Vikhyat Chaudhry, CTO, COO i współzałożyciel Buzz Solutions – seria wywiadów

Vikhyat Chaudhry jest CTO, COO i współzałożycielem Buzz Solutions oraz byłym naukowcem danych w Cisco, inżynierem systemów zagnieżdżonych i uczenia maszynowego w Altitude oraz absolwentem Uniwersytetu Stanforda.

Buzz Solutions dostarcza dokładne oprogramowanie sztucznej inteligencji i predykcyjnej analizy danych w celu zwiększenia wydajności wizualnych inspekcji infrastruktury przesyłowej, dystrybucyjnej i stacyjnej.

Czy możesz opowiedzieć o swojej drodze i wybitnych osiągnięciach, które doprowadziły Cię do założenia Buzz Solutions?

Dorastałem w Nowym Delhi, w Indiach, z naturalną ciekawością innowacji i inżynierii, i uczęszczałem do Delhi College of Engineering, gdzie studiowałem inżynierię lądową i środowiskową. Szczególnie pamiętam moment podczas mojego ostatniego roku, kiedy zbudowałem drona od podstaw i poleciał nim po mieście. Zadanie polegało na monitorowaniu zanieczyszczenia powietrza w Nowym Delhi, a dzięki temu eksperymentowi stwierdziłem, że jakość powietrza była powyżej 500 AQI, co jest równoznaczne z paleniem 60 papierosów dziennie. Zła jakość powietrza mogła być bezpośrednio przypisana brakowi elektryfikacji, rosnącym emisjom spalin i zwiększonej liczbie elektrowni węglowych na przestrzeni lat. To doświadczenie utrwaliło moje zainteresowanie wykorzystaniem technologii do rozwiązywania realnych problemów związanych z energią i mocą.

Przed założeniem Buzz, mój technologiczny background doprowadził mnie do mojej roli jako Lidera Zespołów Sztucznej Inteligencji i Nauki o Danych w Cisco Systems (CSCO ) przez kilka lat. To doświadczenie było niezwykle cenne i zbudowało moją ekspozycję na różnorodne projekty sztucznej inteligencji i uczenia maszynowego.

Ukończyłem studia magisterskie z inżynierii lądowej i środowiskowej na Uniwersytecie Stanforda w 2016 roku. Podczas tego czasu uczestniczyłem w zajęciach specjalizujących się w inżynierii energetycznej, budując moje zainteresowanie, które rozpoczęło się za granicą. Poznałem mojego współzałożyciela Kaitlyna na zajęciach, na których związaliśmy się naszą pasją do środowiska, energii i przedsiębiorczości. Natknęliśmy się na wielką potrzebę w branży energetycznej i od tego czasu pracujemy nad rozwiązaniami, aby ją zaspokoić.

Jakie kluczowe rozwoju obserwowałeś w przejściu od tradycyjnej sztucznej inteligencji do generatywnej sztucznej inteligencji w trakcie Twojej kariery, i jakie znaczące wpływy miało to przejście na różne branże?

 W 2022 roku zaczęliśmy eksperymentować z generatywną sztuczną inteligencją. GenAI w sektorze energetycznym jest ciekawym przypadkiem użycia, ponieważ dane, z którymi pracujemy, obejmują wiele różnych zmiennych. Są to czynniki takie jak rozdzielczość kamery, kąt uchwycenia i odległość obiektu – i to tylko dla dronów. Są również warunki środowiskowe, takie jak korozja lub wtargnięcie roślinności, które wprowadzają wiele stopni swobody. Z powodu tej złożoności, dobre dane szkoleniowe dla modeli siatkowych mogą być trudne do zdobycia.

To właśnie tam GenAI wkroczyło w ciągu ostatnich kilku lat – wraz ze wzrostem sztucznej inteligencji i uczenia maszynowego, poprawiają się również zestawy szkoleniowe, które tworzy.

GenAI stało się wiarygodną opcją szkolenia modeli, szczególnie w przypadku krytycznych „przypadków brzegowych”, w których zmienne mają bardziej ekstremalne wartości, takie jak w przypadku pożarów. W miarę postępu GenAI w branży energetycznej, syntetyczne zestawy danych, oparte na danych z świata rzeczywistego, pomogą w dalszym szkoleniu modeli do radzenia sobie z złożonymi i unikalnymi scenariuszami danych, oferując znaczące ulepszenia w konserwacji predykcyjnej i wykrywaniu anomalii, co z kolei zmniejszy liczbę klęsk żywiołowych.

Czy możesz wyjaśnić, jak narzędzie AI Buzz Solutions wykorzystuje dane rzeczywiste do wykrywania anomalii i jakie korzyści oferuje w porównaniu z danymi syntetycznymi?

