Βικχιάτ Τσάντχρυ, CTO, COO και Συνιδρυτής της Buzz Solutions – Σειρά Συνεντεύξεων

Ο Βικχιάτ Τσάντχρυ είναι ο CTO, COO και συνιδρυτής της Buzz Solutions και πρώην επιστήμονας δεδομένων στην Cisco, μηχανικός μηχανικής μάθησης και ενσωματωμένων συστημάτων στην Altitude και απόφοιτος του Stanford.

Η Buzz Solutions παρέχει ακριβή λογισμικό AI και προβλεπτικής ανάλυσης για να ενισχύσει τις οπτικές επιθεωρήσεις για τη μετάδοση, διανομή και υποσταθμούς.

Μπορείτε να μοιραστείτε το ταξίδι και τις καριέρες σας που σας οδήγησαν να συνιδρύσετε την Buzz Solutions;

Εγώ μεγάλωσα στη Νέα Δελχί, στην Ινδία, με μια φυσική περιέργεια για την καινοτομία και τη μηχανική και φοιτήσα στο Delhi College of Engineering, όπου σπούδασα Πολιτική και Περιβαλλοντική Μηχανική. Θυμάμαι ιδιαίτερα μια στιγμή κατά τη διάρκεια του τελικού μου έτους όταν κατασκεύασα ένα drone από το μηδέν και το έφερα σε πτήση στην πόλη. Η εργασία ήταν να μετρήσω την ατμοσφαιρική ρύπανση στη Νέα Δελχί και μέσω αυτού του πειράματος, βρήκα ότι η ποιότητα ήταν πάνω από 500 AQI, που είναι ισοδύναμο με το κάπνισμα 60 τσιγάρων την ημέρα. Η κακή ποιότητα του αέρα μπορούσε να αναχθεί trực tiếp σε έλλειψη ηλεκτρικής ενέργειας, αυξανόμενη εκπομπή οχημάτων και αύξηση του αριθμού των σταθμών ηλεκτρικής ενέργειας με άνθρακα τα τελευταία χρόνια. Αυτή η εμπειρία σφράγισε το ενδιαφέρον μου να χρησιμοποιήσω την τεχνολογία για να αντιμετωπίσω πραγματικά προβλήματα που σχετίζονται με την ενέργεια και την ηλεκτρική ενέργεια.

Πριν από τη συνίδρυση της Buzz, ο τεχνολογικός μου υπόβαθρος με οδήγησε στο ρόλο του Lead της Ομάδας Μηχανικής και Επιστήμης Δεδομένων στην Cisco Systems (CSCO ) για quelques χρόνια. Αυτή η εμπειρία ήταν απαράμιλλη και χτίστηκε η έκθεσή μου σε eine ποικιλία από projects τεχνητής νοημοσύνης και μηχανικής μάθησης από νωρίς.

Απέκτησα το master μου στην Πολιτική/Περιβαλλοντική Μηχανική από το Πανεπιστήμιο του Stanford το 2016. Κατά τη διάρκεια αυτής της περιόδου, πήρα μαθήματα που ειδικεύονταν στην ενεργειακή μηχανική, χτίζοντας το ενδιαφέρον που ξεκίνησε στο εξωτερικό. Γνώρισα τον συνιδρυτή μου, Kaitlyn, σε μια τάξη όπου συνδέθηκα με τις παθιασμένες μας για το περιβάλλον, την ενέργεια και την επιχειρηματικότητα. Ανακαλύψαμε μια μεγάλη ανάγκη στη βιομηχανία των υπηρεσιών και εργαζόμαστε για λύσεις για να την αντιμετωπίσουμε από τότε.

Ποια είναι τα βασικά σημεία που έχει παρατηρήσει στην εξέλιξη από την παραδοσιακή AI στην Γεννητική AI κατά τη διάρκεια της καριέρας σας και ποια σημαντικά αποτελέσματα έχει αυτή η μετάβαση στις διάφορες βιομηχανίες;

 Το 2022, ξεκινήσαμε να πειραματιζόμαστε με την Γεννητική AI. Η GenAI στον τομέα των υπηρεσιών είναι ένα ενδιαφέρον use case, επειδή τα δεδομένα με τα οποία εργαζόμαστε περιλαμβάνουν πολλές διαφορετικές μεταβλητές. Υπάρχουν παράγοντες όπως η ανάλυση της κάμερας, η γωνία λήψης και η απόσταση αντικειμένου – και αυτά είναι μόνο για τα drones. Υπάρχουν επίσης περιβαλλοντικές συνθήκες όπως η διάβρωση ή η εισβολή της βλάστησης που εισάγουν πολλά βαθμοί ελευθερίας. Λόγω αυτής της复雑ότητας, τα καλά δεδομένα εκπαίδευσης για τα μοντέλα του grid μπορεί να είναι δύσκολο να βρεθούν.

