Вікх’ят Чаудхрі, CTO, COO та співзасновник Buzz Solutions – Серія інтерв’ю

Вікх’ят Чаудхрі є CTO, COO і співзасновником Buzz Solutions і колишнім науковцем-даних у Cisco, інженером-машинобудівником у Altitude та випускником Стенфордського університету.

Buzz Solutions надає точне програмне забезпечення штучного інтелекту та прогнозної аналітики для більш ефективних візуальних інспекцій передавальної, розподільчої та підстанційної інфраструктури.

Чи можете Ви поділитися своїм шляхом та кар’єрними досягненнями, які привели Вас до співзаснування Buzz Solutions?

Я виріс у Нью-Делі, Індія, з природною цікавістю до інновацій та інженерії, і відвідував Коледж інженерії Делі, де вивчав цивільну та екологічну інженерію. Особливо пам’ятаю момент під час останнього року навчання, коли я побудував дрона з нуля і полетів ним у місті. Завдання полягало у моніторингу рівня забруднення повітря у Нью-Делі, і через цей експеримент я виявив, що рівень забруднення повітря був вище 500 AQI, що еквівалентно курінню 60 сигарет на день. Поганий рівень повітря можна було прямо пов’язати із відсутністю електрифікації, зростанням викидів транспортних засобів та збільшенням кількості вугільних електростанцій за роки. Цей досвід зміцнив мій інтерес до використання технологій для вирішення реальних проблем, пов’язаних з енергетикою та потужністю.

До заснування Buzz, мій технологічний досвід привів мене до ролі керівника команди штучного інтелекту та науки про дані у Cisco Systems (CSCO ) протягом декількох років. Цей досвід був невід’ємним і побудував мою експозицію до різноманітних проектів штучного інтелекту та машинного навчання на ранньому етапі.

Я отримав ступінь магістра цивільної та екологічної інженерії у Стенфордському університеті у 2016 році. Під час цього часу я відвідував заняття, що спеціалізувалися на енергетичній інженерії, розвиваючи мій інтерес, який почався за кордоном. Я зустрів свого співзасновника Кейтлін на занятті, де ми зв’язалися через нашу пристрасть до довкілля, енергетики та підприємництва. Ми наткнулися на велику потребу у сфері комунальних послуг та працюємо над розвитком рішень для вирішення цієї проблеми з тих пір.

Які ключові розробки Ви спостерігали у переході від традиційного штучного інтелекту до генеративного штучного інтелекту під час Вашої кар’єри, і які суттєві впливи мав цей перехід на різні галузі?

 У 2022 році ми почали експериментувати з генеративним штучним інтелектом. Генеративний штучний інтелект у сфері комунальних послуг є цікавим випадком використання, оскільки дані, з якими ми працюємо, включають багато різних змінних. Є фактори, такі як роздільна здатність камери, кут зйомки та відстань до об’єкта – і це тільки для дронів. Є також екологічні умови, такі як корозія чи закритість рослинністю, які вводять численні ступені свободи. Через цю складність, добра навчальна дані для моделей мереж можуть бути важкими для отримання.

Це саме там, де генеративний штучний інтелект зайшов за останні кілька років – штучний інтелект та машинне навчання покращуються, а також покращуються навчальні набори, які вони створюють.

Генеративний штучний інтелект став життєздатним варіантом для навчання моделей, особливо з критичними «крайніми випадками», де змінні мають більш екстремальні значення, наприклад, у випадку лісового пожежі. По мірі прогресу генеративного штучного інтелекту у сфері комунальних послуг синтетичні набори даних, засновані на реальних даних, допоможуть у подальшому навчанні моделей для обробки складних та унікальних даних сценаріїв більш ефективно, пропонуючи суттєві покращення у прогнозуванні технічного обслуговування та виявленні аномалій, що у свою чергу зменшить природні катástrofi.

Чи можете Ви роз’яснити, як інструмент штучного інтелекту Buzz Solutions використовує реальні дані для виявлення аномалій та які переваги він пропонує порівняно з синтетичними даними?

