Vikhyat Chaudhry, CTO, COO och medgrundare av Buzz Solutions – Intervjuserie

Vikhyat Chaudhry är CTO, COO och medgrundare av Buzz Solutions och en före detta datavetare på Cisco, en maskininlärning/inbyggda systemingenjör på Altitude och en examen från Stanford.

Buzz Solutions levererar korrekt AI och prediktiv analysmjukvara för att driva effektivare visuella inspektioner för överföring, distribution och transformatorstationsinfrastruktur.

Kan du dela med dig av din resa och karriärhöjdpunkter som ledde dig till Co-Found Buzz Solutions?

Jag växte upp i New Delhi, Indien, med en naturlig nyfikenhet för innovation och ingenjörskonst och jag gick på Delhi College of Engineering där jag studerade civil- och miljöteknik. Jag minns särskilt ett ögonblick under mitt sista år när jag byggde en drönare från grunden och flög den i staden. Uppdraget var att övervaka luftföroreningarna i New Delhi och genom detta experiment fann jag att kvaliteten var över 500 AQI, vilket motsvarar att röka 60 cigaretter om dagen. Den dåliga luftkvaliteten kan direkt härledas till bristande elektrifiering, ökande fordonsutsläpp och ökat antal koldrivna kraftverk under åren. Denna erfarenhet befäste mitt intresse för att använda teknik för att ta itu med verkliga problem i samband med energi och kraft.

Innan jag grundade Buzz ledde min tekniska bakgrund mig till min roll som ledare för maskin-AI och datavetenskapsteam på Cisco Systems under några år. Den här erfarenheten var ovärderlig och byggde tidigt upp min exponering för ett brett utbud av artificiell intelligens och maskininlärningsprojekt.

Jag tog mina masters i Civil/Environmental Engineering från Stanford University 2016. Under den här tiden tog jag kurser som specialiserade mig på energiteknik, vilket skapade mitt intresse som började utomlands. Jag träffade min medgrundare Kaitlyn i en klass där vi knöt ihop våra passioner för miljö, energi och entreprenörskap. Vi snubblade över ett stort behov i allmännyttan och har arbetat på lösningar för att möta det sedan dess.

Vilken nyckelutveckling har du observerat i övergången från traditionell AI till Generativ AI under din karriär, och vilka betydande effekter har denna övergång haft på olika branscher?

 2022 började vi experimentera med Generativ AI. GenAI inom allmännyttiga sektorn är ett intressant användningsfall eftersom data vi arbetar med involverar många olika variabler. Det finns faktorer som kameraupplösning, tagningsvinkel och objektavstånd – och de är bara för drönarna. Det finns också miljöförhållanden som korrosion eller vegetationsintrång som introducerar många frihetsgrader. På grund av denna komplexitet kan bra träningsdata för rutnätsmodeller vara svåra att få tag på.

Det är där GenAI har kommit in under de senaste åren – i takt med att artificiell intelligens och maskininlärning förbättras, blir utbildningsuppsättningarna det skapar.

GenAI har blivit ett gångbart alternativ för träningsmodeller, särskilt med avgörande "kantfall" där variabler har mer extrema värden, som i fallet med en löpeld. Allt eftersom GenAI i kraftbranschen fortskrider kommer syntetiska datamängder, baserade på verkliga data, att hjälpa till med vidareutbildningsmodeller för att hantera komplexa och unika datascenarier mer effektivt, vilket erbjuder betydande förbättringar av förutsägande underhåll och avvikelsedetektering, vilket i sin tur kommer att minska naturkatastrofer .

Kan du utveckla hur Buzz Solutions AI-verktyg använder verkliga data för avvikelsedetektering och vilka fördelar det erbjuder jämfört med syntetisk data?