Αυτή είναι η GenAI που έχει έρθει τα τελευταία χρόνια – καθώς η τεχνητή νοημοσύνη και η μηχανική μάθησης βελτιώνονται, così και τα σύνολα εκπαίδευσης που δημιουργούν.

Η GenAI έχει γίνει ένα βιώσιμο επιλογή για την εκπαίδευση μοντέλων, ιδιαίτερα με κρίσιμους ‘περιπτώσεις άκρων’ όπου οι μεταβλητές έχουν πιο ακραίες τιμές, όπως στην περίπτωση μιας πυρκαγιάς. Όσο η GenAI στην βιομηχανία των υπηρεσιών προχωρά, τα συνθετικά σύνολα δεδομένων, που βασίζονται σε πραγματικά δεδομένα, θα βοηθήσουν στην περαιτέρω εκπαίδευση μοντέλων για να αντιμετωπίσουν σύνθετες και μοναδικές δεδομένες περιπτώσεις πιο αποτελεσματικά, προσφέροντας σημαντικές βελτιώσεις στην προληπτική συντήρηση και την ανίχνευση ανωμαλιών, που με τη σειρά τους θα μειώσουν τις φυσικές καταστροφές.

Μπορείτε να εξηγήσετε πώς η τεχνολογία AI της Buzz Solutions χρησιμοποιεί πραγματικά δεδομένα για την ανίχνευση ανωμαλιών και ποια είναι τα οφέλη που προσφέρει σε σύγκριση με τα συνθετικά δεδομένα;

Στον τομέα των υπηρεσιών, τα πραγματικά δεδομένα σημαίνουν ότι μπορεί να καταγραφεί στο πεδίο, συνήθως συμπεριλαμβανομένων εικόνων ή βίντεο που λαμβάνονται από εναέριες πηγές όπως drones ή ελικόπτερα. Τα συνθετικά δεδομένα, από την άλλη πλευρά, είναι δεδομένα που συλλέγονται μέσω μιας διαδικασίας αναπαραγωγής εικόνων που αλλάζει χειροκίνητα διάφορους компонέντες μιας εικόνας για να προσπαθήσει να αντιμετωπίσει einen αστρονομικό αριθμό σεναρίων και περιπτώσεων άκρων. Hiện, είναι καλό στο χαρτί, αλλά όχι στην πράξη. Τα μοντέλα που εκπαιδεύονται με πραγματικά δεδομένα από την αρχή αποδεικνύονται πιο ακριβή και το πλεονέκτημα είναι ότι μέσω της χρήσης πραγματικών δεδομένων, οι ομάδες μπορούν να χαρτογραφήσουν 1:1 με την ‘αληθινή πραγματικότητα’ – μια ακριβή αναπαράσταση των φυσικών σεναρίων που ένας τεχνικός είναι πιθανό να αντιμετωπίσει (όπως θόρυβος φόντου και καιρός). Τα πραγματικά δεδομένα λαμβάνουν υπόψη τις πραγματικές πιθανότητες και περιλαμβάνουν τις απρόβλεπτες μεταβλητές της ανίχνευσης σφαλμάτων.

Ενώ τα συνθετικά δεδομένα μόνα τους δεν μπορούν να βελτιστοποιήσουν για πραγματικές συνθήκες (ακόμη), παίζουν ακόμη einen σημαντικό ρόλο στην εκπαίδευση μοντέλων.

