Vikhyat Chaudhry, CTO, COO y Co-Fundador de Buzz Solutions: Una Conversación de Regreso

Vikhyat Chaudhry, CTO, COO y Co-Fundador de Buzz Solutions, lidera el desarrollo tecnológico y las operaciones de la empresa, aplicando inteligencia artificial, visión por computadora y análisis predictivo a la inspección y mantenimiento de infraestructuras energéticas críticas. Co-fundó Buzz Solutions en 2017 después de desarrollar experiencia en ciencia de datos, aprendizaje automático, sistemas integrados, visión por computadora y tecnologías autónomas. Antes de centrarse en la empresa a tiempo completo, Chaudhry trabajó como científico de datos en Cisco, desarrolló sistemas basados en aprendizaje automático y sensores en Altitude Co. y realizó investigaciones en la Universidad de Stanford sobre drones autónomos, detección de velocidad del viento y visión por computadora para granjas eólicas. Sus investigaciones anteriores en la Organización de Investigación y Desarrollo de la Defensa de la India exploraron la predicción de deslizamientos de tierra utilizando simulaciones y software de teledetección, lo que le proporcionó una base técnica que abarca el riesgo de infraestructura, análisis geoespacial y inteligencia artificial aplicada. Actualmente, Buzz Solutions lo identifica como su co-fundador, CTO y COO.

Buzz Solutions desarrolla software de inteligencia visual diseñado para ayudar a las empresas energéticas a inspeccionar, mantener y proteger infraestructuras de transmisión, distribución, subestaciones y generación. Su plataforma PowerAI analiza imágenes recopiladas a través de drones, helicópteros, aviones fijos y inspecciones terrestres, convirtiendo datos visuales en diagnósticos que ayudan a las empresas a identificar defectos, evaluar el estado de los activos, priorizar reparaciones y integrar hallazgos en sistemas de información geográfica, gestión de activos y flujos de trabajo de pedidos existentes. La empresa posiciona su tecnología como una forma de detectar riesgos de infraestructura más temprano, reducir el trabajo manual necesario para analizar imágenes de inspección y disminuir la probabilidad de fallas de equipos que contribuyen a apagones, paradas o incendios forestales. Buzz Solutions también ofrece herramientas para monitorear subestaciones y seguridad, reflejando su objetivo más amplio de ayudar a las empresas a construir operaciones de red más seguras, resilientes y basadas en datos.

Cuando te entrevistamos en 2024, nuestra conversación se centró en el uso de la inteligencia artificial para mover a las empresas de inspecciones manuales hacia un mantenimiento predictivo. ¿Qué ha cambiado más en los dos últimos años, tanto en el sector energético como en tu propio pensamiento, que te llevó a escribir Powering Intelligence y a enmarcar la electricidad como una posible restricción para el futuro de la inteligencia artificial?

Cuando nos reunimos por última vez, la conversación se centraba principalmente en la oficina de atrás de la red, moviendo a las empresas de inspecciones manuales hacia un mantenimiento predictivo. Ese sigue siendo el trabajo. Pero algo cambió debajo de todos nosotros en los dos años transcurridos, y cambió más rápido de lo que casi cualquier persona en mi mundo esperaba. En ese entonces, la inteligencia artificial era una historia de demanda que hablábamos en abstracto. Ahora se presenta como un crecimiento grande en los números de carga para las empresas. Empecé a escuchar lo mismo de personas que he conocido durante años en esta industria: solicitudes de interconexión para cargas que habrían sido inimaginables hace unos años, instalaciones que piden la cantidad de energía que consume una ciudad pequeña y la piden en un plazo que no tiene nada que ver con cómo se construye realmente la red. Ese fue el momento en que se me hizo clic. Gastamos toda nuestra energía debatiendo cuán capaces serán estos modelos, y casi nada sobre la cuestión física aburrida de si podemos alimentarlos. Escribí Powering Intelligence porque seguí buscando el libro que conectara esos dos mundos y no existía. Todos estaban escribiendo sobre los modelos de inteligencia artificial. Casi nadie estaba escribiendo sobre los electrones necesarios para ellos. Y yo estaba en un lugar extraño, lo suficientemente cerca del lado de la inteligencia artificial como para entender la ambición, y lo suficientemente cerca de la red como para saber exactamente cuánto tiempo lleva desarrollar una nueva línea de transmisión y una planta de generación de energía. La brecha entre esos dos relojes es toda la historia, y quería ponerla en un solo lugar.

