विख्यात चौधरी, सीटीओ, सीओओ और बज़ सॉल्यूशंस के सह-संस्थापक - साक्षात्कार श्रृंखला

विख्यात चौधरी सीटीओ, सीओओ और सह-संस्थापक हैं बज़ समाधान तथा सिस्को में पूर्व डेटा वैज्ञानिक, एल्टीट्यूड में मशीन लर्निंग/एम्बेडेड सिस्टम इंजीनियर और स्टैनफोर्ड स्नातक हैं।

बज़ सॉल्यूशंस ट्रांसमिशन, वितरण और सबस्टेशन बुनियादी ढांचे के लिए अधिक कुशल दृश्य निरीक्षण को सशक्त बनाने के लिए सटीक एआई और पूर्वानुमानात्मक विश्लेषण सॉफ्टवेयर प्रदान करता है।

क्या आप अपनी यात्रा और कैरियर की प्रमुख उपलब्धियों को साझा कर सकते हैं, जिसके कारण आप बज़ सॉल्यूशंस के सह-संस्थापक बने?

मैं नई दिल्ली, भारत में बड़ा हुआ, जहाँ मुझे नवाचार और इंजीनियरिंग के लिए स्वाभाविक जिज्ञासा थी और मैंने दिल्ली कॉलेज ऑफ़ इंजीनियरिंग में भाग लिया जहाँ मैंने सिविल और पर्यावरण इंजीनियरिंग का अध्ययन किया। मुझे अपने अंतिम वर्ष के दौरान एक पल विशेष रूप से याद है जब मैंने एक ड्रोन बनाया और उसे शहर में उड़ाया। असाइनमेंट नई दिल्ली में वायु प्रदूषण की निगरानी करना था और इस प्रयोग के माध्यम से, मैंने पाया कि गुणवत्ता 500 AQI से ऊपर थी, जो एक दिन में 60 सिगरेट पीने के बराबर है। खराब वायु गुणवत्ता का सीधा संबंध पिछले कुछ वर्षों में विद्युतीकरण की कमी, वाहनों से होने वाले उत्सर्जन में वृद्धि और कोयले से चलने वाले बिजली संयंत्रों की बढ़ती संख्या से है। इस अनुभव ने ऊर्जा और बिजली से जुड़ी वास्तविक दुनिया की समस्याओं को हल करने के लिए प्रौद्योगिकी का उपयोग करने में मेरी रुचि को मजबूत किया।

बज़ की स्थापना से पहले, मेरी प्रौद्योगिकी पृष्ठभूमि ने मुझे कुछ वर्षों के लिए सिस्को सिस्टम्स में मशीन एआई और डेटा साइंस टीमों के प्रमुख के रूप में मेरी भूमिका के लिए प्रेरित किया। यह अनुभव अमूल्य था और इसने मुझे कृत्रिम बुद्धिमत्ता और मशीन लर्निंग परियोजनाओं की विविध श्रेणी के बारे में जल्दी ही जानकारी दी।

मैंने 2016 में स्टैनफोर्ड यूनिवर्सिटी से सिविल/पर्यावरण इंजीनियरिंग में मास्टर्स की डिग्री प्राप्त की। इस दौरान मैंने ऊर्जा इंजीनियरिंग में विशेषज्ञता वाली कक्षाएं लीं, जिससे मेरी रुचि विदेश में शुरू हुई। मैं अपनी सह-संस्थापक कैटलिन से एक कक्षा में मिली, जहाँ हमने पर्यावरण, ऊर्जा और उद्यमिता के प्रति अपने जुनून के बारे में बात की। हमें उपयोगिता उद्योग में एक बड़ी ज़रूरत का पता चला और तब से हम इसे संबोधित करने के लिए समाधान पर काम कर रहे हैं।

अपने करियर के दौरान पारंपरिक एआई से जनरेटिव एआई की ओर प्रगति में आपने क्या महत्वपूर्ण विकास देखा है, और इस परिवर्तन का विभिन्न उद्योगों पर क्या महत्वपूर्ण प्रभाव पड़ा है?

