Vikhyat Chaudhry, CTO, COO & Buzz Solutions 공동 창업자 - 인터뷰 시리즈

Vikhyat Chaudhry는 CTO, COO 및 공동 창립자입니다. 버즈 솔루션 Cisco의 전 데이터 과학자, Altitude의 기계 학습/임베디드 시스템 엔지니어이자 Stanford 졸업생입니다.

Buzz Solutions는 정확한 AI 및 예측 분석 소프트웨어를 제공하여 송전, 배전 및 변전소 인프라에 대한 보다 효율적인 시각적 검사를 지원합니다.

Co-Found Buzz Solutions로 이끈 여정과 경력 하이라이트를 공유할 수 있습니까?

저는 인도 뉴델리에서 혁신과 엔지니어링에 대한 천성적인 호기심을 갖고 자랐으며 델리 공과대학에서 토목 및 환경 공학을 전공했습니다. 나는 특히 마지막 해에 처음부터 드론을 만들어 도시로 날렸던 순간을 기억합니다. 뉴델리의 대기 오염을 모니터링하는 임무를 맡았는데, 이번 실험을 통해 대기 질이 하루에 담배 500개비를 피우는 것과 동일한 60 AQI 이상인 것으로 나타났습니다. 열악한 대기질은 전력 공급 부족, 차량 배기가스 증가, 지난 몇 년간 석탄 화력 발전소 수 증가로 인해 직접적인 원인이 될 수 있습니다. 이 경험을 통해 기술을 사용하여 에너지 및 전력과 관련된 실제 문제를 해결하는 데 대한 관심이 확고해졌습니다.

Buzz를 창립하기 전에는 기술적인 배경을 바탕으로 Cisco Systems에서 몇 년 동안 기계 AI 및 데이터 과학 팀의 리더 역할을 맡았습니다. 이 경험은 매우 귀중했으며 초기에 다양한 인공 지능 및 기계 학습 프로젝트에 대한 노출을 구축했습니다.

저는 2016년에 스탠포드 대학교에서 토목/환경 공학 석사 학위를 받았습니다. 이 기간 동안 저는 에너지 공학 전문 수업을 들으며 해외에서 시작한 관심을 쌓았습니다. 저는 환경, 에너지, 기업가 정신에 대한 열정으로 유대감을 형성하는 수업에서 공동 창립자인 Kaitlyn을 만났습니다. 우리는 유틸리티 산업에서 큰 필요성을 발견했고 그 이후로 이를 해결하기 위한 솔루션을 찾기 위해 노력해 왔습니다.

당신의 경력 동안 전통적인 AI에서 생성적 AI로의 발전에서 어떤 주요 발전을 관찰했으며, 이러한 전환이 다양한 산업에 어떤 중요한 영향을 미쳤습니까?

 2022년에 우리는 Generative AI를 실험하기 시작했습니다. 유틸리티 부문의 GenAI는 우리가 작업하는 데이터에 다양한 변수가 포함되어 있기 때문에 흥미로운 사용 사례입니다. 카메라 해상도, 캡처 각도, 물체 거리와 같은 요소가 있으며 이는 드론에만 적용됩니다. 다양한 자유도를 가져오는 부식이나 식생 침해와 같은 환경 조건도 있습니다. 이러한 복잡성으로 인해 그리드 모델에 대한 좋은 교육 데이터를 얻기가 어려울 수 있습니다.

GenAI가 지난 몇 년 동안 등장한 곳입니다. 인공 지능과 기계 학습이 향상됨에 따라 GenAI가 생성하는 교육 세트도 향상되었습니다.

GenAI는 특히 산불의 경우와 같이 변수가 더 극단적인 값을 갖는 중요한 '극단적 사례'의 경우 모델 학습을 위한 실행 가능한 옵션이 되었습니다. 유틸리티 산업의 GenAI가 발전함에 따라 실제 데이터를 기반으로 하는 합성 데이터 세트는 복잡하고 고유한 데이터 시나리오를 보다 효과적으로 처리할 수 있도록 모델을 추가로 훈련하는 데 도움이 되며, 예측 유지 관리 및 이상 징후 감지 기능이 크게 향상되어 자연 재해가 줄어들 것입니다. .

Buzz Solutions의 AI 도구가 실제 데이터를 사용하여 이상 탐지를 하는 방식과 합성 데이터보다 어떤 이점을 제공하는지 자세히 설명해 주시겠습니까?

유틸리티 산업에서 실제 데이터는 일반적으로 드론이나 헬리콥터와 같은 항공 소스에서 가져온 이미지나 비디오를 포함하여 현장에서 캡처할 수 있는 모든 것을 의미합니다. 반면, 합성 데이터는 기하급수적인 양의 시나리오와 극단적인 경우를 설명하기 위해 이미지의 다양한 구성 요소를 수동으로 변경하는 이미지 복제 프로세스를 통해 수집된 데이터입니다. 현재는 서류상으로는 훌륭하지만 실제로는 그렇지 않습니다. 처음부터 실제 데이터로 훈련된 모델은 더 정확한 것으로 입증되었으며, 실제 데이터를 사용하여 팀이 '실측 진실'과 1:1로 매핑할 수 있다는 장점이 있습니다. 즉 기술자가 실제 세계 시나리오를 정확하게 표현하는 것입니다. (배경 소음, 날씨 등) 발생할 가능성이 높습니다. 실제 데이터는 실제 가능성을 설명하며 예측할 수 없는 오류 감지 변수를 포함합니다.

