Vikhyat Chaudhry, CTO, COO & Co-Founder von Buzz Solutions – Interview-Reihe

Vikhyat Chaudhry ist der CTO, COO und Co-Founder 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 KI- und Predictive-Analytics-Software, um effizientere visuelle Inspektionen für Übertragungs-, Verteilungs- und Umspannanlagen zu ermöglichen.

Können Sie Ihre Reise und Karrierehighlights teilen, die Sie dazu gebracht haben, Buzz Solutions mitzubegründen?

Ich wuchs in New Delhi, Indien, mit einer natürlichen Neugier für Innovation und Ingenieurwesen auf und besuchte das Delhi College of Engineering, wo ich Bau- und Umweltingenieurwesen studierte. Ich erinnere mich besonders an einen Moment während meines letzten Jahres, als ich eine Drohne von Grund auf baute und sie 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 den Mangel an Elektrifizierung, die steigenden Fahrzeugemissionen und die zunehmende Anzahl von kohlebefeuerten Kraftwerken über die 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 technologischer Hintergrund zu meiner Rolle als Leiter der Machine-AI- und Data-Science-Teams bei Cisco Systems für einige Jahre. Diese Erfahrung war unschätzbar und baute meine Erfahrung mit einer Vielzahl von künstlicher Intelligenz- und Machine-Learning-Projekten auf.

Ich erhielt meinen Master-Abschluss in Bau- und Umweltingenieurwesen von der Stanford University im Jahr 2016. 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 Co-Founderin Kaitlyn in einem Kurs, in dem wir uns über unsere Leidenschaften für die Umwelt, Energie und Unternehmertum austauschten. Wir stießen auf eine große Notwendigkeit in der Versorgungsindustrie und arbeiten seitdem an Lösungen, um sie zu lösen.

Welche Schlüsselentwicklungen haben Sie in 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 Kameraraumauflösung, Aufnahmewinkel und Objektabstand – und das sind nur die Drohnen. Es gibt auch Umweltbedingungen wie Korrosion oder Vegetationsüberwuchs, die zahlreiche Freiheitsgrade einführen. Aufgrund dieser Komplexität kann gute Trainingsdaten für Grid-Modelle schwer zu finden sein.

Dort kommt GenKI ins Spiel – wenn künstliche Intelligenz und Machine Learning verbessert werden, verbessern sich auch die Trainingsdaten, die sie erstellen.

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

Können Sie erläutern, wie die KI-Tools von Buzz Solutions Echtzeitdaten für die Anomalieerkennung verwenden und welche Vorteile sie gegenüber synthetischen Daten bieten?

In der Versorgungsindustrie bedeutet Echtzeitdaten alles, was im Feld aufgenommen werden kann, normalerweise einschließlich Bilder oder Videos, die von 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 versucht, eine exponentielle Anzahl von Szenarien und Randfällen zu berücksichtigen. Derzeit ist es großartig auf dem Papier, aber nicht in der Praxis. Modelle, die mit Echtzeitdaten trainiert werden, sind bewiesen mehr genau und der Vorteil ist, dass durch die Verwendung von Echtzeitdaten Teams 1:1 mit der “Wahrheit” kartieren können – eine genaue Darstellung der physischen Weltsszenarien, die ein Techniker wahrscheinlich trifft (wie Hintergrundgeräusche und Wetter). Die Echtzeitdaten berücksichtigen reale Möglichkeiten und umfassen die unvorhersehbaren Variablen der Fehlererkennung.

Während synthetische Daten allein nicht in der Lage sind, reale Szenarien zu optimieren (noch nicht), spielen sie immer noch eine wichtige Rolle bei der Modellierung.

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

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

Darüber hinaus stellen Versorgungsunternehmen, die noch On-Premises-Datenspeicherung verwenden, größere Herausforderungen dar. Der Wechsel von On-Premises-Datenspeicherung zu Cloud-Infrastruktur ist nicht das Problem, sondern vielmehr die umfassende Transformation und der Nachhall, der folgt. Dieser Prozess erfordert erhebliche Ressourcen und Zeit, was es schwierig macht, verschiedene Technologien auf den Übergang aufzusetzen. Die Einführung effektiver KI-Lösungen ist nicht ratsam, bis dieser Prozess abgeschlossen ist.

