Vikhyat Chaudhry, CTO, COO ja Buzz Solutionsin perustaja – haastattelusarja

Vikhyat Chaudhry on CTO, COO ja yksi perustajista Buzz-ratkaisut ja entinen tietotieteilijä Ciscossa, koneoppimis-/sulautettujen järjestelmien insinööri Altitudessa ja Stanfordista valmistunut.

Buzz Solutions toimittaa tarkkoja tekoäly- ja ennakoivia analytiikkaohjelmistoja tehokkaampien visuaalisten tarkastusten tehostamiseksi siirto-, jakelu- ja sähköasemainfrastruktuurissa.

Voitko jakaa matkasi ja urasi kohokohdat, jotka johtivat sinut Co-Found Buzz Solutionsiin?

Kasvoin New Delhissä Intiassa luontaisena uteliaisuuteni innovaatioita ja suunnittelua kohtaan, ja kävin Delhi College of Engineeringissä, jossa opiskelin rakennus- ja ympäristötekniikkaa. Muistan erityisesti hetken viimeisen vuoden aikana, kun rakensin dronin tyhjästä ja lensin sillä kaupungissa. Tehtävänä oli seurata ilmansaasteita New Delhissä ja tämän kokeen avulla havaitsin, että laatu oli yli 500 AQI, mikä vastaa 60 savukkeen polttamista päivässä. Huono ilmanlaatu voi johtua suoraan sähköistyksen puutteesta, ajoneuvojen päästöjen lisääntymisestä ja hiilivoimaloiden lisääntyneestä määrästä vuosien mittaan. Tämä kokemus vahvisti kiinnostukseni käyttää teknologiaa energiaan ja tehoon liittyvien todellisten ongelmien ratkaisemiseksi.

Ennen Buzzin perustamista teknologiataustani johti minut Cisco Systemsin koneäly- ja tietotiederyhmien johtajaksi muutaman vuoden ajan. Tämä kokemus oli korvaamaton ja lisäsi altistumistani erilaisiin tekoäly- ja koneoppimisprojekteihin varhaisessa vaiheessa.

Sain rakennus- ja ympäristötekniikan maisterintutkintoni Stanfordin yliopistosta vuonna 2016. Tänä aikana opiskelin energiatekniikan erikoiskursseja ja kehitin kiinnostustani, joka alkoi ulkomailta. Tapasin perustajakumppanini Kaitlynin luokassa, jossa yhdistimme intohimomme ympäristöön, energiaan ja yrittäjyyteen. Törmäsimme suureen tarpeeseen kunnallisteollisuudessa ja olemme työstäneet ratkaisuja siihen vastaamiseksi siitä lähtien.

Mitä avainkehitystä olet havainnut urasi aikana siirtymisessä perinteisestä tekoälystä generatiiviseen tekoälyyn, ja mitä merkittäviä vaikutuksia tällä siirtymällä on ollut eri toimialoille?

 Vuonna 2022 aloimme kokeilla generatiivista tekoälyä. GenAI hyödyllisyyssektorilla on mielenkiintoinen käyttötapaus, koska käsittelemämme data sisältää monia erilaisia ​​muuttujia. On olemassa tekijöitä, kuten kameran resoluutio, kuvauskulma ja kohteen etäisyys – ja ne koskevat vain droneja. On myös ympäristöolosuhteita, kuten korroosiota tai kasvillisuuden leviämistä, jotka tuovat mukanaan useita vapausasteita. Tämän monimutkaisuuden vuoksi hyviä harjoitustietoja ruudukkomalleille voi olla vaikea saada.

Tässä GenAI on tullut esiin viime vuosien aikana – kun tekoäly ja koneoppiminen paranevat, niin myös sen luomat koulutussetit kehittyvät.

