Vikhyat Chaudhry, CTO, COO et co-fondateur de Buzz Solutions – Série d’entretiens

Vikhyat Chaudhry est le CTO, COO et co-fondateur de Buzz Solutions et un ancien scientifique des données chez Cisco, un ingénieur en apprentissage automatique et systèmes intégrés chez Altitude et un diplômé de Stanford.

Buzz Solutions fournit des logiciels d’intelligence artificielle et d’analyse prédictive précis pour alimenter des inspections visuelles plus efficaces de l’infrastructure de transmission, de distribution et de sous-station.

Pouvez-vous partager votre parcours et les points forts de votre carrière qui vous ont amené à co-fonder Buzz Solutions ?

J’ai grandi à New Delhi, en Inde, avec une curiosité naturelle pour l’innovation et l’ingénierie, et j’ai fréquenté le Delhi College of Engineering, où j’ai étudié l’ingénierie civile et environnementale. Je me souviens particulièrement d’un moment pendant ma dernière année où j’ai construit un drone à partir de rien et l’ai fait voler dans la ville. Le projet consistait à surveiller la pollution de l’air à New Delhi, et à travers cette expérience, j’ai constaté que la qualité de l’air était supérieure à 500 AQI, ce qui équivaut à fumer 60 cigarettes par jour. La mauvaise qualité de l’air pouvait être directement attribuée à un manque d’électrification, à l’augmentation des émissions des véhicules et au nombre croissant de centrales électriques au charbon au fil des ans. Cette expérience a solidifié mon intérêt pour utiliser la technologie pour résoudre les problèmes du monde réel liés à l’énergie et à l’électricité.

Avant de fonder Buzz, mon expérience technologique m’a mené à mon rôle de responsable de l’équipe de machine learning et de science des données chez Cisco Systems (CSCO ) pendant quelques années. Cette expérience a été inestimable et m’a donné une exposition précoce à une grande variété de projets d’intelligence artificielle et d’apprentissage automatique.

J’ai obtenu ma maîtrise en ingénierie civile et environnementale de l’Université de Stanford en 2016. Pendant cette période, j’ai suivi des cours spécialisés dans l’ingénierie de l’énergie, ce qui a renforcé mon intérêt qui avait commencé à l’étranger. J’ai rencontré mon co-fondateur Kaitlyn dans un cours où nous nous sommes liés d’amitié sur nos passions pour l’environnement, l’énergie et l’entrepreneuriat. Nous avons découvert un grand besoin dans l’industrie des services publics et travaillons depuis sur des solutions pour y répondre.

Quels sont les principaux développements que vous avez observés dans la transition de l’intelligence artificielle traditionnelle à l’intelligence artificielle générative pendant votre carrière, et quels sont les impacts significatifs que cette transition a eu sur diverses industries ?

 En 2022, nous avons commencé à expérimenter l’intelligence artificielle générative. L’IA générative dans le secteur des services publics est un cas d’utilisation intéressant, car les données avec lesquelles nous travaillons impliquent de nombreuses variables différentes. Il y a des facteurs tels que la résolution de la caméra, l’angle de capture et la distance de l’objet – et ce ne sont que pour les drones. Il y a également des conditions environnementales telles que la corrosion ou l’envahissement de la végétation qui introduisent de nombreux degrés de liberté. En raison de cette complexité, les bons jeux de données pour les modèles de réseau peuvent être difficiles à obtenir.

C’est là que l’IA générative est intervenue au cours des dernières années – à mesure que l’intelligence artificielle et l’apprentissage automatique s’améliorent, les jeux de données qu’ils créent s’améliorent également.

L’IA générative est devenue une option viable pour la formation de modèles, en particulier pour les « cas de bord » où les variables ont des valeurs plus extrêmes, comme dans le cas d’un incendie de forêt. À mesure que l’IA générative dans l’industrie des services publics progresse, les ensembles de données synthétiques basés sur des données du monde réel aideront à former davantage les modèles pour gérer des scénarios de données complexes et uniques de manière plus efficace, offrant des améliorations significatives en matière de maintenance prédictive et de détection d’anomalies, ce qui réduira à son tour les catastrophes naturelles.

Pouvez-vous élaborer sur la façon dont l’outil d’IA de Buzz Solutions utilise des données réelles pour la détection d’anomalies et les avantages qu’il offre par rapport aux données synthétiques ?