Es ist auch wichtig, dass es intern einen kulturellen Wandel neben dem technologischen Wandel gibt. Dies erfordert, dass Mitarbeiter bereit sind, kontinuierlich zu lernen und sich an Veränderungen in den Prozessen anzupassen und KI-Lösungen als effektive Werkzeuge betrachten, um ihre täglichen Aufgaben zu erleichtern und effizienter zu gestalten.

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

Ein großer Teil des Trainingsprozesses besteht darin, die Luftdaten 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 Fachleuten auf unserem Team ermöglicht, direktes Feedback zu den Vorhersagen des Modells zu geben, die unter einem bestimmten Vertrauensniveau liegen. Wir sind glücklich, die Fachleute auf unserem Team zu haben, die wir haben – mit ihrer jahrzehntelangen kombinierten Erfahrung als Feldtechniker geben sie Feedback, um unsere Modelle genauer, personalisierter und robuster zu machen.

Durch die Verwendung von Echtzeitdaten können wir sicherstellen, dass unsere Anomalieerkennung hochgenau und zuverlässig ist und Versorgungsunternehmen handhabbare Erkenntnisse bietet.

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 der Notfall-Einsatz effektiver und genauer gemacht, so dass Techniker Schäden remote bewerten und Zeit haben, einen vorher festgelegten Aktionsplan 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, so dass Techniker nun 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 eintönig. Inspektoren saßen vor dem Computerbildschirm, blätterten durch Tausende von Bildern und identifizierten Probleme von Hand. Dieser Prozess wurde unsicher, 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.

KI-basierte Technologie strafft den Prozess der Datenanalyse erheblich, was die Zeit und die Kosten reduziert. Dies ermöglicht es Versorgungsunternehmen, Reparaturteams schneller und effektiver einzusetzen. Die Erkennung von Problemen ist auch viel genauer, was sicherstellt, dass Reparaturen rechtzeitig durchgeführt werden und sich entwickelnde Gefahren verhindert werden.

Bei der Aufnahme von Bildern für die Analyse sind Drohnen-Inspektionen sicherer und kostengünstiger als andere Methoden der Infrastruktur wie Hubschrauber, Satelliten und Flugzeuge. Ihre Portabilität ermöglicht es ihnen, sich so zu bewegen, dass sie näher herankommen und granularere Informationen aufnehmen können.

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

Unsere Lösung nimmt den größten Teil der manuellen Analysearbeit aus der Grid-Inspektion. PowerAI kann schnell gefährliche Situationen erkennen, um potenzielle Katastrophen zu verhindern, und kritische Informationen für Überwachungs- und Sicherheitszwecke bereitstellen. Die KI-Algorithmen sind so trainiert, dass sie Anomalien wie extreme Temperaturen, unbefugten Zugriff auf Fahrzeuge/Personal, thermische Bildgebung und mehr erkennen.

Neben der präventiven Überwachung kann PowerAI auch 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-gestützte Plattform bietet auch genauere 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 sammeln, die über hunderte von Meilen von Infrastruktur aufgenommen werden. Wenn man bedenkt, dass wir unsere erste Datensatz von einem Versorgungsunternehmen auf einem Band erhalten haben, ist dies außergewöhnlich und es wird nur noch besser. KI macht die frühzeitige Erkennung von Wartungsproblemen viel möglich, was verhindert, dass kleine Vorfälle in größere Sicherheitsgefahren wie Waldbrände und schwere 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 kritischsten Überlegungen für Versorgungsunternehmen, die ihre KI-Reise beginnen?

Es gibt eine enorme Chance für Versorgungsunternehmen, KI zu nutzen, und viele Lösungen, die in Betracht gezogen werden können. Bevor man sich hineinstürzt, 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 technische Expertise und die Zeit, um eine so komplexe Überholung zu bewältigen? Wie wird es Ihre Kunden beeinflussen?

Neben der internen Ausrichtung ist es wichtig, auf die erhöhte Datenmenge vorbereitet zu sein, die 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, Datenschutz und Sicherheit bei der Implementierung von KI-Lösungen zu gewährleisten. KI-generierte Erkenntnisse sollten schließlich in bestehende Versorgungsprozesse eingeführt werden, damit sie handhabbar und den Geschäfts- und betrieblichen Zielen des Unternehmens entsprechen.

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