Vikhyat Chaudhry, CTO, COO & Co-Founder of Buzz Solutions – Seri Wawancara

Vikhyat Chaudhry adalah CTO, COO, dan co-founder dari Buzz Solutions dan mantan ilmuwan data di Cisco, insinyur sistem tertanam/mesin pembelajaran di Altitude, dan lulusan Stanford.

Buzz Solutions menyediakan perangkat lunak AI dan analitik prediktif yang akurat untuk memperkuat inspeksi visual yang lebih efisien untuk infrastruktur transmisi, distribusi, dan substation.

Apakah Anda bisa membagikan perjalanan dan sorotan karir Anda yang membawa Anda untuk menjadi Co-Founder Buzz Solutions?

Saya tumbuh di New Delhi, India, dengan rasa ingin tahu alami untuk inovasi dan teknik, dan saya menghadiri Delhi College of Engineering, di mana saya belajar Teknik Sipil dan Lingkungan. Saya terutama mengingat saat saya membangun drone dari awal dan menerbangkannya di kota. Tugasnya adalah untuk memantau polusi udara di New Delhi, dan melalui eksperimen ini, saya menemukan bahwa kualitasnya di atas 500 AQI, yang setara dengan merokok 60 batang sehari. Kualitas udara yang buruk dapat langsung dihubungkan dengan kurangnya elektrifikasi, emisi kendaraan bermotor yang meningkat, dan peningkatan jumlah pembangkit listrik tenaga batu bara selama bertahun-tahun. Pengalaman ini memperkuat minat saya untuk menggunakan teknologi untuk menangani masalah dunia nyata yang terkait dengan energi dan daya.

Sebelum mendirikan Buzz, latar belakang teknologi saya membawa saya ke peran sebagai Pemimpin Tim AI dan Data Science di Cisco Systems (CSCO ) selama beberapa tahun. Pengalaman ini sangat berharga dan membangun eksposur saya terhadap berbagai proyek kecerdasan buatan dan pembelajaran mesin sejak awal.

Saya menerima gelar master di bidang Teknik Sipil/Lingkungan dari Universitas Stanford pada tahun 2016. Selama waktu itu, saya mengambil kelas yang berspesialisasi dalam teknik energi, membangun minat yang dimulai di luar negeri. Saya bertemu dengan co-founder saya, Kaitlyn, di sebuah kelas di mana kami berbagi minat untuk lingkungan, energi, dan kewirausahaan. Kami menemukan kebutuhan besar di industri utilitas dan telah bekerja pada solusi untuk menangani hal itu sejak saat itu.

Apa perkembangan kunci yang Anda amati dalam transisi dari AI tradisional ke AI Generatif selama karir Anda, dan apa dampak signifikan yang transisi ini telah terjadi pada berbagai industri?

 Pada tahun 2022, kami mulai bereksperimen dengan AI Generatif. AI Generatif di sektor utilitas adalah kasus penggunaan yang menarik karena data yang kami kerjakan melibatkan banyak variabel yang berbeda. Ada faktor seperti resolusi kamera, sudut pengambilan, dan jarak objek – dan itu hanya untuk drone. Ada juga kondisi lingkungan seperti korosi atau invasi vegetasi yang memperkenalkan banyak derajat kebebasan. Karena kompleksitas ini, data pelatihan yang baik untuk model grid dapat sulit ditemukan.

Itulah tempat AI Generatif masuk dalam beberapa tahun terakhir – karena kecerdasan buatan dan pembelajaran mesin membaik, sehingga data pelatihan yang dihasilkannya juga membaik.

AI Generatif telah menjadi pilihan yang layak untuk melatih model, terutama dengan ‘kasus tepi’ di mana variabel memiliki nilai yang lebih ekstrem, seperti dalam kasus kebakaran hutan. Ketika AI Generatif di industri utilitas berkembang, set data sintetis, berdasarkan data dunia nyata, akan membantu dalam melatih model untuk menangani skenario data yang kompleks dan unik dengan lebih efektif, menawarkan perbaikan signifikan dalam pemeliharaan prediktif dan deteksi anomali yang akan mengurangi bencana alam.

Apakah Anda bisa menjelaskan bagaimana alat AI Buzz Solutions menggunakan data nyata untuk deteksi anomali dan apa manfaatnya dibandingkan dengan data sintetis?

