Vikhyat Chaudhry, dyrektor ds. technicznych, dyrektor operacyjny i współzałożyciel Buzz Solutions – seria wywiadów

Vikhyat Chaudhry jest dyrektorem technicznym, dyrektorem operacyjnym i współzałożycielem Rozwiązania Buzzowe oraz były analityk danych w Cisco, inżynier uczenia maszynowego/systemów wbudowanych w Altitude i absolwent Stanford.

Buzz Solutions dostarcza dokładne oprogramowanie do analizy sztucznej inteligencji i analiz predykcyjnych, które umożliwia skuteczniejsze inspekcje wizualne infrastruktury przesyłowej, dystrybucyjnej i podstacji.

Czy możesz podzielić się swoją podróżą i najważniejszymi momentami w karierze, które doprowadziły Cię do współzałożenia Buzz Solutions?

Dorastałem w New Delhi w Indiach z naturalną ciekawością innowacji i inżynierii. Uczęszczałem do Delhi College of Engineering, gdzie studiowałem inżynierię lądową i środowiskową. Szczególnie pamiętam moment na ostatnim roku studiów, kiedy zbudowałem od podstaw drona i latałem nim po mieście. Zadanie polegało na monitorowaniu zanieczyszczenia powietrza w New Delhi i dzięki temu eksperymentowi odkryłem, że jakość powietrza przekraczała 500 AQI, co odpowiada wypaleniu 60 papierosów dziennie. Złą jakość powietrza można bezpośrednio powiązać z brakiem elektryfikacji, rosnącą emisją spalin z pojazdów i zwiększoną na przestrzeni lat liczbą elektrowni węglowych. To doświadczenie ugruntowało moje zainteresowanie wykorzystaniem technologii do rozwiązywania rzeczywistych problemów związanych z energią i mocą.

Przed założeniem firmy Buzz moje doświadczenie technologiczne doprowadziło mnie na kilka lat do objęcia przez kilka lat roli lidera zespołów ds. sztucznej inteligencji maszynowej i analityki danych w Cisco Systems. To doświadczenie było bezcenne i już na wczesnym etapie umożliwiło mi kontakt z różnorodnymi projektami związanymi ze sztuczną inteligencją i uczeniem maszynowym.

Uzyskałem tytuł magistra inżynierii lądowej/środowiska na Uniwersytecie Stanforda w 2016 roku. W tym czasie brałem udział w zajęciach specjalizujących się w inżynierii energetycznej, rozwijając swoje zainteresowania, które rozpoczęły się za granicą. Moją współzałożycielkę Kaitlyn poznałem na zajęciach, podczas których połączyła nas pasja do ochrony środowiska, energii i przedsiębiorczości. Natknęliśmy się na wielką potrzebę w branży użyteczności publicznej i od tego czasu pracujemy nad rozwiązaniami, które ją zaspokoją.

Jakie kluczowe zmiany zaobserwowałeś w trakcie swojej kariery zawodowej od tradycyjnej sztucznej inteligencji do generatywnej sztucznej inteligencji i jaki znaczący wpływ miało to przejście na różne branże?

 W 2022 roku rozpoczęliśmy eksperymenty z generatywną sztuczną inteligencją. GenAI w sektorze użyteczności publicznej jest interesującym przypadkiem użycia, ponieważ dane, z którymi pracujemy, obejmują wiele różnych zmiennych. Istnieją czynniki takie jak rozdzielczość kamery, kąt uchwycenia i odległość od obiektu – i te dotyczą tylko dronów. Istnieją również warunki środowiskowe, takie jak korozja lub wkraczanie roślinności, które wprowadzają wiele stopni swobody. Ze względu na tę złożoność uzyskanie dobrych danych szkoleniowych dla modeli sieci może być trudne.

To właśnie w tym miejscu w ciągu ostatnich kilku lat wkroczyło GenAI – w miarę udoskonalania sztucznej inteligencji i uczenia maszynowego poprawiały się także tworzone przez nie zestawy szkoleniowe.

