Vikhyat Chaudhry, CTO, COO & Co-Founder of Buzz Solutions – Série de Entrevistas

Vikhyat Chaudhry é o CTO, COO e co-fundador da Buzz Solutions e um ex-cientista de dados da Cisco, um engenheiro de aprendizado de máquina/sistemas incorporados da Altitude e um graduado de Stanford.

A Buzz Solutions entrega software de inteligência artificial e análise preditiva preciso para alimentar inspeções visuais mais eficientes para infraestrutura de transmissão, distribuição e subestação.

Pode compartilhar sua jornada e destaques de carreira que o levaram a co-fundar a Buzz Solutions?

Eu cresci em Nova Delhi, Índia, com uma curiosidade natural por inovação e engenharia e frequentei o Delhi College of Engineering, onde estudei Engenharia Civil e Ambiental. Em particular, lembro-me de um momento durante meu último ano, quando construí um drone do zero e o voei na cidade. A tarefa era monitorar a poluição do ar em Nova Delhi e, por meio desse experimento, descobri que a qualidade estava acima de 500 AQI, o que é equivalente a fumar 60 cigarros por dia. A má qualidade do ar podia ser diretamente atribuída à falta de eletrificação, às emissões veiculares crescentes e ao aumento do número de usinas de carvão ao longo dos anos. Essa experiência solidificou meu interesse em usar tecnologia para resolver problemas do mundo real associados à energia e ao poder.

Antes de fundar a Buzz, meu background tecnológico me levou ao meu papel como Líder de Equipes de Inteligência Artificial e Ciência de Dados da Cisco Systems por alguns anos. Essa experiência foi inestimável e construiu minha exposição a uma ampla gama de projetos de inteligência artificial e aprendizado de máquina desde cedo.

Eu recebi meu mestrado em Engenharia Civil/Ambiental da Universidade de Stanford em 2016. Durante esse tempo, fiz aulas especializadas em engenharia de energia, construindo meu interesse que começou no exterior. Conheci meu co-fundador Kaitlyn em uma aula onde nos unimos por nossas paixões pelo meio ambiente, energia e empreendedorismo. Descobrimos uma grande necessidade no setor de utilidades e temos trabalhado em soluções para resolver isso desde então.

Quais desenvolvimentos-chave você observou na progressão da inteligência artificial tradicional para a inteligência artificial gerativa durante sua carreira, e quais impactos significativos essa transição teve em várias indústrias?

 Em 2022, começamos a experimentar com inteligência artificial gerativa. A inteligência artificial gerativa no setor de utilidades é um caso de uso interessante, pois os dados com os quais trabalhamos envolvem muitas variáveis diferentes. Há fatores como resolução da câmera, ângulo de captura e distância do objeto – e esses são apenas para os drones. Também há condições ambientais, como corrosão ou invasão de vegetação, que introduzem numerosos graus de liberdade. Devido a essa complexidade, bons conjuntos de dados de treinamento para modelos de grade podem ser difíceis de encontrar.

É aí que a inteligência artificial gerativa entra em cena nos últimos anos – à medida que a inteligência artificial e o aprendizado de máquina melhoram, também melhoram os conjuntos de treinamento que cria.

A inteligência artificial gerativa se tornou uma opção viável para treinar modelos, especialmente com casos de bordo cruciais, onde as variáveis têm valores mais extremos, como no caso de um incêndio florestal. À medida que a inteligência artificial gerativa no setor de utilidades progride, conjuntos de dados sintéticos, baseados em dados do mundo real, ajudarão a treinar modelos para lidar com cenários de dados complexos e únicos de forma mais eficaz, oferecendo melhorias significativas na manutenção preditiva e detecção de anomalias, o que reduzirá desastres naturais.

Pode elaborar sobre como a ferramenta de inteligência artificial da Buzz Solutions usa dados reais para detecção de anomalias e os benefícios que oferece em relação aos dados sintéticos?

