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 machine learning/embedded systems w Altitude i absolwentem Stanfordu.

Buzz Solutions dostarcza dokładne oprogramowanie AI i analityki predykcyjnej, aby umożliwić bardziej wydajne wizualne inspekcje infrastruktury przesyłowej, dystrybucyjnej i stacji transformatorowych.

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

Urodziłem się w New 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 New Delhi, a poprzez ten eksperyment odkryłem, 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 zwiększającej się liczbie elektrowni węglowych na przestrzeni lat. To doświadczenie umocniło moje zainteresowanie wykorzystaniem technologii do rozwiązywania realnych problemów związanych z energią i mocą.

Przed założeniem Buzz, mój techniczny background doprowadził mnie do mojej roli jako Lead of Machine AI and Data Science Teams w Cisco Systems na kilka lat. To doświadczenie było bezcenne i zbudowało moje doświadczenie w różnorodnym zakresie projektów sztucznej inteligencji i machine learningu.

Ukończyłem studia magisterskie z inżynierii lądowej i środowiskowej na Uniwersytecie Stanforda w 2016 roku. Podczas tego czasu uczęszczałem na zajęcia specjalizujące się w inżynierii energetycznej, rozwijając moje zainteresowanie, które rozpoczęło się za granicą. Poznałem mojego współzałożyciela Kaitlyn na zajęciach, gdzie 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 rozwiązać.

Jakie kluczowe rozwoju obserwowałeś w przejściu od tradycyjnego AI do Generative AI podczas Twojej kariery, i jakie znaczące wpływy miało to przejście na różne branże?

W 2022 roku zaczęliśmy eksperymentować z Generative AI. GenAI w sektorze energetycznym jest ciekawym przypadkiem użycia, ponieważ dane, z którymi pracujemy, obejmują wiele różnych zmiennych. Są 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 siatki mogą być trudne do zdobycia.

To właśnie tam GenAI wszedł w grę w ciągu ostatnich kilku lat – wraz z poprawą sztucznej inteligencji i machine learningu, poprawiają się również zestawy danych, które tworzy.

GenAI stał się wiarygodną opcją szkolenia modeli, szczególnie w przypadku „krawędziowych przypadków”, gdzie 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, aby lepiej radzić sobie z złożonymi i unikalnymi scenariuszami danych, co przyniesie znaczące poprawy w konserwacji predykcyjnej i wykrywaniu anomalii, co z kolei zmniejszy katastrofy naturalne.

Czy możesz wyjaśnić, w jaki sposób 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 obejmujące obrazy lub filmy nagrane z powietrza, takie jak drony lub helikoptery. Dane syntetyczne, z drugiej strony, są danymi zebranymi za pomocą procesu replikacji obrazu, który ręcznie zmienia różne składniki obrazu, aby spróbować uwzględnić eksponencjalną ilość scenariuszy i przypadków krawędziowych. 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 świata fizycznego, z którym technicy prawdopodobnie spotkają się (takich jak szum tła i pogoda). Dane rzeczywiste uwzględniają możliwości świata rzeczywistego i obejmują nieprzewidywalne zmienne wykrywania usterek.

Chociaż dane syntetyczne same w sobie nie są w stanie zoptymalizować scenariuszy świata rzeczywistego (jeszcze), odgrywają one 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, które widzimy, to przekształcenie wewnętrzne i zarządzanie danymi. Rozdzielone 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 używają magazynowania danych na miejscu, napotykają większe wyzwania. Przełączenie z magazynowania danych na miejscu na infrastrukturę chmurową nie jest problemem, ale raczej rozległą transformacją i wstrząsem, który następuje. Ten proces wymaga znacznych zasobów i czasu, co utrudnia dodawanie różnych technologii na wierzchu transformacji. Wprowadzenie skutecznych rozwiązań AI nie jest zalecane, dopóki ten proces nie zostanie zakończony.

Również ważne jest to, że wewnętrznie następuje przesunięcie kulturowe wraz z przesunięciem technologicznym. To wymaga, aby pracownicy byli zaangażowani w ciągłe uczenie się i adaptację do zmian w procesie i patrzenie na rozwiązania AI jako skuteczne narzędzia do ułatwienia ich codziennych zadań i efektywności.

Czy możesz wyjaśnić proces szkolenia modeli AI z danych polowych, przetestowanych na miejscach infrastruktury?

Duża część procesu szkolenia polega na spożyciu danych powietrznych dostarczonych przez drony i helikoptery. Wybieramy drony zamiast metod takich jak satelity ze względu na elastyczność i natychmiastową dostawę danych, które one zapewniają. Używamy trzech głównych różnych algorytmów: grupowania obrazów, segmentacji i wykrywania anomalii.