합성 데이터만으로는 실제 시나리오에 맞게 최적화할 수 없지만(아직) 모델 학습에서는 여전히 중요한 역할을 합니다.

유틸리티 회사에서 AI를 레거시 시스템과 통합할 때 직면하는 가장 큰 과제는 무엇입니까?

유틸리티 회사의 레거시 시스템은 AI 발전과 호환되지 않는 경우가 많습니다. 기업이 직면한 두 가지 주요 과제는 내부 혁신과 데이터 관리입니다. 고립된 데이터와 통신은 디지털 혁신 노력에 해로울 수 있습니다. 유틸리티가 이미 보유하고 있는 데이터는 정보가 전달되는 동안 관리되고 보호되어야 합니다.

또한 여전히 온프레미스 데이터 스토리지를 사용하는 유틸리티는 더 큰 문제에 직면해 있습니다. 온프레미스 데이터 스토리지에서 클라우드 인프라로의 전환이 문제가 아니라 그에 따른 광범위한 변화와 여진이 문제입니다. 이 프로세스에는 상당한 리소스와 시간이 필요하므로 전환에 더해 다양한 기술을 추가하기가 어렵습니다. 이 프로세스가 완료될 때까지 효과적인 AI 솔루션을 도입하는 것은 권장되지 않습니다.

내부적으로 기술 변화와 함께 문화적 변화가 일어나는 것도 중요합니다. 이를 위해서는 직원들이 지속적인 학습과 프로세스 변화에 대한 적응력을 갖추고 AI 솔루션을 일상 업무를 더 쉽고 효율적으로 만들기 위한 효과적인 도구로 바라볼 필요가 있습니다.

주요 인프라 사이트에서 현장 테스트를 거친 데이터를 사용하여 AI 모델을 훈련하는 과정을 설명할 수 있나요?

훈련 과정의 큰 부분은 드론과 헬리콥터가 제공하는 항공 데이터를 수집하는 것입니다. 우리는 유연성과 즉각적인 데이터 전달이 가능하기 때문에 위성과 같은 방법 대신 드론을 사용하기로 결정했습니다. 우리는 이미지 클러스터링, 세분화, 이상 탐지라는 세 가지 주요 유형의 알고리즘을 사용합니다.

우리의 기술은 인간 참여형(Human-in-the-Loop) 기계 학습을 통해 구동됩니다. 이를 통해 우리 팀의 해당 분야 전문가가 특정 신뢰도 수준 이하의 예측에 대해 모델에 직접 피드백을 제공할 수 있습니다. 우리 팀에 SME가 있다는 것은 행운입니다. 그들은 수십 년간의 현장 기술자 경험을 바탕으로 피드백을 제공하여 모델을 더욱 정확하고 개인화되었으며 강력하게 만듭니다.

실제 현장 테스트를 거친 데이터를 사용하면 이상 징후 감지가 매우 정확하고 신뢰할 수 있음을 보장하여 유틸리티 회사에 실행 가능한 통찰력을 제공할 수 있습니다.

Buzz Solutions의 AI 기술은 전력선 수리를 더 안전하게 만드는 데 어떻게 기여합니까?

송전선 수리 작업은 미국에서 가장 치명적인 직업 중 하나이며, 업계는 인력 노령화와 기술자 부족의 영향을 겪고 있습니다.

PowerAI 기술을 사용하면 비상 대응이 더욱 효과적이고 정확해졌으므로 기술자는 원격으로 손상을 평가하고 미리 결정된 조치 과정을 개발할 시간을 가질 수 있습니다. 이를 통해 알려지지 않은 잠재적으로 위험한 상황에 기술자를 파견할 가능성이 줄어듭니다. .

PowerAI는 컴퓨터 비전과 머신러닝을 사용하여 오류 감지 프로세스의 상당 부분을 자동화합니다. 이를 통해 대량의 데이터 포인트를 더 빠르고 안전하며 저렴하게 분석할 수 있으므로 이제 기술자는 불필요한 위험을 줄이고 운영 효율성을 높일 수 있습니다. 이러한 운영 효율성은 더 적은 비용, 더 빠른 처리 시간 및 예방적 유지 관리를 통해 나타납니다.

인프라 점검을 현대화하는 데 드론과 기타 첨단 기술은 어떤 역할을 합니까?

