Vikhyat Chaudhry, CTO, COO i suosnivač Buzz Solutions – serija intervjua

Vikhyat Chaudhry je CTO, COO i suosnivač Buzz rješenja i bivši podatkovni znanstvenik u Ciscu, inženjer strojnog učenja/ugrađenih sustava u Altitudeu i diplomac Stanforda.

Buzz Solutions isporučuje preciznu umjetnu inteligenciju i softver za prediktivnu analitiku za učinkovitije vizualne inspekcije za infrastrukturu prijenosa, distribucije i trafostanice.

Možete li podijeliti svoje putovanje i vrhunce karijere koji su vas doveli do Co-Found Buzz Solutions?

Odrastao sam u New Delhiju, u Indiji, s prirodnom znatiželjom za inovacijama i inženjerstvom, a pohađao sam Delhi College of Engineering gdje sam studirao građevinarstvo i inženjerstvo zaštite okoliša. Posebno se sjećam trenutka tijekom zadnje godine kada sam napravio dron od nule i njime upravljao u gradu. Zadatak je bio pratiti onečišćenje zraka u New Delhiju i kroz ovaj eksperiment otkrio sam da je kvaliteta iznad 500 AQI, što je jednako pušenju 60 cigareta dnevno. Loša kvaliteta zraka mogla bi se izravno povezati s nedostatkom elektrifikacije, sve većim emisijama iz vozila i povećanim brojem elektrana na ugljen tijekom godina. Ovo iskustvo učvrstilo je moje zanimanje za korištenje tehnologije za rješavanje problema stvarnog svijeta povezanih s energijom i snagom.

Prije nego što sam osnovao Buzz, moje tehnološko iskustvo dovelo me do moje uloge voditelja timova za strojnu umjetnu inteligenciju i podatkovne znanosti u Cisco Systems nekoliko godina. Ovo je iskustvo bilo neprocjenjivo i rano je omogućilo moju izloženost raznim projektima umjetne inteligencije i strojnog učenja.

Magistrirao sam građevinarstvo/inženjerstvo okoliša na Sveučilištu Stanford 2016. Tijekom tog vremena pohađao sam predavanja specijalizirana za energetski inženjering, razvijajući svoj interes koji je započeo u inozemstvu. Upoznao sam svoju suosnivačicu Kaitlyn u razredu gdje smo se zbližili oko naših strasti prema okolišu, energiji i poduzetništvu. Naišli smo na veliku potrebu u komunalnoj industriji i od tada radimo na rješenjima za njezino rješavanje.

Koje ste ključne pomake uočili u napredovanju od tradicionalne umjetne inteligencije do generativne umjetne inteligencije tijekom svoje karijere i koje je značajne utjecaje ta tranzicija imala na različite industrije?

 Godine 2022. počeli smo eksperimentirati s Generative AI. GenAI u komunalnom sektoru zanimljiv je slučaj upotrebe jer podaci s kojima radimo uključuju mnogo različitih varijabli. Postoje faktori kao što su razlučivost kamere, kut snimanja i udaljenost objekta – a oni su samo za dronove. Postoje i okolišni uvjeti poput korozije ili zadiranja vegetacije koji uvode brojne stupnjeve slobode. Zbog ove složenosti može biti teško doći do dobrih podataka za obuku za mrežne modele.

Tu je GenAI uskočio u proteklih nekoliko godina – kako se poboljšavaju umjetna inteligencija i strojno učenje, tako se poboljšavaju i skupovi za obuku koje stvara.

GenAI je postao održiva opcija za modele obuke, posebno s ključnim 'rubnim slučajevima' gdje varijable imaju ekstremnije vrijednosti, kao što je slučaj šumskog požara. Kako GenAI u komunalnoj industriji napreduje, skupovi sintetičkih podataka, temeljeni na podacima iz stvarnog svijeta, pomoći će u daljnjim modelima obuke za učinkovitije rukovanje složenim i jedinstvenim scenarijima podataka, nudeći značajna poboljšanja u prediktivnom održavanju i otkrivanju anomalija što će zauzvrat smanjiti prirodne katastrofe .

Možete li pojasniti kako Buzz Solutionsov AI alat koristi stvarne podatke za otkrivanje anomalija i prednosti koje nudi u odnosu na sintetičke podatke?

