Vikhyat Chaudhry, CTO, COO & Co-Founder of Buzz Solutions – Interview Serie

Vikhyat Chaudhry er CTO, COO og medstifter af Buzz Solutions og tidligere datavidenskabsmand hos Cisco, en maskinlærings-/indbygningsystemingeniør hos Altitude og en Stanford-uddannet.

Buzz Solutions leverer præcise AI- og predictive analytics-software til at effektivisere visuelle inspektioner af transmission-, distributions- og understationssystemer.

Kan du dele din rejse og karrierehøjdepunkter, der førte til, at du co-foundede Buzz Solutions?

Jeg voksede op i New Delhi, Indien, med en naturlig nysgerrighed for innovation og ingeniørarbejde, og jeg gik på Delhi College of Engineering, hvor jeg studerede civil- og miljøingeniørvidenskab. Jeg husker især et øjeblik under mit sidste år, hvor jeg byggede en drone fra bunden og fløj den i byen. Opgaven var at overvåge luftforureningen i New Delhi, og gennem dette eksperiment fandt jeg, at kvaliteten var over 500 AQI, hvilket svarer til at ryge 60 cigaretter om dagen. Den dårlige luftkvalitet kunne direkte tilskrives manglen på elektrificering, stigende vejemissioner og en øget mængde af kulfyret kraftværker over årene. Denne oplevelse fastsætte mit interesse for at bruge teknologi til at løse virkelige problemer i forbindelse med energi og kraft.

Før jeg co-foundede Buzz, førte min tekniske baggrund mig til min rolle som leder af maskinlærings- og datavidenskabsholdene hos Cisco Systems i nogle år. Denne oplevelse var uvurderlig og byggede min eksponering til en bred vifte af kunstig intelligens- og maskinlæringsprojekter tidligt.

Jeg fik min master i civil-/miljøingeniørvidenskab fra Stanford University i 2016. Under denne tid tog jeg klasser, der specialiserede sig i energiteknik, og byggede min interesse, der startede i udlandet. Jeg mødte min medstifter Kaitlyn i en klasse, hvor vi bandt os over vores passion for miljøet, energi og entrepreneurship. Vi fandt en stor behov i utilitiesindustrien og har arbejdet på løsninger for at løse det lige siden.

Hvad er de vigtigste udviklinger, du har observeret i overgangen fra traditionel AI til Generative AI under din karriere, og hvilken betydning har denne overgang haft for forskellige industrier?

I 2022 begyndte vi at eksperimentere med Generative AI. GenAI i utilitiessektoren er en interessant brugsmodel, fordi data, vi arbejder med, omfatter mange forskellige variabler. Der er faktorer som kameraopløsning, optagelsesvinkel og objektafstand – og det er kun for dronerne. Der er også miljømæssige betingelser som korrosion eller vegetation, der introducerer mange frihedsgrader. På grund af denne kompleksitet kan god træningsdata for gridmodeller være svær at få.

Det er her, GenAI er kommet ind i de seneste par år – efterhånden som kunstig intelligens og maskinlærning forbedres, forbedres også træningssæt, det skaber.

GenAI er blevet en livskraftig mulighed for træning af modeller, især med kritiske ‘edge cases’, hvor variabler har mere ekstreme værdier, som i tilfælde af en skovbrand. Efterhånden som GenAI i utilitiesindustrien fremskridder, vil syntetiske datasæt baseret på virkelige data hjælpe med yderligere træning af modeller til at håndtere komplekse og unikke datasituationer mere effektivt, hvilket giver betydelige forbedringer i forbindelse med præventivt vedligehold og anomalidetektion, hvilket igen vil reducere naturkatastrofer.

Kan du uddybe, hvordan Buzz Solutions’ AI-værktøj bruger virkelige data til anomalidetektion og hvilke fordele det tilbyder i forhold til syntetiske data?

