Vikhyat Chaudhry, CTO, COO & Co-Founder di Buzz Solutions – Serie di Interviste

Vikhyat Chaudhry è il CTO, COO e co-fondatore di Buzz Solutions e un ex data scientist di Cisco, un ingegnere di machine learning/sistemi embedded di Altitude e un laureato di Stanford.

Buzz Solutions fornisce software di intelligenza artificiale e analisi predittive precisi per alimentare ispezioni visive più efficienti per infrastrutture di trasmissione, distribuzione e sottostazioni.

Può condividere il suo percorso e i punti salienti della sua carriera che l’hanno portato a co-fondare Buzz Solutions?

Sono cresciuto a New Delhi, in India, con una naturale curiosità per l’innovazione e l’ingegneria e ho frequentato il Delhi College of Engineering, dove ho studiato Ingegneria Civile e Ambientale. Ricordo in particolare un momento durante il mio ultimo anno quando ho costruito un drone da zero e l’ho fatto volare in città. L’incarico era quello di monitorare l’inquinamento dell’aria a New Delhi e, attraverso questo esperimento, ho scoperto che la qualità era superiore a 500 AQI, che è equivalente a fumare 60 sigarette al giorno. La scarsa qualità dell’aria poteva essere direttamente ricondotta alla mancanza di elettrificazione, alle emissioni veicolari in aumento e al crescente numero di centrali elettriche a carbone negli anni. Questa esperienza ha consolidato il mio interesse nell’utilizzare la tecnologia per affrontare problemi del mondo reale associati all’energia e alla potenza.

Prima di fondare Buzz, il mio background tecnico mi ha portato al ruolo di Lead of Machine AI e Data Science Teams presso Cisco Systems per alcuni anni. Questa esperienza è stata inestimabile e ha costruito la mia esposizione a una vasta gamma di progetti di intelligenza artificiale e apprendimento automatico fin dall’inizio.

Ho ottenuto il mio master in Ingegneria Civile/Ambientale presso l’Università di Stanford nel 2016. Durante questo periodo, ho frequentato classi specializzate in ingegneria energetica, costruendo il mio interesse che era iniziato all’estero. Ho conosciuto il mio co-fondatore Kaitlyn in una classe in cui ci siamo legati alle nostre passioni per l’ambiente, l’energia e l’imprenditorialità. Abbiamo scoperto un grande bisogno nel settore delle utility e stiamo lavorando sulle soluzioni per affrontarlo da allora.

Quali sono gli sviluppi chiave che ha osservato nella progressione dall’intelligenza artificiale tradizionale all’intelligenza artificiale generativa durante la sua carriera e quali impatti significativi ha avuto questo passaggio su vari settori?

Nel 2022, abbiamo iniziato a sperimentare con l’intelligenza artificiale generativa. L’IA generativa nel settore delle utility è un caso di utilizzo interessante perché i dati con cui lavoriamo coinvolgono molte variabili diverse. Ci sono fattori come la risoluzione della fotocamera, l’angolo di cattura e la distanza dell’oggetto – e questi sono solo per i droni. Ci sono anche condizioni ambientali come la corrosione o l’intrusione della vegetazione che introducono numerosi gradi di libertà. A causa di questa complessità, i dati di formazione di alta qualità per i modelli di rete possono essere difficili da reperire.

È qui che l’IA generativa è entrata in scena negli ultimi anni – man mano che l’intelligenza artificiale e l’apprendimento automatico migliorano, anche i set di formazione che crea migliorano.

L’IA generativa è diventata un’opzione praticabile per la formazione dei modelli, soprattutto con i cruciali “casi limite” in cui le variabili hanno valori più estremi, come nel caso di un incendio. Man mano che l’IA generativa nel settore delle utility progredisce, i set di dati sintetici, basati su dati del mondo reale, aiuteranno ulteriormente a formare modelli per gestire scenari di dati complessi e unici in modo più efficace, offrendo miglioramenti significativi nella manutenzione predittiva e nella rilevazione delle anomalie, che a loro volta ridurranno i disastri naturali.

Può spiegare come lo strumento di intelligenza artificiale di Buzz Solutions utilizza dati reali per la rilevazione delle anomalie e quali vantaggi offre rispetto ai dati sintetici?