No setor de utilidades, dados reais significam qualquer coisa que possa ser capturada no campo, geralmente incluindo imagens ou vídeos tirados de fontes aéreas, como drones ou helicópteros. Dados sintéticos, por outro lado, são dados coletados por meio de um processo de replicação de imagens que altera manualmente vários componentes de uma imagem para tentar contabilizar um número exponencial de cenários e casos de bordo. Atualmente, é ótimo no papel, mas não na prática. Modelos treinados com dados reais desde o início são comprovados ser mais precisos e a vantagem é que, por meio do uso de dados reais, as equipes podem mapear 1:1 com a “verdade do solo” – uma representação precisa do mundo físico cenários que um técnico provavelmente encontrará (como ruído de fundo e clima). Os dados reais contabilizam possibilidades do mundo real e incluem as variáveis imprevisíveis da detecção de falhas.

Embora os dados sintéticos sozinhos não sejam capazes de otimizar para cenários do mundo real (ainda), eles ainda desempenham um papel importante no treinamento de modelos.

Quais são os maiores desafios que você enfrenta ao integrar inteligência artificial com sistemas legados em empresas de utilidades?

Sistemas legados em empresas de utilidades são frequentemente incompatíveis com avanços em inteligência artificial. Dois desafios principais que vemos as empresas enfrentarem são a transformação interna e o gerenciamento de dados. Dados e comunicação isolados podem ser prejudiciais aos esforços de transformação digital. Os dados que as utilidades já possuem devem ser gerenciados e seguros enquanto a informação é transportada.

Além disso, as utilidades que ainda usam armazenamento de dados local enfrentam desafios maiores. A mudança do armazenamento de dados local para infraestrutura de nuvem não é o problema, mas sim a transformação extensa e o choque que segue. Esse processo exige recursos e tempo substanciais, tornando difícil adicionar diferentes tecnologias em cima da transição. A introdução de soluções de inteligência artificial eficazes não é recomendada até que esse processo esteja completo.

É importante que, internamente, haja uma mudança cultural junto com a mudança tecnológica. Isso requer que os funcionários estejam a bordo com o aprendizado contínuo e a adaptabilidade às mudanças no processo e vejam as soluções de inteligência artificial como ferramentas eficazes para tornar seus trabalhos diários mais fáceis e eficientes.

Pode explicar o processo de treinamento de modelos de inteligência artificial com dados de campo testados de sites de infraestrutura vitais?

Uma grande parte do processo de treinamento é ingerir os dados aéreos fornecidos por drones e helicópteros. Escolhemos usar drones sobre métodos como satélites devido à flexibilidade e entrega imediata de dados que eles permitem. Usamos três tipos principais de algoritmos: agrupamento de imagens, segmentação e detecção de anomalias.

Nossa tecnologia é impulsionada pelo aprendizado de máquina com humanos no loop – o que permite que especialistas em matéria do nosso time forneçam feedback direto ao modelo para previsões abaixo de um determinado nível de confiança. Somos sortudos por ter os especialistas em matéria em nossas equipes – com décadas de experiência combinada de técnicos de campo, eles fornecem feedback para tornar nossos modelos mais precisos, personalizados e robustos.

Ao usar dados de campo testados reais, podemos garantir que nossa detecção de anomalias seja altamente precisa e confiável, fornecendo às empresas de utilidades insights ações.

Como a tecnologia de inteligência artificial da Buzz Solutions contribui para tornar os reparos de linhas de energia mais seguros?

O trabalho de reparo de linhas de energia é uma das ocupações mais mortais na América, e a indústria está sentindo os efeitos de uma força de trabalho envelhecida e escassez de técnicos.

Com nossa tecnologia, PowerAI, a resposta a emergências foi tornada mais eficaz e precisa, para que os técnicos possam avaliar danos remotamente e ter tempo para desenvolver um curso de ação predeterminado – o que reduz a possibilidade de enviar um técnico para uma situação desconhecida e potencialmente perigosa.

O PowerAI usa visão computacional e aprendizado de máquina para automatizar uma grande parte do processo de detecção de falhas. Ele tornou a análise de grandes massas de dados mais rápida, segura e barata, para que agora os técnicos enfrentem riscos desnecessários reduzidos e eficiência operacional maior. Essa eficiência operacional se apresenta por meio de menores custos, tempos de resposta mais rápidos e manutenção preventiva.

Qual é o papel dos drones e outras tecnologias avançadas na modernização das inspeções de infraestrutura?

