Vikhyat Chaudhry, CTO, COO & Co-Founder of Buzz Solutions – Haastattelu Sarja

Vikhyat Chaudhry on Buzz Solutionsin CTO, COO ja co-perustaja ja entinen data scientist Ciscossa, machine learning/embedded systems engineer Altitude ja Stanfordin valmistunut.

Buzz Solutions toimittaa tarkat AI- ja ennustavan analytiikan ohjelmistot tehokkaampien visuaalisten tarkastusten mahdollistamiseksi siirtopistorasioiden, jakelun ja aluekeskuksien infrastruktuurille.

Voitko jakaa matkasi ja uran merkittävimmät kohdat, jotka johtivat Buzz Solutionsin perustamiseen?

Jatkoin New Delhissä, Intiassa, luontaisella uteliaisuudella innovaatioita ja tekniikkaa kohtaan ja kävin Delhi College of Engineering -koulussa, jossa opiskelin siviili- ja ympäristötekniikkaa. Muistan erityisesti hetken, 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 päästöistä ja lisääntyneistä hiilivoimaloista vuosien varrella. Tämä kokemus vahvisti kiinnostukseni teknologian käyttämiseen oikeasti olemassa olevien energian ja voiman ongelmiin.

Ennen Buzzin perustamista, teknologinen taustani johti minut Cisco Systemsin johtajan rooliin koneoppimisen ja data-analytiikan tiimissä useaksi vuodeksi. Tämä kokemus oli arvokasta ja antoi minulle varhain laajan näkemyksen erilaisista tekoäly- ja koneoppimishankkeista.

Suoritin maisterin tutkinnon siviili- ja ympäristötekniikasta Stanfordin yliopistosta vuonna 2016. Tuona aikana osallistuin energiatekniikkaan erikoistuviin kursseihin, mikä vahvisti kiinnostukseni, joka oli alkanut ulkomailla. Tapasin co-perustajani Kaitlynin luokassa, jossa me yhdistimme intohimomme ympäristöä, energiaa ja yrittäjyyttä kohtaan. Me löysimäme suuren tarpeen sähköyhtiöiden alalla ja olemme työskennelleet ratkaisujen kehittämiseksi siitä lähtien.

Mitkä ovat tärkeimmät kehityssuunnat, joita olet havainnut perinteisen AI:n kehittymisessä generatiiviseen AI:hin urasi aikana, ja mitkä ovat olleet tämän siirtymän merkittävimmät vaikutukset eri aloilla?

Vuonna 2022 aloimme kokeilemaan Generatiivista AI:ta. GenAI on sähköyhtiöiden alalla mielenkiintoinen sovellus, koska työskentelemme monien eri muuttujien kanssa. On tekijöitä kuten kameran resoluutio, kuvauskulma ja etäisyys – ja nämä ovat vain droneja koskevia tekijöitä. On myös ympäristöolosuhteita, kuten korroosiota tai kasvukehitystä, jotka tuovat monia vapauksia. Tästä monimutkaisuudesta johtuen hyvät koulutusdatat verkkomalleille voivat olla vaikeasti saatavissa.

Siihen tulee GenAI viime vuosina – tekoäly ja koneoppimisen parantuessa myös koulutusjoukot paranevat.

GenAI on muodostunut toimivaksi vaihtoehdoksi mallien kouluttamiseen, erityisesti “reunojen tapauksissa”, joissa muuttujilla on äärimmäisiä arvoja, kuten esimerkiksi tulipalossa. Kun GenAI sähköyhtiöiden alalla edistyy, synteettiset datojoukot, jotka perustuvat todellisiin maailman datoihin, auttavat edelleen kouluttamaan malleja käsittelemään monimutkaisia ja yksilöllisiä data-scenaarioita tehokkaammin, tarjoten merkittäviä parannuksia ennustavassa huollossa ja poikkeamien havaitsemisessa, mikä puolestaan vähentää luonnonkatastrofeja.

Voitko selittää tarkemmin, miten Buzz Solutionsin AI-työkalu käyttää todellista dataa poikkeamien havaitsemiseen ja mitkä ovat sen edut verrattuna synteettiseen dataan?

Sähköyhtiöiden alalla todellinen data tarkoittaa mitä tahansa, mitä voidaan kerätä kenttätyössä, yleensä kuvia tai videoita, jotka on otettu ilmasta dronilla tai helikopterilla. Synteettinen data on dataa, jota kerätään kuvien monistamisprosessin kautta, joka muuttaa kuvan eri osia yrittääksesi ottaa huomioon eksponentiaalisen määrän skenaarioita ja reunojen tapauksia. Tällä hetkellä se on hyvä paperilla, mutta ei käytännössä. Malleja, jotka on koulutettu todellisilla datoilla alusta alkaen, on osoitettu olevan tarkin ja etu on, että todellisen datan avulla tiimit voivat kartoittaa 1:1 “maan totuuden” – tarkan edustuksen fyysisistä maailman skenaarioista, joita tekniikko todennäköisesti kohtaa (kuten taustahälyä ja säätä). Todellinen data ottaa huomioon todelliset maailman mahdollisuudet ja sisältää epävarmat muuttujat virheiden havaitsemisessa.

