Vikhyat Chaudhry, CTO, COO & Co-Founder of Buzz Solutions – Intervju-serie

Vikhyat Chaudhry er CTO, COO og medgründer av Buzz Solutions og en tidligere data scientist ved Cisco, en maskinlæring/innbygde systemer ingeniør ved Altitude og en Stanford-utdannet.

Buzz Solutions leverer nøyaktig AI og prediktiv analytikk programvare for å gi mer effektive visuelle inspeksjoner for overførings-, distribusjons- og understasjonsinfrastruktur.

Kan du dele din reise og karrierehøydepunkter som ledet deg til å co-grunnlegge Buzz Solutions?

Jeg vokste opp i New Delhi, India, med en naturlig nysgjerrighet for innovasjon og ingeniørkunst og jeg gikk på Delhi College of Engineering hvor jeg studerte sivil- og miljøingeniørkunst. Jeg husker spesielt et øyeblikk under mitt siste år da jeg bygde en drone fra scratch og fløy den i byen. Oppgaven var å overvåke luftforurensning i New Delhi og gjennom dette eksperimentet, fant jeg at kvaliteten var over 500 AQI, som er ekvivalent med å røyke 60 sigaretter om dagen. Den dårlige luftkvaliteten kunne direkte spores til en mangel på elektrifisering, økende bilutslipp og økt antall kullkraftverk over årene. Denne erfaringen befestet min interesse for å bruke teknologi til å løse virkelige problemer forbundet med energi og kraft.

Før jeg grunnla Buzz, ledet min tekniske bakgrunn meg til min rolle som leder for maskin AI og data science-lag ved Cisco Systems i noen år. Denne erfaringen var uvurderlig og bygde min eksponering til en mangfoldig rekke av kunstig intelligens og maskinlæringprosjekter tidlig.

Jeg fikk min mastergrad i sivil-/miljøingeniørkunst fra Stanford University i 2016. Under denne tiden tok jeg klasser som spesialiserte seg i energiteknikk, bygde min interesse som startet oversjøisk. Jeg møtte min medgründer Kaitlyn i en klasse hvor vi bandt oss over våre lidenskaper for miljøet, energi og entreprenørskap. Vi stolte på et stort behov i utility-industrien og har arbeidet på løsninger for å løse det siden.

Hva er de viktigste utviklingene du har observert i overgangen fra tradisjonell AI til Generative AI under din karriere, og hva er de betydelige effektene denne overgangen har hatt på ulike industrier?

 I 2022, begynte vi å eksperimentere med Generative AI. GenAI i utility-sektoren er en interessant brukssak fordi dataene vi arbeider med, inneholder mange forskjellige variabler. Det er faktorer som kameraoppløsning, vinkel på opptak og objektavstand – og det er bare for dronene. Det er også miljøforhold som korrosjon eller vegetasjon som introduserer mange frihetsgrader. På grunn av denne kompleksiteten, kan god treningdata for grid-modeller være vanskelig å få.

Det er der GenAI har kommet inn de siste årene – når kunstig intelligens og maskinlæring forbedres, blir også treningssettene det skaper bedre.

GenAI er blitt en livskraftig mulighet for å trene modeller, spesielt med kritiske ‘edge cases’ hvor variablene har mer ekstreme verdier, som i tilfelle av en brann. Etterhvert som GenAI i utility-industrien fremover, vil syntetiske datasamlinger, basert på virkelige data, hjelpe med å trene modeller for å håndtere komplekse og unike datasituasjoner mer effektivt, og tilby betydelige forbedringer i prediktiv vedlikehold og anomali-deteksjon, som vil redusere naturskader.

Kan du forklare hvordan Buzz Solutions’ AI-verktøy bruker virkelige data for anomali-deteksjon og hvilke fordeler det tilbyr sammenlignet med syntetiske data?