Nel settore delle utility, i dati reali significano tutto ciò che può essere catturato sul campo, di solito inclusi immagini o video ripresi da fonti aeree come droni o elicotteri. I dati sintetici, d’altra parte, sono dati raccolti attraverso un processo di replicazione di immagini che altera manualmente vari componenti di un’immagine per cercare di tenere conto di un numero esponenziale di scenari e casi limite. Attualmente, è grande sulla carta, ma non nella pratica. I modelli formati con dati reali fin dall’inizio si sono rivelati più precisi e il vantaggio è che, attraverso l’utilizzo di dati reali, i team possono mappare 1:1 con la “verità di base” – una rappresentazione precisa del mondo reale scenari che un tecnico è probabile incontrare (come rumore di fondo e meteo). I dati reali tengono conto di possibilità del mondo reale e includono le variabili imprevedibili della rilevazione dei guasti.

Mentre i dati sintetici da soli non sono in grado di ottimizzare per scenari del mondo reale (ancora), giocano comunque un ruolo importante nella formazione dei modelli.

Quali sono le sfide più grandi che affronta quando integra l’intelligenza artificiale con i sistemi legacy nelle società di utility?

I sistemi legacy nelle società di utility sono spesso incompatibili con i progressi dell’intelligenza artificiale. Due delle principali sfide che vediamo le società affrontare sono la trasformazione interna e la gestione dei dati. I dati frazionati e la comunicazione possono essere dannosi per gli sforzi di trasformazione digitale. I dati che le utility già possiedono devono essere gestiti e protetti mentre le informazioni vengono trasferite.

Inoltre, le utility che utilizzano ancora l’archiviazione dei dati on-premises affrontano sfide più grandi. Il passaggio dall’archiviazione dei dati on-premises all’infrastruttura cloud non è il problema, ma piuttosto l’estensiva trasformazione e l’impatto che segue. Questo processo richiede risorse e tempo sostanziali, rendendo difficile aggiungere diverse tecnologie in cima alla transizione. L’introduzione di soluzioni di intelligenza artificiale efficaci non è consigliata fino a quando questo processo non è completo.

È anche importante che internamente ci sia uno spostamento culturale insieme allo spostamento tecnologico. Ciò richiede che i dipendenti siano a bordo con l’apprendimento continuo e l’adattabilità ai cambiamenti nel processo e considerare le soluzioni di intelligenza artificiale come strumenti efficaci per rendere il loro lavoro quotidiano più facile ed efficiente.

Può spiegare il processo di formazione dei modelli di intelligenza artificiale con dati testati sul campo provenienti da siti di infrastrutture vitali?

Una grande parte del processo di formazione consiste nell’ingestione dei dati aerei forniti da droni e elicotteri. Scegliamo di utilizzare droni invece di metodi come i satelliti a causa della flessibilità e della consegna immediata dei dati che consentono. Utilizziamo tre diversi tipi di algoritmi: clustering di immagini, segmentazione e rilevazione delle anomalie.

La nostra tecnologia è guidata da Human-in-the-loop machine learning – che consente ai nostri esperti di materia di fornire feedback diretto al modello per le previsioni al di sotto di un certo livello di confidenza. Siamo fortunati ad avere gli SME nei nostri team – con le loro decine di anni di esperienza combinata di tecnici sul campo, forniscono feedback per rendere i nostri modelli più precisi, personalizzati e robusti.

Utilizzando dati reali testati sul campo, possiamo assicurare che la nostra rilevazione delle anomalie sia altamente precisa e affidabile, fornendo alle società di utility informazioni azionabili.

Come la tecnologia di intelligenza artificiale di Buzz Solutions contribuisce a rendere le riparazioni delle linee elettriche più sicure?

Il lavoro di riparazione delle linee elettriche è uno dei lavori più pericolosi in America e il settore sta sperimentando gli effetti di una forza lavoro che invecchia e di carenza di tecnici.

Con la nostra tecnologia, PowerAI, la risposta di emergenza è stata resa più efficace e precisa, in modo che i tecnici possano valutare i danni a distanza e avere il tempo di sviluppare un corso di azione predeterminato – il che riduce la possibilità di inviare un tecnico in una situazione potenzialmente pericolosa e sconosciuta.

PowerAI utilizza la visione computerizzata e l’apprendimento automatico per automatizzare una grande parte del processo di rilevazione dei guasti. Ha reso l’analisi di grandi masse di dati più veloce, più sicura e più economica, in modo che i tecnici affrontino un rischio ridotto e un’efficienza operativa più alta. Questa efficienza operativa si presenta attraverso costi più bassi, tempi di risposta più rapidi e manutenzione preventiva.

Qual è il ruolo dei droni e di altre tecnologie avanzate nel modernizzare le ispezioni delle infrastrutture?

