Vikhyat Chaudhry, CTO, COO og medstifter af Buzz Solutions – Interview Series

Vikhyat Chaudhry er CTO, COO og medstifter af Buzz løsninger og en tidligere dataforsker hos Cisco, en maskinlærings-/indlejret systemingeniør hos Altitude og en Stanford-kandidat.

Buzz Solutions leverer nøjagtig AI og forudsigende analysesoftware til at drive mere effektive visuelle inspektioner til transmission, distribution og understationsinfrastruktur.

Kan du dele din rejse og karrierehøjdepunkter, der førte dig til Co-Found Buzz Solutions?

Jeg voksede op i New Delhi, Indien, med en naturlig nysgerrighed for innovation og teknik, og jeg gik på Delhi College of Engineering, hvor jeg studerede Civil and Environmental Engineering. Jeg husker især et øjeblik i mit sidste år, hvor jeg byggede en drone fra bunden og fløj med den i byen. Opgaven var at overvåge luftforureningen i New Delhi og gennem dette eksperiment fandt jeg ud af, at kvaliteten var over 500 AQI, hvilket svarer til at ryge 60 cigaretter om dagen. Den dårlige luftkvalitet kan direkte spores til mangel på elektrificering, stigende emissioner fra køretøjer og øget antal kuldrevne kraftværker gennem årene. Denne oplevelse styrkede min interesse for at bruge teknologi til at løse problemer i den virkelige verden forbundet med energi og kraft.

Før jeg grundlagde Buzz, førte min teknologibaggrund mig til min rolle som Lead of Machine AI og Data Science Teams hos Cisco Systems i et par år. Denne oplevelse var uvurderlig og opbyggede tidligt min eksponering for en bred vifte af kunstig intelligens og maskinlæringsprojekter.

Jeg modtog min master i Civil/Environmental Engineering fra Stanford University i 2016. I løbet af denne tid tog jeg klasser med speciale i energiteknik, og opbyggede min interesse, der startede i udlandet. Jeg mødte min medstifter Kaitlyn i en klasse, hvor vi var sammen om vores passioner for miljø, energi og iværksætteri. Vi faldt over et stort behov i forsyningsindustrien og har arbejdet på løsninger til at imødekomme det lige siden.

Hvilken nøgleudvikling har du observeret i udviklingen fra traditionel kunstig intelligens til generel kunstig intelligens i løbet af din karriere, og hvilke væsentlige konsekvenser har denne overgang haft på forskellige industrier?

 I 2022 begyndte vi at eksperimentere med Generativ AI. GenAI i forsyningssektoren er en interessant use case, fordi de data, vi arbejder med, involverer mange forskellige variabler. Der er faktorer som kameraopløsning, optagelsesvinkel og objektafstand - og det er kun for dronerne. Der er også miljøforhold som korrosion eller vegetationsindgreb, der introducerer adskillige frihedsgrader. På grund af denne kompleksitet kan gode træningsdata til gridmodeller være svære at få fat i.

Det er her, GenAI er kommet ind i løbet af de sidste par år – efterhånden som kunstig intelligens og maskinlæring forbedres, gør de træningssæt, det skaber, også det.

GenAI er blevet en levedygtig mulighed for træningsmodeller, især med afgørende 'kanttilfælde', hvor variabler har mere ekstreme værdier, såsom i tilfælde af en naturbrand. Efterhånden som GenAI i forsyningsindustrien skrider frem, vil syntetiske datasæt, baseret på data fra den virkelige verden, hjælpe med yderligere træningsmodeller til at håndtere komplekse og unikke datascenarier mere effektivt, hvilket giver betydelige forbedringer i forudsigelig vedligeholdelse og afvigelsesdetektion, som igen vil reducere naturkatastrofer .

Kan du uddybe, hvordan Buzz Solutions' AI-værktøj bruger reelle data til at detektere anomalier, og hvilke fordele det tilbyder i forhold til syntetiske data?