Argumentas que la industria de la inteligencia artificial se escala en meses, mientras que la red de energía cambia en décadas. ¿Dónde está el cuello de botella más inmediato hoy en día: generación de electricidad, capacidad de transmisión, subestaciones, transformadores, colas de interconexión, permisos o disponibilidad de trabajadores calificados?

Creo que hay múltiples cuellos de botella aquí, y la respuesta es que todos están entrelazados. Pero si me hacen señalar el nudo más apretado en este momento, es relativamente menos sobre generar los electrones y más sobre entregarlos: transmisión y el proceso de interconexión, con transformadores y otros equipos eléctricos como las piezas físicas que atan todo. La cosa que la gente suele subestimar es que no puedes anunciar una planta de energía y un centro de datos en un comunicado de prensa. No puedes hacer que un gran transformador de energía aparezca por arte de magia, algunos de ellos tienen tiempos de entrega medidos en años, y muchos de ellos no se construyen dentro del país. Así que, incluso cuando hay voluntad y capital, se golpea con un muro de la cadena de suministro en componentes. Luego, encima de eso, está la cola de interconexión, que en muchas regiones es una línea de varios años solo para ser estudiada. Y debajo de todo eso está el problema de la fuerza laboral para la industria energética. Las personas que realmente saben cómo construir y mantener este equipo se están retirando más rápido de lo que los estamos reemplazando.

Así que no es un cuello de botella. Es que las piezas físicas más lentas, los transformadores, los corredores de transmisión, los linieros capacitados, son exactamente aquellas que no se pueden acelerar con software o dinero solo. Eso es lo que hace que esto sea difícil.

Los centros de datos de inteligencia artificial pueden introducir cargas enormes y muy concentradas en áreas cuyas redes no fueron diseñadas para ese nivel de demanda. ¿Cómo son diferentes estos centros de las grandes cargas industriales que las empresas han manejado históricamente, y qué nuevos riesgos crean para la planificación de la confiabilidad y la capacidad?

Las empresas han manejado grandes cargas durante un siglo. Una fábrica de acero, un horno de aluminio, plantas de fabricación de automóviles, estas son cargas enormes, y los planificadores de la red saben cómo pensar en ellas. Así que el instinto es tratar a un centro de datos como a otro gran cliente. Creo que ese instinto es incorrecto, y las diferencias son lo que crea el nuevo riesgo.

Tres cosas destacan para mí. Primero es la concentración y la velocidad. Una carga industrial tradicional usualmente crece junto con la red en esa región durante décadas. Estos centros quieren aterrizar grandes, todos a la vez, en lugares cuyas redes locales nunca se planificaron alrededor de ellos. Segundo es el perfil de carga. Muchos de estos no son cargas suaves, pueden subir y bajar rápidamente de maneras que estresan el equipo de manera diferente a una fábrica que ejecuta un proceso estable. Tercero, y esto es lo que más preocupa a los planificadores, es la acumulación especulativa, que sé que es realmente tu próxima pregunta.

El riesgo que crea es que las empresas están siendo solicitadas a planificar alrededor de una demanda que se comporta de manera diferente a cualquier cosa en sus modelos históricos, y a comprometer capital y infraestructura en la línea de tiempo de la industria de la inteligencia artificial en lugar de la de la red. Cuando tus suposiciones de planificación se basan en cien años de una clase de carga y la nueva carga rompe esas suposiciones, la planificación de la confiabilidad se vuelve genuinamente más difícil. Eso no es una razón para decir no. Es una razón para planificar de manera diferente.