Historicamente, o processo de inspeções de infraestrutura era completamente manual e muito monótono. Os inspetores sentavam-se em frente à tela do computador, folheavam milhares de imagens e identificavam problemas manualmente. Esse processo se tornou insustentável quando as linhas de energia continuaram a ter problemas, levando a situações mais perigosas e maior supervisão regulatória, aumentando a quantidade de dados que precisavam ser revisados em um curto período de tempo.

A tecnologia baseada em inteligência artificial simplifica significativamente o processo de análise de dados, o que reduz o tempo e o custo envolvidos. Isso permite que as empresas de utilidades implantem equipes de reparo mais rapidamente e de forma mais eficaz. A detecção de problemas também é muito mais precisa, garantindo que os reparos sejam oportunos e prevenindo perigos iminentes.

Ao capturar imagens para análise, as inspeções de drones são mais seguras e econômicas do que outros métodos de infraestrutura, como helicópteros, satélites e aeronaves de asa fixa. Sua portabilidade permite que eles sejam manobrados de uma maneira que possam se aproximar e capturar informações mais granulares.

Como a plataforma de inteligência artificial da Buzz Solutions ajuda as empresas de utilidades com manutenção preditiva e economia de custos?

Nossa solução tira a maior parte do trabalho de análise manual da inspeção da grade. O PowerAI pode identificar rapidamente situações perigosas para prevenir desastres potenciais e fornecer informações críticas para monitoramento e segurança. Os algoritmos de inteligência artificial são treinados para identificar anomalias, como temperaturas extremas, acesso de veículos ou pessoal não autorizados, imagem térmica e muito mais.

Além do rastreamento preventivo, o PowerAI também pode fornecer priorização tiered de anomalias para planejamento de manutenção otimizado. Todos esses fatores minimizam a necessidade de inspeções físicas, reduzindo custos operacionais e riscos de segurança associados a inspeções manuais. A plataforma de inteligência artificial também fornece detecção mais precisa e precisa, melhorando as decisões de manutenção.

Pode discutir o impacto da adoção de inteligência artificial na eficiência operacional das empresas de utilidades?

Depois do levantamento inicial da adoção de um modelo de inteligência artificial, uma empresa de utilidades continuará a colher os benefícios do modelo por um tempo ilimitado. O ciclo de vida de um modelo de inteligência artificial começa na instalação. A inteligência artificial pode colher insights ações de milhares de imagens tiradas em centenas de milhas de infraestrutura. Considerando que recebemos nosso primeiro conjunto de dados de uma utilidade em uma fita, isso é extraordinário e está apenas melhorando. A inteligência artificial torna a detecção antecipada de problemas de manutenção muito mais possível, o que impede que incidentes menores sejam agravados em perigos de segurança maiores, como incêndios florestais e lesões graves. Isso reduz a necessidade de inspeções humanas, tornando a utilidade mais eficaz em termos de custo.

Em seu artigo “Adotar Inteligência Artificial É Apenas o Começo para Empresas de Utilidades”, você discute os passos iniciais da adoção de inteligência artificial. Quais são as considerações mais críticas para as utilidades que estão começando sua jornada de inteligência artificial?

Há uma grande oportunidade para as utilidades usarem inteligência artificial, e muitas soluções para considerar. Antes de pular, é importante identificar seus objetivos e estabelecer uma base estável – quais desafios você está enfrentando atualmente que gostaria que a inteligência artificial ajudasse a resolver? Sua equipe possui a expertise técnica e o tempo para lidar com uma reforma complexa? Como isso afetará seus clientes?

Além de estar alinhado internamente, é importante estar preparado para obter mais dados do que a utilidade tinha anteriormente, o que provavelmente levará a mais manutenção à medida que os problemas surgem. Uma utilidade deve ter um plano para acomodar esses pedidos e ter certeza de que tem os recursos adequados antes de começar sua jornada de inteligência artificial. As utilidades também precisam trabalhar com fornecedores de soluções para implementar o acesso, privacidade e segurança de dados certos ao implantar soluções de inteligência artificial. As informações geradas pela inteligência artificial devem ser finalmente alimentadas nos fluxos de trabalho de utilidade existentes para que se tornem ações e possam atender aos objetivos comerciais e operacionais da organização.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Buzz Solutions.