역사적으로 인프라 검사 프로세스는 완전히 수동적이고 매우 평범했습니다. 검사관은 컴퓨터 화면 앞에 앉아 수천 장의 이미지를 뒤섞으며 문제를 직접 식별했습니다. 전력선에서 계속 문제가 발생하여 더 위험한 상황과 더 높은 규제 개요가 발생하고 더 짧은 시간에 검토해야 하는 데이터의 양이 늘어나면서 이 프로세스는 지속 불가능해졌습니다.

AI 기반 기술은 데이터 분석 프로세스를 대폭 간소화하여 소요되는 시간과 비용을 줄여줍니다. 이를 통해 유틸리티 회사는 수리 팀을 보다 빠르고 효과적으로 배치할 수 있습니다. 문제 감지도 훨씬 더 정확해 적시에 수리를 수행하고 급증하는 위험을 방지할 수 있습니다.

분석을 위해 이미지를 캡처할 때 드론 검사는 헬리콥터, 위성, 고정익 항공기와 같은 다른 인프라 방법보다 더 안전하고 비용 효율적입니다. 휴대성을 통해 가까이 다가가서 보다 세부적인 정보를 캡처할 수 있는 방식으로 기동할 수 있습니다.

Buzz Solutions의 AI 기반 플랫폼은 유틸리티 회사의 예측 유지 관리 및 비용 절감에 어떻게 도움이 됩니까?

우리의 솔루션은 그리드 검사에서 대부분의 수동 분석 작업을 수행합니다. PowerAI는 위험한 상황을 신속하게 식별하여 잠재적인 재해를 예방하고 모니터링 및 보안 목적을 위한 중요한 정보를 제공할 수 있습니다. AI 알고리즘은 극한 기온, 무단 차량 접근/직원, 열화상 등과 같은 이상 현상을 식별하도록 훈련되었습니다.

PowerAI는 예방적 추적 외에도 최적화된 유지 관리 계획을 위해 이상 징후에 대한 계층화된 우선순위를 제공할 수도 있습니다. 이러한 모든 기능은 물리적 검사의 필요성을 최소화하여 수동 검사와 관련된 운영 비용 및 안전 위험을 줄입니다. AI 기반 플랫폼은 더욱 정확하고 정확한 감지 기능을 제공하여 유지 관리 결정을 향상시킵니다.

AI 도입이 유틸리티 회사의 운영 효율성에 미치는 영향에 대해 논의할 수 있나요?

AI 모델 채택이 처음으로 해제된 이후, 유틸리티 회사는 무한한 시간 동안 계속해서 모델의 이점을 누릴 것입니다. AI 모델의 수명주기는 설치부터 시작됩니다. AI는 수백 마일의 인프라에서 촬영한 수천 장의 이미지에서 실행 가능한 통찰력을 수집할 수 있습니다. 테이프에 있는 유틸리티로부터 첫 번째 데이터 세트를 받았다는 점을 고려하면 이는 놀라운 일이며 점점 더 똑똑해지고 있습니다. AI는 유지 관리 문제를 훨씬 더 쉽게 조기에 감지하여 사소한 사고가 산불이나 심각한 부상과 같은 더 큰 안전 위험으로 확대되는 것을 방지합니다. 사람이 직접 검사할 필요성이 줄어들어 유틸리티의 비용 효율성이 높아집니다.

귀하의 기사 "AI 채택은 유틸리티 회사의 시작일 뿐입니다"에서 AI 채택의 초기 단계에 대해 논의했습니다. AI 여정을 시작하는 유틸리티 기업이 가장 중요하게 고려해야 할 사항은 무엇입니까?

공공 기관이 AI를 사용할 수 있는 엄청난 기회가 있으며 고려해야 할 솔루션도 많이 있습니다. 뛰어들기 전에 목표를 식별하고 안정적인 기반을 설정하는 것이 중요합니다. 현재 직면하고 있는 문제 중 AI가 해결하는 데 도움이 되기를 원하는 문제는 무엇입니까? 귀하의 팀은 이러한 복잡한 점검을 수행할 수 있는 기술 전문 지식과 시간을 보유하고 있습니까? 고객에게 어떤 영향을 미칠까요?

내부적으로 조정하는 것 외에도 유틸리티가 이전보다 더 많은 데이터를 얻을 수 있도록 준비하고 있으며, 이로 인해 문제가 발생하면 더 많은 유지 관리가 필요할 수 있습니다. 유틸리티는 이러한 요청을 수용할 계획을 갖고 AI 여정을 시작하기 전에 적절한 리소스가 있는지 확인해야 합니다. 또한 유틸리티는 솔루션 제공업체와 협력하여 AI 솔루션을 배포할 때 올바른 데이터 액세스, 개인 정보 보호 및 보안을 구현해야 합니다. AI에서 생성된 통찰력은 최종적으로 기존 유틸리티 워크플로우에 공급되어 실행 가능하고 조직의 비즈니스 및 운영 목표를 달성할 수 있어야 합니다.

훌륭한 인터뷰 감사합니다. 자세한 내용을 알고 싶은 독자는 방문하세요. 버즈 솔루션.