GenAI stała się realną opcją w przypadku modeli szkoleniowych, szczególnie w kluczowych „przypadkach skrajnych”, w których zmienne mają bardziej ekstremalne wartości, na przykład w przypadku pożaru. W miarę postępu GenAI w branży użyteczności publicznej, syntetyczne zbiory danych, oparte na danych ze świata rzeczywistego, pomogą w dalszym szkoleniu modeli w zakresie skuteczniejszej obsługi złożonych i unikalnych scenariuszy danych, oferując znaczące ulepszenia w zakresie konserwacji predykcyjnej i wykrywania anomalii, co z kolei zmniejszy liczbę klęsk żywiołowych .

Czy mógłbyś wyjaśnić, w jaki sposób narzędzie AI firmy Buzz Solutions wykorzystuje rzeczywiste dane do wykrywania anomalii i jakie korzyści oferuje ono w porównaniu z danymi syntetycznymi?

W branży użyteczności publicznej prawdziwe dane oznaczają wszystko, co można uchwycić w terenie, zazwyczaj włączając obrazy lub filmy pochodzące ze źródeł powietrznych, takich jak drony czy helikoptery. Z drugiej strony dane syntetyczne to dane gromadzone w procesie replikacji obrazu, który ręcznie zmienia różne komponenty obrazu, aby uwzględnić wykładniczą liczbę scenariuszy i przypadków brzegowych. Obecnie na papierze jest świetnie, ale nie w praktyce. Udowodniono, że modele trenowane od początku na rzeczywistych danych są dokładniejsze, a zaletą jest to, że dzięki wykorzystaniu rzeczywistych danych zespoły mogą mapować 1:1 z „podstawową prawdą” – dokładną reprezentacją scenariuszy świata fizycznego, jakie wykonuje technik które mogą wystąpić (takie jak hałas w tle i pogoda). Rzeczywiste dane uwzględniają rzeczywiste możliwości i obejmują nieprzewidywalne zmienne związane z wykrywaniem usterek.

Chociaż same dane syntetyczne nie są w stanie (jeszcze) zoptymalizować pod kątem rzeczywistych scenariuszy, nadal odgrywają ważną rolę w modelach szkoleniowych.

Jakie są największe wyzwania, przed którymi stoisz podczas integracji sztucznej inteligencji ze starszymi systemami w przedsiębiorstwach użyteczności publicznej?

Starsze systemy w przedsiębiorstwach użyteczności publicznej są często niezgodne z postępem sztucznej inteligencji. Dwa główne wyzwania, przed którymi stoją firmy, to transformacja wewnętrzna i zarządzanie danymi. Odizolowane dane i komunikacja mogą mieć szkodliwy wpływ na wysiłki związane z transformacją cyfrową. Dane, które już posiadają przedsiębiorstwa użyteczności publicznej, muszą być zarządzane i bezpieczne podczas przenoszenia informacji.

Ponadto przedsiębiorstwa użyteczności publicznej, które nadal korzystają z lokalnego magazynu danych, stoją przed większymi wyzwaniami. Problemem nie jest przejście z lokalnego przechowywania danych na infrastrukturę chmurową, ale raczej szeroko zakrojona transformacja i wstrząs wtórny, który po niej następuje. Proces ten wymaga znacznych zasobów i czasu, co utrudnia dodanie innych technologii poza przejściem. Nie zaleca się wprowadzania skutecznych rozwiązań AI do czasu zakończenia tego procesu.

Ważne jest również, aby wewnętrznie nastąpiła zmiana kulturowa wraz ze zmianą technologii. Wymaga to zaangażowania pracowników, którzy potrafią się ciągle uczyć i dostosowywać do zmian w procesie, a także postrzegania rozwiązań AI jako skutecznych narzędzi ułatwiających i zwiększających wydajność ich codziennej pracy.

Czy możesz wyjaśnić proces uczenia modeli sztucznej inteligencji na podstawie danych przetestowanych w praktyce z obiektów o kluczowej infrastrukturze?

