Buzz Solutions의 CTO, COO 및 공동 창립자인 Vikhyat Chaudhry – 인터뷰 시리즈

Vikhyat Chaudhry는 Buzz Solutions의 CTO, COO 및 공동 창립자이며, Cisco의 전 데이터 과학자이자 Altitude의 기계 학습/임베디드 시스템 엔지니어이자 스탠퍼드 대학교 졸업생입니다.

Buzz Solutions는 전송, 배전, 및 변전소 인프라를 위한 효율적인 시각적 검사를 위한 정확한 AI 및 예측 분석 소프트웨어를 제공합니다.

당신의 여정과 경력을 소개해 주시겠습니까? Buzz Solutions를 공동 창립하게 된 경위는 무엇입니까?

나는 인도 뉴델리에서 자랐으며, 혁신과 엔지니어링에 대한 자연스러운 호기심을 가지고 있었습니다. 델리 공과 대학에서 민간 및 환경 공학을 공부했습니다. 특히, 마지막 학년 때 드론을 만들고 도시에서 비행한 것을 기억합니다. 그 과제는 뉴델리의 대기 오염을 모니터링하는 것이었으며, 그 실험을 통해 대기 질이 500 AQI 이상임을 발견했습니다. 이는 하루에 60 개의 담배를 피운 것과 동일한 수준입니다. 나쁨 대기 질은 전기화의 부족, 차량 배기가스, 그리고 석탄 발전소의 증가로 인한 것이었습니다. 이 경험은 에너지와 전력 관련 실제 문제를 해결하기 위해 기술을 사용하는 데 대한 관심을 강화했습니다.

Buzz Solutions를 공동 창립하기 전에, 나는 Cisco Systems에서 기계 학습 및 데이터 과학 팀의 리드를 맡았습니다. 이 경험은 매우 귀중했습니다. 다양한 인공 지능 및 기계 학습 프로젝트에 대한 노출을 초기에 얻을 수 있었습니다.

나는 2016년에 스탠퍼드 대학교에서 민간/환경 공학 석사 학위를 받았습니다. 그期间, 에너지 공학을 전문으로 하는 수업을 들었습니다. 나의 관심은 해외에서 시작되어, 나의 공동 창립자 Kaitlyn을 만난 곳에서 환경, 에너지, 및 기업가정신에 대한 열정을 공유했습니다. 우리는 공공 유틸리티 산업에서 큰 필요를 발견하고, 그 해결책을 찾기 위해 노력해 왔습니다.

당신은 전통적인 AI에서 생성 AI로의 전환过程에서 어떤 주요 발전을 관찰했으며, 이 전환은 다양한 산업에 어떤重大한 영향을 미쳤습니까?

 2022년, 우리는 생성 AI를 실험하기 시작했습니다. 유틸리티 부문에서 생성 AI는 흥미로운 사용 사례입니다. 우리가 작업하는 데이터에는 많은 변수가 있습니다. 카메라 해상도, 촬영 각도, 객체 거리 등이 있습니다. 이러한 복잡성으로 인해 좋은 훈련 데이터를 얻는 것이 어렵습니다.

그것이 생성 AI가 최근 몇 년 동안 나타난 이유입니다. 인공 지능 및 기계 학습이 개선됨에 따라, 훈련 세트도 개선됩니다.

생성 AI는 특히 변수가 극단적인 값일 때, 예를 들어 산불의 경우, 모델을 훈련하는 데 유용한 옵션이 되었습니다. 유틸리티 산업에서 생성 AI가 진행됨에 따라, 실제 데이터를 기반으로 한 합성 데이터 세트는 모델을 더 복잡한 및 고유한 데이터 시나리오를 더 효과적으로 처리하도록 훈련하는 데 도움이 될 것입니다. 이는 예측 유지 보수 및 이상 감지에서重大한 개선을 제공할 것입니다.

Buzz Solutions의 AI 도구는 실제 데이터를 사용하여 이상 감지를 어떻게 수행하며, 이는 합성 데이터와 비교하여 어떤 이점을 제공합니까?