Dans l’industrie des services publics, les données réelles signifient tout ce qui peut être capturé sur le terrain, généralement y compris des images ou des vidéos prises à partir de sources aériennes telles que des drones ou des hélicoptères. Les données synthétiques, en revanche, sont des données collectées à travers un processus de réplication d’images qui modifie manuellement divers composants d’une image pour essayer de tenir compte d’un nombre exponentiel de scénarios et de cas de bord. Actuellement, c’est bien sur le papier, mais pas dans la pratique. Les modèles formés avec des données réelles dès le départ sont prouvés plus précis et l’avantage est que, grâce à l’utilisation de données réelles, les équipes peuvent cartographier 1:1 avec la « vérité terrain » – une représentation précise des scénarios du monde physique que les techniciens sont susceptibles de rencontrer (comme le bruit de fond et les conditions météorologiques). Les données réelles tiennent compte des possibilités du monde réel et incluent les variables imprévisibles de la détection de défauts.

Alors que les données synthétiques seules ne sont pas en mesure d’optimiser les scénarios du monde réel (encore), elles jouent toujours un rôle important dans la formation de modèles.

Quels sont les plus grands défis que vous rencontrez lors de l’intégration de l’IA avec les systèmes hérités des entreprises de services publics ?

Les systèmes hérités des entreprises de services publics sont souvent incompatibles avec les progrès de l’IA. Deux défis majeurs que les entreprises rencontrent sont la transformation interne et la gestion des données. Les données cloisonnées et la communication peuvent être néfastes aux efforts de transformation numérique. Les données que les services publics possèdent déjà doivent être gérées et sécurisées tandis que les informations sont transmises.

En outre, les services publics qui utilisent encore un stockage de données sur site rencontrent des défis plus importants. Le passage d’un stockage de données sur site à une infrastructure cloud n’est pas le problème, mais plutôt la transformation et les conséquences qui suivent. Ce processus exige des ressources et du temps considérables, ce qui rend difficile l’ajout de différentes technologies par-dessus la transition. L’introduction de solutions d’IA efficaces n’est pas recommandée jusqu’à ce que ce processus soit terminé.

Il est également important qu’il y ait une évolution culturelle interne, en plus de l’évolution technologique. Cela nécessite que les employés soient prêts à apprendre en continu et à s’adapter aux changements dans le processus et à considérer les solutions d’IA comme des outils efficaces pour rendre leur travail quotidien plus facile et efficace.

Pouvez-vous expliquer le processus de formation de modèles d’IA avec des données de terrain testées provenant de sites d’infrastructure vitaux ?

Une grande partie du processus de formation consiste à ingérer les données aériennes fournies par les drones et les hélicoptères. Nous choisissons d’utiliser des drones plutôt que des méthodes comme les satellites en raison de la flexibilité et de la livraison de données immédiate qu’ils permettent. Nous utilisons trois types d’algorithmes principaux : regroupement d’images, segmentation et détection d’anomalies.

Notre technologie est basée sur l’apprentissage automatique avec l’homme dans la boucle – ce qui permet aux experts en la matière de notre équipe de fournir des commentaires directs au modèle pour les prédictions en dessous d’un certain niveau de confiance. Nous avons la chance d’avoir les SME que nous avons dans nos équipes – avec leurs décennies d’expérience combinée en tant que techniciens de terrain, ils fournissent des commentaires pour rendre nos modèles plus précis, personnalisés et robustes.

En utilisant des données de terrain testées réelles, nous pouvons nous assurer que notre détection d’anomalies est hautement précise et fiable, fournissant ainsi aux entreprises de services publics des informations exploitables.

Comment la technologie d’IA de Buzz Solutions contribue-t-elle à rendre les réparations de lignes électriques plus sûres ?

Les travaux de réparation de lignes électriques sont l’un des métiers les plus mortels en Amérique, et l’industrie subit les effets d’une main-d’œuvre vieillissante et d’une pénurie de techniciens.

Avec notre technologie, PowerAI, la réponse d’urgence a été rendue plus efficace et plus précise, de sorte que les techniciens peuvent évaluer les dommages à distance et avoir le temps de développer un plan d’action prédéterminé – ce qui réduit la possibilité d’envoyer un technicien dans une situation inconnue et potentiellement dangereuse.

PowerAI utilise la vision par ordinateur et l’apprentissage automatique pour automatiser une grande partie du processus de détection de défauts. Il a rendu l’analyse de grandes masses de points de données plus rapide, plus sûre et moins coûteuse, de sorte que les techniciens sont maintenant confrontés à un risque inutile réduit et à une efficacité opérationnelle accrue. Cette efficacité opérationnelle se manifeste par des coûts plus faibles, des délais de réalisation plus rapides et une maintenance préventive.

Quel rôle les drones et autres technologies avancées jouent-ils dans la modernisation des inspections d’infrastructure ?