Di industri utilitas, data nyata berarti apa pun yang dapat ditangkap di lapangan, biasanya termasuk gambar atau video yang diambil dari sumber udara seperti drone atau helikopter. Data sintetis, di sisi lain, adalah data yang dikumpulkan melalui proses replikasi gambar yang secara manual mengubah berbagai komponen gambar untuk mencoba memperhitungkan sejumlah skenario dan kasus tepi yang eksponensial. Saat ini, itu hebat dalam teori, tetapi tidak dalam praktik. Model yang dilatih dengan data nyata dari awal terbukti lebih akurat, dan keuntungannya adalah bahwa melalui penggunaan data nyata, tim dapat memetakan 1:1 dengan ‘kebenaran dasar’ – representasi akurat dari skenario dunia nyata yang teknisi kemungkinan akan temui (seperti kebisingan latar dan cuaca). Data nyata memperhitungkan kemungkinan dunia nyata, dan termasuk variabel yang tidak terduga dari deteksi kesalahan.

Sementara data sintetis saja tidak dapat mengoptimalkan skenario dunia nyata (belum), itu masih memainkan peran penting dalam melatih model.

Apa tantangan terbesar yang Anda hadapi ketika mengintegrasikan AI dengan sistem warisan di perusahaan utilitas?

Sistem warisan di perusahaan utilitas sering tidak kompatibel dengan kemajuan AI. Dua tantangan utama yang kami lihat perusahaan hadapi adalah transformasi internal dan manajemen data. Data yang terisolasi dan komunikasi dapat merusak upaya transformasi digital. Data yang utilitas sudah miliki harus dikelola dan diamankan sementara informasi dibawa.

Tambahan, utilitas yang masih menggunakan penyimpanan data on-premises menghadapi tantangan yang lebih besar. Perpindahan dari penyimpanan data on-premises ke infrastruktur cloud bukanlah masalah, tetapi transformasi ekstensif dan gempa susulan yang mengikutinya. Proses ini membutuhkan sumber daya dan waktu yang substansial, membuatnya sulit untuk menambahkan teknologi yang berbeda di atas transisi. Mengenalkan solusi AI yang efektif tidak disarankan sampai proses ini selesai.

Sangat penting bahwa secara internal, ada pergeseran budaya bersama dengan pergeseran teknologi. Ini memerlukan karyawan yang setuju dengan pembelajaran berkelanjutan dan adaptasi terhadap perubahan dalam proses dan melihat solusi AI sebagai alat yang efektif untuk membuat pekerjaan sehari-hari mereka lebih mudah dan efisien.

Apakah Anda bisa menjelaskan proses pelatihan model AI dengan data lapangan yang diuji dari situs infrastruktur vital?

Bagian besar dari proses pelatihan adalah mengonsumsi data udara yang disediakan oleh drone dan helikopter. Kami memilih untuk menggunakan drone daripada metode seperti satelit karena fleksibilitas dan pengiriman data yang segera yang mereka izinkan. Kami menggunakan tiga jenis algoritma utama: clustering gambar, segmentasi, dan deteksi anomali.

Teknologi kami didorong oleh pembelajaran mesin dengan campur tangan manusia – yang memungkinkan ahli mata pelajaran di tim kami untuk memberikan umpan balik langsung kepada model untuk prediksi di bawah tingkat kepercayaan tertentu. Kami beruntung memiliki SME di tim kami – dengan pengalaman teknisi lapangan yang tergabung selama beberapa dekade, mereka memberikan umpan balik untuk membuat model kami lebih akurat, dipersonalisasi, dan kuat.

Dengan menggunakan data lapangan yang diuji, kami dapat memastikan bahwa deteksi anomali kami sangat akurat dan dapat diandalkan, memberikan utilitas dengan wawasan yang dapat ditindaklanjuti.

Bagaimana teknologi AI Buzz Solutions memberikan kontribusi pada membuat perbaikan saluran daya lebih aman?

Pekerjaan perbaikan saluran daya adalah salah satu pekerjaan paling mematikan di Amerika, dan industri ini mengalami dampak dari tenaga kerja yang menua dan kekurangan teknisi.

Dengan teknologi kami, PowerAI, tanggapan darurat telah dibuat lebih efektif dan akurat, sehingga teknisi dapat menilai kerusakan secara remote dan memiliki waktu untuk mengembangkan rencana tindakan yang telah ditentukan sebelumnya – yang mengurangi kemungkinan mengirim teknisi ke situasi yang tidak diketahui dan berpotensi berbahaya.

PowerAI menggunakan visi komputer dan pembelajaran mesin untuk mengotomatisasi sebagian besar proses deteksi kesalahan. Ini telah membuat analisis sejumlah besar poin data lebih cepat, lebih aman, dan lebih murah, sehingga teknisi sekarang menghadapi risiko yang tidak perlu dan efisiensi operasional yang lebih tinggi. Efisiensi operasional ini mempresentasikan diri melalui biaya yang lebih kecil, waktu yang lebih cepat, dan pemeliharaan pencegahan.

Apa peran drone dan teknologi canggih lainnya dalam memodernisasi inspeksi infrastruktur?