유틸리티 산업에서 실제 데이터는 일반적으로 드론 또는 헬리콥터와 같은 공중 원천에서 촬영된 이미지 또는 비디오를 의미합니다. 합성 데이터는 이미지 복제 과정을 통해 수집된 데이터로, 다양한 시나리오 및 에지 케이스를 계산하기 위해 수동으로 이미지의 다양한 구성 요소를 변경하는 과정입니다. 현재, 이는 이론적으로 좋지만 실제로는 그렇지 않습니다. 실제 데이터에서 훈련된 모델은 더 정확한 것으로 입증되었습니다. 실제 데이터를 사용하면 기술자들이 실제 세계 시나리오와 1:1 매핑할 수 있습니다. 실제 데이터는 실제 세계의 가능성을 계산하며, 예측하지 못한 변수를 포함합니다.

합성 데이터만으로는 실제 세계 시나리오를 최적화할 수 없습니다. 그러나 모델을 훈련하는 데 중요한 역할을 합니다.

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

유틸리티 회사에서 레거시 시스템은 종종 AI 발전에 호환되지 않습니다. 두 가지 주요 도전은 내부 변환 및 데이터 관리입니다. 데이터 및 통신의 시洛는 디지털 변환 노력을 해칠 수 있습니다. 유틸리티가 이미 소유한 데이터는 관리되고 보안되어야 하며, 정보가 전달되는 동안에도 vậy입니다.

또한, 온프레미스 데이터 저장소를 사용하는 유틸리티는 더 큰 도전을 직면합니다. 온프레미스 데이터 저장소에서 클라우드 인프라로의 전환은 문제가 아닙니다. 그러나 이 전환의 후폭풍과 함께하는 광범위한 변환은 상당한 자원과 시간을 필요로 하며, 이 과정에서 다른 기술을 추가하는 것이 어렵습니다. 효과적인 AI 솔루션을 도입하는 것은 이 과정의 완료 후에 권장되지 않습니다.

또한, 내부적으로 기술적인 변화를 위한 문화적인 변화를 가져야 합니다. 이는 직원들이 지속적인 학습 및 적응성을 가지며, AI 솔루션을 효과적인 도구로 간주하여 일상 업무를 더 쉽고 효율적으로 만드는 데 도움이 됩니다.

필드 테스트된 데이터를 사용하여 AI 모델을 훈련하는 과정을 설명해 주시겠습니까?

훈련 과정의 큰 부분은 드론과 헬리콥터에서 제공되는 공중 데이터를 처리하는 것입니다. 우리는 위성 대신 드론을 사용하기로 했습니다. 즉시적인 데이터 전달과 유연성을 제공하기 때문입니다. 우리는 세 가지 유형의 알고리즘을 사용합니다: 이미지 클러스터링, 분할, 및 이상 감지.

우리 기술은 인간-인-루프 기계 학습을 기반으로 하며, 모델의 예측에 대한 피드백을 제공하는 것을 허용합니다. 우리는 десяти 년 이상의 현장 기술자 경험을 가진 전문가 팀을 가지고幸運입니다. 그들은 모델을 더 정확하고 개인화된 것으로 만드는 피드백을 제공합니다.

실제 필드 테스트된 데이터를 사용함으로써, 우리는 이상 감지가 매우 정확하고 신뢰할 수 있음을 보장할 수 있습니다. 유틸리티 회사에 행동 가능한 통찰력을 제공합니다.

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

전력선 수리 작업은 미국에서 가장 위험한 직업 중 하나이며, 노동력의 고령화와 기술자 부족의 영향을 받고 있습니다.

우리의 기술, PowerAI,를 사용하면 응급 대응이 더 효과적이고 정확해집니다. 기술자들은 원격으로 손상을 평가하고, 미리 결정된 조치를 개발할 수 있습니다. 이는 기술자가 미지의 상황에 노출될 가능성을 줄입니다.

PowerAI는 컴퓨터 비전 및 기계 학습을 사용하여 결함 감지 과정을 자동화합니다. 이는 데이터 분석을 더 빠르고, 더 저렴하고, 더 안전하게 만듭니다. 기술자는 불필요한 위험을 줄이고, 운영 효율성을 높일 수 있습니다. 이는 비용을 줄이고, 처리 시간을 단축하며, 예방 유지 보수를 제공합니다.

드론 및 기타 고급 기술은 인프라 검사 현대화를 어떻게 도와줍니까?