GenAI:sta on tullut varteenotettava vaihtoehto koulutusmalleille, erityisesti ratkaisevissa "reunatapauksissa", joissa muuttujilla on äärimmäisempiä arvoja, kuten maastopalon tapauksessa. GenAI:n edistyessä todellisen maailman tietoihin perustuvat synteettiset tietojoukot auttavat jatkokoulutusmalleissa käsittelemään monimutkaisia ​​ja ainutlaatuisia dataskenaarioita tehokkaammin, mikä tarjoaa merkittäviä parannuksia ennakoivaan ylläpitoon ja poikkeamien havaitsemiseen, mikä puolestaan ​​vähentää luonnonkatastrofeja. .

Voitko kertoa tarkemmin, miten Buzz Solutionsin tekoälytyökalu käyttää oikeaa dataa poikkeavuuksien havaitsemiseen ja mitä etuja se tarjoaa synteettiseen dataan verrattuna?

Sähköteollisuudessa oikea data tarkoittaa kaikkea, mitä voidaan kaapata kentällä, mukaan lukien yleensä ilmalähteistä, kuten droneista tai helikoptereista, otettuja kuvia tai videoita. Synteettinen data puolestaan ​​on dataa, joka on kerätty kuvan replikointiprosessilla, joka muuttaa manuaalisesti kuvan eri osia yrittääkseen ottaa huomioon eksponentiaalisen määrän skenaarioita ja reunatapauksia. Tällä hetkellä se on hienoa paperilla, mutta ei käytännössä. Alusta alkaen oikeilla tiedoilla opetetut mallit ovat osoittautuneet tarkempiksi, ja etuna on, että todellista dataa käyttämällä tiimit voivat kartoittaa 1:1 "pohjatotuuden" - tarkan esityksen fyysisen maailman skenaarioista, jonka teknikko on todennäköisesti kohdata (kuten taustamelu ja sää). Todelliset tiedot kattavat todelliset mahdollisuudet ja sisältävät vian havaitsemisen arvaamattomat muuttujat.

Vaikka synteettinen data ei yksinään pysty optimoimaan todellisia skenaarioita varten (vielä), sillä on silti tärkeä rooli koulutusmalleissa.

Mitkä ovat suurimmat haasteet, joita kohtaat integroidessasi tekoälyä sähköyhtiöiden vanhoihin järjestelmiin?

Sähköyhtiöiden vanhat järjestelmät eivät usein ole yhteensopivia tekoälyn edistysten kanssa. Kaksi suurta haastetta, joita näemme yritysten kohtaavan, ovat sisäinen muutos ja tiedonhallinta. Siled data ja viestintä voivat olla haitallisia digitaalimuunnospyrkimyksille. Laitteiden jo hallussa olevia tietoja on hallittava ja suojattava tiedon siirtämisen aikana.

Lisäksi apuohjelmat, jotka käyttävät edelleen paikallista tiedontallennustilaa, kohtaavat suurempia haasteita. Ongelmana ei ole siirtyminen paikan päällä tapahtuvasta tietojen tallentamisesta pilviinfrastruktuuriin, vaan pikemminkin sitä seuraava laaja muutos ja jälkijäristys. Tämä prosessi vaatii huomattavia resursseja ja aikaa, mikä vaikeuttaa erilaisten teknologioiden lisäämistä siirtymän päälle. Tehokkaiden tekoälyratkaisujen käyttöönottoa ei suositella ennen kuin tämä prosessi on valmis.

On myös tärkeää, että sisäisesti tapahtuu kulttuurinen muutos teknologian muutoksen mukana. Tämä edellyttää työntekijöiden jatkuvaa oppimista ja sopeutumiskykyä prosessin muutoksiin sekä tekoälyratkaisujen katsomista tehokkaina työkaluina, jotka tekevät heidän päivittäisestä työstään helpompaa ja tehokkaampaa.

Voitko selittää tekoälymallien koulutusprosessia kentällä testatuilla tiedoilla elintärkeistä infrastruktuuripaikoista?