Secara historis, proses inspeksi infrastruktur sepenuhnya manual dan sangat membosankan. Inspektur akan duduk di depan layar komputer, menggeser ribuan gambar, dan mengidentifikasi masalah secara manual. Proses ini menjadi tidak berkelanjutan ketika saluran daya terus mengalami masalah yang menyebabkan situasi yang lebih tidak aman dan pengawasan regulasi yang meningkat, meningkatkan jumlah data yang perlu ditinjau dalam waktu yang lebih singkat.

Teknologi berbasis AI secara signifikan mempermudah proses analisis data, yang mengurangi waktu dan biaya yang terlibat. Ini memungkinkan perusahaan utilitas untuk menerjunkan tim perbaikan lebih cepat dan efektif. Deteksi masalah juga lebih presisi, memastikan bahwa perbaikan tepat waktu dan mencegah bahaya yang berkembang.

Dalam menangkap gambar untuk analisis, inspeksi drone lebih aman dan lebih terjangkau daripada metode inspeksi infrastruktur lain seperti helikopter, satelit, dan pesawat sayap tetap. Kemampuan mobilitas mereka memungkinkan mereka untuk bergerak dengan cara yang dapat mendekati dan menangkap informasi yang lebih granular.

Bagaimana platform AI yang ditenagai oleh Buzz Solutions membantu perusahaan utilitas dengan pemeliharaan prediktif dan penghematan biaya?

Solusi kami mengambil sebagian besar pekerjaan analisis manual dari inspeksi grid. PowerAI dapat dengan cepat mengidentifikasi situasi berbahaya untuk mencegah bencana potensial dan memberikan informasi kritis untuk keamanan dan tujuan pemantauan. Algoritma AI dilatih untuk mengidentifikasi anomali seperti suhu ekstrem, akses kendaraan/tidak sah, citra termal, dan lain-lain.

Di samping pelacakan pencegahan, PowerAI juga dapat memberikan prioritas anomali yang berjenjang untuk perencanaan pemeliharaan yang dioptimalkan. Semua hal ini meminimalkan kebutuhan untuk inspeksi fisik, mengurangi biaya operasional dan risiko keamanan yang terkait dengan inspeksi manual. Platform AI yang ditenagai juga memberikan deteksi yang lebih presisi dan akurat, memperbaiki keputusan pemeliharaan.

Apakah Anda bisa membahas dampak adopsi AI pada efisiensi operasional perusahaan utilitas?

Setelah angkat awal adopsi model AI, perusahaan utilitas akan terus memanen manfaat dari model tersebut untuk waktu yang tidak terbatas. Siklus hidup model AI dimulai pada instalasi. AI dapat memanen wawasan yang dapat ditindaklanjuti dari ribuan gambar yang diambil di seluruh ratusan mil infrastruktur. Mengingat bahwa kami menerima dataset pertama dari utilitas pada pita, ini luar biasa dan itu hanya menjadi lebih pintar. AI membuat deteksi dini masalah pemeliharaan lebih mungkin, yang mencegah insiden kecil dari eskalasi menjadi bahaya keamanan yang lebih besar seperti kebakaran hutan dan cedera serius. Ini mengurangi kebutuhan untuk inspeksi manusia, membuat utilitas lebih hemat biaya.

Dalam artikel Anda “Mengadopsi AI Hanya Awal untuk Perusahaan Utilitas,” Anda membahas langkah awal adopsi AI. Apa pertimbangan paling kritis untuk utilitas yang memulai perjalanan AI mereka?

Ada kesempatan besar bagi utilitas untuk menggunakan AI, dan banyak solusi yang perlu dipertimbangkan. Sebelum melompat, penting untuk mengidentifikasi tujuan dan membangun fondasi yang stabil – apa tantangan yang Anda hadapi saat ini yang ingin Anda bantu AI untuk mengatasi? Apakah tim Anda memiliki keahlian teknis dan waktu untuk mengambil perubahan yang kompleks? Bagaimana itu akan mempengaruhi pelanggan Anda?

Di samping keselarasan internal adalah kesediaan untuk mendapatkan lebih banyak data daripada yang utilitas miliki sebelumnya, yang kemungkinan akan menyebabkan lebih banyak pemeliharaan karena masalah yang muncul. Utilitas harus memiliki rencana untuk mengakomodasi permintaan ini dan memastikan bahwa mereka memiliki sumber daya yang tepat sebelum memulai perjalanan AI mereka. Utilitas juga perlu bekerja dengan penyedia solusi untuk mengimplementasikan akses data, privasi, dan keamanan yang tepat saat mengirimkan solusi AI. Wawasan yang dihasilkan AI akhirnya harus dimasukkan ke dalam alur kerja utilitas yang ada sehingga mereka menjadi dapat ditindaklanjuti dan dapat memenuhi tujuan bisnis dan operasional organisasi.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Buzz Solutions.