Vaikka synteettinen data yksin ei pysty optimoimaan todellisia maailman skenaarioita (vielä), se edelleen pelaa tärkeän roolin mallien koulutuksessa.

Mitkä ovat suurimmat haasteet, joita kohtaat, kun yhdistät AI:n perinteisiin järjestelmiin sähköyhtiöissä?

Perinteiset järjestelmät sähköyhtiöissä ovat usein yhteensopimattomia tekoäly-edistysten kanssa. Kaksi suurinta haasteita, joita yritykset kohtaavat, ovat sisäinen muutos ja datahallinta. Erilliset data ja viestintä voivat olla haitallisia digitaalisen muutoksen pyrkimyksille. Sähköyhtiöiden jo omistama data on hallittava ja turvattava, kun tietoja siirretään.

Lisäksi sähköyhtiöt, jotka edelleen käyttävät paikallista data-säilytystä, kohtaavat suurempia haasteita. Siirtyminen paikallisesta data-säilytystilasta pilvi-infrastruktuuriin ei ole ongelma, vaan laaja muutos ja jälkipyykki, jota seuraa. Tämä prosessi vaatii merkittäviä resursseja ja aikaa, mikä tekee vaikeaksi lisätä eri teknologioita muutoksen päälle. Tehokkaiden AI-ratkaisujen käyttöönotto ei ole suositeltavaa, ennen kuin tämä prosessi on valmis.

On myös tärkeää, että sisäisesti on kulttuurinen muutos teknologisen muutoksen rinnalla. Tämä vaatii, että työntekijät ovat mukana jatkuvassa oppimisessa ja sopeutumisessa prosessin ja katsovat AI-ratkaisuja tehokkaina työkaluina, jotka tekevät heidän päivittäisistä tehtävistään helpompia ja tehokkaampia.

Voitko selittää prosessin, jossa koulutetaan AI-malleja kenttätestatulla datasta elintärkeiden infrastruktuurisivustoista?

Suuri osa koulutusprosessia on ilmakuvaustiedon ottaminen dronien ja helikopterien avulla. Valitsemme käyttää dronien sijaan menetelmiä kuten satelliitteja niiden joustavuuden ja välittömän datan toimittamisen vuoksi. Käytämme kolmea eri algoritmityyppiä: kuvaryhmittely, segmentointi ja poikkeamien havaitseminen.

Teknologiamme perustuu ihmisen osallistumiseen koneoppimiseen – mikä mahdollistaa aihekohtaisille asiantuntijoille tiimillämme antaa suoran palautteen mallille ennusteiden osalta, jotka ovat tietyn luottamusluvun alapuolella. Olemme onnekkaita, että meillä on aihekohtaiset asiantuntijat, joilla on vuosikymmenten yhteinen kenttäteknisen kokemus, ja he antavat palautetta, jotta mallimme ovat tarkin, henkilökohtainen ja kestävä.

Käyttämällä todellista kenttätestattua dataa, voimme varmistaa, että poikkeamien havaitseminen on erittäin tarkin ja luotettavin, ja sähköyhtiöille voidaan tarjota toimintavinkkejä.

Miten Buzz Solutionsin AI-teknologia vaikuttaa sähkölinjojen korjausten turvallisuuteen?

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

Teknologiamme, PowerAI, tekee hätätilannevastauksesta tehokkaamman ja tarkin, jotta tekniikot voivat arvioida vahinkoa etäältä ja kehittää ennalta määrättyä toimintasuunnitelmaa – mikä vähentää mahdollisuutta lähettää tekniikko tuntemattomaan, potentiaalisesti vaaralliseen tilanteeseen.

PowerAI käyttää tietokoneen näköä ja koneoppimista virheiden automaattiseen havaitsemiseen. Se on tehnyt suurten datamäärien analyysin nopeammaksi, turvallisemmaksi ja halvemmaksi, jotta tekniikot kohtaavat vähemmän tarpeetonta riskiä ja suurempaa operatiivista tehokkuutta. Tämä operatiivinen tehokkuus ilmenee pienempinä kustannuksina, nopeampina käyttöaikoina ja ennaltaehkäisevänä huoltona.

Mikä rooli dronilla ja muilla edistyneillä teknologioilla on infrastruktuuritarkastusten modernisoinnissa?

Historiallisesti infrastruktuuritarkastusprosessi oli täysin manuaalinen ja hyvin monotoninen. Tarkastajat istuivat tietokoneen ruudun ääressä, kävivät läpi tuhansia kuvia ja tunnistivat ongelmat käsin. Tämä prosessi muodostui kestämättömäksi, kun sähkölinjoilla esiintyi ongelmia, mikä johti vaarallisempiin tilanteisiin ja suurempiin sääntelyvaatimuksiin, lisäten datan määrää, jota on tarkasteltava lyhyemmässä ajassa.