 2022 में, हमने जनरेटिव एआई के साथ प्रयोग करना शुरू किया। यूटिलिटी सेक्टर में जेनएआई एक दिलचस्प उपयोग मामला है क्योंकि हम जिस डेटा के साथ काम करते हैं, उसमें कई अलग-अलग चर शामिल होते हैं। कैमरा रिज़ॉल्यूशन, कैप्चर का कोण और ऑब्जेक्ट की दूरी जैसे कारक हैं - और ये केवल ड्रोन के लिए हैं। जंग या वनस्पति अतिक्रमण जैसी पर्यावरणीय परिस्थितियाँ भी हैं जो स्वतंत्रता की कई डिग्री पेश करती हैं। इस जटिलता के कारण, ग्रिड मॉडल के लिए अच्छा प्रशिक्षण डेटा प्राप्त करना कठिन हो सकता है।

पिछले कुछ वर्षों में GenAI यहीं पर आगे आया है - जैसे-जैसे कृत्रिम बुद्धिमत्ता और मशीन लर्निंग में सुधार हो रहा है, वैसे-वैसे इसके द्वारा बनाए गए प्रशिक्षण सेट भी बेहतर हो रहे हैं।

GenAI प्रशिक्षण मॉडलों के लिए एक व्यवहार्य विकल्प बन गया है, विशेष रूप से महत्वपूर्ण 'एज मामलों' के साथ जहां चर के अधिक चरम मूल्य होते हैं, जैसे कि जंगल की आग के मामले में। जैसे-जैसे उपयोगिता उद्योग में GenAI आगे ​​बढ़ता है, वास्तविक दुनिया के डेटा पर आधारित सिंथेटिक डेटा सेट, जटिल और अद्वितीय डेटा परिदृश्यों को अधिक प्रभावी ढंग से संभालने के लिए मॉडलों को आगे प्रशिक्षित करने में मदद करेंगे, जिससे पूर्वानुमानित रखरखाव और विसंगति का पता लगाने में महत्वपूर्ण सुधार होगा जिससे प्राकृतिक आपदाओं में कमी आएगी।

क्या आप विस्तार से बता सकते हैं कि बज़ सॉल्यूशंस का एआई टूल विसंगति का पता लगाने के लिए वास्तविक डेटा का उपयोग कैसे करता है और सिंथेटिक डेटा की तुलना में यह क्या लाभ प्रदान करता है?

उपयोगिता उद्योग में, वास्तविक डेटा का मतलब है कि क्षेत्र में जो कुछ भी कैप्चर किया जा सकता है, जिसमें आमतौर पर ड्रोन या हेलीकॉप्टर जैसे हवाई स्रोतों से ली गई छवियां या वीडियो शामिल हैं। दूसरी ओर, सिंथेटिक डेटा एक छवि प्रतिकृति प्रक्रिया के माध्यम से एकत्र किया गया डेटा है जो परिदृश्यों और किनारे के मामलों की घातीय मात्रा के लिए प्रयास करने और खाते में रखने के लिए एक छवि के विभिन्न घटकों को मैन्युअल रूप से बदलता है। वर्तमान में, यह कागज पर बहुत अच्छा है लेकिन व्यवहार में नहीं है। शुरू से ही वास्तविक डेटा के साथ प्रशिक्षित मॉडल अधिक सटीक साबित हुए हैं और इसका लाभ यह है कि वास्तविक डेटा के उपयोग के माध्यम से, टीमें 'ग्राउंड ट्रुथ' के साथ 1:1 मैप कर सकती हैं - भौतिक दुनिया के परिदृश्यों का सटीक प्रतिनिधित्व जो एक तकनीशियन का सामना करने की संभावना है (जैसे पृष्ठभूमि शोर और मौसम)। वास्तविक डेटा वास्तविक दुनिया की संभावनाओं के लिए जिम्मेदार है, और इसमें दोष का पता लगाने के अप्रत्याशित चर शामिल हैं।

यद्यपि सिंथेटिक डेटा अकेले वास्तविक दुनिया के परिदृश्यों के लिए अनुकूलन करने में सक्षम नहीं है (अभी तक), फिर भी यह मॉडलों के प्रशिक्षण में महत्वपूर्ण भूमिका निभाता है।

उपयोगिता कम्पनियों में विरासत प्रणालियों के साथ एआई को एकीकृत करते समय आपके सामने सबसे बड़ी चुनौतियाँ क्या हैं?