Valtava osa koulutusprosessista on droonien ja helikopterien tuottaman ilmadatan nieleminen. Päätämme käyttää droneja satelliittien kaltaisten menetelmien sijaan, koska ne mahdollistavat joustavuuden ja välittömän tiedonsiirron. Käytämme kolmea erityyppistä algoritmia: kuvaklusterointi, segmentointi ja poikkeamien havaitseminen.

Tekniikkaamme ohjaa Human-in-the-loop -koneoppiminen, jonka avulla tiimimme aiheasiantuntijat voivat antaa mallille suoraa palautetta tietyn luotettavuustason alapuolella olevista ennusteista. Olemme onnekkaita, että tiimeissämme on pk-yritykset – vuosikymmenien kenttäteknikkokokemuksensa ansiosta he antavat palautetta tehdäkseen malleistamme tarkempia, yksilöllisempiä ja kestävämpiä.

Käyttämällä todellista kenttätestattua dataa voimme varmistaa, että poikkeamien havaitseminen on erittäin tarkkaa ja luotettavaa, mikä tarjoaa sähköyhtiöille käyttökelpoisia näkemyksiä.

Miten Buzz Solutionsin tekoälyteknologia auttaa tekemään sähkölinjojen korjauksista turvallisempia?

Voimalinjojen korjaustyöt ovat yksi tappavimmista ammateista Amerikassa, ja ala kokee ikääntyvän työvoiman ja teknikkopulan vaikutukset.

Teknologiamme, PowerAI, avulla hätäapua on tehostettu ja tarkennettu, jotta teknikot voivat arvioida vauriot etänä ja ehtiä kehittää ennalta määrätty toimintatapa – mikä vähentää mahdollisuutta lähettää teknikko tuntemattomaan, mahdollisesti vaaralliseen tilanteeseen. .

PowerAI käyttää tietokonenäköä ja koneoppimista automatisoidakseen suuren osan vianhakuprosessista. Se on tehnyt suurten tietopistemassojen analysoinnista nopeampaa, turvallisempaa ja halvempaa, joten nyt teknikot kohtaavat pienentyneen turhan riskin ja paremman toiminnan tehokkuuden. Tämä toiminnan tehokkuus näkyy pienemmillä kustannuksilla, nopeammilla läpimenoaikoilla ja ennaltaehkäisevällä huollolla.

Mikä rooli droneilla ja muilla edistyneillä teknologioilla on infrastruktuurin tarkastusten modernisoinnissa?

Historiallisesti infrastruktuurin tarkastusprosessi oli täysin manuaalinen ja hyvin arkipäiväinen. Tarkastajat istuivat tietokoneen näytön edessä, sekoittivat tuhansia kuvia ja havaitsivat ongelmat käsin. Tämä prosessi muuttui kestämättömäksi, kun voimalinjoilla oli jatkuvasti ongelmia, jotka johtivat entistä vaarallisempiin tilanteisiin ja korkeampiin sääntelykatsauksiin, mikä lisäsi lyhyemmässä ajassa tarkistettavan tiedon määrää.

Tekoälypohjainen tekniikka virtaviivaistaa merkittävästi tietojen analysointiprosessia, mikä vähentää siihen liittyvää aikaa ja kustannuksia. Näin sähköyhtiöt voivat ottaa käyttöön korjausryhmiä nopeammin ja tehokkaammin. Ongelmien havaitseminen on myös paljon tarkempaa, mikä varmistaa, että korjaukset ovat oikea-aikaisia ​​ja ehkäisee lisääntyviä vaaroja.

Kuvien ottamisen analysointia varten drone-tarkastukset ovat turvallisempia ja kustannustehokkaampia kuin muut infrastruktuurin menetelmät, kuten helikopterit, satelliitit ja kiinteäsiipiset lentokoneet. Niiden siirrettävyyden ansiosta he voivat liikkua niin, että he voivat päästä lähelle ja kaapata tarkempia tietoja.

Kuinka Buzz Solutionsin tekoälyllä toimiva alusta auttaa sähköyhtiöitä ennakoivassa kunnossapidossa ja kustannussäästöissä?