W branży energetycznej dane rzeczywiste oznaczają wszystko, co można uzyskać w terenie, zwykle w postaci obrazów lub filmów zrobionych z powietrza, takich jak drony lub helikoptery. Dane syntetyczne, z drugiej strony, są danymi zebranymi za pomocą procesu replikacji obrazu, który ręcznie modyfikuje różne składniki obrazu, aby uwzględnić ogromną ilość scenariuszy i przypadków brzegowych. Obecnie jest to wspaniałe na papierze, ale nie w praktyce. Modele szkolone z danymi rzeczywistymi od samego początku okazały się bardziej dokładne, a zaletą jest to, że dzięki wykorzystaniu danych rzeczywistych, zespoły mogą mapować 1:1 z „prawdą terenową” – dokładnym odzwierciedleniem fizycznych scenariuszy, z którymi technicy prawdopodobnie się spotkają (takich jak szum tła i pogoda). Dane rzeczywiste uwzględniają możliwości świata rzeczywistego i obejmują nieprzewidywalne zmienne wykrywania awarii.

Chociaż dane syntetyczne same w sobie nie są w stanie zoptymalizować scenariuszy świata rzeczywistego (jeszcze), odgrywają ważną rolę w szkoleniu modeli.

Jakie są największe wyzwania, z którymi spotykasz się przy integrowaniu AI z systemami legacy w firmach energetycznych?

Systemy legacy w firmach energetycznych są często niezgodne z postępem AI. Dwa główne wyzwania, z którymi spotykają się firmy, to transformacja wewnętrzna i zarządzanie danymi. Zsiloowane dane i komunikacja mogą być szkodliwe dla wysiłków transformacji cyfrowej. Dane, którymi już dysponują firmy energetyczne, muszą być zarządzane i zabezpieczone, podczas gdy informacje są przenoszone.

Ponadto, firmy energetyczne, które nadal korzystają z magazynowania danych na miejscu, spotykają się z większymi wyzwaniami. Przełączenie z magazynowania danych na miejscu na infrastrukturę chmurową nie jest problemem, ale raczej rozległą transformacją i wstrząsem, który następuje po niej. Ten proces wymaga znacznych zasobów i czasu, co utrudnia dodawanie różnych technologii na szczyt przejścia. Wprowadzanie skutecznych rozwiązań AI nie jest zalecane, dopóki ten proces nie zostanie zakończony.

Ważne jest również, aby wewnętrznie nastąpiła zmiana kulturowa wraz ze zmianą technologiczną. Wymaga to, aby pracownicy byli zaangażowani w ciągłe uczenie się i dostosowywanie się do zmian w procesie i postrzegali rozwiązania AI jako skuteczne narzędzia, które ułatwiają im codzienną pracę.

Czy możesz opowiedzieć o procesie szkolenia modeli AI z danych polowych z krytycznych miejsc infrastruktury?

Duży fragment procesu szkoleniowego polega na przyjmowaniu danych powietrznych dostarczonych przez drony i helikoptery. Zdecydowaliśmy się używać dronów zamiast metod takich jak satelity ze względu na elastyczność i natychmiastową dostawę danych, które one zapewniają. Używamy trzech głównych rodzajów algorytmów: klasterowania obrazu, segmentacji i wykrywania anomalii.

Nasza technologia jest napędzana przez uczenie maszynowe z udziałem człowieka, które pozwala ekspertom z naszego zespołu na bezpośrednią informację zwrotną do modelu dla predykcji poniżej pewnego poziomu ufności. Mamy szczęście mieć w naszym zespole takich ekspertów, z którymi mamy do czynienia – z ich dziesiątkami lat połączonego doświadczenia jako technicy polowi, oni zapewniają informację zwrotną, aby nasze modele były bardziej dokładne, personalizowane i solidne.

Poprzez wykorzystanie danych polowych, możemy zapewnić, że nasze wykrywanie anomalii jest bardzo dokładne i niezawodne, dostarczając firmom energetycznym działania, które mogą być podjęte.

Jak technologia AI Buzz Solutions przyczynia się do zwiększenia bezpieczeństwa napraw linii energetycznych?

Praca przy naprawie linii energetycznych jest jednym z najbardziej niebezpiecznych zawodów w Ameryce, a branża doświadcza skutków starzejącej się siły roboczej i braku technicznego.

Z naszą technologią, PowerAI, odpowiedź na sytuacje awaryjne stała się bardziej skuteczna i dokładna, dzięki czemu technicy mogą ocenić uszkodzenia na odległość i mieć czas na opracowanie wcześniej ustalonego planu działania – co zmniejsza możliwość wysłania technika do nieznanego, potencjalnie niebezpiecznego położenia.

PowerAI wykorzystuje wizję komputerową i uczenie maszynowe, aby zautomatyzować dużą część procesu wykrywania awarii. Zrobiło to analizę wielu punktów danych szybszą, bezpieczniejszą i tańszą, dzięki czemu technicy mają mniejsze niepotrzebne ryzyko i wyższą efektywność operacyjną. Ta efektywność operacyjna objawia się mniejszymi kosztami, szybszymi czasami realizacji i konserwacją zapobiegawczą.

