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

Vikhyat Chaudhry är CTO, COO och medgrundare av Buzz Solutions och tidigare data scientist på Cisco, maskinlärnings-/inbyggda systemingenjör på Altitude och Stanford-utbildad.

Buzz Solutions tillhandahåller precisa AI- och prediktiva analytiska programvaror för att effektivisera visuella inspektioner av transmissions-, distributions- och understationsinfrastruktur.

Kan du dela med dig av din resa och karriärshöjdpunkter som ledde dig till att co-grunda Buzz Solutions?

Jag växte upp i New Delhi, Indien, med en naturlig nyfikenhet för innovation och teknik och gick på Delhi College of Engineering, där jag studerade civil- och miljöteknik. Jag minns särskilt en stund under mitt sista år när jag byggde en drönare från scratch 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 kunde direkt kopplas till brist på elektrifiering, ökade fordonsutsläpp och ett ökat antal koleldade kraftverk under åren. Den här upplevelsen befäste mitt intresse för att använda teknik för att lösa verkliga problem i samband med energi och kraft.

Innan jag grundade Buzz, ledde min tekniska bakgrund mig till min roll som chef för maskinlärnings- och datavetenskapsteam på Cisco Systems (CSCO ) under några år. Den här erfarenheten var ovärderlig och byggde min exponering för en mångfald av artificiell intelligens- och maskinlärningsprojekt tidigt.

Jag tog min masterexamen i civil-/miljöteknik vid Stanford University 2016. Under den tiden tog jag klasser som specialiserade sig på energiteknik, vilket byggde på mitt intresse som började utomlands. Jag mötte min medgrundare Kaitlyn i en klass där vi bandades samman av våra passioner för miljön, energi och entreprenörskap. Vi upptäckte ett stort behov inom utility-branschen och har arbetat med lösningar för att lösa det sedan dess.

Vilka nyckelutvecklingar har du observerat i övergången från traditionell AI till generativ AI under din karriär, och vilka betydande effekter har den här övergången haft på olika branscher?

 2022 började vi experimentera med generativ AI. GenAI i utility-sektorn är ett intressant användningsfall eftersom de data vi arbetar med innehåller många olika variabler. Det finns faktorer som kamerabildupplösning, vinkel på inspelning och objektsavstånd – och det är bara för drönarna. Det finns också miljöfaktorer som korrosion eller vegetation som introducerar många frihetsgrader. På grund av denna komplexitet kan bra träningsdata för grid-modeller vara svåra att komma över.

Det är där GenAI har kommit in under de senaste åren – allteftersom artificiell intelligens och maskinlärning förbättras, förbättras också de träningsuppsättningar det skapar.

GenAI har blivit ett användbart alternativ för att träna modeller, särskilt med avgörande “edge cases” där variabler har mer extrema värden, som i fallet med en skogsbrand. När GenAI i utility-branschen fortskrider, kommer syntetiska datamängder baserade på verkliga data att hjälpa till att ytterligare träna modeller för att hantera komplexa och unika data-scenarier mer effektivt, vilket erbjuder betydande förbättringar av prediktivt underhåll och avvikelseupptäckt, vilket i sin tur minskar naturkatastrofer.

Kan du förklara hur Buzz Solutions AI-verktyg använder riktiga data för avvikelseupptäckt och vilka fördelar det erbjuder jämfört med syntetiska data?

I utility-branschen betyder riktiga data vad som helst som kan kapas i fältet, vanligtvis inklusive bilder eller video som tagits från luftburna källor som drönare eller helikoptrar. Syntetiska data, å andra sidan, är data som samlats in genom en bildreplikeringsprocess som manuellt ändrar olika komponenter i en bild för att försöka ta hänsyn till ett exponentiellt antal scenarier och edge cases. För närvarande är det bra på papper, men inte i praktiken. Modeller som tränats med riktiga data från början har visat sig vara mer precisa, och fördelen är att genom användning av riktiga data kan team mappa 1:1 med “ground truth” – en exakt representation av de fysiska världsscenarier som en tekniker sannolikt kommer att möta (som bakgrundsbrus och väder). De riktiga data tar hänsyn till verkliga världsmöjligheter och inkluderar de oförutsägbara variablerna för felupptäckt.

Medan syntetiska data ensamma inte kan optimera för verkliga världsscenarier (ännu), spelar det fortfarande en viktig roll i att träna modeller.

Vilka är de största utmaningarna du möter när du integrerar AI med äldre system i utility-företag?

Äldre system i utility-företag är ofta oförenliga med AI-förbättringar. Två stora utmaningar vi ser att företag möter är intern transformation och datahantering. Siloade data och kommunikation kan vara skadliga för digitala transformationsansträngningar. De data som utility-företag redan besitter måste hanteras och säkras medan information överförs.

Dessutom möter utility-företag som fortfarande använder lokala data lagringsutrymmen större utmaningar. Övergången från lokala data lagringsutrymmen till molninfrastruktur är inte problemet, utan snarare den omfattande transformationen och efterskalven som följer. Den här processen kräver betydande resurser och tid, vilket gör det svårt att lägga till olika teknologier ovanpå övergången. Att införa effektiva AI-lösningar rekommenderas inte förrän den här processen är slutförd.

Det är också viktigt att det interna företaget genomgår en kulturell förändring tillsammans med teknologiförändringen. Detta kräver att anställda är på bordet med kontinuerligt lärande och anpassningsförmåga till förändringar i processen och ser AI-lösningar som effektiva verktyg för att göra deras dagliga jobb lättare och effektivare.