Ratkaisumme poistaa suurimman osan manuaalisesta analyysityöstä verkon tarkastuksesta. PowerAI voi nopeasti tunnistaa vaaralliset tilanteet mahdollisten katastrofien ehkäisemiseksi ja tarjota kriittistä tietoa seuranta- ja turvallisuustarkoituksiin. Tekoälyalgoritmit on koulutettu tunnistamaan poikkeamat, kuten äärimmäiset lämpötilat, luvaton ajoneuvon käyttö/henkilöstö, lämpökuvaus ja paljon muuta.

Ennaltaehkäisevän seurannan lisäksi PowerAI voi myös tarjota poikkeamien porrastettua priorisointia optimoidun kunnossapidon suunnittelua varten. Kaikki nämä asiat minimoivat fyysisten tarkastusten tarpeen, mikä vähentää käyttökustannuksia ja manuaalisiin tarkastuksiin liittyviä turvallisuusriskejä. Tekoälyllä toimiva alusta tarjoaa myös tarkemman ja tarkemman havaitsemisen, mikä parantaa huoltopäätöksiä.

Voitko keskustella tekoälyn käyttöönoton vaikutuksista sähköyhtiöiden toiminnan tehokkuuteen?

Tekoälymallin käyttöönoton jälkeen sähköyhtiö jatkaa mallin etujen hyödyntämistä loputtoman ajan. Tekoälymallin elinkaari alkaa asennuksesta. Tekoäly voi kerätä käyttökelpoisia oivalluksia tuhansista kuvista, jotka on otettu satojen kilometrien päässä infrastruktuurista. Ottaen huomioon, että saimme ensimmäisen tietojoukkomme apuohjelmasta nauhalle, tämä on poikkeuksellista ja siitä tulee vain älykkäämpää. Tekoäly tekee huoltoongelmien varhaisen havaitsemisen paljon mahdollisemman, mikä estää pienten vaaratilanteiden kärjistymisen suurempiin turvallisuusriskeihin, kuten metsäpaloihin ja vakaviin vammoihin. Se vähentää ihmisten suorittamien tarkastusten tarvetta, mikä tekee apuohjelmasta kustannustehokkaamman.

Artikkelissasi "Tekoälyn käyttöönotto on vain alkua sähköyhtiöille" käsittelet tekoälyn käyttöönoton alkuvaiheita. Mitkä ovat kriittisimmät tekijät tekoälymatkansa aloittaville laitoksille?

Apuohjelmilla on valtava mahdollisuus käyttää tekoälyä, ja monia ratkaisuja on harkittava. Ennen kuin aloitat, on tärkeää tunnistaa tavoitteesi ja luoda vakaa perusta – mitä haasteita kohtaat tällä hetkellä, joihin haluaisit tekoälyn auttavan? Onko tiimilläsi teknistä asiantuntemusta ja aikaa tehdä näin monimutkainen remontti? Miten se vaikuttaa asiakkaisiisi?

Sisäisen yhdenmukaistamisen lisäksi valmistaudutaan saamaan enemmän tietoa kuin apuohjelmalla on aiemmin, mikä todennäköisesti johtaa enemmän ylläpitoon ongelmien ilmetessä. Apuohjelmalla tulee olla suunnitelma näiden pyyntöjen täyttämiseksi ja varmistaa, että heillä on asianmukaiset resurssit ennen tekoälymatkan aloittamista. Apuyritysten on myös työskenneltävä ratkaisuntarjoajien kanssa oikean tiedonsaannin, yksityisyyden ja suojauksen toteuttamiseksi ottaessaan tekoälyratkaisuja käyttöön. Tekoälyn tuottamat oivallukset tulisi vihdoin syöttää olemassa oleviin apuohjelmien työnkulkuihin, jotta niistä tulee käyttökelpoisia ja ne voivat täyttää organisaation liiketoiminta- ja toiminnalliset tavoitteet.

Kiitos upeasta haastattelusta, lukijoiden, jotka haluavat tietää lisää, kannattaa käydä Buzz-ratkaisut.