Las empresas están recibiendo solicitudes de energía ambiciosas de los desarrolladores de centros de datos, pero no todos los centros de datos propuestos necesariamente se completarán. ¿Cómo pueden las empresas distinguir entre la demanda comprometida y las solicitudes especulativas y evitar construir infraestructura costosa para proyectos que llegan tarde o nunca se materializan?

Esta es una de las preguntas operativas más importantes en este espacio en este momento, y me alegra que me hayas hecho la pregunta directamente, porque no recibe suficiente atención junto a los temas más llamativos.

Un desarrollador puede presentar solicitudes de interconexión para el mismo proyecto en varios territorios al mismo tiempo, buscando quién puede entregar energía más rápido. Algunos de esos proyectos están financiados y son reales. Algunos son opciones, marcadores de posición y una forma de mantener un lugar en la cola. Algunos de esos se llaman “cargas fantasma” que pueden nunca hacerse realidad. Si una empresa trata cada solicitud como real y comienza a construir generación y transmisión para todos, se arriesga a quedar con costos enormes, infraestructura construida para un centro de datos que llega años tarde o nunca llega. Y adivina quién termina pagando por los activos varados, los contribuyentes existentes. Por otro lado, si las empresas construyen menos, entonces se arriesgan a no poder satisfacer las demandas de la carga entrante, lo que puede llevar a problemas de confiabilidad en la red.

La forma de hacerlo es hacer que la especulación sea costosa y el compromiso sea barato. Eso significa tener piel financiera real antes de que una empresa comprometa capital, depósitos significativos, compromisos escalonados vinculados a hitos de construcción, términos contractuales que ponen el riesgo en la parte que hace la solicitud en lugar de en la base de contribuyentes. Algunas jurisdicciones están empezando a moverse en esta dirección. El principio al que siempre regreso es simple: la entidad que solicita la energía debe asumir el riesgo de que la energía no sea necesaria. Ahora, demasiado a menudo, ese riesgo termina calladamente en todos los demás.

¿Quién debería pagar finalmente por la generación, transmisión y mejoras de subestaciones necesarias para los centros de datos de inteligencia artificial? ¿Qué estructuras de tarifa o salvaguardas contractuales podrían evitar que los hogares y las empresas existentes subsidien la infraestructura construida principalmente para empresas de tecnología de hipercala?

Esta es la pregunta que definirá la política de la próxima década de la red, y no creo que tenga una respuesta puramente técnica. Creo que se trata de justicia. Mi opinión honesta es que el costo debería estar, en la medida de lo posible, con la carga que lo causa. Si la instalación de un hipercalificador requiere una nueva subestación y una mejora de transmisión, la instalación debería pagar lo que desencadena, no el jubilado de la calle cuya factura sube silenciosamente para cubrirlo. Eso suena obvio, pero la forma en que han funcionado históricamente las estructuras de tarifa es que la infraestructura grande se socializa a lo largo de la base de clientes, lo que tenía sentido cuando la nueva carga era una fábrica que empleaba a la ciudad. Tiene mucho menos sentido cuando el beneficiario es una de las empresas más valiosas del mundo.

Las herramientas existen. Tarifas de gran carga diseñadas específicamente para este tipo de cliente. Contratos de toma mínima para que un centro de datos no pueda obtener infraestructura construida y luego irse. Compromisos a largo plazo que coinciden con la vida de los activos que se están construyendo. Lo que importa es que los reguladores y las empresas realmente los utilicen, y los utilicen antes de construir, no después. Porque una vez que el concreto se vierte y el costo está en la base de tarifa, es muy difícil recuperarlo. Escribo sobre esto en el libro porque creo que es uno de los lugares donde obtener las incentivaciones ligeramente mal podría erosionar silenciosamente la confianza pública en las empresas y la industria de la inteligencia artificial.