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

Historycznie proces inspekcji infrastruktury był całkowicie ręczny i bardzo monotonny. Inspektorzy siedzieli przed ekranem komputera, przewijali tysiące obrazów i identyfikowali problemy ręcznie. Ten proces stał się niewykonalny, gdy linie energetyczne nadal doświadczały problemów, prowadząc do niebezpieczniejszych sytuacji i zwiększonej liczby kontroli regulacyjnych, zwiększając ilość danych, które musiały być przeglądane w krótszym czasie.

Technologia oparta na AI znacznie upraszcza proces analizy danych, co zmniejsza czas i koszty. Pozwala to firmom energetycznym na szybsze i bardziej skuteczne rozmieszczenie zespołów naprawczych. Wykrywanie problemów jest również znacznie bardziej precyzyjne, co gwarantuje, że naprawy są terminowe i zapobiegają powstawaniu zagrożeń.

Ponadto, inspekcje dronów są bezpieczniejsze i bardziej efektywne pod względem kosztów niż inne metody inspekcji infrastruktury, takie jak helikoptery, satelity i samoloty z napędem stałym. Ich przenośność pozwala im manewrować w taki sposób, aby mogły zbliżyć się i uzyskać bardziej szczegółowe informacje.

Jak platforma AI Buzz Solutions pomaga firmom energetycznym w konserwacji predykcyjnej i oszczędnościach kosztów?

Nasze rozwiązanie usuwa większość pracy analitycznej z inspekcji siatkowej. PowerAI może szybko identyfikować niebezpieczne sytuacje, aby zapobiec potencjalnym katastrofom i dostarczyć krytyczne informacje do celów monitorowania i bezpieczeństwa. Algorytmy AI są szkolone, aby identyfikować anomalie, takie jak ekstremalne temperatury, nieautoryzowany dostęp osób/pojazdów, termowizja i więcej.

Ponadto PowerAI może zapewnić stopniowaną priorytetyzację anomalii do optymalnego planowania konserwacji. Wszystkie te rzeczy minimalizują potrzebę inspekcji fizycznych, zmniejszając koszty operacyjne i ryzyko bezpieczeństwa związane z inspekcjami ręcznymi. Platforma AI również zapewnia bardziej precyzyjne i dokładne wykrywanie, poprawiając decyzje konserwacyjne.

Czy możesz omówić wpływ przyjęcia AI na efektywność operacyjną firm energetycznych?

Po początkowym rozruchu przyjęcia modelu AI, firma energetyczna będzie nadal czerpać korzyści z modelu przez nieograniczony czas. Cykl życia modelu AI zaczyna się od instalacji. AI może pozyskać działania, które mogą być podjęte, z tysiąca obrazów zrobionych na setkach mil infrastruktury. Biorąc pod uwagę, że otrzymaliśmy nasz pierwszy zestaw danych od firmy energetycznej na taśmie, jest to nadzwyczajne i tylko się poprawia. AI sprawia, że wczesne wykrywanie problemów konserwacyjnych staje się o wiele bardziej możliwe, co zapobiega, aby drobne incydenty eskalowały w większe zagrożenia bezpieczeństwa, takie jak pożary i poważne urazy. Zmniejsza potrzebę inspekcji ludzkich, czyniąc firmę energetyczną bardziej efektywną pod względem kosztów.

W swoim artykule „Przyjęcie AI to tylko początek dla firm energetycznych” omawiasz pierwsze kroki w przyjęciu AI. Jakie są najważniejsze rozważania dla firm energetycznych rozpoczynających swoją podróż z AI?

Istnieje ogromna możliwość dla firm energetycznych, aby wykorzystać AI, i wiele rozwiązań do rozważenia. Przed skokiem w AI, ważne jest, aby zidentyfikować cele i ustalić stabilne podstawy – jakie wyzwania obecnie stoisz, których AI mogłoby pomóc rozwiązać? Czy Twoja drużyna posiada niezbędną ekspertyzę techniczną i czas, aby podjąć się tak złożonej przebudowy? Jak to wpłynie na Twoich klientów?

Ponadto, aby być wewnętrznie zgodnym, należy być przygotowanym na otrzymanie więcej danych, niż firma energetyczna miała wcześniej, co prawdopodobnie doprowadzi do większej konserwacji, gdy problemy się pojawią. Firma energetyczna powinna mieć plan, aby zaadaptować te prośby i upewnić się, że mają odpowiednie zasoby, zanim rozpoczną swoją podróż z AI. Firmy energetyczne również muszą współpracować z dostawcami rozwiązań, aby wdrożyć odpowiedni dostęp do danych, prywatność i bezpieczeństwo podczas wdrażania rozwiązań AI. Wglądy AI powinny ostatecznie zostać wprowadzone do istniejących workflowów firm energetycznych, aby stały się działaniami, które mogą być podjęte, i mogły spełnić cele biznesowe i operacyjne organizacji.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Buzz Solutions.