उपयोगिता कंपनियों में विरासत प्रणाली अक्सर एआई उन्नति के साथ असंगत होती है। हम देखते हैं कि कंपनियों के सामने दो प्रमुख चुनौतियाँ हैं आंतरिक परिवर्तन और डेटा प्रबंधन। अलग-अलग डेटा और संचार डिजिटल परिवर्तन प्रयासों के लिए हानिकारक हो सकते हैं। उपयोगिताओं के पास पहले से मौजूद डेटा को प्रबंधित और सुरक्षित किया जाना चाहिए जबकि जानकारी को आगे बढ़ाया जाता है।

इसके अतिरिक्त, जो उपयोगिताएँ अभी भी ऑन-प्रिमाइसेस डेटा स्टोरेज का उपयोग करती हैं, उन्हें बड़ी चुनौतियों का सामना करना पड़ता है। ऑन-प्रिमाइसेस डेटा स्टोरेज से क्लाउड इंफ्रास्ट्रक्चर में बदलाव मुद्दा नहीं है, बल्कि इसके बाद होने वाले व्यापक परिवर्तन और झटके हैं। इस प्रक्रिया के लिए पर्याप्त संसाधनों और समय की आवश्यकता होती है, जिससे संक्रमण के शीर्ष पर विभिन्न तकनीकों को जोड़ना मुश्किल हो जाता है। इस प्रक्रिया के पूरा होने तक प्रभावी AI समाधान पेश करने की अनुशंसा नहीं की जाती है।

यह भी महत्वपूर्ण है कि आंतरिक रूप से, प्रौद्योगिकी बदलाव के साथ-साथ सांस्कृतिक बदलाव भी हो। इसके लिए कर्मचारियों को निरंतर सीखने और प्रक्रिया में बदलावों के अनुकूल होने की आवश्यकता है और एआई समाधानों को उनके दिन-प्रतिदिन के काम को आसान और कुशल बनाने के लिए प्रभावी उपकरण के रूप में देखना होगा।

क्या आप महत्वपूर्ण बुनियादी ढांचे स्थलों से क्षेत्र-परीक्षण किए गए डेटा के साथ एआई मॉडल को प्रशिक्षित करने की प्रक्रिया की व्याख्या कर सकते हैं?

प्रशिक्षण प्रक्रिया का एक बड़ा हिस्सा ड्रोन और हेलीकॉप्टर द्वारा प्रदान किए गए हवाई डेटा को ग्रहण करना है। हम उपग्रहों जैसे तरीकों की तुलना में ड्रोन का उपयोग करना पसंद करते हैं क्योंकि वे लचीलेपन और तत्काल डेटा डिलीवरी की अनुमति देते हैं। हम तीन मुख्य विभिन्न प्रकार के एल्गोरिदम का उपयोग करते हैं: छवि क्लस्टरिंग, सेगमेंटेशन और विसंगति का पता लगाना।

हमारी तकनीक ह्यूमन-इन-द-लूप मशीन लर्निंग द्वारा संचालित है - जो हमारी टीम के विषय विशेषज्ञों को एक निश्चित स्तर के विश्वास से नीचे की भविष्यवाणियों के लिए मॉडल को सीधे फीडबैक देने की अनुमति देती है। हम भाग्यशाली हैं कि हमारी टीमों में एसएमई हैं - उनके दशकों के संयुक्त क्षेत्र तकनीशियन अनुभव के साथ, वे हमारे मॉडल को अधिक सटीक, व्यक्तिगत और मजबूत बनाने के लिए फीडबैक देते हैं।

वास्तविक क्षेत्र-परीक्षणित डेटा का उपयोग करके, हम यह सुनिश्चित कर सकते हैं कि हमारी विसंगति पहचान अत्यधिक सटीक और विश्वसनीय है, जिससे उपयोगिता कंपनियों को कार्रवाई योग्य जानकारी मिल सके।

बज़ सॉल्यूशंस की एआई तकनीक बिजली लाइन की मरम्मत को सुरक्षित बनाने में किस प्रकार योगदान देती है?