Historiquement, le processus d’inspection d’infrastructure était entièrement manuel et très fastidieux. Les inspecteurs devaient s’asseoir devant un écran d’ordinateur, feuilleter des milliers d’images et identifier les problèmes à la main. Ce processus est devenu insoutenable lorsque les lignes électriques ont continué à connaître des problèmes, ce qui a conduit à des situations plus dangereuses et à une surveillance réglementaire accrue, augmentant ainsi la quantité de données à examiner en un temps plus court.

La technologie basée sur l’IA rationalise considérablement le processus d’analyse des données, ce qui réduit le temps et le coût impliqués. Cela permet aux entreprises de services publics de déployer des équipes de réparation plus rapidement et plus efficacement. La détection des problèmes est également beaucoup plus précise, garantissant que les réparations sont effectuées à temps et prévenant les dangers potentiels.

Lors de la capture d’images pour l’analyse, les inspections par drone sont plus sûres et moins coûteuses que d’autres méthodes d’infrastructure comme les hélicoptères, les satellites et les avions à voilure fixe. Leur portabilité leur permet de manœuvrer de manière à pouvoir se rapprocher et capturer des informations plus granulaires.

Comment la plate-forme alimentée par l’IA de Buzz Solutions aide-t-elle les entreprises de services publics à réaliser une maintenance prédictive et à réduire les coûts ?

<p Notre solution élimine la majeure partie du travail d'analyse manuelle de l'inspection du réseau. PowerAI peut rapidement identifier des situations dangereuses pour prévenir des catastrophes potentielles et fournir des informations critiques à des fins de surveillance et de sécurité. Les algorithmes d'IA sont formés pour identifier des anomalies telles que des températures extrêmes, des accès non autorisés de véhicules/personnel, des images thermiques et plus encore.

En plus de la prévention, PowerAI peut également fournir une priorisation hiérarchisée des anomalies pour la planification de la maintenance optimisée. Toutes ces choses minimisent le besoin d’inspections physiques, réduisant ainsi les coûts opérationnels et les risques pour la sécurité associés aux inspections manuelles. La plate-forme alimentée par l’IA fournit également une détection plus précise et plus précise, améliorant ainsi les décisions de maintenance.

Pouvez-vous discuter de l’impact de l’adoption de l’IA sur l’efficacité opérationnelle des entreprises de services publics ?

Après le premier effort d’adoption d’un modèle d’IA, une entreprise de services publics continuera à bénéficier des avantages du modèle pendant une période indéfinie. Le cycle de vie d’un modèle d’IA commence à l’installation. L’IA peut extraire des informations exploitables de milliers d’images prises sur des centaines de miles d’infrastructure. Étant donné que nous avons reçu notre premier ensemble de données d’une entreprise de services publics sur une cassette, c’est remarquable et cela ne fait que s’améliorer. L’IA rend la détection précoce des problèmes de maintenance beaucoup plus possible, ce qui empêche les incidents mineurs de s’aggraver en dangers plus importants pour la sécurité tels que les incendies de forêt et les blessures graves. Cela réduit le besoin d’inspections humaines, ce qui rend l’entreprise de services publics plus rentable.

Dans votre article “L’adoption de l’IA est seulement le début pour les entreprises de services publics”, vous discutez des premières étapes de l’adoption de l’IA. Quelles sont les considérations les plus critiques pour les entreprises de services publics qui commencent leur parcours d’IA ?

Il existe une grande opportunité pour les entreprises de services publics d’utiliser l’IA, et de nombreuses solutions à considérer. Avant de se lancer, il est important d’identifier vos objectifs et de poser une fondation stable – quels défis rencontrez-vous actuellement que vous aimeriez que l’IA aide à résoudre ? Votre équipe possède-t-elle l’expertise technique et le temps pour entreprendre une refonte complexe ? Comment cela affectera-t-il vos clients ?

En plus de l’alignement interne, il est important d’être préparé à obtenir plus de données que l’entreprise de services publics n’en a jamais eu auparavant, ce qui entraînera probablement plus de maintenance à mesure que les problèmes surgissent. Une entreprise de services publics doit avoir un plan pour répondre à ces demandes et s’assurer qu’elle dispose des ressources appropriées avant de commencer son parcours d’IA. Les entreprises de services publics doivent également travailler avec les fournisseurs de solutions pour mettre en œuvre l’accès aux données, la confidentialité et la sécurité lors du déploiement de solutions d’IA. Les informations générées par l’IA doivent enfin être intégrées dans les flux de travail existants des entreprises de services publics afin qu’elles deviennent exploitables et puissent répondre aux objectifs commerciaux et opérationnels de l’organisation.

Je vous remercie pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Buzz Solutions.