I forsyningsindustrien betyder reelle data, hvad end der kan fanges i felten, som regel inklusive billeder eller video taget fra luftkilder som droner eller helikoptere. Syntetiske data er på den anden side data indsamlet gennem en billedreplikeringsproces, der manuelt ændrer forskellige komponenter i et billede for at forsøge at tage højde for en eksponentiel mængde scenarier og kanttilfælde. I øjeblikket er det fantastisk på papiret, men ikke i praksis. Modeller trænet med rigtige data fra starten har vist sig at være mere nøjagtige, og fordelen er, at teams ved brug af rigtige data kan kortlægge 1:1 med 'grundsandheden' - en nøjagtig repræsentation af de fysiske verdensscenarier, en tekniker er. sandsynligvis støde på (som baggrundsstøj og vejr). De rigtige data tegner sig for muligheder i den virkelige verden og inkluderer de uforudsigelige variabler for fejldetektion.

Selvom syntetiske data ikke alene er i stand til at optimere til scenarier i den virkelige verden (endnu), spiller de stadig en vigtig rolle i træningsmodeller.

Hvad er de største udfordringer, du står over for, når du integrerer AI med ældre systemer i forsyningsselskaber?

Ældre systemer i forsyningsselskaber er ofte uforenelige med AI-fremskridt. To store udfordringer, vi ser virksomheder står over for, er intern transformation og datastyring. Siled data og kommunikation kan være skadeligt for den digitale transformationsindsats. De data, som forsyningsselskaber allerede har, skal administreres og sikres, mens information overføres.

Derudover står hjælpeprogrammer, der stadig bruger lokal datalagring, over for større udfordringer. Skiftet fra on-premises datalagring til cloud-infrastruktur er ikke problemet, men snarere den omfattende transformation og efterskælv, der følger. Denne proces kræver betydelige ressourcer og tid, hvilket gør det vanskeligt at tilføje forskellige teknologier oven i overgangen. Det anbefales ikke at introducere effektive AI-løsninger, før denne proces er fuldført.

Det er også vigtigt, at der internt sker et kulturskifte sammen med teknologiskiftet. Dette kræver at have medarbejdere om bord med kontinuerlig læring og tilpasningsevne til ændringer i processen og at se på AI-løsninger som effektive værktøjer til at gøre deres daglige job nemmere og effektivt.

Kan du forklare processen med at træne AI-modeller med felttestede data fra vitale infrastruktursteder?

En stor del af træningsprocessen er at indtage luftdata fra droner og helikoptere. Vi vælger at bruge droner frem for metoder som satellitter på grund af den fleksibilitet og umiddelbare datalevering, som de tillader. Vi bruger tre hovedtyper af algoritmer: billedklynger, segmentering og anomalidetektion.

Vores teknologi er drevet af Human-in-the-loop machine learning – som giver fageksperter på vores team mulighed for at give direkte feedback til modellen for forudsigelser under et vist niveau af tillid. Vi er heldige at have de SMV'er på vores teams, som vi gør – med deres årtiers kombinerede feltteknikererfaring giver de feedback for at gøre vores modeller mere nøjagtige, personlige og robuste.

Ved at bruge rigtige felttestede data kan vi sikre, at vores afvigelsesdetektering er yderst nøjagtig og pålidelig, hvilket giver forsyningsvirksomheder brugbar indsigt.

Hvordan bidrager Buzz Solutions' AI-teknologi til at gøre reparationer af strømledninger mere sikre?

Reparationsarbejde på elledninger er et af de mest dødelige erhverv i Amerika, og industrien oplever virkningerne af en aldrende arbejdsstyrke og mangel på teknikere.

Med vores teknologi, PowerAI, er nødberedskab blevet mere effektivt og præcist, så teknikere kan fjernvurdere skader og have tid til at udvikle en forudbestemt handling – hvilket reducerer muligheden for at sende en tekniker til en ukendt, potentielt farlig situation .

PowerAI bruger computervision og maskinlæring til at automatisere en stor del af fejlsøgningsprocessen. Det har gjort analysen af ​​store mængder af datapunkter hurtigere, sikrere og billigere, så nu står teknikerne over for reduceret unødvendig risiko og højere driftseffektivitet. Denne driftseffektivitet viser sig gennem mindre omkostninger, hurtigere ekspeditionstider og forebyggende vedligeholdelse.

Hvilken rolle spiller droner og andre avancerede teknologier i moderniseringen af ​​infrastrukturinspektioner?

Historisk set var processen med infrastrukturinspektioner fuldstændig manuel og meget dagligdags. Inspektører satte sig foran computerskærmen, blandede tusindvis af billeder og identificerede problemer i hånden. Denne proces blev uholdbar, da elledninger blev ved med at opleve problemer, der førte til mere usikre situationer og højere lovgivningsmæssige oversigter, hvilket øgede mængden af ​​data, der skulle gennemgås på kortere tid.