Ogromna część procesu szkoleniowego polega na przetwarzaniu danych lotniczych dostarczanych przez drony i helikoptery. Wybieramy drony zamiast metod takich jak satelity ze względu na elastyczność i natychmiastowe dostarczanie danych, na jakie pozwalają. Stosujemy trzy główne typy algorytmów: grupowanie obrazów, segmentację i wykrywanie anomalii.

Nasza technologia opiera się na uczeniu maszynowym typu Human-in-the-loop, które umożliwia ekspertom z naszego zespołu bezpośrednie przekazywanie informacji zwrotnych do modelu w przypadku przewidywań poniżej określonego poziomu ufności. Mamy szczęście, że w naszych zespołach mamy MŚP – dzięki ich dziesięcioletniemu doświadczeniu w dziedzinie techników terenowych dostarczają one informacji zwrotnych, dzięki którym nasze modele są dokładniejsze, spersonalizowane i solidniejsze.

Wykorzystując rzeczywiste dane przetestowane w praktyce, możemy zapewnić wysoką dokładność i niezawodność wykrywania anomalii, zapewniając przedsiębiorstwom użyteczności publicznej przydatne informacje.

W jaki sposób technologia sztucznej inteligencji Buzz Solutions przyczynia się do zwiększenia bezpieczeństwa napraw linii energetycznych?

Naprawa linii energetycznych to jeden z najbardziej śmiercionośnych zawodów w Ameryce, a branża doświadcza skutków starzenia się siły roboczej i niedoborów techników.

Dzięki naszej technologii PowerAI reakcja w sytuacjach kryzysowych stała się skuteczniejsza i dokładniejsza, dzięki czemu technicy mogą zdalnie ocenić szkody i mieć czas na opracowanie ustalonego sposobu działania – co ogranicza możliwość wysłania technika w nieznaną, potencjalnie niebezpieczną sytuację .

PowerAI wykorzystuje wizję komputerową i uczenie maszynowe do automatyzacji dużej części procesu wykrywania usterek. Dzięki niemu analiza dużych mas punktów danych jest szybsza, bezpieczniejsza i tańsza, dzięki czemu technicy mają teraz mniejsze niepotrzebne ryzyko i wyższą wydajność operacyjną. Ta efektywność operacyjna objawia się niższymi kosztami, krótszym czasem realizacji i konserwacją zapobiegawczą.

Jaką rolę odgrywają drony i inne zaawansowane technologie w modernizacji inspekcji infrastruktury?

Historycznie rzecz biorąc, proces inspekcji infrastruktury był całkowicie ręczny i bardzo przyziemny. Inspektorzy siedzieli przed ekranem komputera, przeglądali tysiące zdjęć i ręcznie identyfikowali problemy. Proces ten stał się niezrównoważony, gdy na liniach energetycznych stale występowały problemy prowadzące do bardziej niebezpiecznych sytuacji i częstszych przeglądów regulacyjnych, co zwiększało ilość danych wymaganych do przeglądu w krótszym czasie.

Technologia oparta na sztucznej inteligencji znacznie usprawnia proces analizy danych, co ogranicza czas i koszty. Dzięki temu przedsiębiorstwa użyteczności publicznej mogą szybciej i efektywniej wysyłać zespoły naprawcze. Wykrywanie problemów jest również znacznie bardziej precyzyjne, co zapewnia terminowość napraw i zapobiega rosnącym zagrożeniom.

Jeśli chodzi o przechwytywanie obrazów do analizy, inspekcje dronami są bezpieczniejsze i bardziej opłacalne niż inne metody infrastruktury, takie jak helikoptery, satelity i stałopłaty. Ich przenośność pozwala im manewrować w taki sposób, że mogą zbliżyć się i uchwycić bardziej szczegółowe informacje.

W jaki sposób platforma Buzz Solutions oparta na sztucznej inteligencji pomaga przedsiębiorstwom użyteczności publicznej w konserwacji predykcyjnej i oszczędnościach?