¿Pueden los centros de datos de inteligencia artificial convertirse en activos de red flexibles en lugar de fuentes inflexibles de demanda a través del cambio de carga de trabajo, la respuesta a la demanda, las baterías, el almacenamiento térmico, la generación en el lugar o la respuesta a la carga?

Sí, y creo que esta es una de las ideas más esperanzadoras en este tema, así que quiero ser cuidadoso al no exagerar, porque la flexibilidad es real pero no es ilimitada. Comencemos con la distinción que importa: no todos los cálculos de inteligencia artificial son iguales. Hay inferencia, que es el cálculo después de que estos grandes modelos se entrenan (los modelos en vivo), y estás haciendo una pregunta a un modelo y necesitas una respuesta ahora. Eso es sensible a la latencia y es difícil de mover. Y luego está el entrenamiento, las cargas de trabajo de estilo por lotes masivas que construyen los modelos. El entrenamiento es mucho más flexible. No necesariamente se preocupa por si se ejecuta a las 2 pm o a las 2 am, o en este estado o en ese, siempre y cuando se complete. Esa flexibilidad es la oportunidad. Si una gran parte de la carga de un centro de datos es la clase que puede cambiar en el tiempo, entonces puede inclinarse hacia las horas en que la red tiene energía limpia en exceso y retroceder cuando el sistema está estresado.

Ahora, agregue baterías, almacenamiento térmico y generación en el lugar, y una instalación que parece una carga rígida puede empezar a comportarse como un recurso que realmente ayuda a equilibrar la red, absorbiendo el exceso de energía solar en medio del día, montando picos con energía almacenada. La advertencia honesta es que esto requiere que el operador realmente quiera cooperar, y requiere estructuras de tarifa que los recompensen por ello. La tecnología es la parte fácil, pero el diseño de incentivos es la parte difícil. Pero un mundo en el que los centros de datos son socios flexibles de la red en lugar de adversarios de ella es genuinamente posible, y es mucho mejor que la alternativa.

¿Qué combinación de fuentes de energía puede satisfacer realistamente las necesidades de electricidad de la inteligencia artificial en la próxima década? ¿Cómo ven las energías renovables y el almacenamiento, el gas natural, la energía nuclear convencional, los reactores modulares pequeños y la energía geotérmica en esa mezcla?

Creo que las energías renovables y el almacenamiento son la cosa más rápida que realmente podemos desplegar; la energía solar más baterías se puede construir en plazos que parecen casi razonables en comparación con todo lo demás. Pero las energías renovables son variables, y estas cargas funcionan las 24 horas del día, lo que es por qué el almacenamiento está haciendo mucho del trabajo pesado en esa oración. El gas natural va a ser parte del puente, ya sea que a la gente le guste o no, simplemente porque es despachable y está aquí. La energía nuclear es fascinante en este momento, estamos viendo plantas que estaban destinadas a la jubilación que obtienen una segunda vida específicamente porque un centro de datos firmará un contrato a largo plazo por su producción, lo que casi nadie predijo. Los reactores modulares pequeños y la energía geotérmica son las jugadas a largo plazo genuinamente emocionantes, pero trato de ser disciplinado con los plazos, son una parte significativa de la historia por la segunda mitad de la década y más allá, no la cosa que nos salva en 2027.

Así que la mezcla realista es una capa: las energías renovables y el almacenamiento llevan el crecimiento, el gas cubre la brecha de firmeza, la energía nuclear existente se extiende y se valora de nuevo, y las fuentes de energía de próxima generación llegan en línea a medida que maduran. El error es la pureza ideológica en cualquier dirección, ya que la red no se preocupa por nuestras preferencias. Se preocupa por kilovatios-hora entregados de manera confiable y a tiempo.

