Викхят Чаудхри, CTO, COO и сооснователь Buzz Solutions – Интервью

Викхят Чаудхри является CTO, COO 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 поставляет точное программное обеспечение для искусственного интеллекта и прогностической аналитики для более эффективных визуальных осмотров передачи, распределения и подстанций.

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

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

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

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, укрепляя мой интерес, который начался за рубежом. Я встретил своего сооснователя Кейтлин на занятии, где мы сблизились над нашими увлечениями окружающей средой, энергией и предпринимательством. Мы наткнулись на большую потребность в коммунальной отрасли и работаем над решениями для решения этой проблемы с тех пор.

Какие ключевые разработки вы наблюдали в переходе от традиционного ИИ к генеративному ИИ во время своей карьеры, и какой значительный эффект этот переход имел на различные отрасли?

В 2022 году мы начали экспериментировать с генеративным ИИ. ГенИИ в коммунальной отрасли представляет собой интересный случай, поскольку данные, с которыми мы работаем, включают множество переменных. Есть факторы, такие как разрешение камеры, угол съемки и расстояние объекта – и это только для беспилотников. Также есть факторы окружающей среды, такие как коррозия или вторжение растительности, которые вводят много степеней свободы. Из-за этой сложности хорошая обучающая информация для моделей сетей может быть трудно найти.

Вот где ГенИИ пришел на сцену за последние несколько лет – по мере улучшения искусственного интеллекта и машинного обучения улучшается и обучающие наборы, которые он создает.

ГенИИ стал жизнеспособным вариантом для обучения моделей, особенно с важными «крайними случаями», когда переменные имеют более экстремальные значения, такие как в случае лесного пожара. По мере прогресса ГенИИ в коммунальной отрасли синтетические наборы данных, основанные на реальных данных, помогут в дальнейшем обучении моделей для более эффективного решения сложных и уникальных сценариев данных, что приведет к значительному улучшению прогностического обслуживания и обнаружения аномалий, что, в свою очередь, уменьшит природные катастрофы.

Можете ли вы подробнее 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 коммунальной отрасли 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 крайних случаев. В настоящее время это хорошо на бумаге, но не в практике. Модели, обученные реальными данными с самого начала, доказали свою большую точность, и преимущество заключается в том, что с помощью реальных данных команды могут сопоставить 1:1 с «реальной правдой» – точным представлением физических сценариев, с которыми техник, скорее всего, столкнется (например, фоновым шумом и погодой). 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 коммунальных компаниях?

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

Кроме того, коммунальные компании, которые все еще используют хранение данных на месте, сталкиваются с более крупными проблемами. Переход от хранения данных на месте к облачной инфраструктуре не является проблемой, а rather обширной трансформацией и афтершоком, который следует за этим. Этот процесс требует значительных ресурсов и времени, что делает его трудным для добавления различных технологий поверх этого перехода. Введение эффективных решений ИИ не рекомендуется до завершения этого процесса.

Также важно, чтобы внутри компании произошла культурная трансформация вместе с технологической трансформацией. Это требует от сотрудников быть готовыми к непрерывному обучению и адаптации к изменениям в процессе и рассматривать решения ИИ как эффективные инструменты для облегчения их повседневной работы и повышения ее эффективности.

Можете ли вы объяснить процесс обучения моделей ИИ данными, протестированными в полевых условиях, из важных объектов инфраструктуры?

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

Наша технология основана на машинном обучении с человеком в цикле – что позволяет экспертам в нашей команде давать прямую обратную связь модели для прогнозов ниже определенного уровня уверенности. Мы счастливы иметь таких экспертов в нашей команде, как мы, с их десятилетиями совокупного опыта работы техником, они предоставляют обратную связь, чтобы сделать наши модели более точными, персонализированными и прочными.

Используя реальные данные, протестированные в полевых условиях, мы можем гарантировать, что наше обнаружение аномалий является высокоточным и надежным, предоставляя коммунальным компаниям действенные идеи.

Как технология ИИ Buzz Solutions способствует повышению безопасности ремонтных работ на линиях электропередачи?

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

С нашей технологией PowerAI чрезвычайная реакция стала более эффективной и точной, так что техники могут оценить ущерб удаленно и иметь время для разработки заранее определенного плана действий – что уменьшает возможность отправки техника в неизвестную, потенциально опасную ситуацию.

PowerAI использует компьютерное зрение и машинное обучение для автоматизации большой части процесса обнаружения неисправностей. Он сделал анализ больших массивов данных быстрее, безопаснее и дешевле, так что теперь техники сталкиваются с меньшим ненужным риском и более высокой операционной эффективностью. Эта операционная эффективность проявляется в меньших затратах, более быстрых сроках 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 компьютерным экраном, просматривали тысячи изображений и определяли проблемы вручную. Этот процесс стал невозможным, 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 оптимизирует процесс анализа данных, что уменьшает время и стоимость. Это позволяет коммунальным компаниям развертывать ремонтные команды более быстро и эффективно. Обнаружение проблем также намного более точное, гарантируя, что ремонты своевременны и предотвращают растущие опасности.

При захвате изображений для анализа осмотры беспилотников являются более безопасными и экономически эффективными, чем другие методы инфраструктуры, такие как вертолеты, спутники и самолеты. Их портативность позволяет им маневрировать так, чтобы они могли приблизиться и захватить более детальную информацию.

Как платформа ИИ Buzz Solutions помогает коммунальным компаниям с прогностическим обслуживанием и экономией средств?

Наше решение удаляет большую часть ручного анализа из осмотра сетки. PowerAI может быстро определить опасные ситуации, чтобы предотвратить потенциальные катастрофы, и предоставить критическую информацию для целей мониторинга и безопасности. Алгоритмы ИИ обучены для обнаружения аномалий, таких как экстремальные температуры, несанкционированный доступ транспортных средств/личного состава, термическое изображение и многое другое.

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

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

После первоначального подъема принятия 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 по всей сотням 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 обслуживания намного более возможным, что предотвращает превращение незначительных инцидентов в более крупные опасности, такие как лесные пожары и серьезные травмы. Он уменьшает необходимость человеческих осмотров, делая коммунальную компанию более экономически эффективной.

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

Есть огромная возможность для коммунальных компаний использовать ИИ, и много решений, которые можно рассмотреть. Прежде чем приступить к работе, важно определить свои 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 такое сложное преобразование? Как это повлияет на ваших клиентов?

Помимо внутренней согласованности важно быть готовым получить больше данных, чем коммунальная компания имела ранее, что, вероятно, приведет к большему обслуживанию, когда возникнут проблемы. Коммунальная компания должна иметь план для удовлетворения этих запросов и убедиться, что у них есть необходимые ресурсы, прежде чем начать свое путешествие ИИ. Коммунальные компании также должны работать с поставщиками решений, чтобы реализовать правильный доступ к данным, конфиденциальность и безопасность при развертывании решений ИИ. ИИ-генерируемые идеи, наконец, должны быть включены в существующие рабочие процессы коммунальных компаний, чтобы они стали действенными и могли удовлетворять бизнес- и операционным целям организации.

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