У сфері комунальних послуг реальні дані означають будь-що, що можна захопити у полі, зазвичай включаючи зображення чи відео, зняті з повітряних джерел, таких як дрони чи вертольоти. Синтетичні дані, з іншого боку, є даними, зібраними через процес реплікації зображення, який вручну змінює різні компоненти зображення, щоб спробувати врахувати експоненційний кількість сценаріїв та крайніх випадків. Наразі це добре на папері, але не на практиці. Моделі, навчені реальними даними з самого початку, виявилися більш точними, а перевага полягає в тому, що через використання реальних даних команди можуть відображати 1:1 з «фактичною реальністю» – точним зображенням фізичних світових сценаріїв, з якими технік, ймовірно, зустрінеться (наприклад, фоновий шум та погода). Реальні дані враховують реальні можливості, та включають непередбачувані змінні виявлення несправностей.

Хоча синтетичні дані самі по собі не можуть оптимізувати реальні світові сценарії (ще), вони все ж відіграють важливу роль у навчанні моделей.

Які найбільші виклики Ви зустрічаєте при інтеграції штучного інтелекту з застарілими системами у комунальних компаніях?

Застарілі системи у комунальних компаніях часто не сумісні з досягненнями штучного інтелекту. Два основних виклики, з якими стикаються компанії, це внутрішня трансформація та управління даними. Силові дані та комунікації можуть бути згубними для зусиль цифрової трансформації. Дані, які комунальні компанії вже володіють, повинні бути керовані та захищені, поки інформація передається.

Крім того, комунальні компанії, які все ще використовують зберігання даних на місці, стикаються з більшістю проблем. Перехід від зберігання даних на місці до інфраструктури хмари не є проблемою, а радше суттєвою трансформацією та післяшоком, який слідує за цим. Цей процес вимагає суттєвих ресурсів та часу, що робить його складним додати різні технології на вершину переходу. Введення ефективних рішень штучного інтелекту не рекомендується, поки цей процес не буде завершений.

Важливо, щоб внутрішньо було культурна зміна разом із технологічною зміною. Це вимагає, щоб співробітники були готові до безперервного навчання та адаптивності до змін у процесі та розглядали рішення штучного інтелекту як ефективні інструменти для полегшення їхньої щоденної роботи та підвищення ефективності.

Чи можете Ви пояснити процес навчання моделей штучного інтелекту з польових даних з критичної інфраструктури?

Велика частина процесу навчання полягає у поглинанні повітряних даних, наданих дронами та вертольотами. Ми вирішимо використовувати дрони над методами, такими як супутники, через гнучкість та негайну доставку даних, які вони дозволяють. Ми використовуємо три основних типи алгоритмів: кластеризацію зображень, сегментацію та виявлення аномалій.

Наша технологія керується машинним навчанням з людиною у циклі – що дозволяє експертам у нашій команді надавати прямий відгук моделі для прогнозів нижче певного рівня впевненості. Ми щасливі, що маємо таких експертів у наших командах – з їхніми десятилітнями спільного досвіду роботи техніків, вони надають відгук, щоб зробити наші моделі більш точними, персоналізованими та надійними.

Використовуючи реальні польові дані, ми можемо забезпечити, щоб наше виявлення аномалій було високоточним та надійним, надавши комунальним компаніям дієві знання.

Як технологія штучного інтелекту Buzz Solutions сприяє підвищенню безпеки ремонту ліній електропередачі?

Робота з ремонтом ліній електропередачі є однією з найсмертоносніших професій в Америці, і галузь відчуває вплив старіння робочої сили та нестачі техніків.

З нашою технологією, PowerAI, надзвичайна реакція стала більш ефективною та точною, так що техніки можуть віддалено оцінити пошкодження та мати час для розробки заздалегідь визначеного курсу дій – що зменшує можливість відправлення техніка у невідому, потенційно небезпечну ситуацію.

PowerAI використовує комп’ютерний зір та машинне навчання для автоматизації великої частини процесу виявлення несправностей. Він зробив аналіз великих масивів даних швидшим, безпечнішим та дешевшим, так що тепер техніки стикаються з меншим непотрібним ризиком та вищою операційною ефективністю. Ця операційна ефективність проявляється у менших витратах, швидших оборотах та профілактичному обслуговуванні.

Яка роль дронів та інших передових технологій у модернізації інспекцій інфраструктури?

