Vikhyat Chaudhry, CTO, COO & Co-Founder of Buzz Solutions – Interview Series

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

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

Apakah Anda bisa berbagi perjalanan dan sorotan karir yang membawa Anda untuk Co-Found 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 ketika 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 Mesin AI dan Ilmu Data di Cisco Systems selama beberapa tahun. Pengalaman ini sangat berharga dan membangun paparan saya terhadap berbagai proyek kecerdasan buatan dan pembelajaran mesin pada awalnya.

Saya menerima gelar master di bidang Teknik Sipil/Lingkungan dari Stanford University pada 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 2022, kami mulai bereksperimen dengan AI Generatif. GenAI 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 pendekatan vegetasi yang memperkenalkan banyak derajat kebebasan. Karena kompleksitas ini, data pelatihan yang baik untuk model grid dapat sulit ditemukan.

Itulah di mana GenAI telah datang selama beberapa tahun terakhir – karena kecerdasan buatan dan pembelajaran mesin membaik, sehingga data pelatihan yang dihasilkannya juga membaik.

GenAI telah menjadi pilihan yang layak untuk melatih model, terutama dengan ‘kasus tepi’ yang kritis di mana variabel memiliki nilai yang lebih ekstrem, seperti dalam kasus kebakaran hutan. Ketika GenAI di industri utilitas berkembang, set data sintetis, berdasarkan data dunia nyata, akan membantu dalam melatih model lebih lanjut 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 manfaat yang ditawarkannya 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 besar skenario dan kasus tepi. Saat ini, ini hebat dalam teori tetapi tidak dalam praktek. 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 yang akurat dari skenario dunia nyata yang teknisi kemungkinan akan temui (seperti noise latar belakang 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 kali 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.

Selain itu, 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 yang luas dan gempa susulan yang mengikuti. Proses ini memerlukan 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 segera yang mereka izinkan. Kami menggunakan tiga jenis algoritma yang berbeda: pengelompokan gambar, segmentasi, dan deteksi anomali.

Teknologi kami didorong oleh pembelajaran mesin dengan campur tangan manusia – yang memungkinkan ahli subjek di tim kami untuk memberikan umpan balik langsung ke model untuk prediksi di bawah tingkat kepercayaan tertentu. Kami beruntung memiliki ahli subjek di tim kami – dengan pengalaman teknisi lapangan gabungan 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 perusahaan 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 kekurangan tenaga kerja yang menua dan kekurangan teknisi.

Dengan teknologi kami, PowerAI, respon 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 titik 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 rendah, waktu putar 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, menggulir melalui ribuan gambar, dan mengidentifikasi masalah secara manual. Proses ini menjadi tidak berkelanjutan ketika saluran daya terus mengalami masalah yang menyebabkan situasi yang tidak aman dan pengawasan regulasi yang lebih tinggi, meningkatkan jumlah data yang perlu ditinjau dalam waktu yang lebih singkat.

Teknologi berbasis AI secara signifikan menyederhanakan 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 meningkat.

Dalam menangkap gambar untuk analisis, inspeksi drone lebih aman dan lebih terjangkau daripada metode lain seperti helikopter, satelit, dan pesawat sayap tetap. Kemampuan bermanuver mereka memungkinkan mereka untuk mendekati dan menangkap informasi yang lebih rinci.

Bagaimana platform AI yang ditenagai 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 pemantauan. Algoritma AI dilatih untuk mengidentifikasi anomali seperti suhu ekstrem, akses kendaraan / personil yang tidak sah, citra termal, dan lain-lain.

Di atas pelacakan pencegahan, PowerAI juga dapat memberikan prioritas anomali yang berjenjang untuk perencanaan pemeliharaan yang dioptimalkan. Semua hal ini meminimalkan kebutuhan akan 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 dari mengadopsi AI pada efisiensi operasional perusahaan utilitas?

Setelah angkat awal mengadopsi model AI, perusahaan utilitas akan terus menikmati manfaat dari model tersebut selama waktu yang tidak terbatas. Siklus hidup model AI dimulai pada pemasangan. AI dapat memanen wawasan yang dapat ditindaklanjuti dari ribuan gambar yang diambil di seluruh ratusan mil infrastruktur. Mengingat bahwa kami menerima dataset pertama kami dari utilitas di pita, ini luar biasa dan ini hanya menjadi lebih pintar. AI membuat deteksi awal masalah pemeliharaan lebih mungkin, yang mencegah insiden kecil berkembang menjadi bahaya keamanan yang lebih besar seperti kebakaran hutan dan cedera serius. Ini mengurangi kebutuhan akan 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 yang paling kritis untuk utilitas yang memulai perjalanan AI mereka?

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

Di atas 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 menampung 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 menjadi dapat ditindaklanjuti dan dapat memenuhi tujuan bisnis dan operasional organisasi.

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