Storicamente, il processo di ispezione delle infrastrutture era completamente manuale e molto noioso. Gli ispettori sedevano di fronte allo schermo del computer, sfogliavano migliaia di immagini e identificavano i problemi a mano. Questo processo è diventato insostenibile quando le linee elettriche hanno continuato a sperimentare problemi, portando a situazioni più pericolose e a un aumento delle revisioni normative, aumentando la quantità di dati da esaminare in un tempo più breve.

La tecnologia basata sull’intelligenza artificiale semplifica notevolmente il processo di analisi dei dati, riducendo il tempo e il costo coinvolti. Ciò consente alle società di utility di schierare squadre di riparazione più rapidamente e in modo più efficace. La rilevazione dei problemi è anche molto più precisa, assicurando che le riparazioni siano tempestive e prevenendo pericoli in aumento.

Nel catturare immagini per l’analisi, le ispezioni con droni sono più sicure e più economiche rispetto ad altri metodi di infrastruttura come elicotteri, satelliti e aerei a ali fisse. La loro portabilità consente loro di manovrare in modo da poter avvicinarsi e catturare informazioni più granulari.

Come la piattaforma di intelligenza artificiale di Buzz Solutions aiuta le società di utility con la manutenzione predittiva e i risparmi di costo?

La nostra soluzione rimuove la maggior parte del lavoro di analisi manuale dall’ispezione della rete. PowerAI può identificare rapidamente situazioni pericolose per prevenire potenziali disastri e fornire informazioni critiche per monitoraggio e scopi di sicurezza. Gli algoritmi di intelligenza artificiale sono stati formati per identificare anomalie come temperature estreme, accesso non autorizzato di veicoli/persone, immagini termiche e altro ancora.

Oltre alla tracciabilità preventiva, PowerAI può anche fornire una priorità a più livelli delle anomalie per la pianificazione della manutenzione ottimizzata. Tutte queste cose minimizzano la necessità di ispezioni fisiche, riducendo i costi operativi e i rischi per la sicurezza associati alle ispezioni manuali. La piattaforma di intelligenza artificiale fornisce anche una rilevazione più precisa e precisa, migliorando le decisioni di manutenzione.

Può discutere l’impatto dell’adozione dell’intelligenza artificiale sull’efficienza operativa delle società di utility?

Dopo il sollevamento iniziale dell’adozione di un modello di intelligenza artificiale, una società di utility continuerà a raccogliere i benefici del modello per un tempo infinito. Il ciclo di vita di un modello di intelligenza artificiale inizia con l’installazione. L’intelligenza artificiale può raccogliere informazioni azionabili da migliaia di immagini scattate in tutta la rete di infrastrutture. Considerando che abbiamo ricevuto il nostro primo set di dati da una società di utility su un nastro, questo è straordinario e sta diventando sempre più intelligente. L’intelligenza artificiale rende possibile la rilevazione precoce dei problemi di manutenzione, prevenendo incidenti minori che si trasformano in pericoli di sicurezza più grandi come incendi e lesioni gravi. Riduce la necessità di ispezioni umane, rendendo l’utility più efficiente in termini di costo.

Nel suo articolo “Adottare l’intelligenza artificiale è solo l’inizio per le società di utility”, discute i primi passi dell’adozione dell’intelligenza artificiale. Quali sono le considerazioni più critiche per le società di utility che iniziano il loro percorso di intelligenza artificiale?

C’è una grande opportunità per le società di utility di utilizzare l’intelligenza artificiale e molte soluzioni da considerare. Prima di saltare dentro, è importante identificare i propri obiettivi e stabilire una base solida – quali sfide sta attualmente affrontando che desidera che l’intelligenza artificiale aiuti ad affrontare? Il suo team possiede l’esperienza tecnica e il tempo per affrontare un tale complesso rinnovamento? Come impatterà sui suoi clienti?

Oltre all’allineamento interno, è importante essere preparati a ricevere più dati di quanti la società di utility abbia precedentemente, il che porterà probabilmente a più manutenzione man mano che sorgono problemi. Una società di utility dovrebbe avere un piano per soddisfare queste richieste e assicurarsi di avere le risorse adeguate prima di iniziare il suo percorso di intelligenza artificiale. Le società di utility devono anche lavorare con i fornitori di soluzioni per implementare l’accesso ai dati, la privacy e la sicurezza quando si distribuiscono soluzioni di intelligenza artificiale. Le informazioni generate dall’intelligenza artificiale dovrebbero infine essere integrate nei flussi di lavoro di utility esistenti in modo che diventino azionabili e possano soddisfare gli obiettivi aziendali e operativi dell’organizzazione.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Buzz Solutions.