U komunalnoj industriji stvarni podaci znače sve što se može snimiti na terenu, obično uključujući slike ili videozapise snimljene iz izvora iz zraka poput dronova ili helikoptera. Sintetički podaci, s druge strane, podaci su prikupljeni kroz proces replikacije slike koji ručno mijenja različite komponente slike kako bi se pokušala objasniti eksponencijalna količina scenarija i rubnih slučajeva. Trenutno je super na papiru, ali ne iu praksi. Modeli obučeni sa stvarnim podacima od samog početka dokazano su točniji, a prednost je u tome što korištenjem stvarnih podataka timovi mogu mapirati 1:1 s 'osnovnom istinom' – točan prikaz scenarija fizičkog svijeta koji tehničar ima vjerojatno naići (poput pozadinske buke i vremena). Stvarni podaci objašnjavaju mogućnosti iz stvarnog svijeta i uključuju nepredvidive varijable otkrivanja grešaka.

Dok se sami sintetički podaci (još) ne mogu optimizirati za scenarije stvarnog svijeta, oni još uvijek igraju važnu ulogu u modelima obuke.

Koji su najveći izazovi s kojima se susrećete pri integraciji umjetne inteligencije s naslijeđenim sustavima u komunalnim tvrtkama?

Naslijeđeni sustavi u komunalnim poduzećima često nisu kompatibilni s napretkom umjetne inteligencije. Dva glavna izazova s ​​kojima se tvrtke suočavaju su interna transformacija i upravljanje podacima. Zatvoreni podaci i komunikacija mogu biti štetni za napore digitalne transformacije. Podacima koje komunalna poduzeća već posjeduju moraju se upravljati i osigurati dok se informacije prenose.

Osim toga, pomoćni programi koji još uvijek koriste lokalnu pohranu podataka suočavaju se s većim izazovima. Prijelaz s lokalne pohrane podataka na infrastrukturu u oblaku nije problem, već opsežna transformacija i potres koji slijedi. Ovaj proces zahtijeva značajna sredstva i vrijeme, što otežava dodavanje različitih tehnologija povrh prijelaza. Ne preporučuje se uvođenje učinkovitih AI rješenja dok se ovaj proces ne završi.

Također je važno da interno postoji kulturni pomak zajedno s tehnološkim pomakom. To zahtijeva uključivanje zaposlenika koji kontinuirano uče i prilagodljivi su promjenama u procesu te gledaju na rješenja umjetne inteligencije kao na učinkovite alate za lakši i učinkovitiji njihov svakodnevni posao.

Možete li objasniti proces treniranja AI modela s podacima testiranim na terenu s vitalnih infrastrukturnih mjesta?

Velik dio procesa obuke je unos podataka iz zraka koje pružaju dronovi i helikopteri. Odlučili smo koristiti dronove umjesto metoda poput satelita zbog fleksibilnosti i trenutne isporuke podataka koju omogućuju. Koristimo tri glavne različite vrste algoritama: grupiranje slike, segmentaciju i otkrivanje anomalija.

Našu tehnologiju pokreće strojno učenje Human-in-the-loop – koje stručnjacima iz našeg tima omogućuje da daju izravne povratne informacije modelu za predviđanja ispod određene razine pouzdanosti. Sretni smo što u našim timovima imamo mala i srednja poduzeća – sa svojim desetljećima kombiniranog iskustva terenskih tehničara, oni daju povratne informacije kako bi naši modeli bili točniji, personaliziraniji i robusniji.

Korištenjem stvarnih podataka testiranih na terenu, možemo osigurati da je naše otkrivanje anomalija vrlo precizno i ​​pouzdano, pružajući komunalnim tvrtkama korisne uvide.

Kako Buzz Solutionsova AI tehnologija doprinosi sigurnijim popravcima dalekovoda?

Radovi na popravcima dalekovoda jedno su od najsmrtonosnijih zanimanja u Americi, a industrija doživljava posljedice starenja radne snage i nedostatka tehničara.

S našom tehnologijom, PowerAI, odgovor na hitne slučajeve postao je učinkovitiji i točniji, tako da tehničari mogu daljinski procijeniti štetu i imati vremena razviti unaprijed određeni tijek radnje – što smanjuje mogućnost slanja tehničara u nepoznatu, potencijalno opasnu situaciju .

PowerAI koristi računalni vid i strojno učenje za automatizaciju velikog dijela procesa otkrivanja grešaka. Učinio je analizu velike mase podatkovnih točaka bržom, sigurnijom i jeftinijom, tako da se sada tehničari suočavaju sa smanjenim nepotrebnim rizikom i većom operativnom učinkovitošću. Ova operativna učinkovitost se očituje kroz manje troškove, kraće vrijeme obrade i preventivno održavanje.

Kakvu ulogu igraju dronovi i druge napredne tehnologije u modernizaciji infrastrukturnih inspekcija?