विद्युत लाइन मरम्मत का काम अमेरिका में सबसे घातक व्यवसायों में से एक है, और यह उद्योग वृद्ध होते कार्यबल और तकनीशियनों की कमी के प्रभावों का सामना कर रहा है।

हमारी प्रौद्योगिकी, पॉवरएआई के साथ, आपातकालीन प्रतिक्रिया को और अधिक प्रभावी और सटीक बनाया गया है, ताकि तकनीशियन दूर से ही क्षति का आकलन कर सकें और उन्हें कार्रवाई का पूर्व निर्धारित कार्यक्रम विकसित करने का समय मिल सके - जिससे किसी अज्ञात, संभावित खतरनाक स्थिति में तकनीशियन को भेजने की संभावना कम हो जाती है।

PowerAI कंप्यूटर विज़न और मशीन लर्निंग का उपयोग करके दोष पहचान प्रक्रिया के एक बड़े हिस्से को स्वचालित करता है। इसने डेटा बिंदुओं के बड़े पैमाने पर विश्लेषण को तेज़, सुरक्षित और सस्ता बना दिया है, इसलिए अब तकनीशियनों को अनावश्यक जोखिम कम करना पड़ता है और परिचालन दक्षता अधिक होती है। यह परिचालन दक्षता कम लागत, तेज़ टर्नअराउंड समय और निवारक रखरखाव के माध्यम से खुद को प्रस्तुत करती है।

बुनियादी ढांचे के निरीक्षण को आधुनिक बनाने में ड्रोन और अन्य उन्नत प्रौद्योगिकियां क्या भूमिका निभाती हैं?

ऐतिहासिक रूप से, बुनियादी ढांचे के निरीक्षण की प्रक्रिया पूरी तरह से मैनुअल और बहुत ही सामान्य थी। निरीक्षक कंप्यूटर स्क्रीन के सामने बैठते थे, हजारों छवियों को देखते थे, और हाथ से समस्याओं की पहचान करते थे। यह प्रक्रिया तब अस्थिर हो गई जब बिजली लाइनों में लगातार समस्याएँ आती रहीं, जिससे अधिक असुरक्षित स्थितियाँ पैदा हुईं और नियामक अवलोकन अधिक हो गए, जिससे कम समय में समीक्षा किए जाने वाले डेटा की मात्रा बढ़ गई।

एआई-आधारित तकनीक डेटा के विश्लेषण की प्रक्रिया को काफी हद तक सरल बनाती है, जिससे इसमें लगने वाला समय और लागत कम हो जाती है। इससे यूटिलिटी कंपनियों को मरम्मत टीमों को अधिक तेज़ी से और प्रभावी ढंग से तैनात करने में मदद मिलती है। समस्याओं का पता लगाना भी बहुत अधिक सटीक है, जिससे यह सुनिश्चित होता है कि मरम्मत समय पर हो और बढ़ते खतरों को रोका जा सके।

विश्लेषण के लिए तस्वीरें लेने में, ड्रोन निरीक्षण हेलीकॉप्टर, उपग्रह और फिक्स्ड-विंग एयरक्राफ्ट जैसे अन्य बुनियादी ढाँचे के तरीकों की तुलना में अधिक सुरक्षित और अधिक लागत प्रभावी है। उनकी पोर्टेबिलिटी उन्हें इस तरह से पैंतरेबाज़ी करने की अनुमति देती है कि वे करीब जा सकें और अधिक बारीक जानकारी प्राप्त कर सकें।

बज़ सॉल्यूशंस का एआई-संचालित प्लेटफॉर्म उपयोगिता कंपनियों को पूर्वानुमानित रखरखाव और लागत बचत में कैसे मदद करता है?