Ποια είναι τα μεγαλύτερα προβλήματα που αντιμετωπίζετε όταν ενσωματώνετε την AI με συστήματα κληρονομιάς στις εταιρείες υπηρεσιών;

Τα συστήματα κληρονομιάς στις εταιρείες υπηρεσιών είναι συχνά ασύμβατα με τις προόδους της AI. Δύο μεγάλες προκλήσεις που βλέπουμε τις εταιρείες να αντιμετωπίζουν είναι η εσωτερική μεταμόρφωση και η διαχείριση δεδομένων. Τα διαχωρισμένα δεδομένα και η επικοινωνία μπορούν να είναι καταστροφικά για τις προσπάθειες ψηφιακής μεταμόρφωσης. Τα δεδομένα που οι εταιρείες υπηρεσιών ήδη κατέχουν πρέπει να διαχειρίζονται και να ασφαλίζονται ενώ μεταφέρεται η πληροφορία.

Επιπλέον, οι εταιρείες υπηρεσιών που ακόμη χρησιμοποιούν αποθήκευση δεδομένων σε τοπικό επίπεδο αντιμετωπίζουν μεγαλύτερες προκλήσεις. Η μετάβαση από την αποθήκευση δεδομένων σε τοπικό επίπεδο σε υποδομή cloud δεν είναι το πρόβλημα, αλλά μάλλον η εκτεταμένη μεταμόρφωση και ο σεισμός που ακολουθεί. Αυτή η διαδικασία απαιτεί σημαντικούς πόρους και χρόνο, καθιστώντας δύσκολο να προστεθούν διαφορετικές τεχνολογίες στην κορυφή της μετάβασης. Η εισαγωγή αποτελεσματικών λύσεων AI δεν συνιστάται μέχρις ότου αυτή η διαδικασία ολοκληρωθεί.

Είναι επίσης σημαντικό ότι εσωτερικά, υπάρχει μια πολιτιστική μεταμόρφωση μαζί με την τεχνολογική μεταμόρφωση. Αυτό απαιτεί να έχουν οι υπάλληλοι την ετοιμότητα για συνεχή μάθηση και προσαρμογή στις αλλαγές στη διαδικασία και να βλέπουν τις λύσεις AI ως αποτελεσματικά εργαλεία για να κάνουν την καθημερινή τους δουλειά πιο εύκολη και αποτελεσματική.

Μπορείτε να εξηγήσετε τη διαδικασία εκπαίδευσης μοντέλων AI με δεδομένα πεδίου από κρίσιμους χώρους υποδομής;

Ένα τεράστιο μέρος της διαδικασίας εκπαίδευσης είναι η κατάποση των εναέριων δεδομένων που παρέχονται από drones και ελικόπτερα. Επιλέγουμε να χρησιμοποιήσουμε drones αντί για μεθόδους όπως δορυφόροι λόγω της ευελιξίας και της άμεσης παράδοσης δεδομένων που επιτρέπουν. Χρησιμοποιούμε τρεις διαφορετικούς τύπους αλγορίθμων: image clustering, segmentation και ανίχνευση ανωμαλιών.

Η τεχνολογία μας οδηγείται από την Human-in-the-loop μηχανική μάθησης – η οποία επιτρέπει στους ειδικούς της ομάδας μας να δώσουν άμεση ανάδραση στο μοντέλο για προβλέψεις κάτω από ένα bestimmten επίπεδο εμπιστοσύνης. Είμαστε τυχεροί που έχουμε τους SMEs στην ομάδα μας που έχουμε – με δεκάδες χρόνια συνδυασμένης εμπειρίας τεχνικών πεδίου, παρέχουν ανάδραση για να κάνουν τα μοντέλα μας πιο ακριβή, προσωποποιημένα και ισχυρά.

Χρησιμοποιώντας πραγματικά δεδομένα πεδίου, μπορούμε να διασφαλίσουμε ότι η ανίχνευση ανωμαλιών μας είναι εξαιρετικά ακριβής και αξιόπιστη, παρέχοντας στις εταιρείες υπηρεσιών ενεργές πληροφορίες.

Πώς συμβάλλει η τεχνολογία AI της Buzz Solutions στην αύξηση της ασφάλειας των επισκευών γραμμών ηλεκτρικής ενέργειας;

Το έργο επισκευής γραμμών ηλεκτρικής ενέργειας είναι ένα από τα πιο επικίνδυνα επαγγέλματα στην Αμερική, και η βιομηχανία αντιμετωπίζει τις επιπτώσεις ενός γηρασμένου εργατικού δυναμικού και ελλείψεων τεχνιτών.

