Vikhyat Chaudhry, CTO, COO und Mitgründer von Buzz Solutions – Interview-Serie

Vikhyat Chaudhry ist der CTO, COO und Mitgründer von Buzz Solutions und ein ehemaliger Data-Scientist bei Cisco, ein Machine-Learning-/Embedded-Systems-Ingenieur bei Altitude und ein Stanford-Absolvent.

Buzz Solutions liefert genaue AI- und Predictive-Analytics-Software, um effizientere visuelle Inspektionen für Übertragungs-, Verteilungs- und Umspannanlagen zu ermöglichen.

Können Sie uns Ihre Reise und Karrierehighlights erzählen, die Sie zum Mitgründer von Buzz Solutions geführt haben?

Ich wuchs in New Delhi, Indien, auf, mit einer natürlichen Neugier für Innovation und Ingenieurwesen und besuchte das Delhi College of Engineering, wo ich Bau- und Umwelttechnik studierte. Ich erinnere mich besonders an einen Moment während meines letzten Jahres, als ich eine Drohne von Grund auf baute und in der Stadt flog. Die Aufgabe bestand darin, die Luftverschmutzung in New Delhi zu überwachen, und durch dieses Experiment stellte ich fest, dass die Qualität über 500 AQI lag, was dem Rauchen von 60 Zigaretten pro Tag entspricht. Die schlechte Luftqualität konnte direkt auf einen Mangel an Elektrifizierung, steigende Fahrzeugemissionen und eine zunehmende Anzahl von kohlebefeuerten Kraftwerken im Laufe der Jahre zurückgeführt werden. Diese Erfahrung festigte mein Interesse daran, Technologie zu nutzen, um reale Probleme im Zusammenhang mit Energie und Strom zu lösen.

Bevor ich Buzz gründete, führte mich mein technischer Hintergrund zu meiner Rolle als Leiter der Machine-AI- und Data-Science-Teams bei Cisco Systems (CSCO ) für einige Jahre. Diese Erfahrung war unschätzbar und baute meine Erfahrung mit einer Vielzahl von künstlicher Intelligenz- und Machine-Learning-Projekten auf.

Ich erhielt 2016 meinen Master-Abschluss in Bau- und Umwelttechnik von der Stanford University. Während dieser Zeit besuchte ich Kurse, die sich auf Energietechnik spezialisierten, und baute mein Interesse aus, das ich im Ausland begonnen hatte. Ich traf meine Mitgründerin Kaitlyn in einem Kurs, in dem wir uns über unsere Leidenschaften für die Umwelt, Energie und Unternehmertum verbanden. Wir entdeckten eine große Notwendigkeit in der Versorgungsindustrie und arbeiten seitdem an Lösungen, um sie zu lösen.

Welche wichtigen Entwicklungen haben Sie bei der Entwicklung von traditioneller KI zu generativer KI während Ihrer Karriere beobachtet, und welche bedeutenden Auswirkungen hatte dieser Übergang auf verschiedene Branchen?

 Im Jahr 2022 begannen wir, mit generativer KI zu experimentieren. GenKI im Versorgungssektor ist ein interessantes Anwendungsbeispiel, da die Daten, mit denen wir arbeiten, viele verschiedene Variablen umfassen. Es gibt Faktoren wie Kamerabildauflösung, Aufnahmewinkel und Objektentfernung – und das nur für die Drohnen. Es gibt auch Umweltbedingungen wie Korrosion oder Vegetationsüberwuchs, die zahlreiche Freiheitsgrade einführen. Aufgrund dieser Komplexität kann es schwierig sein, gute Trainingsdaten für Netzmodelle zu erhalten.

Dabei kommt die GenKI ins Spiel – künstliche Intelligenz und Machine Learning verbessern sich, und auch die Trainingsdaten, die sie erstellen, verbessern sich.