Nasza technologia jest napędzana przez Human-in-the-loop machine learning – co pozwala specjalistom od spraw substancji na naszym zespole na bezpośrednią informację zwrotną do modelu dla predykacji poniżej pewnego poziomu ufności. Mamy szczęście mieć specjalistów od spraw substancji w naszych zespołach, z którymi mamy do czynienia – z ich dziesiątkami lat połączonego doświadczenia jako technicy polowi, oni dostarczają informację zwrotną, aby nasze modele były bardziej dokładne, personalizowane i wytrzymałe.

Poprzez wykorzystanie danych polowych, możemy zapewnić, że nasze wykrywanie anomalii jest bardzo dokładne i niezawodne, dostarczając firmom energetycznym przydatne informacje.

Jak technologia AI Buzz Solutions przyczynia się do tego, aby naprawy linii energetycznych były bezpieczniejsze?

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

Z naszą technologią, PowerAI, reakcja awaryjna stała się bardziej skuteczna i dokładna, aby technicy mogli ocenić uszkodzenia na odległość i mieć czas na opracowanie wcześniej ustalonego planu działania – co zmniejsza możliwość wysłania technika do nieznanego, potencjalnie niebezpiecznego sytuacji.

PowerAI wykorzystuje komputerowe widzenie i machine learning, aby zautomatyzować dużą część procesu wykrywania usterek. Zrobiło to analizę ogromnych ilości danych szybszą, bezpieczniejszą i tańszą, aby teraz technicy mieli zmniejszone niepotrzebne ryzyko i wyższą efektywność operacyjną. Ta efektywność operacyjna objawia się mniejszymi kosztami, szybszymi czasami realizacji i konserwacją prewencyjną.

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 większych przeglądów regulacyjnych, zwiększając ilość danych, które musiały być przeanalizowane w krótszym czasie.

Technologia oparta na AI znacznie upraszcza proces analizy danych, co zmniejsza czas i koszty. To pozwala 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 rosnącym zagrożeniom.

Przy ujmowaniu obrazów do analizy, inspekcje dronów są bezpieczniejsze i bardziej opłacalne niż inne metody inspekcji infrastruktury, takie jak helikoptery, satelity i samoloty. 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 z konserwacją predykcyjną i oszczędnościami kosztów?

Nasze rozwiązanie usuwa większość ręcznej analizy z inspekcji siatki. PowerAI może szybko zidentyfikować 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 pojazdów/osób, termowizja i więcej.

Ponadto PowerAI może dostarczyć stopniowaną priorytetację anomalii do optymalizacji planowania konserwacji. Wszystkie te rzeczy minimalizują potrzebę fizycznych inspekcji, zmniejszając koszty operacyjne i ryzyko bezpieczeństwa związane z inspekcjami ręcznymi. Platforma AI dostarcza również bardziej precyzyjne i dokładne wykrywanie, poprawiając decyzje dotyczące konserwacji.

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

Po początkowym rozwoju przyjęcia modelu AI, firma energetyczna będzie nadal czerpać korzyści z modelu przez nieograniczony czas. Cykl życia modelu AI zaczyna się od instalacji. AI może wykorzystywać przydatne informacje z tysiąca obrazów zrobionych w całych setkach mil infrastruktury. Biorąc pod uwagę, że otrzymaliśmy nasz pierwszy zestaw danych od firmy energetycznej na taśmie, jest to nadzwyczajne i ciągle się poprawia. AI sprawia, że wczesne wykrywanie problemów konserwacyjnych staje się o wiele bardziej możliwe, co zapobiega tym, że drobne incydenty eskalują w większe zagrożenia bezpieczeństwa, takie jak pożary i poważne urazy. Zmniejsza potrzebę inspekcji ludzkich, czyniąc firmę energetyczną bardziej opłacalną.

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, ważne jest, aby zidentyfikować swoje cele i ustalić stabilne podstawy – jakie wyzwania aktualnie napotykasz, których AI mógłby pomóc rozwiązać? Czy twój zespół posiada niezbędną wiedzę techniczną i czas, aby podjąć się tak złożonej przebudowy? Jak to wpłynie na twoich klientów?

Ponadto, aby być wewnętrznie zgodnym, ważne jest, aby być przygotowanym na otrzymanie więcej danych, niż firma miała wcześniej, co prawdopodobnie doprowadzi do większej konserwacji, gdy problemy wystąpią. Firma powinna mieć plan, aby pomieścić 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 wygenerowane przez AI powinny ostatecznie zostać wprowadzone do istniejących workflow firm energetycznych, aby stały się działaniem i mogły spełnić cele biznesowe i operacyjne organizacji.

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