Με την τεχνολογία μας, PowerAI, η απάντηση σε καταστάσεις έκτακτης ανάγκης έχει γίνει πιο αποτελεσματική και ακριβής, ώστε οι τεχνικοί να μπορούν να αξιολογήσουν τις ζημιές από απόσταση και να έχουν χρόνο για να αναπτύξουν einen προκαθορισμένο πλάνο δράσης – το οποίο μειώνει την πιθανότητα να στείλει ένας τεχνικός σε μια άγνωστη, πιθανώς επικίνδυνη κατάσταση.

Το PowerAI χρησιμοποιεί υπολογιστική όραση και μηχανική μάθησης για να αυτοματοποιήσει einen μεγάλο μέρος της διαδικασίας ανίχνευσης σφαλμάτων. Έχει κάνει την ανάλυση μεγάλων ποσοτήτων δεδομένων πιο γρήγορη, ασφαλέστερη και φθηνότερη, ώστε τώρα οι τεχνικοί αντιμετωπίζουν μειωμένο άσκοπο κίνδυνο και υψηλότερη λειτουργική αποτελεσματικότητα. Αυτή η λειτουργική αποτελεσματικότητα παρουσιάζεται μέσω μικρότερων κοστών, ταχύτερων χρόνων ανταπόκρισης και προληπτικής συντήρησης.

Τι ρόλο παίζουν τα drones και άλλες προηγμένες τεχνολογίες στη μετεξέλιξη των επιθεωρήσεων υποδομής;

Ιστορικά, η διαδικασία επιθεώρησης υποδομής ήταν完全手動 και πολύ μονότονη. Οι επιθεωρητές καθόταν μπροστά στην οθόνη του υπολογιστή, έπαιρναν χιλιάδες εικόνες και αναγνώριζαν προβλήματα με το χέρι. Αυτή η διαδικασία έγινε αβέβαιη όταν οι γραμμές ηλεκτρικής ενέργειας συνέχισαν να αντιμετωπίζουν προβλήματα, οδηγώντας σε περισσότερες ασφαλείς καταστάσεις και αυξημένες ρυθμιστικές εποπτίες, αυξάνοντας την ποσότητα δεδομένων που χρειάζονταν να αναλυθούν σε μικρότερο χρόνο.

Η τεχνολογία AI βελτιώνει σημαντικά τη διαδικασία ανάλυσης δεδομένων, μειώνοντας τον χρόνο και το κόστος που εμπλέκονται. Αυτό επιτρέπει στις εταιρείες υπηρεσιών να αναπτύσσουν ομάδες επισκευής πιο γρήγορα και αποτελεσματικά. Η ανίχνευση προβλημάτων είναι επίσης πιο ακριβής, εξασφαλίζοντας ότι οι επισκευές είναι έγκαιρες και προλαμβάνουν τις αυξανόμενες απειλές.

Στην λήψη εικόνων για ανάλυση, οι επιθεωρήσεις drones είναι ασφαλέστερες και πιο οικονομικές από άλλες μεθόδους υποδομής όπως ελικόπτερα, δορυφόροι και αεροπλάνα. Η μετακινούμενη τους ικανότητα τους επιτρέπει να κινούνται με τρόπο που μπορούν να πάρουν πιο λεπτομερείς πληροφορίες.

Πώς η πλατφόρμα AI της Buzz Solutions βοηθά τις εταιρείες υπηρεσιών με προληπτική συντήρηση και οικονομίες;

Η λύση μας αφαιρεί το μεγαλύτερο μέρος της χειροκίνητης ανάλυσης από την επιθεώρηση του grid. Το PowerAI μπορεί να αναγνωρίσει επικίνδυνες καταστάσεις για να προληφθούν πιθανές καταστροφές και να παρέχει κρίσιμες πληροφορίες για παρακολούθηση και ασφάλεια. Οι αλγόριθμοι AI εκπαιδεύονται να αναγνωρίσουν ανωμαλίες όπως ακραίες θερμοκρασίες, μη εξουσιοδοτημένη πρόσβαση οχημάτων/προσωπικού, θερμική απεικόνιση και πολλά άλλα.