GenKI ist zu einer praktikablen Option für die Ausbildung von Modellen geworden, insbesondere bei wichtigen “Randfällen”, bei denen Variablen extreme Werte haben, wie im Falle eines Waldbrandes. Wenn die GenKI in der Versorgungsindustrie fortschreitet, werden synthetische Datensätze, die auf realen Daten basieren, dazu beitragen, Modelle weiter zu trainieren, um komplexe und einzigartige Datenszenarien effektiver zu handhaben, was zu bedeutenden Verbesserungen bei der prädiktiven Wartung und der Anomalieerkennung führen wird, was wiederum natürliche Katastrophen reduzieren wird.

Können Sie erläutern, wie die KI-Technologie von Buzz Solutions reale Daten für die Anomalieerkennung verwendet und welche Vorteile sie gegenüber synthetischen Daten bietet?

In der Versorgungsindustrie bedeutet reale Daten alles, was im Feld aufgenommen werden kann, normalerweise einschließlich Bilder oder Videos, die aus Luftfahrzeugen wie Drohnen oder Hubschraubern aufgenommen werden. Synthetische Daten hingegen sind Daten, die durch einen Bildreplikationsprozess gesammelt werden, der verschiedene Komponenten eines Bildes manuell ändert, um eine exponentiell große Anzahl von Szenarien und Randfällen zu berücksichtigen. Derzeit ist es großartig auf dem Papier, aber nicht in der Praxis. Modelle, die mit realen Daten trainiert werden, sind bewiesen effizienter und genauer, und der Vorteil besteht darin, dass durch die Verwendung realer Daten Teams 1:1 mit der “Grundwahrheit” abbilden können – einer genauen Darstellung der physischen Weltszenarien, die ein Techniker wahrscheinlich vorfinden wird (wie Hintergrundgeräusche und Wetter). Die realen Daten berücksichtigen reale Weltmöglichkeiten und beinhalten die unvorhersehbaren Variablen der Fehlersuche.

Während synthetische Daten allein nicht in der Lage sind, sich auf reale Szenarien zu optimieren (noch nicht), spielen sie dennoch eine wichtige Rolle bei der Ausbildung von Modellen.

Welche sind die größten Herausforderungen, denen Sie bei der Integration von KI in Legacy-Systeme von Versorgungsunternehmen gegenüberstehen?

Legacy-Systeme in Versorgungsunternehmen sind oft nicht kompatibel mit KI-Fortschritten. Zwei große Herausforderungen, denen Unternehmen gegenüberstehen, sind interne Transformation und Datenverwaltung. Abgekapselte Daten und Kommunikation können schädlich für digitale Transformationsbemühungen sein. Die Daten, die die Versorgungsunternehmen bereits besitzen, müssen verwaltet und gesichert werden, während Informationen übertragen werden.

Darüber hinaus stehen Versorgungsunternehmen, die noch On-Premises-Datenspeicherung verwenden, vor größeren Herausforderungen. Der Wechsel von On-Premises-Datenspeicherung zu Cloud-Infrastruktur ist nicht das Problem, sondern vielmehr die umfassende Transformation und die Nachwirkungen, die folgen. Dieser Prozess erfordert erhebliche Ressourcen und Zeit, was es schwierig macht, unterschiedliche Technologien auf den Übergang aufzusetzen. Die Einführung effektiver KI-Lösungen wird nicht empfohlen, bis dieser Prozess abgeschlossen ist.

Es ist auch wichtig, dass es intern eine kulturelle Veränderung gibt, die der technologischen Veränderung entspricht. Dies erfordert, dass Mitarbeiter mit kontinuierlichem Lernen und Anpassungsfähigkeit an Veränderungen im Prozess einverstanden sind und KI-Lösungen als effektive Werkzeuge betrachten, um ihren täglichen Arbeitsablauf zu erleichtern und zu effizienzieren.

Können Sie den Prozess der Ausbildung von KI-Modellen mit im Feld getesteten Daten von wichtigen Infrastrukturanlagen erklären?