Inom allmännyttan betyder verklig data allt som kan fångas i fält, vanligtvis inklusive bilder eller video tagna från flygkällor som drönare eller helikoptrar. Syntetisk data, å andra sidan, är data som samlas in genom en bildreplikeringsprocess som manuellt ändrar olika komponenter i en bild för att försöka ta hänsyn till en exponentiell mängd scenarier och kantfall. För närvarande är det bra på pappret men inte i praktiken. Modeller som tränats med verklig data från början har visat sig vara mer exakt och fördelen är att genom att använda verklig data kan team kartlägga 1:1 med "grundsanningen" – en korrekt representation av de fysiska världsscenarion som en tekniker är sannolikt att stöta på (som bakgrundsljud och väder). Den verkliga datan står för verkliga möjligheter och inkluderar de oförutsägbara variablerna för feldetektering.

Även om syntetisk data ensam inte kan optimera för verkliga scenarier (ännu), spelar den fortfarande en viktig roll i träningsmodeller.

Vilka är de största utmaningarna du står inför när du integrerar AI med äldre system i energibolag?

Äldre system i allmännyttiga företag är ofta inkompatibla med AI-framsteg. Två stora utmaningar vi ser företag står inför är intern transformation och datahantering. Siled data och kommunikation kan vara skadligt för digitala transformationsansträngningar. De data som verktyg redan har måste hanteras och säkras medan information överförs.

Dessutom står verktyg som fortfarande använder lokal datalagring inför större utmaningar. Skiftet från lokal datalagring till molninfrastruktur är inte problemet, utan snarare den omfattande omvandlingen och efterskalv som följer. Denna process kräver avsevärda resurser och tid, vilket gör det svårt att lägga till olika teknologier ovanpå övergången. Att introducera effektiva AI-lösningar rekommenderas inte förrän denna process är klar.

Det är också viktigt att det internt sker en kulturell förändring tillsammans med teknikskiftet. Detta kräver att anställda är ombord med kontinuerligt lärande och anpassningsförmåga till förändringar i processen och att se AI-lösningar som effektiva verktyg för att göra deras vardagliga jobb enklare och effektivare.

Kan du förklara processen att träna AI-modeller med fälttestade data från viktiga infrastrukturplatser?

En stor del av utbildningsprocessen är att inta flygdata från drönare och helikoptrar. Vi väljer att använda drönare framför metoder som satelliter på grund av den flexibilitet och omedelbara dataleverans som de tillåter. Vi använder tre huvudsakliga olika typer av algoritmer: bildkluster, segmentering och anomalidetektering.

Vår teknik drivs av Human-in-the-loop maskininlärning – vilket gör att ämnesexperter i vårt team kan ge direkt feedback till modellen för förutsägelser under en viss nivå av förtroende. Vi har turen att ha de små och medelstora företagen i våra team som vi gör – med sina årtionden av kombinerad erfarenhet av fälttekniker ger de feedback för att göra våra modeller mer exakta, personliga och robusta.

Genom att använda riktiga fälttestade data kan vi säkerställa att vår avvikelsedetektering är mycket exakt och tillförlitlig, vilket ger energiföretag med praktiska insikter.

Hur bidrar Buzz Solutions AI-teknik till att göra reparationer av kraftledningar säkrare?

Reparationsarbeten på kraftledningar är ett av de dödligaste yrkena i Amerika, och industrin upplever effekterna av en åldrande arbetsstyrka och brist på tekniker.

Med vår teknik, PowerAI, har nödberedskapen gjorts mer effektiv och exakt, så att tekniker kan bedöma skador på distans och ha tid att utveckla en förutbestämd handling – vilket minskar möjligheten att skicka in en tekniker till en okänd, potentiellt farlig situation .

PowerAI använder datorseende och maskininlärning för att automatisera en stor del av feldetekteringsprocessen. Det har gjort analysen av stora mängder datapunkter snabbare, säkrare och billigare, så nu står teknikerna inför minskade onödiga risker och högre operativ effektivitet. Denna operativa effektivitet presenterar sig genom lägre kostnader, snabbare handläggningstider och förebyggande underhåll.

Vilken roll spelar drönare och annan avancerad teknik för att modernisera infrastrukturinspektioner?