I utilitiesindustrien betyder virkelige data, hvad der kan indsamles i feltet, normalt inklusive billeder eller videooptagelser taget fra luftbårne kilder som droner eller helikoptere. Syntetiske data, på den anden side, er data indsamlet gennem en billedreplikationsproces, der manuelt ændrer forskellige komponenter af et billede for at forsøge at tage højde for en eksponentiel mængde scenarier og edge cases. For tiden er det godt på papir, men ikke i praksis. Modeller trænet med virkelige data fra starten er bevist at være mere nøjagtige, og fordelene er, at gennem brugen af virkelige data, kan holdene kortlægge 1:1 med ‘ground truth’ – en præcis repræsentation af de fysiske verdensscenarier, en tekniker sandsynligvis vil møde (som baggrundsstøj og vejr). De virkelige data tager højde for virkelige muligheder, og inkluderer de uforudsigelige variabler i forbindelse med fejldetektion.

Selv om syntetiske data alene ikke kan optimere for virkelige scenarier (endnu), spiller det stadig en vigtig rol i træning af modeller.

Hvad er de største udfordringer, du står over for, når du integrerer AI med legacy-systemer i utilitiesvirksomheder?

Legacy-systemer i utilitiesvirksomheder er ofte ikke kompatible med AI-fremgang. To store udfordringer, vi ser virksomheder står over for, er intern transformation og datastyring. Siloede data og kommunikation kan være skadelige for digital transformationsindsats. Data, som utilities allerede besidder, skal styrkes og sikres, mens information overføres.

Derudover står utilities, der stadig bruger lokale dataopbevaring, over for større udfordringer. Skiftet fra lokale dataopbevaring til cloud-infrastruktur er ikke problemet, men snarere den omfattende transformation og efterchokket, der følger. Denne proces kræver betydelige ressourcer og tid, hvilket gør det svært at tilføje forskellige teknologier oven på overgangen. Indføring af effektive AI-løsninger anbefales ikke, før denne proces er fuldført.

Det er også vigtigt, at der internt er en kulturel skift sammen med teknologiskiftet. Dette kræver, at medarbejderne er med på at lære og tilpasse sig ændringer i processen og ser på AI-løsninger som effektive værktøjer til at gøre deres daglige arbejde lettere og mere effektivt.

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

En stor del af træningsprocessen består i at indtage de luftbårne data, der leveres af droner og helikoptere. Vi vælger at bruge droner i stedet for metoder som satellitter på grund af den fleksibilitet og umiddelbare datalevering, de tillader. Vi bruger tre forskellige typer algoritmer: billedklustering, segmentering og anomalidetektion.

Vores teknologi drives af Human-in-the-loop machine learning – hvilket tillader, at fagfolk på vores hold kan give direkte feedback til modellen for forudsigelser under en vis tillidshøjde. Vi er heldige at have de fagfolk på vores hold, som vi har – med deres årtiers kombinerede erfaring som feltteknikere, giver de feedback til at gøre vores modeller mere nøjagtige, personlige og robuste.

Gennem brugen af virkelige felttestede data kan vi sikre, at vores anomalidetektion er højtydigt nøjagtig og pålidelig, og giver utilitiesvirksomhederne handlebare indsigt.

Hvordan bidrager Buzz Solutions’ AI-teknologi til at gøre reparationer af kraftledninger sikrere?

Reparation af kraftledninger er et af de farligste erhverv i Amerika, og branchen oplever effekterne af en aldrende arbejdsstyrke og teknikerunderskud.

Med vores teknologi, PowerAI, er nødhjælp blevet mere effektiv og nøjagtig, så teknikerne kan vurderere skader på afstand og have tid til at udvikle en forudbestemt handlingsplan – hvilket reducerer muligheden for at sende en tekniker ind i en ukendt, potentielt farlig situation.

PowerAI bruger computerseende og maskinlærning til at automatisere en stor del af fejldetektionsprocessen. Det har gjort analysen af store mængder data punkter hurtigere, sikrere og billigere, så teknikerne står over for reduceret unødvendigt risiko og højere operationel effektivitet. Denne operationelle effektivitet præsenterer sig gennem lavere omkostninger, hurtigere omsvøb og præventivt vedligehold.

Hvad er rollen af droner og andre avancerede teknologier i moderniseringen af infrastrukturinspektioner?

