Vikhyat Chaudhry, CTO, COO og medgrunnlegger av Buzz Solutions – Intervju-serie

Vikhyat Chaudhry er CTO, COO og medgrunnlegger av Buzz Solutions og tidligere data scientist i Cisco, maskinlærings-/innbygd systemer-ingeniør i Altitude og Stanford-utdannet.

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

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

Jeg vokste opp i New Delhi, India, med en naturlig nysgjerrighet for innovasjon og ingeniørarbeid, og jeg gikk på Delhi College of Engineering, der jeg studerte sivil- og miljøingeniør. Jeg husker spesielt en episode 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 knyttet til energi og kraft.

Før jeg grunnla Buzz, ledet min tekniske bakgrunn meg til min rolle som leder for maskinlærings- og data science-lag i Cisco Systems (CSCO ) i noen år. Denne erfaringen var uvurderlig og bygde min eksponering til en mangfoldig rekke kunstig intelligens- og maskinlæringsprosjekter tidlig.

Jeg fikk min mastergrad i sivil-/miljøingeniør fra Stanford University i 2016. Under denne tiden tok jeg klasser som spesialiserte seg i energiingeniør, og bygde min interesse som startet oversjøisk. Jeg møtte min medgrunnlegger Kaitlyn i en klasse der vi knyttet oss over våre lidenskaper for miljøet, energi og entreprenørskap. Vi sto over en stor 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, omfatter 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 treningsdata for grid-modeller være vanskelig å få.

Dette er der GenAI har kommet inn de siste årene – mens kunstig intelligens og maskinlæringsforbedringene forbedres, blir også treningssettene de lager, bedre.

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

Kan du forklare hvordan Buzz Solutions’ AI-verktøy bruker virkelige data for anomali-detteksjon og hvilke fordeler det tilbyr i forhold til syntetiske data?

I utility-industrien, betyr virkelige data hva som enn kan fanges i feltet, vanligvis inkludert bilder eller videoer tatt fra luftfartøy som droner eller helikoptre. Syntetiske data, på den andre siden, er data samlet gjennom en bilde-replikasjonsprosess som manuelt endrer forskjellige komponenter av et bilde for å prøve å rekke 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 i feil-detteksjon.

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 ikke kompatible med AI-fremgang. To store utfordringer vi ser selskaper møter, er intern transformasjon og datahåndtering. Segmentert 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. Overgangen 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 kritiske infrastruktur-steder?

En stor del av treningsprosessen er å innhente de luftfartøy-dataene som leveres av droner og helikoptre. Vi velger å bruke droner over metoder som satellitter, på grunn av fleksibiliteten og den umiddelbare data-leveringen de tillater. Vi bruker tre hovedtyper algoritmer: bilde-klustering, segmentering og anomali-detteksjon.

Vår teknologi er drevet av Human-in-the-loop maskinlæringsmodell – 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 de fagfolkene på våre team som vi har – med deres tiår med kombinert felt-teknisk erfaring, gir de tilbakemelding til å gjøre våre modeller mer nøyaktige, personaliserte og robuste.

Ved å bruke virkelige felt-testede data, kan vi sikre at vår anomali-detteksjon er svært nøyaktig og pålitelig, og gir utility-selskaper med handlebare 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, har nødrespons blitt mer effektiv og nøyaktig, så teknikerne kan vurdere skader fjern og ha tid til å utvikle en forhåndsbestemt handling – som reduserer muligheten for å sende en tekniker til en ukjent, potensielt farlig situasjon.

PowerAI bruker datamaskin-syn og maskinlæringsmodell til å automatisere en stor del av feil-detteksjonsprosessen. Den har gjort analysen av store mengder data-punkter raskere, tryggere og billigere, så teknikerne møter redusert unødvendig risiko og høyere operasjonell effektivitet. Denne operasjonelle effektiviteten presenterer seg gjennom mindre kostnader, raskere omgangstider og forebyggende vedlikehold.

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

Historisk sett har prosessen med infrastruktur-inspeksjoner vært fullstendig manuell og svært kjedelig. Inspektører ville sitte foran skjermene, bladre gjennom tusenvis av bilder og identifisere problemer for hånd. Denne prosessen ble uholdbar når kraftlinjer fortsatt opplevde problemer, som ledet til flere farlige situasjoner og økte regulatoriske oversikter, og økte 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. Detteksjonen av problemer er også mer presis, og sikrer at reparasjoner er rettidige 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 portabilitet tillater dem å manøvrere på en måte som gjør at de kan komme nære 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 til å identifisere anomalier som ekstreme temperaturer, uautorisert kjøretøy-tilgang/personell, termisk avbildning og mer.

I tillegg til forebyggende sporing, kan PowerAI også gi trinnvis prioritering av anomalier for optimalt vedlikeholdsplanlegging. Alle disse tingene minimiserer behovet for fysisk inspeksjon, reduserer operasjonelle kostnader og sikkerhetsrisiko forbundet med manuell inspeksjon. AI-drevne plattformen gir også mer presis og nøyaktig deteksjon, som forbedrer vedlikeholdsbeslutninger.

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

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

I din artikkel “Adopting AI Is Just The Beginning For Utility Companies,” diskuterer du de innledende skrittene 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 internasjonalt orientert, 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 ressurser før de starter sin AI-reise. Utility-selskaper må også arbeide med løsningsleverandører for å implementere riktig data-tilgang, personvern og sikkerhet når de deployer AI-løsninger. AI-genererte innsikter bør til slutt bli matet inn i eksisterende utility-arbeidsflyter, så de blir handlebare og kan møte bedrifts- og operasjonelle mål for organisasjonen.

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