I utility-industrien, betyr virkelige data hva som helst som kan fanges i feltet, vanligvis inkludert bilder eller video tatt fra luftbårne kilder som droner eller helikoptre. Syntetiske data, på den andre siden, er data samlet inn gjennom en bilde-replikasjonsprosess som manuelt endrer forskjellige komponenter av et bilde for å forsøke å regne med en eksponentiell mengde scenarioer og edge-cases. For tiden er det bra på papir, men ikke i praksis. Modeller trent med virkelige data fra starten, er bevist å være mer nøyaktige og fordelen er at gjennom bruk av virkelige data, kan teamene kartlegge 1:1 med ‘ground truth’ – en nøyaktig representasjon av de fysiske verdens-scenariene en tekniker sannsynligvis vil møte (som bakgrunnsstøy og vær). De virkelige dataene tar hensyn til virkelige muligheter og inkluderer de uforutsigbare variablene for feil-deteksjon.

Mens syntetiske data alene ikke kan optimalisere for virkelige verdens-scenarier (ennå), spiller det likevel en viktig rolle i å trene modeller.

Hva er de største utfordringene du møter når du integrerer AI med legacy-systemer i utility-selskaper?

Legacy-systemer i utility-selskaper er ofte uforenlige med AI-fremgang. To større utfordringer vi ser selskaper møter, er intern transformasjon og datahåndtering. Segmenterte data og kommunikasjon kan være skadelig for digital transformasjonsinnsats. Dataene utility-selskapene allerede besitter, må håndteres og sikres mens informasjonen overføres.

I tillegg møter utility-selskaper som fortsatt bruker lokale data-lagring større utfordringer. Skiftet fra lokale data-lagring til sky-infrastruktur er ikke problemet, men snarere den omfattende transformasjonen og etterverkningene som følger. Denne prosessen krever betydelige ressurser og tid, og gjør det vanskelig å legge til forskjellige teknologier på toppen av overgangen. Innføring av effektive AI-løsninger anbefales ikke før denne prosessen er fullført.

Det er også viktig at internt, det er en kulturell skift sammen med teknologiskiftet. Dette krever at ansatte er på bordet med kontinuerlig læring og tilpasning til endringer i prosessen og ser på AI-løsninger som effektive verktøy for å gjøre deres dag-til-dag-jobb enklere og mer effektiv.

Kan du forklare prosessen med å trene AI-modeller med felt-testede data fra vitale infrastruktur-steder?

En stor del av treningsprosessen er å innta de luftbårne dataene levert av droner og helikoptre. Vi velger å bruke droner over metoder som satellitter på grunn av fleksibiliteten og umiddelbare data-leveringen de tillater. Vi bruker tre hoved-typer algoritmer: bilde-klustering, segmentering og anomali-deteksjon.

Vår teknologi er drevet av Human-in-the-loop maskinlæring – som tillater fagfolk på vårt team å gi direkte tilbakemelding til modellen for prediksjoner under en viss nivå av tillit. Vi er heldige å ha fagfolkene på våre team som vi har – med deres årtier av kombinert felt-tekniker-erfaring, gir de tilbakemelding for å gjøre våre modeller mer nøyaktige, personlige og robuste.

Ved å bruke virkelige felt-testede data, kan vi sikre at vår anomali-deteksjon er svært nøyaktig og pålitelig, og gir utility-selskaper handling-orienterte innsikter.

Hvordan bidrar Buzz Solutions’ AI-teknologi til å gjøre kraftlinje-reparasjoner tryggere?

Kraftlinje-reparasjonsarbeid er ett av de dødeligste yrkene i Amerika, og industrien opplever effektene av en aldrende arbeidsstyrke og tekniker-mangel.

Med vår teknologi, PowerAI, er nødsituasjons-svar blitt mer effektivt og nøyaktig, så teknikerne kan vurdere skaden på avstand og ha tid til å utvikle en forhåndsbestemt handlingsplan – som reduserer muligheten for å sende en tekniker inn i en ukjent, potensielt farlig situasjon.

PowerAI bruker datavisning og maskinlæring til å automatisere en stor del av feil-deteksjonsprosessen. Det har gjort analysen av store mengder data-punkter raskere, tryggere og billigere, så teknikerne møter redusert unødvendig risiko og høyere operasjonell effisiens. Denne operasjonelle effisiensen presenterer seg gjennom lavere kostnader, raskere omgangstider og forebyggende vedlikehold.

Hva rolle spiller droner og andre avanserte teknologier i å modernisere infrastruktur-inspeksjoner?