Historiskt sett var processen med infrastrukturinspektioner helt manuell och mycket vardaglig. Inspektörer skulle sitta framför datorskärmen, blanda igenom tusentals bilder och identifiera problem för hand. Denna process blev ohållbar när kraftledningar hela tiden upplevde problem som ledde till mer osäkra situationer och högre regelverksöversikter, vilket ökade mängden data som behövde granskas på kortare tid.

AI-baserad teknik effektiviserar avsevärt processen för att analysera data, vilket minskar tiden och kostnaderna. Detta gör det möjligt för energiföretag att distribuera reparationsteam snabbare och mer effektivt. Upptäckten av problem är också mycket mer exakt, vilket säkerställer att reparationer sker i tid och förhindrar spirande faror.

När det gäller att ta bilder för analys är drönarinspektioner säkrare och mer kostnadseffektiva än andra metoder för infrastruktur som helikoptrar, satelliter och flygplan med fast vingar. Deras portabilitet gör att de kan manövrera på ett sätt så att de kan komma nära och fånga mer detaljerad information.

Hur hjälper Buzz Solutions AI-drivna plattform energibolag med förutsägande underhåll och kostnadsbesparingar?

Vår lösning tar det mesta av det manuella analysarbetet från nätinspektionen. PowerAI kan snabbt identifiera farliga situationer för att förhindra potentiella katastrofer och tillhandahålla kritisk information för övervaknings- och säkerhetsändamål. AI-algoritmerna är tränade för att identifiera anomalier som extrema temperaturer, obehörig åtkomst till fordon/personal, värmebilder och mer.

Utöver förebyggande spårning kan PowerAI också tillhandahålla prioritering i nivå med anomalier för optimerad underhållsplanering. Alla dessa saker minimerar behovet av fysiska inspektioner, vilket minskar driftskostnaderna och säkerhetsrisker i samband med manuella inspektioner. Den AI-drivna plattformen ger också mer exakt och exakt detektering, vilket förbättrar underhållsbeslut.

Kan du diskutera effekten av att införa AI på energibolagens operativa effektivitet?

Efter det första lyftet av att anta en AI-modell kommer ett allmännyttigt företag att fortsätta att skörda fördelarna med modellen under en oändlig tid. Livscykeln för en AI-modell börjar vid installationen. AI kan hämta handlingskraftiga insikter från tusentals bilder tagna över hundratals miles av infrastruktur. Med tanke på att vi fick vår första datauppsättning från ett verktyg på ett band, är detta extraordinärt och det blir bara smartare. AI gör tidig upptäckt av underhållsproblem mycket mer möjligt, vilket förhindrar att mindre incidenter eskalerar till större säkerhetsrisker som skogsbränder och allvarliga skador. Det minskar behovet av mänskliga inspektioner, vilket gör verktyget mer kostnadseffektivt.

I din artikel "Att adoptera AI är bara början för allmännyttiga företag" diskuterar du de första stegen av AI-antagande. Vilka är de mest kritiska övervägandena för att verktyg ska börja sin AI-resa?

Det finns en enorm möjlighet för verktyg att använda AI, och många lösningar där ute att överväga. Innan du hoppar in är det viktigt att identifiera dina mål och sätta en stabil grund – vilka utmaningar står du inför just nu som du vill att AI ska hjälpa till med? Har ditt team den tekniska expertis och tid att ta sig an en så komplex översyn? Hur kommer det att påverka dina kunder?

Utöver att vara anpassade internt förbereds för att få mer data än vad verktyget har tidigare, vilket sannolikt kommer att leda till mer underhåll när problem uppstår. Ett verktyg bör ha en plan för att tillgodose dessa förfrågningar och vara säker på att de har rätt resurser innan de påbörjar sin AI-resa. Verktygen måste också samarbeta med lösningsleverantörer för att implementera rätt dataåtkomst, integritet och säkerhet vid implementering av AI-lösningar. AI-genererade insikter bör äntligen matas in i befintliga verktygsarbetsflöden så att de blir handlingsbara och kan uppfylla organisationens affärs- och verksamhetsmål.

Tack för den fina intervjun, läsare som vill veta mer bör besöka Buzz Solutions.