Історично процес інспекцій інфраструктури був повністю ручним та дуже одноманітним. Інспектори сиділи перед екраном комп’ютера, переглядали тисячі зображень та визначали проблеми вручну. Цей процес став невідповідним, коли лінії електропередачі продовжували стикатися з проблемами, що призводило до більш небезпечних ситуацій та підвищення рівня регулювання, збільшуючи кількість даних, які потрібно було переглянути за коротший період часу.

Технологія, заснована на штучному інтелекті, суттєво спрощує процес аналізу даних, що зменшує час та витрати. Це дозволяє комунальним компаніям розгортати команди ремонту більш швидко та ефективно. Виявлення проблем також значно точніше, забезпечуючи, щоб ремонти були своєчасними та запобігали потенційним небезпекам.

При захопленні зображень для аналізу інспекції дронів є безпечнішими та більш економічними, ніж інші методи інфраструктури, такі як вертольоти, супутники та літаки. Їх портативність дозволяє їм маневрувати таким чином, щоб вони могли наблизитися та захопити більш детальну інформацію.

Як платформа штучного інтелекту Buzz Solutions допомагає комунальним компаніям з прогнозованим обслуговуванням та економією коштів?

Наше рішення видаляє більшу частину ручного аналізу з інспекції мережі. PowerAI може швидко визначити небезпечні ситуації, щоб запобігти потенційним катастрофам, та надати критичну інформацію для моніторингу та безпеки. Алгоритми штучного інтелекту навчені визначати аномалії, такі як екстремальні температури, несанкціонований доступ транспортних засобів/особистого складу, тепловізійне зображення та інше.

Окрім профілактичного відстеження, PowerAI також може надати ієрархічну пріоритезацію аномалій для оптимізації планування обслуговування. Все це мінімізує потребу у фізичних інспекціях, зменшуючи операційні витрати та ризики безпеки, пов’язані з ручними інспекціями. Платформа штучного інтелекту також забезпечує більш точне та точне виявлення, покращуючи рішення щодо обслуговування.

Чи можете Ви обговорити вплив прийняття штучного інтелекту на операційну ефективність комунальних компаній?

Після початкового підйому прийняття моделі штучного інтелекту, комунальна компанія продовжить отримувати вигоди від моделі протягом нескінченного часу. Життєвий цикл моделі штучного інтелекту починається з установки. Штучний інтелект може добувати дієві знання з тисяч зображень, зроблених по всій території сотень миль інфраструктури. Враховуючи, що ми отримали наш перший набір даних від комунальної компанії на стрічці, це надзвичайно та тільки покращується. Штучний інтелект робить раннє виявлення проблем з обслуговуванням більш можливим, що запобігає тому, щоб незначні інциденти переросли у більші небезпеки, такі як лісові пожежі та серйозні травми. Він зменшує потребу у ручних інспекціях, роблячи комунальну компанію більш економічною.

У Вашій статті “Прийняття штучного інтелекту – це тільки початок для комунальних компаній” Ви обговорюєте початкові кроки прийняття штучного інтелекту. Які найбільш критичні фактори для комунальних компаній, які починають свій шлях штучного інтелекту?

Є величезна можливість для комунальних компаній використовувати штучний інтелект, і багато рішень, які потрібно розглянути. Перед тим, як стрибнути у воду, важливо визначити свої цілі та встановити стабільну основу – які виклики Ви зараз зустрічаєте, які Ви хотіли б, щоб штучний інтелект допоміг вирішити? Чи володіє Ваш команда технічною експертизою та часом, щоб зайнятися таким складним переоформленням? Як це вплине на Ваших клієнтів?

Окрім внутрішньої узгодженості є підготовка до отримання більше даних, ніж комунальна компанія раніше мала, що, ймовірно, призведе до більшого обслуговування, оскільки проблеми виникатимуть. Комунальна компанія повинна мати план, щоб задовольнити ці запити, та бути впевненою, що у неї є належні ресурси, перш ніж починати свій шлях штучного інтелекту. Комунальні компанії також повинні працювати з постачальниками рішень, щоб реалізувати правильний доступ до даних, конфіденційність та безпеку при розгортанні рішень штучного інтелекту. Знання, отримані штучним інтелектом, повинні, нарешті, бути надані до існуючих робочих процесів комунальних компаній, щоб вони стали дієвіми та могли задовольнити бізнесові та операційні цілі організації.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Buzz Solutions.