AI-pohjainen teknologia merkitsee datan analyysiprosessin merkittävää suoristamista, mikä vähentää aikaa ja kustannuksia. Tämä mahdollistaa sähköyhtiöiden lähettää korjausjoukkueita nopeammin ja tehokkaammin. Ongelmien havaitseminen on myös tarkin, varmistaen, että korjaukset ovat ajankohtaisia ja estäen kasvavia vaaroja.

Kuvien ottamisessa analyysiä varten droni-inspektionit ovat turvallisempia ja kustannustehokkaampia kuin muut infrastruktuurin tarkastusmenetelmät, kuten helikopterit, satelliitit ja kiinteät siipien lentokoneet. Niiden liikkuva luonne mahdollistaa lähemmän ja tarkemman tiedon keräämisen.

Miten Buzz Solutionsin AI-pohjainen alusta auttaa sähköyhtiöitä ennustavassa huollossa ja kustannussäästöissä?

Ratkaisumme poistaa suurimman osan manuaalisesta analyysityöstä verkkotarkastuksesta. PowerAI voi nopeasti tunnistaa vaaralliset tilanteet estääkseen potentiaalisia katastrofeja ja tarjoaa kriittistä tietoa valvontaa ja turvallisuutta varten. AI-algoritmit on koulutettu tunnistamaan poikkeamia, kuten äärimmäisiä lämpötiloja, luvattomia ajoneuvojen pääsyä/henkilöstöä, termoimagingia ja enemmän.

Ennustavan seuraamisen lisäksi PowerAI voi tarjota tasollisen priorisoinnin poikkeamille optimaalisen huoltosuunnittelun vuoksi. Kaikki nämä asiat vähentävät fyysisten tarkastusten tarvetta, mikä vähentää operatiivisia kustannuksia ja turvallisuusriskejä, jotka liittyvät manuaalisiin tarkastuksiin. AI-pohjainen alusta tarjoaa myös tarkemman ja tarkin havaitsemisen, parantaen huoltopäätöksiä.

Voitko keskustella AI:n ottamisen vaikutuksesta sähköyhtiöiden operatiiviseen tehokkuuteen?

AI-mallin alkuvaiheen jälkeen sähköyhtiö jatkaa mallin hyödyntämistä rajattoman ajan. AI-mallin elinkaari alkaa asennuksesta. AI voi kerätä toimintavinkkejä tuhansista kuvista, jotka on otettu satojen mailien mittaiselta infrastruktuurilta. Ottaen huomioon, että saimme ensimmäisen datamme sähköyhtiöltä nauhalla, tämä on poikkeuksellista, ja se paranee jatkuvasti. AI tekee varhaisen havaitsemisen mahdolliseksi, mikä estää pienet ongelmat eskaloitumasta suuremmiksi turvallisuusriskeiksi, kuten tulipaloja ja vakavia vammoja. Se vähentää tarvetta ihmistarkastuksille, mikä tekee sähköyhtiöstä kustannustehokkaamman.

Artikkelissasi “AI:n ottaminen on vain alku sähköyhtiöille” keskustellaan AI:n ottamisen alkuvaiheista. Mitkä ovat tärkeimmät huomioon otettavat seikat sähköyhtiöille, jotka aloittavat AI-matkan?

On suuri mahdollisuus sähköyhtiöille käyttää AI:ta, ja monia ratkaisuja on tarkasteltavaksi. Ennen kuin hyppää sisään, on tärkeää tunnistaa tavoitteet ja luoda vakaat perustukset – mitkä haasteet kohtaatte tällä hetkellä, joita haluatte AI:n avulla ratkaista? Onko tiimillänne teknistä asiantuntemusta ja aikaa ottaa vastaan monimutkainen uudelleenjärjestely? Miten se vaikuttaa asiakkaisiin?

Lisäksi sisäisestä suuntautumisesta on valmistautuminen saamaan enemmän dataa kuin sähköyhtiö on aiemmin, mikä johtaa todennäköisesti enemmän huoltoon liittyviin pyynnöksiin. Sähköyhtiön on oltava valmistautunut ottamaan vastaan nämä pyynnöt ja varmistamaan, että niillä on oikeat resurssit ennen AI-matkan aloittamista. Sähköyhtiöiden on myös työskenneltävä ratkaisujen toimittajien kanssa AI-ratkaisujen toteuttamiseksi oikean datan saatavuuden, yksityisyyden ja turvallisuuden varmistamiseksi. AI:n tuottamat oivallukset on lopulta syötettävä olemassa oleviin sähköyhtiöiden työvirtoihin, jotta ne voivat olla toimintavinkkejä ja täyttää organisaation liiketoimintaa ja operatiivisia tavoitteita.

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