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

En stor del av träningsprocessen är att ta in de luftburna data som tillhandahålls av drönare och helikoptrar. Vi väljer att använda drönare istället för metoder som satelliter på grund av den flexibilitet och omedelbara dataleverans som de tillåter. Vi använder tre huvudsakliga algoritmer: bildkluster, segmentering och avvikelseupptäckt.

Vår teknik drivs av Human-in-the-loop-maskinlärning – som tillåter ämnesexperter på vårt team att ge direkt feedback till modellen för förutsägelser under en viss konfidensnivå. Vi är lyckliga att ha de SME:er på våra team som vi har – med deras årtionden av kombinerad fältteknikerfarenhet, ger de feedback för att göra våra modeller mer precisa, personliga och robusta.

Genom att använda riktiga fälttestade data kan vi säkerställa att vår avvikelseupptäckt är mycket exakt och tillförlitlig, vilket ger utility-företag handlingsbara insikter.

Hur bidrar Buzz Solutions AI-teknik till att göra elkabelreparationer säkrare?

Elkabelreparationsarbete är ett av de farligaste yrkena i Amerika, och branschen upplever effekterna av en åldrande arbetsstyrka och teknikerbrist.

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

PowerAI använder datorseende och maskinlärning för att automatisera en stor del av felupptäcktsprocessen. Det har gjort analysen av stora mängder data snabbare, säkrare och billigare, så att tekniker nu möter minskad onödig risk och högre operativ effektivitet. Den här operativa effektiviteten visar sig genom mindre kostnader, snabbare omsättningstider och förebyggande underhåll.

Vilken roll spelar drönare och andra avancerade teknologier i moderniseringen av infrastrukturinspektioner?

Historiskt sett var processen för infrastrukturinspektioner helt manuell och ganska tråkig. Inspektörer satt framför datorskärmen, bläddrade igenom tusentals bilder och identifierade problem för hand. Den här processen blev ohållbar när elkablar fortsatte att uppleva problem, vilket ledde till fler osäkra situationer och ökade regulatoriska översyner, vilket ökade mängden data som behövde granskas på kortare tid.

AI-baserad teknik strömlinjeformar avsevärt processen för att analysera data, vilket minskar den tid och kostnad som är involverad. Detta tillåter utility-företag att distribuera reparationsteam snabbare och mer effektivt. Upptäckten av problem är också mer exakt, vilket säkerställer att reparationer är punktliga och förhindrar växande faror.

När det gäller att samla in bilder för analys är drönarinspektioner säkrare och mer kostnadseffektiva än andra metoder för infrastruktur som helikoptrar, satelliter och fastvingade flygplan. Deras portabilitet tillåter dem att manövrera på ett sätt som de kan komma nära och samla in mer detaljerad information.

Hur hjälper Buzz Solutions AI-drivna plattform utility-företag med prediktivt underhåll och kostnadsbesparingar?

Vår lösning tar bort mestadels manuell analysarbete från grid-inspektion. 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 avvikelser som extrema temperaturer, obehörig fordonstillgång/personal, termisk avbildning och mer.

Förutom förebyggande spårning kan PowerAI också tillhandahålla nivåindelad prioritering av avvikelser för optimerad underhållsplanering. Allt detta minskar behovet av fysiska inspektioner, vilket minskar operativa kostnader och säkerhetsrisker förknippade med manuella inspektioner. Den AI-drivna plattformen tillhandahåller också mer precisa och exakta upptäckter, vilket förbättrar underhållsbeslut.

Kan du diskutera effekten av att anta AI på den operativa effektiviteten hos utility-företag?

Efter den initiala lyftningen av att anta en AI-modell kommer ett utility-företag att fortsätta att dra nytta av fördelarna med modellen under en oändlig tid. Livscykeln för en AI-modell börjar vid installationen. AI kan skörda handlingsbara insikter från tusentals bilder tagna över hundratals mil av infrastruktur. Med tanke på att vi fick vår första datamängd från ett utility-företag på en band, är detta extraordinärt och det blir bara smartare. AI gör tidig upptäckt av underhållsproblem mycket möjlig, vilket förhindrar att mindre incidenter eskalerar till större säkerhetsrisker som skogsbränder och allvarliga skador. Det minskar behovet av mänskliga inspektioner, vilket gör utility-företaget mer kostnadseffektivt.

I din artikel “Att anta AI är bara början för utility-företag” diskuterar du de initiala stegen för AI-antagande. Vilka är de mest kritiska övervägandena för utility-företag som startar sin AI-resa?

Det finns en enorm möjlighet för utility-företag att använda AI, och många lösningar att överväga. Innan du hoppar in, är det viktigt att identifiera dina mål och skapa en stabil grund – vilka utmaningar möter du för närvarande som du vill att AI ska hjälpa till att lösa? Har ditt team den tekniska expertisen och tiden att ta itu med en så komplex ombyggnad? Hur kommer det att påverka dina kunder?

Förutom att vara internt anpassad är det viktigt att vara förberedd på att få mer data än utility-företaget tidigare har, vilket sannolikt kommer att leda till mer underhåll när problem uppstår. Ett utility-företag bör ha en plan för att hantera dessa begäranden och säkerställa att de har rätt resurser innan de startar sin AI-resa. Utility-företag måste också arbeta med lösningstillhandahållare för att implementera rätt dataåtkomst, sekretess och säkerhet när de distribuerar AI-lösningar. AI-genererade insikter bör slutligen matas in i befintliga utility-flöden så att de blir handlingsbara och kan möta företagets och organisationens affärs- och operativa mål.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Buzz Solutions.