Una de las ideas centrales en tu libro es que la misma industria de la inteligencia artificial que está presionando la red también puede proporcionar las herramientas necesarias para modernizarla. ¿Dónde puede la inteligencia artificial crear las mayores ganancias a corto plazo: previsión de carga, mantenimiento predictivo, optimización de transmisión, gestión de vegetación, restauración de apagones, gemelos digitales o controles de red autónomos?

Esta es el corazón del libro, y honestamente la parte que encuentro más esperanzadora, la misma industria que está estresando la red nos está dando las mejores herramientas que hemos tenido para arreglarla. Si estoy clasificando por dónde está el pago real hoy en lugar de en una diapositiva, lo pondría aquí.

Mantenimiento predictivo, monitoreo y inspección continuos primero, porque eso es donde Buzz ha pasado años, y he visto que funciona. Usando visión por computadora y inteligencia artificial visual para encontrar los componentes defectuosos antes de que fallen, el aislador agrietado, el transformador sobrecalentado, los ganchos oxidados, eso no es especulativo, eso está desplegado y ahorrando dinero y previniendo apagones reales ahora. Right junto a eso, pondría la previsión de carga y la respuesta a la demanda, porque todo el problema del centro de datos se vuelve más manejable si realmente puedes predecir la demanda con más precisión en lugar de planificar a ciegas. Luego, la optimización de transmisión, exprimiendo más capacidad de los cables que ya tenemos, lo que importa enormemente dado lo lento que es construir nuevos. La gestión de vegetación y la restauración de apagones están cerca, ya que ambas son áreas donde la inteligencia artificial toma algo lento y manual y lo hace rápido y eficiente, pero al mismo tiempo proporciona suficientes conocimientos y conciencia situacional para proporcionar resiliencia a la red para prevenir incidentes como incendios forestales, daños por tormentas y apagones.

Los gemelos digitales y los controles de red completamente autónomos son el horizonte más lejano, están llegando, y son poderosos, pero llevan las preguntas de confianza y seguridad que sospecho es tu próxima pregunta. Así que a corto plazo, mi clasificación honesta comienza con las cosas poco glamorosas: ver la red mejor, predecir su comportamiento mejor y obtener más de lo que ya está en el suelo haciendo que el sistema de red sea más consciente. Eso es donde la inteligencia artificial se paga a sí misma primero.

Nuestra entrevista anterior discutió la dependencia de Buzz Solutions de datos reales de empresas y la revisión por humanos en el bucle. A medida que los sistemas de energía se vuelven más autónomos, ¿qué decisiones podrían delegarse de manera segura a la inteligencia artificial, y dónde debe permanecer el juicio humano como obligatorio? ¿Cómo deben prepararse las empresas para las decisiones opacas de los modelos, los ciberataques o los fallos que podrían propagarse a través de infraestructuras críticas?

Cuando nos reunimos por última vez, describí nuestro enfoque como humano en el bucle, expertos en la materia que dan retroalimentación a los modelos de inteligencia artificial en cualquier cosa por debajo de un umbral de confianza o predicciones malas, y quiero empezar allí porque mi punto de vista sobre esto no se ha suavizado, se ha endurecido.

La inteligencia artificial es extraordinaria en las tareas de percepción y recomendaciones, mira toda esta data, encuentra la anomalía, marca el riesgo, clasifica lo que necesita atención. Delegar eso no solo es seguro, sino también mejor que lo que los humanos pueden hacer solos a esa escala. Donde me vuelvo mucho más cauteloso es en la acción consecuente en infraestructuras críticas y proyectos de misión crítica, las decisiones en las que estar equivocado hace que se vaya la luz en un hospital o se propague a lo largo de una región. Esas necesitan un humano (experto en la materia) responsable, no porque el modelo sea necesariamente peor en el caso promedio, sino porque la infraestructura crítica es exactamente el lugar donde el caso catastrófico raro es el juego completo.

