Vikhyat Chaudhry, CTO, COO og medstifter af Buzz Solutions – Interviewserie

Vikhyat Chaudhry er CTO, COO og medstifter af Buzz Solutions og tidligere data scientist hos Cisco, maskinlærings-/indbygningsingeniør hos Altitude og Stanford-uddannet.

Buzz Solutions leverer nøjagtig AI og prædictiv analytics-software til at effektivisere visuelle inspektioner af transmission-, distribution- og understation-infrastruktur.

Kan du dele din rejse og karrierehøjdepunkter, der førte dig til at co-founder 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 miljøingeniørarbejde. 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 luftforurening 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 mangel på elektrificering, stigende køretøjsudledning og øget antal kul-drevne kraftværker over årene. Denne oplevelse fastholdt min interesse i at bruge teknologi til at løse virkelige problemer i forbindelse med energi og kraft.

Før jeg co-founderede Buzz, førte min tekniske baggrund mig til min rolle som leder af maskinlærings- og data science-holdet hos Cisco Systems (CSCO ) i et par 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-/miljøingeniørarbejde 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 bonded over vores passion for miljø, energi og entrepreneurship. Vi fandt en stor behov i utilities-industrien og har arbejdet på løsninger for at løse det siden.

Hvad er de vigtigste udviklinger, du har observeret i overgangen fra traditionel AI til Generative AI under din karriere, og hvad er de betydelige effekter, denne overgang har haft på forskellige industrier?

 I 2022 begyndte vi at eksperimentere med Generative AI. GenAI i utilities-sektoren er en interessant anvendelsesmulighed, fordi 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 miljømæssige betingelser som korrosion eller vegetation, der introducerer mange frihedsgrader. På grund af denne kompleksitet kan god træningsdata for grid-modeller være svært at få.

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

GenAI er blevet en realistisk mulighed for at træne modeller, især med kritiske ‘edge cases’, hvor variabler har mere ekstreme værdier, som i tilfælde af en skovbrand. Da GenAI i utilities-industrien skrider frem, vil syntetiske datasæt baseret på virkelige data hjælpe med yderligere at træne modeller til at håndtere komplekse og unikke datascenarier mere effektivt, hvilket tilbyder betydelige forbedringer i forbindelse med præventivt vedligehold og afvigelsesdetektion, hvilket igen reducerer naturkatastrofer.

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

I utilities-industrien betyder rigtige data, hvad der kan optages i feltet, normalt inklusive billeder eller video optaget fra luftbårne kilder som droner eller helikoptere. Syntetiske data, på den anden side, er data, der indsamles gennem en billedreplikationsproces, der manuelt ændrer forskellige komponenter i 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, der er trænet med rigtige data fra starten, er bevist mere nøjagtige, og fordelene er, at gennem brugen af rigtige data kan holdene kortlægge 1:1 med ‘ground truth’ – en nøjagtig repræsentation af de fysiske verdensscenarier, en tekniker sandsynligvis vil møde (som baggrundsstøj og vejr). De rigtige data tager højde for rigtige verdensmuligheder og inkluderer de uforudsigelige variabler i forbindelse med fejldetektion.

mens syntetiske data alene ikke kan optimere for rigtige verdensscenarier (endnu), spiller det stadig en vigtig rol i at træne modeller.

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

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

Dertil kommer, at utilities, der stadig bruger lokale dataopbevaring, står over for større udfordringer. Skiftet fra lokale dataopbevaring til cloud-infrastruktur er ikke problemet, men snarere den omfattende transformation og efterchok, der følger. Denne proces kræver betydelige ressourcer og tid, hvilket gør det svært at tilføje forskellige teknologier oven på overgangen. Indførelse 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 kontinuerlig læring og tilpasning til 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 den umiddelbare datalevering, de tillader. Vi bruger tre forskellige typer algoritmer: billedklustering, segmentering og afvigelsesdetektion.

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, der gør vores modeller mere nøjagtige, personlige og robuste.

Ved at bruge rigtige felttestede data kan vi sikre, at vores afvigelsesdetektion er højtydigt nøjagtig og pålidelig, hvilket giver utilities-virksomhederne handlebare indsigt.

Hvordan bidrager Buzz Solutions’ AI-teknologi til at gøre el-linje-reparationer sikrere?

El-linje-reparation er et af de farligste erhverv i Amerika, og industrien oplever effekterne af en aldrende arbejdsstyrke og tekniker-mangel.

Med vores teknologi, PowerAI, er nødsituationssvar blevet mere effektivt og nøjagtigt, så teknikerne kan vurdere 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 maskinlæringsalgoritmer til at automatisere en stor del af fejldetektionsprocessen. Det har gjort analysen af store mængder af data punkter hurtigere, sikrere og billigere, så teknikerne står over for reduceret unødvendigt risiko og højere operationel effektivitet. Denne operationelle effektivitet viser sig gennem lavere omkostninger, hurtigere omsætningstider og forebyggende vedligehold.

Hvad er rollen for droner og andre avancerede teknologier i at modernisere infrastruktur-inspektioner?

Historisk set var processen med infrastruktur-inspektioner fuldstændigt manuel og meget kedelig. Inspektører ville sidde foran computerskærmen, skyde gennem tusindvis af billeder og identificere problemer med hånden. Denne proces blev uholdbar, da el-linjer fortsat oplevede problemer, der førte til flere usikre situationer og øgede reguleringer, hvilket øgede mængden af data, der skulle gennemgås på en kortere tid.

AI-baseret teknologi strømliner betydeligt processen med at analysere data, hvilket reducerer tiden og omkostningerne. Dette tillader utilities-virksomhederne at udrulle reparationshold mere hurtigt og effektivt. Detektionen af problemer er også mere præcis, hvilket sikrer, at reparationer er rettidige og forhindrer voksende farer.

Ved at indsamle billeder til analyse er drone-inspektioner 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 utilities-virksomheder med præventivt vedligehold og omkostningsbesparelser?

Vores løsning fjerner det meste af det manuelle analysearbejde fra grid-inspektion. 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 afvigelser som ekstreme temperaturer, uautoriseret adgang/personale, termisk billedanalyse og mere.

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

Kan du diskutere effekten af at indføre AI på den operationelle effektivitet af utilities-virksomheder?

Efter den første løftning af at indføre en AI-model vil en utilities-virksomhed fortsat nyde 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 modtog vores første datasæt fra en utilities-virksomhed på en bånd, er dette ekstraordinært, og det bliver kun bedre. AI gør tidlig detektion af vedligeholdelsesproblemer mere mulig, hvilket forhindrer, at mindre uheld udvikler sig til større sikkerhedsfarer som skovbrande og alvorlige skader. Det reducerer behovet for menneskelig inspektion, hvilket gør utilities-virksomheden mere kosteffektiv.

I din artikel “At indføre AI er kun begyndelsen for utilities-virksomheder” diskuterer du de første skridt i AI-indføringen. Hvad er de vigtigste overvejelser for utilities-virksomheder, der starter deres AI-rejse?

Der er en enorm mulighed for utilities-virksomheder 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?

Oven i at være internt aligneret er det vigtigt at være forberedt på at få mere data, end utilities-virksomheden tidligere har haft, hvilket sandsynligvis vil føre til mere vedligehold. En utilities-virksomhed skal have en plan til at imødekomme disse anmodninger og sikre, at de har de rette ressourcer, før de starter deres AI-rejse. Utilities-virksomheder skal også arbejde med løsningsudbydere for at implementere den rette dataadgang, privatliv og sikkerhed, når de udruller AI-løsninger. AI-genererede indsigt skal til sidst 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.