Vikhyat Chaudhry, Buzz Solutionsin CTO, COO ja co-perustaja – Haastattelusarja

Vikhyat Chaudhry on Buzz Solutionsin CTO, COO ja co-perustaja ja entinen data scientist Ciscossa, koneoppimisen ja upottuvien järjestelmien insinööri Altitudessa ja Stanfordin yliopiston valmistunut.

Buzz Solutions tarjoaa tarkkaa tekoälyä ja ennustavaa analytiikkaa ohjelmistona, joka mahdollistaa tehokkaammat visuaaliset tarkastukset siirtolinjojen, jakelun ja alueverkkojen infrastruktuurille.

Voitko kertoa matkastasi ja uran merkittävistä tapahtumista, jotka johtivat Buzz Solutionsin perustamiseen?

Jäänyin New Delhin, Intiaan, luontaisen uteliaisuuden ja innovaatioiden kanssa ja kävin Delhi College of Engineering -yliopistossa, jossa opiskelin siviili- ja ympäristötekniikkaa. Muistan erityisesti yhden hetken viimeisenä vuotena, jolloin rakensin dronen itse ja lensin sen kaupungissa. Tehtävänä oli seurata ilmanlaatua New Delhissä, ja kokeen kautta havaitsin, että laatu oli yli 500 AQI, mikä vastaa 60 savukkeen polttamista päivässä. Huono ilmanlaatu johtui suoraan sähköistämisen puutteesta, kasvavista ajoneuvoliikenteen päästöistä ja lisääntyneistä hiilivoimaloista vuosien varrella. Tämä kokemus vahvisti kiinnostukseni teknologian käyttämiseen todellisten ongelmien ratkaisemiseen, jotka liittyvät energiaan ja voimalaitoksiin.

Ennen Buzzin perustamista, teknologinen taustani johti minut roolini johtamaan koneoppimisen ja data-analytiikka -tiimien johtajana Cisco Systemsissä muutamaksi vuodeksi. Tämä kokemus oli arvokasta ja antoi minulle varhaisen altistuksen moniin erilaisiin tekoäly- ja koneoppimishankkeisiin.

Sain maisterin tutkinnon siviili- ja ympäristötekniikasta Stanfordin yliopistosta vuonna 2016. Tuona aikana otin luokkia, jotka keskittyivät energiatekniikkaan, ja vahvistin kiinnostukseni, joka oli alkanut ulkomailla. Tapasin co-perustajani Kaitlynin luokassa, jossa yhdistimme intohimomme ympäristöä, energiaa ja yrittäjyyttä kohtaan. Löysimme suuren tarpeen sähköyhtiöissä ja olemme työskennelleet ratkaisujen kehittämiseksi siitä lähtien.

Mitä avainkehityksiä olet havainnut perinteisen tekoälyn ja generatiivisen tekoälyn kehityksessä urallasi, ja mitkä ovat olleet näiden siirtymien merkittävimmät vaikutukset eri aloilla?

 Vuonna 2022 aloimme kokeilemaan generatiivista tekoälyä. GenAI on sähköyhtiöiden kannalta mielenkiintoinen sovellus, koska työskentelemme monien eri muuttujien kanssa. On tekijöitä kuten kameran resoluutio, kuvauskulma ja etäisyys – ja nämä ovat vain droneja varten. On myös ympäristöolosuhteita, kuten korroosiota tai kasvillisuuden aiheuttamaa häiriötä, jotka tuovat monia vapausasteita. Tämän monimutkaisuuden vuoksi hyvät koulutusdatat verkkomalleille ovat vaikeasti saatavilla.

Sitä paikkaa generatiivinen tekoäly on tullut viime vuosina – kun tekoäly ja koneoppiminen paranevat, myös koulutusjoukot paranevat.