AI-baseret teknologi strømliner markant processen med at analysere data, hvilket reducerer tiden og omkostningerne. Dette gør det muligt for forsyningsselskaber at implementere reparationsteams hurtigere og mere effektivt. Detekteringen af ​​problemer er også meget mere præcis, hvilket sikrer, at reparationer er rettidige og forhindrer spirende farer.

Ved at tage billeder til analyse er droneinspektioner sikrere og mere omkostningseffektive end andre infrastrukturmetoder som helikoptere, satellitter og fly med faste vinger. Deres portabilitet giver dem mulighed for at manøvrere på en måde, så de kan komme tæt på og fange mere detaljeret information.

Hvordan hjælper Buzz Solutions' AI-drevne platform forsyningsselskaber med forudsigelig vedligeholdelse og omkostningsbesparelser?

Vores løsning tager det meste af det manuelle analysearbejde ud af netinspektion. PowerAI kan hurtigt identificere farlige situationer for at forhindre potentielle katastrofer og levere kritisk information til overvågnings- og sikkerhedsformål. AI-algoritmerne er trænet til at identificere uregelmæssigheder som ekstreme temperaturer, uautoriseret køretøjsadgang/personel, termisk billeddannelse og mere.

Ud over forebyggende sporing kan PowerAI også give differentieret prioritering af uregelmæssigheder til optimeret vedligeholdelsesplanlægning. Alle disse ting minimerer behovet for fysiske inspektioner, hvilket reducerer driftsomkostninger og sikkerhedsrisici forbundet med manuelle inspektioner. Den AI-drevne platform giver også mere præcis og præcis detektion, hvilket forbedrer vedligeholdelsesbeslutninger.

Kan du diskutere virkningen af ​​at indføre kunstig intelligens på forsyningsselskabernes driftseffektivitet?

Efter det første løft med at vedtage en AI-model, vil et forsyningsselskab fortsætte med at høste fordelene ved modellen i uendelig lang tid. En AI-models livscyklus begynder ved installationen. AI kan høste brugbar indsigt fra tusindvis af billeder taget på tværs af hundredvis af miles af infrastruktur. I betragtning af, at vi modtog vores første datasæt fra et hjælpeprogram på et bånd, er dette ekstraordinært, og det bliver kun smartere. AI gør tidlig opdagelse af vedligeholdelsesproblemer meget mere mulig, hvilket forhindrer mindre hændelser i at eskalere til større sikkerhedsrisici som naturbrande og alvorlige skader. Det reducerer behovet for menneskelige inspektioner, hvilket gør forsyningen mere omkostningseffektiv.

I din artikel "At adoptere AI er kun begyndelsen for forsyningsselskaber", diskuterer du de indledende trin af AI-adoption. Hvad er de mest kritiske overvejelser for forsyningsselskaber, der starter deres AI-rejse?

Der er en enorm mulighed for værktøjer til at bruge AI, og mange løsninger derude at overveje. Før du hopper til, er det vigtigt at identificere dine mål og sætte et stabilt fundament – ​​hvilke udfordringer står du over for i øjeblikket, som du gerne vil have AI til at hjælpe med at løse? Besidder dit team den tekniske ekspertise og tid til at påtage sig et så komplekst eftersyn? Hvordan vil det påvirke dine kunder?

Ud over at være tilpasset internt er ved at blive forberedt på at få flere data end værktøjet har tidligere, hvilket sandsynligvis vil føre til mere vedligeholdelse, efterhånden som der opstår problemer. Et hjælpeprogram bør have en plan for at imødekomme disse anmodninger og være sikker på, at de har de rigtige ressourcer, før de starter deres AI-rejse. Hjælpeprogrammer skal også arbejde med løsningsudbydere for at implementere den rette dataadgang, privatliv og sikkerhed, når de implementerer AI-løsninger. AI-genereret indsigt bør endelig fødes ind i eksisterende hjælpeprogrammer, så de bliver handlingsrettede og kan opfylde organisationens forretningsmæssige og operationelle mål.

Tak for det gode interview, læsere, der ønsker at lære mere, bør besøge Buzz løsninger.