Викхят Чаудхри, технический директор, операционный директор и сооснователь Buzz Solutions – Интервью

Викхят Чаудхри является техническим директором, операционным директором и сооснователем Buzz Solutions и бывшим ученым в области данных в Cisco, инженером по машинному обучению и встроенным системам в Altitude и выпускником Стэнфордского университета.

Buzz Solutions предоставляет точное программное обеспечение для искусственного интеллекта и прогнозной аналитики для более эффективных визуальных осмотров линий электропередачи, распределения и подстанций.

Можете ли вы рассказать о своем пути и карьерных достижениях, которые привели вас к созданию Buzz Solutions?

Я вырос в Нью-Дели, Индия, с природной любознательностью к инновациям и инженерии, и посещал Делийский колледж инженерии, где изучал гражданское и экологическое инженерное дело. Я особенно помню момент в последнем году, когда я построил беспилотник с нуля и летал на нем в городе. Задание было отслеживать качество воздуха в Нью-Дели, и через этот эксперимент я обнаружил, что качество воздуха было выше 500 AQI, что эквивалентно курению 60 сигарет в день. Плохое качество воздуха можно было напрямую отнести к отсутствию электрификации, растущим выбросам от транспорта и увеличению количества угольных электростанций за годы. Этот опыт укрепил мой интерес к использованию технологий для решения реальных проблем, связанных с энергией и мощностью.

До основания Buzz, мой технологический опыт привел меня к роли руководителя команд машинного обучения и науки о данных в Cisco Systems (CSCO ) на несколько лет. Этот опыт был бесценным и дал мне возможность работать над разнообразными проектами по искусственному интеллекту и машинному обучению на ранней стадии.

Я получил степень магистра в области гражданского и экологического инженерного дела в Стэнфордском университете в 2016 году. Во время этого времени я посещал занятия, специализирующиеся на энергетическом инженерном деле, что укрепило мой интерес, начавшийся за рубежом. Я встретил своего сооснователя Кейтлин на занятии, где мы сблизились над нашими страстями к окружающей среде, энергетике и предпринимательству. Мы наткнулись на большую потребность в отрасли коммунальных услуг и с тех пор работаем над решениями для ее решения.

Какие ключевые разработки вы наблюдали в переходе от традиционного ИИ к генеративному ИИ во время своей карьеры, и какие значительные влияния это переход оказал на различные отрасли?

 В 2022 году мы начали экспериментировать с генеративным ИИ. ГенИИ в секторе коммунальных услуг представляет собой интересный случай, поскольку данные, с которыми мы работаем, включают множество переменных. Есть факторы, такие как разрешение камеры, угол съемки и расстояние до объекта – и это только для беспилотников. Также есть условия окружающей среды, такие как коррозия или зарастание, которые вводят множество степеней свободы. Из-за этой сложности хорошая обучающая выборка для моделей сетей может быть трудна.

Именно здесь появляется ГенИИ – за последние несколько лет искусственный интеллект и машинное обучение улучшились, и так же улучшились обучающие наборы, которые они создают.

ГенИИ стал жизнеспособным вариантом для обучения моделей, особенно для критических «граничных случаев», когда переменные имеют более экстремальные значения, такие как в случае лесного пожара. По мере прогресса ГенИИ в отрасли коммунальных услуг синтетические наборы данных, основанные на реальных данных, помогут в дальнейшем обучении моделей для более эффективного xửления сложных и уникальных сценариев данных, что приведет к значительному улучшению прогнозной технической поддержки и обнаружения аномалий, что в свою очередь уменьшит количество стихийных бедствий.

Можете ли вы рассказать о том, как инструмент ИИ Buzz Solutions использует реальные данные для обнаружения аномалий и какие преимущества он предлагает по сравнению с синтетическими данными?