Historisk sett var prosessen med infrastruktur-inspeksjoner fullstendig manuell og svært kjedelig. Inspektører ville sitte foran dataskjermen, skyffe gjennom tusenvis av bilder og identifisere problemer for hånd. Denne prosessen ble uholdbar når kraftlinjer fortsatte å møte problemer som ledet til mer usikre situasjoner og økte regulatoriske oversikter, økende mengden data som måtte gjennomgås på en kortere tid.

AI-basert teknologi strømlinjeformer betydelig prosessen med å analysere data, som reduserer tiden og kostnadene involvert. Dette tillater utility-selskaper å deployere reparasjons-team raskere og mer effektivt. Deteksjonen av problemer er også mye mer presis, og sikrer at reparasjoner er punktlige og forebygger voksende farer.

Ved å fange bilder for analyse, er drone-inspeksjoner tryggere og mer kostnadseffektive enn andre metoder for infrastruktur som helikoptre, satellitter og faste fly. Deres mobilitet tillater dem å manøvrere på en måte som de kan komme nær og fange mer detaljert informasjon.

Hvordan hjelper Buzz Solutions’ AI-drevne plattform utility-selskaper med prediktivt vedlikehold og kostnadsbesparelse?

Vår løsning tar mesteparten av den manuelle analyse-arbeidet ut av grid-inspeksjon. PowerAI kan raskt identifisere farlige situasjoner for å forhindre potensielle katastrofer og gi kritisk informasjon for overvåking og sikkerhetsformål. AI-algoritmene er trent for å identifisere anomalier som ekstreme temperaturer, uautorisert kjøretøy-tilgang/personale, termisk avbildning og mer.

I tillegg til forebyggende sporing, kan PowerAI også gi trinnvis prioritering av anomalier for optimalt vedlikeholdsplanlegging. Alle disse tingene minimerer behovet for fysiske inspeksjoner, reduserer operasjonelle kostnader og sikkerhetsrisiko forbundet med manuelle inspeksjoner. AI-drevne plattformen tilbyr også mer presis og nøyaktig deteksjon, som forbedrer vedlikeholds-beslutninger.

Kan du diskutere effekten av å adoptere AI på den operasjonelle effisiensen til utility-selskaper?

Etter den initielle hevingen av å adoptere en AI-modell, vil et utility-selskap fortsette å høste fordeler av modellen for en ubegrenset tid. Livssyklusen til en AI-modell begynner ved installasjon. AI kan høste handling-orienterte innsikter fra tusenvis av bilder tatt over hundrevis av miles med infrastruktur. Vurdert til at vi mottok vårt første datasett fra et utility-selskap på en tape, er dette ekstraordinært og det blir bare smartere. AI gjør tidlig deteksjon av vedlikeholds-problemer mye mer mulig, som forhindrer mindre hendelser fra å eskalere til større sikkerhets-hendelser som branner og alvorlige skader. Det reduserer behovet for menneskelige inspeksjoner, og gjør utility-selskapet mer kostnadseffektivt.

I din artikkel “Adopting AI Is Just The Beginning For Utility Companies,” diskuterer du de initielle stegene for AI-adopteringsprosessen. Hva er de mest kritiske overveielser for utility-selskaper som starter sin AI-reise?

Det er en stor mulighet for utility-selskaper å bruke AI, og mange løsninger å vurdere. Før du hopper inn, er det viktig å identifisere dine mål og sette en stabil grunn – hva utfordringer møter du for tiden som du ønsker AI å hjelpe med å løse? Har ditt team den tekniske ekspertisen og tiden til å ta på seg en så kompleks ombygging? Hvordan vil det påvirke dine kunder?

I tillegg til å være internt samstemt, er det viktig å være forberedt på å motta mer data enn utility-selskapet tidligere har hatt, som sannsynligvis vil føre til mer vedlikehold når problemer oppstår. Et utility-selskap bør ha en plan for å håndtere disse forespørslene og sikre at de har de riktige ressursene før de starter sin AI-reise. Utility-selskaper må også arbeide med løsnings-tilbydere for å implementere riktig data-tilgang, personvern og sikkerhet når de deployer AI-løsninger. AI-genererte innsikter bør til slutt mates inn i eksisterende utility-arbeidsflyter så de blir handling-orienterte og kan møte forretnings- og operasjonelle målene til organisasjonen.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Buzz Solutions.