GenAI on muodostunut käyttökelpoiseksi vaihtoehdoksi mallien kouluttamiseen, erityisesti silloin, kun on kyse äärimmäisistä tapauksista, kuten tulipalossa. Kun GenAI sähköyhtiöiden parissa edistyy, syntetisiä tietoja, jotka perustuvat todellisiin tietoihin, voidaan käyttää edelleen kouluttamaan malleja monimutkaisiin ja yksilöllisiin tilanteisiin, tarjoten merkittäviä parannuksia ennakoivaan huoltoon ja poikkeamien havaitsemiseen, mikä puolestaan vähentää luonnonkatastrofien riskiä.

Voitko selittää, miten Buzz Solutionsin tekoälytyökalu käyttää todellisia tietoja poikkeamien havaitsemiseen ja mitkä ovat sen edut verrattuna syntetisiin tietoihin?

Sähköyhtiöiden alalla todelliset tiedot tarkoittavat mitä tahansa, mitä voidaan kerätä kenttätyönä, yleensä kuvia tai videoita, jotka on otettu ilmasta dronien tai helikopterien avulla. Syntetisiä tietoja taas kerätään prosessin kautta, jossa kuvan eri osia muutetaan manuaalisesti yrittääksesi ottaa huomioon eksponentiaalisen määrän skenaarioita ja äärimmäisiä tapauksia. Tällä hetkellä se on hyvä teoriassa, mutta ei käytännössä. Malleja, jotka on koulutettu todellisilla tiedoilla alusta alkaen, on osoitettu olevan tarkempia, ja etu on, että todellisten tietojen avulla tiimit voivat kartoittaa 1:1 “maan totuuden” mukaisesti – tarkkaa edustusta fyysisistä maailman skenaarioista, joita teknikon on todennäköisesti kohtaamassa (kuten taustahälyä ja säätä). Todelliset tiedot ottaa huomioon todelliset mahdollisuudet, ja ne sisältävät ennalta arvaamattomat muuttujat vikojen havaitsemisessa.

Syntetisiä tietoja voidaan käyttää kouluttamaan malleja, mutta se ei vielä pysty optimoimaan todellisia skenaarioita.

Mitä ovat suurimmat haasteet, joita kohtaat, kun yhdistät tekoälyä perinteisiin järjestelmiin sähköyhtiöissä?

Perinteiset järjestelmät sähköyhtiöissä ovat usein yhteensopimattomia tekoälyn edistymisen kanssa. Kaksi suurinta haastetta, joita yritykset kohtaavat, ovat sisäinen muutos ja datan hallinta. Siloitetut tiedot ja viestintä voivat olla haitallisia digitaalisten muutoshankkeiden onnistumiselle. Sähköyhtiöiden jo omistamia tietoja on hallittava ja turvattava, kun tietoja siirretään.

Lisäksi sähköyhtiöt, jotka edelleen käyttävät paikallista tietojen tallennusta, kohtaavat suurempia haasteita. Siirtyminen paikallisesta tietojen tallennuksesta pilvi-infrastruktuuriin ei ole ongelma, vaan kyse on laajasta muutoksesta ja sen jälkeisistä vaikutuksista. Tämä prosessi vaatii merkittäviä resursseja ja aikaa, mikä tekee vaikeaksi lisätä erilaisia teknologioita siirtymisen aikana. Tehokkaiden tekoälyratkaisujen käyttöönotto ei ole suositeltavaa, ennen kuin tämä prosessi on valmis.

On myös tärkeää, että sisäisesti on kulttuurinen muutos yhdessä teknologisen muutoksen kanssa. Tämä edellyttää, että työntekijät ovat valmiit jatkuvaan oppimiseen ja sopeutumiseen prosessien muutoksiin ja katsomaan tekoälyratkaisuja tehokkaina työkaluina, jotka tekevät heidän päivittäisistä tehtävistään helpompia ja tehokkaampia.

Voitko selittää prosessin, jossa koulutetaan tekoälymalleja kenttätestatulla dataa käyttäen tärkeiden infrastruktuurien sivustoilla?