Historisk set var processen med infrastrukturinspektioner fuldstændig manuel og meget kedelig. Inspektører ville sidde foran computerskærmen, bladre gennem tusindvis af billeder og identificere problemer med hånden. Denne proces blev uholdbar, da kraftledninger fortsat oplevede problemer, der førte til mere usikre situationer og højere reguleringer, hvilket øgede mængden af data, der skulle gennemgås på en kortere tid.

AI-baseret teknologi reducerer betydeligt tiden og omkostningerne i forbindelse med dataanalysen, hvilket tillader utilitiesvirksomhederne at udrulle reparationshold mere hurtigt og effektivt. Detektionen af problemer er også langt mere præcis, hvilket sikrer, at reparationer er rettidige og forhindrer voksende farer.

Ved at indsamle billeder til analyse er droneinspektioner sikrere og mere kosteffektive end andre metoder til infrastruktur som helikoptere, satellitter og faste fly. Deres mobilitet tillader dem at manøvrere på en måde, så de kan komme tæt på og indsamle mere detaljeret information.

Hvordan hjælper Buzz Solutions’ AI-drevne platform utilitiesvirksomheder med præventivt vedligehold og omkostningsbesparelser?

Vores løsning fjerner det meste af den manuelle analysearbejde fra gridinspektion. PowerAI kan hurtigt identificere farlige situationer for at forhindre potentielle katastrofer og give kritisk information til overvågning og sikkerhedsformål. AI-algoritmerne er trænet til at identificere anomalier som ekstreme temperaturer, uautoriseret adgang/personale, termisk billedanalyse og mere.

Ud over forebyggende overvågning kan PowerAI også give prioriteret anomalidetektion for optimeret vedligeholdelsesplanlægning. Alle disse ting minimiserer behovet for fysisk inspektion, reducerer operationelle omkostninger og sikkerhedsrisici i forbindelse med manuelle inspektioner. Den AI-drevne platform giver også mere præcis og nøjagtig detektion, hvilket forbedrer vedligeholdelsesbeslutninger.

Kan du diskutere virkningen af at adoptere AI på den operationelle effektivitet af utilitiesvirksomheder?

Efter den første opstigning af at adoptere en AI-model, vil en utilitiesvirksomhed fortsætte med at høste fordelene af modellen i en lang tid. Livscyklussen af en AI-model begynder ved installationen. AI kan høste handlebare indsigt fra tusindvis af billeder taget over hundredvis af miles af infrastruktur. Da vi fik vores første datasæt fra en utilitiesvirksomhed på en bånd, er dette ekstraordinært, og det bliver kun smartere. AI gør tidlig detektion af vedligeholdelsesproblemer langt mere muligt, hvilket forhindrer mindre uheld i at udvikle sig til større sikkerhedsfarer som skovbrande og alvorlige skader. Det reducerer behovet for menneskelige inspektioner, hvilket gør utilitiesvirksomheden mere kosteffektiv.

I din artikel “Adopting AI Is Just The Beginning For Utility Companies” diskuterer du de første skridt i AI-adoption. Hvad er de mest kritiske overvejelser for utilities, der starter deres AI-rejse?

Der er en enorm mulighed for utilities til at bruge AI, og mange løsninger at overveje. Før du springer ind, er det vigtigt at identificere dine mål og oprette en stabil grund – hvilke udfordringer står du over for lige nu, som du gerne vil have, AI skal hjælpe med at løse? Har dit hold den tekniske ekspertise og tid til at påtage sig en så kompleks ombygning? Hvordan vil det påvirke dine kunder?

Ud over at være internt samstemt er det vigtigt at være forberedt på at få mere data, end utilitiesvirksomheden tidligere har haft, hvilket sandsynligvis vil føre til mere vedligehold, når problemer opstår. En utilitiesvirksomhed skal have en plan til at imødekomme disse anmodninger og sikre, at de har de rette ressourcer, før de starter deres AI-rejse. Utilitiesvirksomheder skal også arbejde med løsningsudbydere for at implementere den rette dataadgang, privatliv og sikkerhed, når de deployer AI-løsninger. AI-genererede indsigt skal endelig føres ind i eksisterende utilities-arbejdsgange, så de bliver handlebare og kan opfylde virksomhedens og operationelle mål.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Buzz Solutions.