Buzz Solutions 首席技术官、首席运营官和联合创始人 Vikhyat Chaudhry – 采访系列

Vikhyat Chaudhry 是 Buzz Solutions 的首席技术官、首席运营官和联合创始人，也是一名前 Cisco 数据科学家、Altitude 机器学习/嵌入式系统工程师和斯坦福大学毕业生。

Buzz Solutions 提供准确的 AI 和预测分析软件，以实现更高效的视觉检查，用于输电、配电和变电站基础设施。

您能否分享您的职业经历和创业亮点，导致您共同创立 Buzz Solutions？

我在印度新德里长大，具有天生的创新和工程兴趣，我就读于德里工程学院，学习土木和环境工程。我特别记得在我的最后一年，我从零开始建造了一架无人机，并在城市中飞行。任务是监测新德里的空气污染，我通过这个实验发现，空气质量超过 500 AQI，这相当于每天吸烟 60 支香烟。糟糕的空气质量可以直接归因于缺乏电气化、日益增加的车辆排放和过去几年中煤炭发电厂的增加。这种经历巩固了我使用技术解决与能源和电力相关的现实世界问题的兴趣。

在创立 Buzz 之前，我的技术背景让我担任了几年的 Cisco Systems 机器人 AI 和数据科学团队的负责人。这段经历非常宝贵，并让我早期接触到人工智能和机器学习的各种项目。

我于 2016 年从斯坦福大学获得了土木/环境工程硕士学位。在此期间，我参加了专注于能源工程的课程，进一步激发了我最初在海外开始的兴趣。我在一门课上遇到了我的联合创始人凯特琳，我们因为对环境、能源和创业的热情而结缘。我们发现了公用事业行业的巨大需求，并一直致力于解决这些问题。

您在传统 AI 到生成 AI 的转变过程中观察到了哪些关键发展，这种转变对各个行业产生了什么影响？

 2022 年，我们开始尝试生成 AI。在公用事业领域，生成 AI 是一个有趣的用例，因为我们处理的数据涉及许多不同的变量。有诸如相机分辨率、拍摄角度和物体距离等因素 – 而这些只是无人机的因素。还有诸如腐蚀或植被侵蚀等环境条件，这些条件引入了许多自由度。由于这种复杂性，良好的训练数据对于网格模型来说很难获得。

这就是过去几年中生成 AI 的用途 – 随着人工智能和机器学习的改进，训练集也会改进。

生成 AI 已成为训练模型的可行选项，特别是在具有极端值的关键“边缘情况”下，例如野火的情况下。随着公用事业行业中生成 AI 的进步，基于真实数据的合成数据集将有助于进一步训练模型以处理复杂和独特的数据场景，从而在预测维护和异常检测方面提供显著改进，并降低自然灾害的风险。

您能否详细说明 Buzz Solutions 的 AI 工具如何使用真实数据进行异常检测以及它与合成数据相比的优势？

在公用事业行业，真实数据是指在现场捕获的任何内容，通常包括从无人机或直升机等空中来源拍摄的图像或视频。另一方面，合成数据是通过图像复制过程收集的数据，该过程手动修改图像的各种组件以尝试考虑大量场景和边缘情况。目前，它在纸面上很好，但在实践中效果不佳。从一开始就使用真实数据训练的模型被证明更准确，优势在于，通过使用真实数据，团队可以 1:1 映射“地面真相” – 现实世界场景的准确表示，技术人员可能会遇到（例如背景噪音和天气）。真实数据考虑了现实世界的可能性，并包括故障检测的不可预测变量。

虽然合成数据单独使用不能优化现实世界场景（还没有），但它仍然在训练模型中发挥着重要作用。

您在将 AI 与公用事业公司的遗留系统集成时面临的最大挑战是什么？

公用事业公司的遗留系统通常与 AI 进步不兼容。我们看到的两个主要挑战是内部转型和数据管理。数据和通信的孤岛可能会阻碍数字转型工作。公用事业公司已经拥有的数据必须得到管理和保护，同时信息被转移。

此外，仍然使用本地数据存储的公用事业公司面临更大的挑战。从本地数据存储转移到云基础设施的转变本身并不是问题，而是随之而来的广泛转变和余波。这个过程需要大量资源和时间，使得在转变过程中添加不同的技术变得困难。直到这个过程完成后，才建议引入有效的 AI 解决方案。