Povijesno gledano, proces inspekcije infrastrukture bio je potpuno ručan i vrlo prizeman. Inspektori bi sjedili ispred računala, prelistavali tisuće slika i ručno identificirali probleme. Ovaj je proces postao neodrživ kada su dalekovodi nastavili imati problema što je dovelo do nesigurnijih situacija i većih regulatornih pregleda, povećavajući količinu podataka koje je potrebno pregledati u kraćem vremenskom roku.

Tehnologija temeljena na umjetnoj inteligenciji značajno usmjerava proces analize podataka, što smanjuje vrijeme i troškove. To omogućuje komunalnim tvrtkama brže i učinkovitije raspoređivanje timova za popravke. Otkrivanje problema također je puno preciznije, osiguravajući pravovremene popravke i sprječavajući rastuće opasnosti.

U snimanju slika za analizu, inspekcije dronovima su sigurnije i isplativije od drugih metoda infrastrukture poput helikoptera, satelita i letjelica s fiksnim krilima. Njihova prenosivost omogućuje im manevriranje na način da se mogu približiti i uhvatiti detaljnije informacije.

Kako platforma Buzz Solutions pokretana umjetnom inteligencijom pomaže komunalnim tvrtkama u prediktivnom održavanju i uštedi troškova?

Naše rješenje uklanja većinu posla ručne analize iz inspekcije mreže. PowerAI može brzo prepoznati opasne situacije kako bi spriječio potencijalne katastrofe i pružio kritične informacije za nadzor i sigurnosne svrhe. Algoritmi umjetne inteligencije osposobljeni su za prepoznavanje anomalija poput ekstremnih temperatura, neovlaštenog pristupa vozila/osoblja, termalnih slika i još mnogo toga.

Povrh preventivnog praćenja, PowerAI također može pružiti višeslojno određivanje prioriteta anomalija za optimizirano planiranje održavanja. Sve ove stvari minimiziraju potrebu za fizičkim pregledima, smanjujući operativne troškove i sigurnosne rizike povezane s ručnim pregledima. Platforma pokretana umjetnom inteligencijom također pruža precizniju i precizniju detekciju, poboljšavajući odluke o održavanju.

Možete li raspravljati o utjecaju usvajanja umjetne inteligencije na operativnu učinkovitost komunalnih poduzeća?

Nakon početnog porasta usvajanja AI modela, komunalna tvrtka nastavit će ubirati prednosti modela beskrajno dugo. Životni ciklus AI modela počinje instalacijom. AI može prikupiti korisne uvide iz tisuća slika snimljenih stotinama milja infrastrukture. Uzimajući u obzir da smo primili svoj prvi skup podataka od uslužnog programa na vrpci, ovo je izvanredno i samo postaje pametnije. AI čini rano otkrivanje problema s održavanjem puno mogućim, što sprječava da manji incidenti prerastu u veće sigurnosne opasnosti poput šumskih požara i ozbiljnih ozljeda. Smanjuje potrebu za ljudskim pregledima, čineći uslužni program isplativijim.

U svom članku "Usvajanje umjetne inteligencije tek je početak za komunalna poduzeća", govorite o početnim koracima usvajanja umjetne inteligencije. Koja su najkritičnija razmatranja za komunalne službe koje započinju svoje putovanje umjetnom inteligencijom?

Postoji ogromna prilika za komunalne usluge da koriste umjetnu inteligenciju i mnoga rješenja koja treba razmotriti. Prije nego što uskočite, važno je identificirati svoje ciljeve i postaviti stabilne temelje – s kojim se izazovima trenutačno suočavate i za koje biste željeli da vam AI pomogne u rješavanju? Posjeduje li vaš tim tehničku stručnost i vrijeme za preuzimanje tako složenog remonta? Kako će to utjecati na vaše kupce?

Povrh internog usklađivanja, priprema se za dobivanje više podataka nego što je uslužni program imao prije, što će vjerojatno dovesti do dodatnog održavanja kako se pojave problemi. Komunalno bi poduzeće trebalo imati plan za prilagodbu tim zahtjevima i osigurati da ima odgovarajuće resurse prije nego započne svoje putovanje AI-jem. Komunalna poduzeća također moraju surađivati ​​s pružateljima rješenja kako bi implementirali pravi pristup podacima, privatnost i sigurnost prilikom implementacije AI rješenja. Uvidi generirani umjetnom inteligencijom trebali bi se konačno unijeti u postojeće tijekove rada uslužnih usluga kako bi postali djelotvorni i mogli ispuniti poslovne i operativne ciljeve organizacije.

Hvala vam na sjajnom intervjuu, čitatelji koji žele saznati više neka ga posjete Buzz rješenja.