Así que, en mi opinión, la preparación es triple. Primero, mantener a los humanos significativamente en el bucle en decisiones consecuentes, no como un sello de goma, sino con autoridad real para anular. Segundo, insistir en la explicabilidad para cualquier cosa que toque operaciones críticas, si no puedes entender por qué el modelo hizo lo que hizo, no puedes ser responsable de ello, y “la inteligencia artificial decidió” no es una respuesta aceptable cuando se van las luces. Tercero, y esta es la que creo que la industria está peligrosamente atrasada, tratar estos sistemas autónomos como una superficie de ataque expandida desde el día uno. Cuanto más permitimos que el software ejecute la red, más la red hereda las vulnerabilidades del software. Un ciberataque en un sistema de control autónomo no es una violación de datos, es un evento físico. Tenemos que diseñar para esa realidad antes de que nos volvamos completamente autónomos, no después. La noticia positiva es que las empresas ahora están tomando la seguridad de los datos, la seguridad de la información y el gobierno de la inteligencia artificial muy en serio y también han comenzado a establecer consejos de gobernanza de inteligencia artificial y datos dentro de sus organizaciones. En Buzz, hemos publicado libros de juego de ciberseguridad y gobernanza de inteligencia artificial para que la industria aprenda más sobre los despliegues exitosos de sistemas de inteligencia artificial de manera segura y a gran escala.

Mirando hacia adelante cinco años, ¿qué separará a los países y regiones capaces de respaldar la expansión continua de la inteligencia artificial de aquellos limitados por la disponibilidad de electricidad? ¿Cómo sería una estrategia exitosa para alinear el desarrollo de la inteligencia artificial con la modernización de la red para 2031?

Creo que dentro de cinco años miraremos hacia atrás y nos daremos cuenta de que la restricción en la inteligencia artificial nunca fue los chips o el talento. Esas cosas se mueven fácilmente alrededor del globo. La cosa que no se podía mover, la cosa que realmente decidió quién ganó, fue la energía y la infraestructura. La electricidad se convierte en el recurso estratégico de la era de la inteligencia artificial de la manera en que el petróleo lo fue para el siglo pasado, y no creo que eso sea una exageración; creo que simplemente se está volviendo visible.

Así que las regiones que se adelanten serán aquellas que trataron la capacidad de la red como un activo competitivo y comenzaron a construir y reformar temprano, los lugares que agilizaron la interconexión, que modernizaron los permisos sin vaciar las salvaguardias que importan, que invirtieron en transmisión antes de que la demanda llegara completamente en lugar de apresurarse después. Las que se queden atrás no carecerán de ambición o capital. Tendrán los anuncios de centros de datos y los dólares de inversión, y simplemente no podrán entregar los electrones, y los proyectos irán silenciosamente a algún lugar que pueda.

Una estrategia exitosa para 2031 parece que los dos relojes (referenciados en el libro) que siempre menciono finalmente están trabajando juntos en lugar de uno contra el otro. Significa alinear la velocidad de la ambición de la inteligencia artificial con la realidad de los plazos de infraestructura de energía, utilizando la inteligencia artificial para obtener más de la red que tenemos, mientras construimos la red que necesitamos, obteniendo la asignación de costos correcta para que el sentimiento público sobre la asequibilidad de la energía no se vuelva extremadamente negativo, y tomando el problema de la fuerza laboral en serio para realmente capacitar a la próxima generación de personas que construyen y operan este sistema. Ninguno de esos es un problema de tecnología; tenemos la tecnología. Es un problema de coordinación y voluntad. En mi opinión, la buena noticia es que esos son los problemas que sabemos cómo resolver; solo requeriría que la industria de la tecnología, la industria de la energía y los formuladores de políticas y reguladores se sienten juntos y tengan la conversación relevante. Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Buzz Solutions o leer su libro: Powering Intelligence: Por qué el futuro de la inteligencia artificial depende de la red de energía.