Suuri osa koulutusprosessista on liittynyt ilmakuvaustietojen käyttämiseen, jotka on kerätty dronien ja helikopterien avulla. Valitsimme dronien käytön satelliittien sijaan, koska ne tarjoavat joustavuutta ja välittömistä tietoja. Käytämme kolmea eri algoritmityyppiä: kuvaryhmittelyä, segmentointia ja poikkeamien havaitsemista.

Teknologiamme perustuu ihmisten osallistumiseen koneoppimiseen – mikä mahdollistaa asiantuntijoiden antaa suoraan palautetta mallille, kun sen luottamus on tietyn tason alapuolella. Olemme onnekkaita, että meillä on SME:t (asiantuntijat) tiimissämme, joilla on vuosikymmenten kokemus kenttätyöntekijöinä, ja he antavat palautetta, jotta mallimme ovat tarkempia, henkilökohtaisempia ja kestävämpiä.

Käyttämällä todellista kenttätestattua dataa voimme varmistaa, että poikkeamien havaitseminen on erittäin tarkkaa ja luotettavaa, ja sähköyhtiöt saavat toimintavarmat näkymät.

Miten Buzz Solutionsin tekoälyteknologia vaikuttaa sähkölinjojen korjausten turvallisuuteen?

Sähkölinjojen korjaustyö on yksi vaarallisimmista ammateista Amerikassa, ja ala kokee vanhenevan työvoiman ja tekniikkojen puutteen vaikutuksia.

Meidän teknologiamme, PowerAI, tekee hätätilannevastauksesta tehokkaamman ja tarkemman, jotta teknikonit voivat arvioida vahinkoa etäältä ja kehittää ennalta määrättyä toimintasuunnitelmaa – mikä vähentää riskiä lähettää teknikko tuntemattomaan, mahdollisesti vaaralliseen tilanteeseen.

PowerAI käyttää tietokoneen näköa ja koneoppimista automatisoimaan suuren osan vikojen havaitsemisprosessia. Se on tehnyt massatiivistojen tietojen analyysin nopeammaksi, turvallisemmaksi ja halvemmaksi, joten teknikonit kohtaavat vähemmän tarpeetonta riskiä ja suurempaa operatiivista tehokkuutta. Tämä operatiivinen tehokkuus ilmenee pienempinä kustannuksina, nopeampina käännösaikoina ja ennaltaehkäisevänä huoltona.

Mikä on dronien ja muiden edistyneiden teknologioiden rooli infrastruktuurin tarkastusten modernisoinnissa?

Historiallisesti infrastruktuurin tarkastusprosessi oli täysin manuaalinen ja hyvin monotoninen. Tarkastajat istuivat tietokoneen ruudun ääressä, selasivat tuhansia kuvia ja tunnistivat ongelmat käsin. Tämä prosessi muodostui kestämättömäksi, kun voimajohtimet jatkoivat ongelmien aiheuttamista ja turvallisuuden valvontaa lisääntyessä, mikä edellytti enemmän tietoja lyhyemmässä ajassa.

Tekoälypohjaiset teknologiat merkitsevät prosessin nopeutumista ja kustannusten laskua. Tämä mahdollistaa sähköyhtiöiden lähettää korjausryhmiä nopeammin ja tehokkaammin. Onkelman havaitseminen on myös tarkempaa, mikä takaa, että korjaukset ovat ajankohtaisia ja estävät vaarallisia tilanteita.

Kuvien analysointiin dronien tarkastukset ovat turvallisempia ja kustannustehokkaampia kuin muut menetelmät, kuten helikopterit, satelliitit ja kiinteäsiipiset lentokoneet. Niiden liikkuva luonne mahdollistaa lähemmän ja tarkemman tiedon keräämisen.

Miten Buzz Solutionsin tekoälypohjainen alusta auttaa sähköyhtiöitä ennaltaehkäisevässä huollossa ja kustannussäästöissä?

