Vikhyat Chaudhry，Buzz Solutions的CTO、COO和联合创始人 – 采访系列

Vikhyat Chaudhry 是 Buzz Solutions 的CTO、COO和联合创始人，也是Cisco的前数据科学家、Altitude的机器学习/嵌入式系统工程师和斯坦福大学的毕业生。

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

您能否分享您的经历和职业亮点，导致您共同创立Buzz Solutions？

我在印度新德里长大，具有对创新和工程的天然好奇心，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。这个任务是监测新德里的空气污染，我通过这个实验发现，质量超过了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这些年来煤炭发电厂的增加。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，我的技术背景让我在Cisco Systems担任机器人AI和数据科学团队的负责人几个年头。这段经历是无价的，并且让我早期接触到了多种多样的人工智能和机器学习项目。

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，我参加了专门从事能源工程的课程，进一步培养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Kaitlyn，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一个巨大需求，并且自此以后一直致力于解决它。

您在职业生涯中观察到了从传统AI到生成AI的哪些关键发展，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。GenAI在公用事业行业是一个有趣的用例，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——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，它们引入了许多自由度。由于这种复杂性，网格模型的良好训练数据很难获得。

这就是GenAI在过去几年中出现的原因——随着人工智能和机器学习的改进，它创建的训练集也会改进。

GenAI已经成为训练模型的可行选择，尤其是在处理“边缘情况”的时候，变量具有更极端的值，例如在野火的情况下。随着公用事业行业中GenAI的进步，基于真实世界数据的合成数据集将有助于进一步训练模型，以更有效地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实现显著改进，这反过来将减少自然灾害。

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，真实数据意味着在现场可以捕获的任何内容，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，以尝试考虑到大量场景和边缘情况。目前，它在纸面上很好，但在实践中并不好。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映射到“真实地面”-物理世界场景的准确表示，这种场景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（目前），但它在训练模型中仍然起着重要作用。

您在将AI与公用事业公司的传统系统集成时面临的最大挑战是什么？

公用事业公司的传统系统通常与AI进步不兼容。我们看到公司面临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对数字转型工作造成危害。公用事业公司已经拥有的数据必须被管理和保护，同时在信息被转移时。

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，而是随后的广泛转变和余波。这个过程需要大量的资源和时间，使得在转变的基础上添加不同的技术变得困难。建议在此过程完成之前不要引入有效的AI解决方案。

内部转变和技术转变同样重要，需要文化转变。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解决方案视为有效的工具，使他们的日常工作更容易和更高效。

您能否解释使用现场测试数据从关键基础设施网站训练AI模型的过程？

训练过程中的一个重要部分是处理由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传递。我们使用三种主要的不同算法：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 – 它允许我们团队中的主题专家为置信度低于某个水平的预测提供直接反馈。我们很幸运拥有我们团队中如此多才多艺的专家 – 他们具有数十年的联合现场技术人员经验，他们提供反馈以使我们的模型更加准确、个性化和强大。

通过使用真实的现场测试数据，我们可以确保我们的异常检测是高度准确和可靠的，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遣到未知、可能危险的情况的可能性。

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。它使得对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方面发挥什么作用？

历史上，基础设施检查的过程是完全手动的，非常繁琐。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。这个过程变得不可持续，当电力线继续出现问题时，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更多的数据。

基于AI的技术显著简化了数据分析的过程，从而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。它们的便携性使它们能够以更接近、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，并为监控和安全目的提供关键信息。AI算法被训练为识别异常，如极端温度、未经授权的车辆访问/人员、热成像等。

除了预防性跟踪外，PowerAI还可以提供异常的分级优先级，以优化维护规划。所有这些都可以最小化对物理检查的需求，减少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和准确的检测，改善维护决策。

您能否讨论AI对公用事业公司运营效率的影响？

在采用AI模型的初始阶段之后，公用事业公司将继续获得该模型的好处。AI模型的生命周期从安装开始。AI可以从数千张图像中收集可行的见解，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来自一盘磁带，这是非凡的，它变得越来越智能。AI使得早期检测维护问题更加可能，这可以防止轻微事件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具有成本效益。

在您的文章“公用事业公司采用AI只是开始”中，您讨论了AI采用的初始步骤。公用事业公司开始其AI之旅时，什么是最关键的考虑因素？

公用事业公司使用AI有巨大的机会，并且有许多解决方案需要考虑。在跳入之前，确定目标并建立稳固的基础至关重要 – 您目前面临哪些挑战，您希望AI帮助解决这些挑战？您的团队是否拥有技术专业知识和时间来承担如此复杂的改造？它将如何影响您的客户？

除了内部协调外，准备好获取比公用事业公司以前拥有的更多数据也很重要，这可能会导致随着问题出现而增加维护。公用事业公司应该制定计划以适应这些请求，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，以实施AI解决方案的正确数据访问、隐私和安全。最后，AI生成的见解应该被输入到现有的公用事业工作流中，以便它们变得可行，并能够满足组织的业务和运营目标。

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