内部文化转变与技术转变同样重要。这需要员工能够不断学习和适应流程和 AI 解决方案的变化，并将 AI 解决方案视为提高工作效率和效率的有效工具。

您能否解释使用现场测试数据从关键基础设施站点训练 AI 模型的过程？

训练过程中的一个重要部分是处理无人机和直升机提供的空中数据。我们选择使用无人机而不是卫星等方法，因为无人机提供了灵活性和即时数据交付。我们使用三种主要算法：图像聚类、分割和异常检测。

我们的技术由人机协同机器学习驱动 – 允许我们团队的主题专家为置信度低于某个阈值的预测提供直接反馈。我们很幸运拥有我们团队的主题专家 – 他们具有几十年的现场技术人员经验，为我们的模型提供反馈，使其更加准确、个性化和强大。

通过使用现场测试的真实数据，我们可以确保我们的异常检测高度准确和可靠，为公用事业公司提供可行的见解。

Buzz Solutions 的 AI 技术如何为使电力线维修更安全做出贡献？

电力线维修工作是美国最致命的职业之一，该行业正在经历老龄化劳动力和技术人员短缺的影响。

通过我们的技术 PowerAI，紧急响应变得更加有效和准确，因此技术人员可以远程评估损坏情况，并有时间制定预先确定的行动方案 – 这减少了将技术人员派往未知、潜在危险情况的可能性。

PowerAI 使用计算机视觉和机器学习来自动化故障检测过程的大部分。它使得大量数据点的分析变得更快、更安全、更便宜，因此技术人员面临的不必要风险减少，运营效率提高。这种运营效率表现为成本降低、周转时间缩短和预防性维护。

无人机和其他先进技术在现代化基础设施检查中的作用是什么？

历史上，基础设施检查的过程完全是手动和单调的。检查员会坐在电脑屏幕前，浏览数千张图像，并手动识别问题。随着电力线不断出现问题，导致更多不安全的情况和更高的监管审查，需要在更短的时间内审查的数据量也增加了。

基于 AI 的技术显著简化了数据分析的过程，减少了所需的时间和成本。这使得公用事业公司能够更快速、更有效地部署维修团队。问题的检测也更加精确，确保维修及时并防止潜在的危险。

在捕获图像进行分析时，无人机检查比其他基础设施检查方法（如直升机、卫星和固定翼飞机）更安全、更具成本效益。它们的便携性使其能够以更接近、更详细的方式捕获信息。

Buzz Solutions 的 AI 驱动平台如何帮助公用事业公司实现预测维护和节省成本？

我们的解决方案消除了网格检查的大部分手动分析工作。PowerAI 可以快速识别危险情况，以防止潜在的灾难，并为监测和安全目的提供关键信息。AI 算法经过训练，可以识别极端温度、未经授权的车辆访问/人员、热成像等异常情况。

除了预防性跟踪外，PowerAI 还可以提供异常的分级优先顺序，以优化维护规划。所有这些都减少了对物理检查的需求，降低了与手动检查相关的运营成本和安全风险。AI 驱动的平台还提供更精确、更准确的检测，改善了维护决策。

您能否讨论采用 AI 对公用事业公司运营效率的影响？

在初始采用 AI 模型后，公用事业公司将继续在很长一段时间内享受该模型的好处。AI 模型的生命周期从安装开始。AI 可以从成千上万张图像中提取可行的见解，这些图像跨越数百英里基础设施。考虑到我们从公用事业公司收到的第一个数据集是在磁带上，这是非凡的，它变得越来越智能。AI 使得早期检测维护问题变得更加可能，防止小问题升级为更大的安全隐患，如野火和严重伤害。它减少了对人工检查的需求，使公用事业公司更加节省成本。

在您的文章“公用事业公司采用 AI 只是开始”中，您讨论了采用 AI 的初始步骤。公用事业公司开始其 AI 之旅时，需要考虑的最关键因素是什么？

公用事业公司有很大的机会使用 AI，还有很多解决方案需要考虑。在开始之前，确定目标并建立稳定的基础至关重要 – 您目前面临哪些挑战希望 AI 来帮助解决？您的团队是否拥有必要的技术专业知识和时间来承担如此复杂的改造？这将如何影响您的客户？

除了内部对齐外，还需要准备好获得比公用事业公司以前拥有更多的数据，这可能会导致更多的维护，因为问题会出现。公用事业公司应该有一个计划来适应这些请求，并确保在开始其 AI 之旅之前拥有适当的资源。公用事业公司还需要与解决方案提供商合作，以实现正确的数据访问、Buzz Solutions 在部署 AI 解决方案时的隐私和安全。AI 生成的见解最终应被馈送到现有的公用事业工作流中，以便它们变得可行，并满足组织的业务和运营目标。

感谢您接受这次精彩的采访，希望了解更多的读者可以访问 Buzz Solutions。