과거에는 인프라 검사가 완전히 수동적이고 단조로웠습니다. 검사자는 컴퓨터 화면 앞에 앉아, 수천 개의 이미지를 살펴보고, 수동으로 문제를 식별했습니다. 이는 전력선 문제가 증가하고, 더 많은 데이터를 검토해야 하는 상황에서 지속할 수 없게 되었습니다.

AI 기반 기술은 데이터 분석 과정을 크게 간소화합니다. 이는 유틸리티 회사들이 수리 팀을 더 빠르고 효과적으로 배치할 수 있도록 합니다. 또한, 문제 감지가 더 정확해집니다. 이는 정시 수리가 가능하고, 잠재적인 위험을 방지합니다.

이미지 캡처를 위해 드론 검사는 헬리콥터, 위성, 고정익 항공기와 같은 다른 방법보다 더 안전하고 비용 효율적입니다. 드론은 더 세부적인 정보를 캡처할 수 있습니다.

Buzz Solutions의 AI 기반 플랫폼은 유틸리티 회사에 예측 유지 보수 및 비용 절감을 어떻게 도와줍니까?

우리의 솔루션은 그리드 검사에서 대부분의 수동 분석 작업을 제거합니다. PowerAI는 잠재적인 재난을 방지하기 위해 위험한 상황을 신속하게 식별할 수 있습니다. 또한, 감시 및 보안 목적으로 중요한 정보를 제공합니다. AI 알고리즘은 극단적인 온도, 무단 접근/인원, 열 이미지 등 이상을 식별하도록 훈련됩니다.

예방적 추적에 더하여, PowerAI는 최적화된 유지 보수 계획을 위한 이상의 계층화된 우선순위를 제공할 수 있습니다. 이러한 모든 것들은 물리적 검사의 필요를 줄이고, 수동 검사의 관련된 비용 및 위험을 줄입니다. AI 기반 플랫폼은 또한 더 정확하고 정확한 감지를 제공하여, 유지 보수 결정의 개선에 기여합니다.

유틸리티 회사에서 AI를 도입했을 때 운영 효율성에 어떤 영향을 미치나요?

AI 모델을 도입한 후, 유틸리티 회사에서는 지속적으로 모델의 이점을 누릴 수 있습니다. AI 모델의 수명은 설치에서 시작됩니다. AI는 수천 개의 이미지에서 행동 가능한 통찰력을 수집할 수 있습니다. 이는 우리가 유틸리티 회사로부터 첫 번째 데이터 세트를 테이프로 받았던 시절과는 다르게, 지속적으로 스마트해지고 있습니다. AI는 초기에 유지 보수 문제를 더 쉽게 식별할 수 있게 해줍니다. 이는 소규모 사고가 더 큰 안전 위험으로 확대되는 것을 방지합니다. 또한, 인간의 검사의 필요를 줄이고, 비용을 절감합니다.

당신의 기사 “유틸리티 회사에서 AI를 도입하는 것은 시작에 불과하다”에서, AI 도입의 초기 단계에 대해 논의했습니다. 유틸리티 회사에서 AI 여정을 시작하기 위해 가장 중요한 고려 사항은 무엇입니까?

유틸리티 회사에서 AI를 사용할 수 있는巨大的 기회가 있습니다. 그러나, 시작하기 전에, 목표를 식별하고, 안정적인 기반을 마련해야 합니다. 현재 직면하고 있는 도전을 AI가 어떻게 해결할 수 있는지, 팀이 기술적 전문 지식과 시간을 가지고 있는지, 그리고 고객에게 어떤 영향을 미칠지 고려해야 합니다.

내부적으로 조정되는 것 외에도, 유틸리티 회사에서는 더 많은 데이터를 수집하게 될 것이며, 이는 더 많은 유지 보수가 필요할 수 있습니다. 유틸리티 회사에서는 이러한 요청에 대비하고, 적절한 자원을 확보해야 합니다. 또한, 유틸리티 회사에서는 솔루션 제공업체와 협력하여 AI 솔루션을 배포할 때, 데이터 접근, 개인 정보 보호 및 보안을 보장해야 합니다. AI 생성 통찰력은 최종적으로 기존 유틸리티 워크플로에 피드되어, 조직의 비즈니스 및 운영 목표를 달성할 수 있어야 합니다.

이번 인터뷰에 감사드립니다. 더 많은 정보를 원하는 독자는 Buzz Solutions를 방문하시기 바랍니다.