Εκτός από την προληπτική παρακολούθηση, το PowerAI μπορεί επίσης να παρέχει βαθμιαία προτεραιότητα ανωμαλιών για βελτιστοποιημένη σχεδίαση συντήρησης. Όλα αυτά τα στοιχεία μειώνουν την ανάγκη για φυσικές επιθεωρήσεις, μειώνοντας τα λειτουργικά κόστη και τους κινδύνους ασφαλείας που συνδέονται με τις χειροκίνητες επιθεωρήσεις. Η πλατφόρμα AI επίσης παρέχει πιο ακριβή και ακριβή ανίχνευση, βελτιώνοντας τις αποφάσεις συντήρησης.

Μπορείτε να συζητήσετε την επίδραση της υιοθέτησης της AI στην λειτουργική αποτελεσματικότητα των εταιρειών υπηρεσιών;

Μετά την αρχική ανύψωση της υιοθέτησης ενός μοντέλου AI, μια εταιρεία υπηρεσιών θα συνεχίσει να απολαμβάνει τα οφέλη του μοντέλου για απεριόριστο χρόνο. Ο κύκλος ζωής ενός μοντέλου AI αρχίζει στην εγκατάσταση. Η AI μπορεί να συλλέξει ενεργές πληροφορίες από χιλιάδες εικόνες που λαμβάνονται σε εκατοντάδες μίλια υποδομής. Λαμβάνοντας υπόψη ότι λάβαμε το πρώτο μας σύνολο δεδομένων από μια εταιρεία υπηρεσιών σε μια κασέτα, αυτό είναι εξαιρετικό και μόνο γίνεται πιο έξυπνο. Η AI κάνει την πρώιμη ανίχνευση προβλημάτων συντήρησης πολύ πιο δυνατή, η οποία προλαμβάνει μικρά περιστατικά από το να εξελιχθούν σε μεγαλύτερες απειλές ασφαλείας όπως πυρκαγιές και σοβαρές τραυματισμούς. Μειώνει την ανάγκη για ανθρώπινες επιθεωρήσεις, καθιστώντας την εταιρεία υπηρεσιών πιο οικονομική.

Στο άρθρο σας “Η Υιοθέτηση της AI είναι μόνο η Αρχή για τις Εταιρείες Υπηρεσιών”, συζητάτε τα αρχικά βήματα της υιοθέτησης της AI. Ποια είναι τα πιο κρίσιμα στοιχεία που πρέπει να ληφθούν υπόψη από τις εταιρείες υπηρεσιών που ξεκινούν το ταξίδι τους στην AI;

Υπάρχει μια τεράστια ευκαιρία για τις εταιρείες υπηρεσιών να χρησιμοποιήσουν την AI, και πολλές λύσεις να εξεταστούν. Πριν από το να πηδήξουν μέσα, είναι σημαντικό να αναγνωρίσουν τους στόχους τους και να θέσουν μια σταθερή βάση – ποια προκλήματα αντιμετωπίζουν τώρα που θα ήθελαν η AI να βοηθήσει να αντιμετωπιστούν; Διαθέτει η ομάδα τους την τεχνική εμπειρία και τον χρόνο για να αναλάβουν μια τόσο περίπλοκη ανακαίνιση; Πώς θα επηρεάσει τους πελάτες τους;

Εκτός από το να είναι εσωτερικά ευθυγραμμισμένοι είναι να είναι προετοιμασμένοι να λάβουν περισσότερα δεδομένα από ό,τι η εταιρεία υπηρεσιών είχε προηγουμένως, το οποίο πιθανότατα θα οδηγήσει σε περισσότερη συντήρηση καθώς προκύπτουν προβλήματα. Μια εταιρεία υπηρεσιών πρέπει να έχει einen σχέδιο για να φιλοξενήσει αυτές τις αιτήσεις και να βεβαιωθεί ότι έχει τους κατάλληλους πόρους πριν από το να ξεκινήσει το ταξίδι της στην AI. Οι εταιρείες υπηρεσιών πρέπει επίσης να συνεργαστούν με παρόχους λύσεων για να υλοποιήσουν την σωστή πρόσβαση δεδομένων, ιδιωτικότητα και ασφάλεια όταν αναπτύσσουν λύσεις AI. Τα γνώσματα AI που παράγονται πρέπει τελικά να τροφοδοτούνται σε υπάρχουσες ροές εργασίας υπηρεσιών, ώστε να γίνουν ενεργά και να μπορέσουν να ανταποκριθούν στους στόχους της επιχείρησης και λειτουργικής της εταιρείας.

Ευχαριστώ πολύ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Buzz Solutions.