním reálných polních testovaných dat můžeme zajistit, aby naše detekce anomálií byla vysoce přesná a spolehlivá, a poskytovat společnostem veřejných služeb akční informace.

Jak přispívá AI technologie Buzz Solutions k bezpečnějšímu provádění oprav elektrických linek?

Práce na opravách elektrických linek je jednou z nejsmrtnějších profesí v Americe a odvětví čelí účinkům stárnoucí pracovní síly a nedostatku techniků.

S naší technologií, PowerAI, byl nouzový odpověď učiněn účinnějším a přesnějším, aby technici mohli hodnotit poškození na dálku a mít čas vyvinout předem stanovený postup – což snižuje možnost poslat technika do neznámé, potenciálně nebezpečné situace.

PowerAI používá počítačové vidění a strojové učení, aby automatizoval velkou část procesu detekce závad. Umožnil analýzu velkých mas datových bodů rychleji, bezpečněji a levněji, takže technici čelí sníženému zbytečnému riziku a vyšší provozní efektivitě. Tato provozní efektivita se projevuje menšími náklady, kratšími časy a preventivní údržbou.

Jakou roli hrají drony a další pokročilé technologie při modernizaci inspekcí infrastruktur?

Historicky byl proces inspekcí infrastruktur zcela manuální a velmi monotónní. Inspektoři seděli před počítačovým monitorem, procházeli tisíce obrázků a identifikovali problémy ručně. Tento proces se stal neudržitelným, když elektrické vedení pokračovalo v problémech, vedoucích k více nebezpečným situacím a vyšším regulačním přehledům, zvyšujícím se množství dat, které musely být přezkoumány v kratším čase.

AI-založená technologie významně zjednodušuje proces analýzy dat, což snižuje čas a náklady. To umožňuje společnostem veřejných služeb nasadit opravárenské týmy rychleji a účinněji. Detekce problémů je také mnohem přesnější, zajišťuje, že opravy jsou včasné a předcházejí rostoucím nebezpečím.

Při zachycení obrázků pro analýzu jsou inspekce drony bezpečnější a nákladově efektivnější než jiné metody infrastruktury, jako jsou vrtulníky, satelity a pevné letouny. Jejich přenositelnost umožňuje jim manévrovat tak, aby se mohli přiblížit a zachytit více podrobných informací.

Jak AI poháněná platforma Buzz Solutions pomáhá společnostem veřejných služeb s prediktivní údržbou a úsporami nákladů?

Naše řešení odstraňuje většinu manuální analýzy z inspekcí sítě. PowerAI může rychle identifikovat nebezpečné situace, aby se zabránilo potenciálním katastrofám a poskytoval kritické informace pro monitorování a bezpečnostní účely. Algoritmy AI jsou trénovány k identifikaci anomálií, jako jsou extrémní teploty, neautorizovaný přístup vozidel / osob, termovizní zobrazování a další.

Kromě preventivního sledování může PowerAI také poskytnout tiered priorizaci anomálií pro optimalizaci plánování údržby. Všechny tyto věci minimalizují potřebu fyzických inspekcí, snižují provozní náklady a bezpečnostní rizika spojená s manuálními inspekcemi. AI poháněná platforma také poskytuje přesnější a准nější detekci, zlepšuje rozhodnutí o údržbě.

Můžete diskutovat o dopadu přijetí AI na provozní efektivitu společností veřejných služeb?

Po počátečním zavedení AI modelu bude společnost veřejných služeb nadále využívat výhody modelu po neomezenou dobu. Životní cyklus AI modelu začíná instalací. AI může získat akční informace z tisíců obrázků pořízených napříč stovkami mil infrastruktury. Pokud vezmeme v úvahu, že jsme obdrželi naše první datové sady od společnosti veřejných služeb na pásku, je to výjimečné a stále se zlepšuje. AI umožňuje časnou detekci problémů údržby, což zabraňuje malým incidentům, aby se vyvinuly v větší bezpečnostní hrozby, jako jsou lesní požáry a vážná zranění. Snižuje potřebu lidských inspekcí, což činí společnost veřejných služeb nákladově efektivnější.

V článku “Přijetí AI je pouze začátek pro společnosti veřejných služeb” diskutujete o počátečních krocích přijetí AI. Jaké jsou nejkritičtější úvahy pro společnosti veřejných služeb, které zahajují svou cestu AI?

Existuje obrovská příležitost pro společnosti veřejných služeb, aby využívaly AI, a mnoho řešení, které je třeba zvážit. Předtím, než se pustíte do toho, je důležité identifikovat své cíle a vytvořit stabilní základ – jaké výzvy aktuálně čelíte, kterým byste chtěli, aby AI pomohla řešit? Má váš tým potřebné technické znalosti a čas, aby se ujal tak komplexní přestavby? Jak to ovlivní vaše zákazníky?

Kromě vnitřní orientace je důležité být připraven na více dat, než společnost veřejných služeb dříve měla, což pravděpodobně povede k více údržbám, jakmile se objeví problémy. Společnost veřejných služeb by měla mít plán, jak tyto žádosti zvládnout, a zajistit, aby měly dostatečné zdroje, než zahájí svou cestu AI. Společnosti veřejných služeb také potřebují spolupracovat se poskytovateli řešení, aby implementovali správný přístup k datům, ochranu soukromí a bezpečnost při nasazování AI řešení. AI-generované informace by nakonec měly být zavedeny do stávajících pracovních postupů společnosti veřejných služeb, aby se staly akčními a mohly splnit obchodní a provozní cíle organizace.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Buzz Solutions.