Ratkaisumme poistaa suurimman osan manuaalisesta analyysityöstä verkkotarkastuksista. PowerAI voi nopeasti tunnistaa vaaralliset tilanteet estääkseen mahdollisia katastrofeja ja tarjota kriittisiä tietoja valvontaa ja turvallisuutta varten. Tekoälyalgoritmit on koulutettu tunnistamaan poikkeamia, kuten äärimmäisiä lämpötiloja, luvattomia ajoneuvoliikenteen pääsyjä/henkilöstöä, termoimagingia jne.

Lisäksi ennaltaehkäisevän seurannan osalta PowerAI voi tarjota priorisoitua poikkeamien luokittelua optimaaliseen huoltosuunnitteluun. Kaikki nämä asiat vähentävät fyysisten tarkastusten tarvetta, mikä laskisi operatiivisia kustannuksia ja turvallisuusriskiä, jotka liittyvät manuaalisiin tarkastuksiin. Tekoälypohjainen alusta tarjoaa myös tarkempaa ja luotettavampaa havaitsemista, parantaen huoltopäätöksiä.

Voitko keskustella siitä, miten tekoälyn omaksuminen vaikuttaa sähköyhtiöiden operatiiviseen tehokkuuteen?

Alkuvaiheen jälkeen, kun tekoälymalli on otettu käyttöön, sähköyhtiö jatkaa sen hyödyntämistä rajattoman ajan. Tekoälymallin elinkaari alkaa asennuksesta. Tekoäly voi kerätä toimintavarmat näkymät tuhansista kuvista, jotka on otettu satojen mailien mittaiselta infrastruktuurilta. Ottaen huomioon, että saimme ensimmäisen tietojoukkoomme sähköyhtiöltä nauhalla, tämä on poikkeuksellista, ja se paranee jatkuvasti. Tekoäly tekee varhaisen vikojen havaitsemisen paljon helpommaksi, mikä estää pienet ongelmat eskaloitumasta suuremmiksi turvallisuusriskeiksi, kuten tulipaloiksi ja vakaviksi loukkaantumisiksi. Se vähentää myös tarvetta ihmisten tarkastuksiin, mikä tekee sähköyhtiöstä kustannustehokkaamman.

Artikkelissasi “Tekoälyn omaksuminen on vain alkua sähköyhtiöille” keskustelit tekoälyn omaksumisen alkuvaiheista. Mitkä ovat tärkeimmät huomioon otettavat seikat sähköyhtiöille, jotka aloittavat tekoälymatkansa?

On suuri mahdollisuus sähköyhtiöille hyödyntää tekoälyä, ja on paljon ratkaisuja, joita voidaan tarkastella. Ennen kuin ryhdytään toimiin, on tärkeää tunnistaa omat tavoitteet ja luoda vakaat perustukset – mitkä haasteet kohtaatte tällä hetkellä, joita tekoäly voisi auttaa ratkaisemaan? Onko tiimillänne tarvittavaa teknistä osaamista ja aikaa ottaa vastaan tämän monimutkaisen uudelleenjärjestelyn? Miten se vaikuttaa asiakkaisiinne?

Lisäksi sisäisestä suuntautumisesta on valmistautuminen saamaan enemmän dataa kuin sähköyhtiöllä on aiemmin ollut, mikä johtaa todennäköisesti enemmän huoltoon. Sähköyhtiön on oltava valmis ottamaan vastaan nämä pyynnöt ja varmistamaan, että sillä on riittävät resurssit ennen tekoälymatkan aloittamista. Sähköyhtiöiden on myös työskenneltävä ratkaisujen toimittajien kanssa toteuttaakseen oikean datan käytön, yksityisyyden ja turvallisuuden tekoälyratkaisujen käyttöönotossa. Tekoälyyn perustuvat näkymät on lopulta syötettävä olemassa oleviin sähköyhtiöiden työprosesseihin, jotta ne voivat täyttää yrityksen ja operatiiviset tavoitteet. Tekoälyyn perustuvat näkymät on lopulta syötettävä olemassa oleviin sähköyhtiöiden työprosesseihin, jotta ne voivat täyttää yrityksen ja operatiiviset tavoitteet.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Buzz Solutions -sivustolla.