Ein großer Teil des Trainingsprozesses besteht darin, die aus der Luft aufgenommenen Daten von Drohnen und Hubschraubern zu verarbeiten. Wir entscheiden uns für die Verwendung von Drohnen anstelle von Methoden wie Satelliten aufgrund der Flexibilität und der sofortigen Datenlieferung, die sie ermöglichen. Wir verwenden drei verschiedene Arten von Algorithmen: Bildclustering, Segmentierung und Anomalieerkennung.

Unsere Technologie wird von Human-in-the-Loop-Machine-Learning angetrieben – was es Fachexperten auf unserem Team ermöglicht, direktes Feedback an das Modell für Vorhersagen unter einem bestimmten Vertrauensniveau zu geben. Wir sind glücklich, die Fachexperten in unseren Teams zu haben, die wir haben – mit ihrer jahrzehntelangen Erfahrung als Feldtechniker geben sie Feedback, um unsere Modelle genauer, personalisierter und robuster zu machen.

Indem wir reale Feld-Daten verwenden, können wir sicherstellen, dass unsere Anomalieerkennung sehr genau und zuverlässig ist und den Versorgungsunternehmen handhabbare Erkenntnisse liefert.

Wie trägt die KI-Technologie von Buzz Solutions dazu bei, Reparaturen an Stromleitungen sicherer zu machen?

Die Reparatur von Stromleitungen ist eines der gefährlichsten Berufe in Amerika, und die Branche erlebt die Auswirkungen einer alternden Bevölkerung und eines Techniker-Mangels.

Mit unserer Technologie, PowerAI, wurde die Notfallreaktion effektiver und genauer gemacht, sodass Techniker Schäden remote bewerten und Zeit haben, einen vorherbestimmten Handlungsplan zu entwickeln – was die Möglichkeit reduziert, einen Techniker in eine unbekannte, potenziell gefährliche Situation zu schicken.

PowerAI verwendet Computer-Vision und Machine-Learning, um einen großen Teil des Fehlersuchprozesses zu automatisieren. Es hat die Analyse großer Datenmengen schneller, sicherer und günstiger gemacht, sodass die Techniker jetzt ein geringeres unnötiges Risiko und eine höhere betriebliche Effizienz haben. Diese betriebliche Effizienz zeigt sich durch geringere Kosten, schnellere Umschlagzeiten und präventive Wartung.

Welche Rolle spielen Drohnen und andere fortschrittliche Technologien bei der Modernisierung von Infrastruktur-Inspektionen?

Historisch gesehen war der Prozess der Infrastruktur-Inspektionen vollständig manuell und sehr monoton. Inspekteure saßen vor dem Computerschirm, blätterten durch Tausende von Bildern und identifizierten Probleme von Hand. Dieser Prozess wurde untragbar, als Stromleitungen immer wieder Probleme hatten, was zu unsicheren Situationen und höheren regulatorischen Überwachungen führte, was die Menge an Daten, die in kürzerer Zeit überprüft werden mussten, erhöhte.

AI-basierte Technologie rationalisiert den Prozess der Datenanalyse erheblich, was die Zeit und Kosten reduziert. Dies ermöglicht es den Versorgungsunternehmen, Reparaturteams schneller und effektiver einzusetzen. Die Erkennung von Problemen ist auch viel präziser, was sicherstellt, dass Reparaturen rechtzeitig und gefährliche Situationen verhindert werden.

Bei der Aufnahme von Bildern für die Analyse sind Drohnen-Inspektionen sicherer und kostengünstiger als andere Methoden der Infrastruktur-Inspektion wie Hubschrauber, Satelliten und Flugzeuge. Ihre Portabilität ermöglicht es ihnen, auf eine Weise zu manövrieren, dass sie nahe herankommen und granulare Informationen aufnehmen können.