В отрасли коммунальных услуг реальные данные означают все, что можно захватить в поле, обычно включая изображения или видео, снятое с воздушных источников, таких как беспилотники или вертолеты. Синтетические данные, с другой стороны, представляют собой данные, собранные через процесс репликации изображений, который вручную изменяет различные компоненты изображения, чтобы попытаться учесть экспоненциальное количество сценариев и граничных случаев. В настоящее время это хорошо на бумаге, но не на практике. Модели, обученные реальными данными с самого начала, оказываются более точными, и преимущество заключается в том, что с помощью реальных данных команды могут сопоставить 1:1 с «фактической истиной» – точным представлением физических сценариев, с которыми техник, скорее всего, столкнется (например, фоновый шум и погода). Реальные данные учитывают реальные возможности, и включают непредсказуемые переменные обнаружения неисправностей.

Хотя синтетические данные в одиночку не могут оптимизировать реальные сценарии (пока), они все еще играют важную роль в обучении моделей.

Каковы самые большие проблемы, с которыми вы сталкиваетесь при интеграции ИИ с устаревшими системами в компаниях коммунальных услуг?

Устаревшие системы в компаниях коммунальных услуг часто несовместимы с достижениями ИИ. Две основные проблемы, с которыми сталкиваются компании, – это внутренняя трансформация и управление данными. Изолированные данные и коммуникация могут быть вредными для усилий по цифровой трансформации. Данные, которые коммунальные услуги уже обладают, должны быть управляемыми и безопасными, пока информация передается.

Кроме того, коммунальные услуги, которые все еще используют хранение данных на месте, сталкиваются с большими проблемами. Переход от хранения данных на месте к облачной инфраструктуре не является проблемой, а rather обширной трансформацией и ее последствиями. Этот процесс требует значительных ресурсов и времени, что делает его трудным для добавления различных технологий поверх этого перехода. Введение эффективных решений ИИ не рекомендуется, пока этот процесс не будет завершен.

Также важно, чтобы внутри компании произошла культурная трансформация вместе с технологической трансформацией. Это требует, чтобы сотрудники были готовы к постоянному обучению и адаптивности к изменениям в процессе и рассматривали решения ИИ как эффективные инструменты для облегчения своей повседневной работы и повышения ее эффективности.

Можете ли вы объяснить процесс обучения моделей ИИ данными, протестированными в полевых условиях на критически важных объектах инфраструктуры?

Большая часть процесса обучения заключается в использовании аэрофотосъемки, предоставляемой беспилотниками и вертолетами. Мы выбираем использовать беспилотники вместо методов, таких как спутники, из-за гибкости и немедленной доставки данных, которые они обеспечивают. Мы используем три основных типа алгоритмов: кластеризация изображений, сегментация и обнаружение аномалий.

Наша технология основана на машинном обучении с человеческим участием, которое позволяет экспертам в нашей команде давать прямую обратную связь модели для прогнозов ниже определенного уровня уверенности. Нам повезло иметь таких экспертов в нашей команде, как мы их имеем – с их десятилетиями совокупного опыта работы в полевых условиях, они предоставляют обратную связь, чтобы сделать наши модели более точными, персонализированными и прочными.

Используя реальные данные, протестированные в полевых условиях, мы можем обеспечить, чтобы наше обнаружение аномалий было высокоточным и надежным, предоставляя коммунальным услугам действенные идеи.

Как технология ИИ Buzz Solutions способствует повышению безопасности ремонта линий электропередачи?

Работа по ремонту линий электропередачи является одной из самых опасных профессий в Америке, и отрасль испытывает последствия старения рабочей силы и нехватки техников.

С нашей технологией PowerAI, аварийный ответ стал более эффективным и точным, чтобы техники могли удаленно оценить ущерб и иметь время разработать предварительный план действий – что снижает вероятность отправки техника в неизвестную, потенциально опасную ситуацию.

PowerAI использует компьютерное зрение и машинное обучение для автоматизации большой части процесса обнаружения неисправностей. Он сделал анализ большого количества данных быстрее, безопаснее и дешевле, поэтому теперь техники сталкиваются с меньшим ненужным риском и более высокой операционной эффективностью. Эта операционная эффективность проявляется в более низких затратах, более быстрых оборотах и профилактическом обслуживании.

Какую роль играют беспилотники и другие передовые технологии в модернизации осмотров инфраструктуры?