Nasze rozwiązanie eliminuje większość ręcznej analizy związanej z inspekcją sieci. PowerAI może szybko zidentyfikować niebezpieczne sytuacje, aby zapobiec potencjalnym katastrofom i dostarczyć krytyczne informacje do celów monitorowania i bezpieczeństwa. Algorytmy sztucznej inteligencji są szkolone w zakresie identyfikowania anomalii, takich jak ekstremalne temperatury, nieautoryzowany dostęp do pojazdu/personelu, obrazowanie termowizyjne i nie tylko.

Oprócz śledzenia zapobiegawczego PowerAI może również zapewniać wielopoziomowe ustalanie priorytetów anomalii w celu zoptymalizowanego planowania konserwacji. Wszystko to minimalizuje potrzebę inspekcji fizycznych, redukując koszty operacyjne i ryzyko bezpieczeństwa związane z inspekcjami ręcznymi. Platforma oparta na sztucznej inteligencji zapewnia również bardziej precyzyjne i dokładne wykrywanie, usprawniając decyzje dotyczące konserwacji.

Czy możesz omówić wpływ wdrożenia sztucznej inteligencji na efektywność operacyjną przedsiębiorstw użyteczności publicznej?

Po początkowym wdrożeniu modelu sztucznej inteligencji przedsiębiorstwo użyteczności publicznej będzie nadal czerpać korzyści z modelu przez nieskończony czas. Cykl życia modelu AI rozpoczyna się w momencie instalacji. Sztuczna inteligencja może zbierać przydatne informacje z tysięcy zdjęć wykonanych na przestrzeni setek kilometrów infrastruktury. Biorąc pod uwagę, że nasz pierwszy zestaw danych otrzymaliśmy z narzędzia na taśmie, jest to niezwykłe i staje się coraz mądrzejsze. Sztuczna inteligencja znacznie ułatwia wczesne wykrywanie problemów związanych z konserwacją, co zapobiega przekształceniu się drobnych incydentów w większe zagrożenia bezpieczeństwa, takie jak pożary i poważne obrażenia. Zmniejsza potrzebę inspekcji człowieka, czyniąc narzędzie bardziej opłacalnym.

W swoim artykule „Wdrożenie sztucznej inteligencji to dopiero początek dla przedsiębiorstw użyteczności publicznej” omawiasz początkowe etapy wdrażania sztucznej inteligencji. Jakie są najważniejsze kwestie dla przedsiębiorstw użyteczności publicznej rozpoczynających swoją przygodę ze sztuczną inteligencją?

Przed przedsiębiorstwami użyteczności publicznej istnieje ogromna szansa na wykorzystanie sztucznej inteligencji, a dostępnych jest wiele rozwiązań do rozważenia. Zanim przystąpisz do działania, ważne jest, aby określić swoje cele i ustanowić stabilne podstawy – przed jakimi wyzwaniami obecnie stoisz, a w rozwiązaniu których chciałbyś, aby sztuczna inteligencja pomogła? Czy Twój zespół posiada wiedzę techniczną i czas, aby podjąć się tak skomplikowanego remontu? Jak wpłynie to na Twoich klientów?

Oprócz wewnętrznego dostosowania, narzędzie jest przygotowane na uzyskanie większej ilości danych niż wcześniej, co prawdopodobnie doprowadzi do częstszych prac konserwacyjnych w przypadku pojawienia się problemów. Narzędzie powinno mieć plan uwzględnienia tych żądań i mieć pewność, że ma odpowiednie zasoby przed rozpoczęciem swojej podróży do AI. Przedsiębiorstwa użyteczności publicznej muszą także współpracować z dostawcami rozwiązań, aby zapewnić odpowiedni dostęp do danych, prywatność i bezpieczeństwo podczas wdrażania rozwiązań AI. Wnioski wygenerowane przez sztuczną inteligencję należy wreszcie wprowadzić do istniejących przepływów pracy w narzędziach, aby stały się wykonalne i mogły spełniać cele biznesowe i operacyjne organizacji.

Dziękuję za wspaniały wywiad. Czytelnicy chcący dowiedzieć się więcej powinni odwiedzić nas Rozwiązania Buzzowe.