हमारा समाधान ग्रिड निरीक्षण से अधिकांश मैन्युअल विश्लेषण कार्य को समाप्त कर देता है। PowerAI संभावित आपदाओं को रोकने के लिए खतरनाक स्थितियों की तुरंत पहचान कर सकता है और निगरानी और सुरक्षा उद्देश्यों के लिए महत्वपूर्ण जानकारी प्रदान कर सकता है। AI एल्गोरिदम को अत्यधिक तापमान, अनधिकृत वाहन पहुँच/कर्मियों, थर्मल इमेजिंग, और बहुत कुछ जैसी विसंगतियों की पहचान करने के लिए प्रशिक्षित किया जाता है।

निवारक ट्रैकिंग के अलावा, PowerAI अनुकूलित रखरखाव योजना के लिए विसंगतियों की स्तरीय प्राथमिकता भी प्रदान कर सकता है। ये सभी चीजें भौतिक निरीक्षण की आवश्यकता को कम करती हैं, जिससे संचालन लागत और मैन्युअल निरीक्षण से जुड़े सुरक्षा जोखिम कम होते हैं। AI-संचालित प्लेटफ़ॉर्म अधिक सटीक और सटीक पहचान भी प्रदान करता है, जिससे रखरखाव के निर्णय बेहतर होते हैं।

क्या आप उपयोगिता कंपनियों की परिचालन दक्षता पर एआई को अपनाने के प्रभाव पर चर्चा कर सकते हैं?

AI मॉडल को अपनाने के शुरुआती चरण के बाद, एक उपयोगिता कंपनी अनंत समय तक मॉडल के लाभों का लाभ उठाती रहेगी। AI मॉडल का जीवन चक्र स्थापना से शुरू होता है। AI सैकड़ों मील के बुनियादी ढांचे से ली गई हजारों छवियों से कार्रवाई योग्य जानकारी प्राप्त कर सकता है। यह देखते हुए कि हमें एक उपयोगिता से टेप पर अपना पहला डेटासेट मिला, यह असाधारण है और यह केवल और अधिक स्मार्ट होता जा रहा है। AI रखरखाव संबंधी समस्याओं का जल्दी पता लगाना बहुत संभव बनाता है, जो छोटी-छोटी घटनाओं को जंगल की आग और गंभीर चोटों जैसे बड़े सुरक्षा खतरों में बदलने से रोकता है। यह मानव निरीक्षण की आवश्यकता को कम करता है, जिससे उपयोगिता अधिक लागत प्रभावी हो जाती है।

अपने लेख “AI को अपनाना उपयोगिता कंपनियों के लिए बस शुरुआत है” में, आप AI को अपनाने के शुरुआती चरणों पर चर्चा करते हैं। उपयोगिता कंपनियों के लिए अपनी AI यात्रा शुरू करने के लिए सबसे महत्वपूर्ण विचार क्या हैं?

उपयोगिताओं के लिए AI का उपयोग करने का एक बड़ा अवसर है, और विचार करने के लिए कई समाधान हैं। आगे बढ़ने से पहले, अपने लक्ष्यों की पहचान करना और एक स्थिर आधार तैयार करना महत्वपूर्ण है - आप वर्तमान में किन चुनौतियों का सामना कर रहे हैं जिन्हें आप AI से हल करना चाहेंगे? क्या आपकी टीम के पास इस तरह के जटिल बदलाव को करने के लिए तकनीकी विशेषज्ञता और समय है? यह आपके ग्राहकों को कैसे प्रभावित करेगा?

आंतरिक रूप से संरेखित होने के अलावा उपयोगिता को पहले की तुलना में अधिक डेटा प्राप्त करने के लिए तैयार किया जा रहा है, जिससे समस्याएँ उत्पन्न होने पर अधिक रखरखाव की आवश्यकता होगी। एक उपयोगिता के पास इन अनुरोधों को समायोजित करने की योजना होनी चाहिए और यह सुनिश्चित करना चाहिए कि उनके पास अपनी AI यात्रा शुरू करने से पहले उचित संसाधन हों। AI समाधानों को तैनात करते समय उपयोगिताओं को सही डेटा एक्सेस, गोपनीयता और सुरक्षा को लागू करने के लिए समाधान प्रदाताओं के साथ काम करने की भी आवश्यकता होती है। AI-जनरेटेड अंतर्दृष्टि को अंततः मौजूदा उपयोगिता वर्कफ़्लो में फीड किया जाना चाहिए ताकि वे कार्रवाई योग्य बन सकें और संगठन के व्यावसायिक और परिचालन लक्ष्यों को पूरा कर सकें।

बेहतरीन साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं, उन्हें अवश्य आना चाहिए बज़ समाधान.