Исторически процесс осмотров инфраструктуры был полностью ручным и очень однообразным. Инспекторы сидели перед экраном компьютера, просматривали тысячи изображений и определяли проблемы вручную. Этот процесс стал невыносимым, когда линии электропередачи продолжали испытывать проблемы, что приводило к более опасным ситуациям и более высоким нормативным обзорам, увеличивая количество данных, которые необходимо просмотреть за более короткий период времени.

Технология, основанная на ИИ, значительно упрощает процесс анализа данных, что снижает время и стоимость. Это позволяет коммунальным услугам развертывать команды ремонта более быстро и эффективно. Обнаружение проблем также намного более точное, что гарантирует, что ремонты своевременны и предотвращают потенциальные опасности.

При захвате изображений для анализа осмотры с помощью беспилотников являются более безопасными и экономически эффективными, чем другие методы, такие как вертолеты, спутники и самолеты. Их портативность позволяет им маневрировать так, чтобы получить более подробную информацию.

Как платформа ИИ Buzz Solutions помогает коммунальным услугам с прогнозной технической поддержкой и экономией средств?

Наше решение удаляет большую часть ручного анализа из осмотра сетки. PowerAI может быстро выявить опасные ситуации, чтобы предотвратить потенциальные катастрофы, и предоставить важную информацию для целей мониторинга и безопасности. Алгоритмы ИИ обучены выявлять аномалии, такие как экстремальные температуры, несанкционированный доступ транспортных средств/личного состава, тепловизионное изображение и многое другое.

Помимо профилактического отслеживания PowerAI также может обеспечить иерархическую приоритизацию аномалий для оптимизации планирования технического обслуживания. Все эти вещи минимизируют необходимость физических осмотров, снижая операционные затраты и риски безопасности, связанные с ручными осмотрами. Платформа ИИ также обеспечивает более точное и точное обнаружение, улучшая решения по техническому обслуживанию.

Можете ли вы обсудить влияние принятия ИИ на операционную эффективность коммунальных услуг?

После первоначального подъема при принятии модели ИИ коммунальная компания будет продолжать получать выгоду от модели в течение бесконечного времени. Жизненный цикл модели ИИ начинается с установки. ИИ может получить действенные идеи из тысяч изображений, снятых на сотни миль инфраструктуры. Учитывая, что мы получили наш первый набор данных от коммунальной компании на ленте, это необычно, и это становится только умнее. ИИ делает раннее обнаружение проблем технического обслуживания намного более возможным, что предотвращает незначительные инциденты от эскалации в более крупные опасности для безопасности, такие как лесные пожары и серьезные травмы. Он снижает необходимость ручных осмотров, что делает коммунальную компанию более экономически эффективной.

В вашей статье “Принятие ИИ – это только начало для коммунальных услуг” вы обсуждаете первоначальные шаги принятия ИИ. Какие наиболее важные соображения для коммунальных услуг, начинающих свое путешествие с ИИ?

Есть огромная возможность для коммунальных услуг использовать ИИ, и много решений, которые можно рассмотреть. Прежде чем приступить, важно определить цели и создать стабильную основу – какие проблемы вы сейчас сталкиваетесь, которые вы хотели бы, чтобы ИИ помог решить? Обладает ли ваша команда технической экспертизой и временем, чтобы взяться за такую сложную переделку? Как это повлияет на ваших клиентов?

Помимо внутренней согласованности важно быть готовым к получению большего количества данных, чем коммунальная компания имела ранее, что, вероятно, приведет к большему количеству технического обслуживания. Коммунальная компания должна иметь план, чтобы удовлетворить эти запросы и убедиться, что у них есть необходимые ресурсы, прежде чем начать свое путешествие с ИИ. Коммунальные услуги также должны работать с поставщиками решений, чтобы реализовать правильный доступ к данным, конфиденциальность и безопасность при развертывании решений ИИ. Идеи, сгенерированные ИИ, наконец, должны быть введены в существующие рабочие процессы коммунальных услуг, чтобы они стали действенными и могли соответствовать бизнес- и операционным целям организации.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Buzz Solutions.