Wie hilft die KI-gesteuerte Plattform von Buzz Solutions den Versorgungsunternehmen bei der prädiktiven Wartung und den Kostenersparnissen?

Unsere Lösung nimmt den größten Teil der manuellen Analysearbeit aus der Netzinspektion. PowerAI kann schnell gefährliche Situationen erkennen, um potenzielle Katastrophen zu verhindern, und liefert kritische Informationen für Überwachungs- und Sicherungszwecke. Die KI-Algorithmen sind darauf trainiert, Anomalien wie extreme Temperaturen, unbefugten Zugang von Fahrzeugen oder Personal, thermische Bildgebung und mehr zu erkennen.

Darüber hinaus kann PowerAI eine gestufte Priorisierung von Anomalien für die optimale Wartungsplanung bereitstellen. All diese Dinge minimieren die Notwendigkeit von physischen Inspektionen, reduzieren die betrieblichen Kosten und die Sicherheitsrisiken, die mit manuellen Inspektionen verbunden sind. Die KI-gesteuerte Plattform bietet auch eine präzisere und genauere Erkennung, was die Wartungsentscheidungen verbessert.

Können Sie die Auswirkungen der Einführung von KI auf die betriebliche Effizienz von Versorgungsunternehmen diskutieren?

Nach der anfänglichen Einführung eines KI-Modells wird ein Versorgungsunternehmen die Vorteile des Modells für eine unendliche Zeit nutzen. Der Lebenszyklus eines KI-Modells beginnt bei der Installation. KI kann handhabbare Erkenntnisse aus Tausenden von Bildern über Hunderte von Meilen Infrastruktur gewinnen. Angesichts dessen, dass wir unsere erste Datensatz von einem Versorgungsunternehmen auf einem Band erhalten haben, ist dies außergewöhnlich und wird nur noch cleverer. KI ermöglicht die frühzeitige Erkennung von Wartungsproblemen, was verhindert, dass kleine Vorfälle zu größeren Sicherheitsgefahren wie Waldbränden und schweren Verletzungen eskalieren. Es reduziert die Notwendigkeit von menschlichen Inspektionen, was das Versorgungsunternehmen kostengünstiger macht.

In Ihrem Artikel “Die Einführung von KI ist nur der Anfang für Versorgungsunternehmen” diskutieren Sie die ersten Schritte der KI-Einführung. Was sind die wichtigsten Überlegungen für Versorgungsunternehmen, die ihre KI-Reise beginnen?

Es gibt eine große Chance für Versorgungsunternehmen, KI zu nutzen, und es gibt viele Lösungen, die in Betracht gezogen werden können. Bevor man einsteigt, ist es wichtig, die Ziele zu identifizieren und eine stabile Grundlage zu schaffen – welche Herausforderungen stehen Sie derzeit vor, die Sie durch KI lösen möchten? Verfügt Ihr Team über die notwendigen technischen Kenntnisse und Zeit, um eine so komplexe Überholung durchzuführen? Wie wird es Ihre Kunden beeinflussen?

Darüber hinaus ist es wichtig, intern ausgerichtet zu sein, um mehr Daten zu erhalten, als das Versorgungsunternehmen bisher hatte, was wahrscheinlich zu mehr Wartung führen wird, wenn Probleme auftreten. Ein Versorgungsunternehmen sollte einen Plan haben, um diese Anfragen zu bewältigen und sicherzustellen, dass es die notwendigen Ressourcen hat, bevor es seine KI-Reise beginnt. Versorgungsunternehmen müssen auch mit Lösungsanbietern zusammenarbeiten, um die richtige Datenzugriff, Privatsphäre und Sicherheit bei der Einführung von KI-Lösungen zu implementieren. KI-generierte Erkenntnisse sollten schließlich in bestehende Versorgungsprozesse eingeführt werden, damit sie handhabbar und den Geschäfts- und Betriebszielen des Unternehmens entsprechen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Buzz Solutions besuchen.