Vikhyat Chaudhry é CTO, COO e cofundador da Buzz Options, ex-cientista de dados na Cisco, engenheiro de sistemas embarcados/aprendizado de máquina na Altitude e graduado em Stanford.
A Buzz Options fornece software program de IA e análise preditiva precisos para possibilitar inspeções visuais mais eficientes para infraestrutura de transmissão, distribuição e subestações.
Você pode compartilhar sua jornada e os destaques da carreira que o levaram a ser cofundador da Buzz Options?
Cresci em Nova Déli, Índia, com uma curiosidade pure por inovação e engenharia e frequentei o Delhi Faculty of Engineering, onde estudei Engenharia Civil e Ambiental. Lembro-me particularmente de um momento durante meu último ano, quando construí um drone do zero e o voei na cidade. A tarefa period monitorar a poluição do ar em Nova Déli e, por meio desse experimento, descobri que a qualidade estava acima de 500 AQI, o que equivale a fumar 60 cigarros por dia. A má qualidade do ar pode ser diretamente atribuída à falta de eletrificação, ao aumento das emissões veiculares e ao aumento do número de usinas de energia movidas a carvão ao longo dos anos. Essa experiência solidificou meu interesse em usar a tecnologia para resolver problemas do mundo actual associados à energia e à potência.
Antes de fundar a Buzz, minha formação em tecnologia me levou ao meu papel como Líder de Equipes de IA de Máquina e Ciência de Dados na Cisco Programs por alguns anos. Essa experiência foi inestimável e construiu minha exposição a uma gama diversificada de projetos de inteligência synthetic e aprendizado de máquina desde o início.
Recebi meu mestrado em Engenharia Civil/Ambiental pela Universidade de Stanford em 2016. Durante esse tempo, fiz aulas de especialização em engenharia de energia, construindo meu interesse que começou no exterior. Conheci minha cofundadora Kaitlyn em uma aula onde nos unimos por nossas paixões pelo meio ambiente, energia e empreendedorismo. Nós tropeçamos em uma grande necessidade no setor de serviços públicos e temos trabalhado em soluções para atendê-la desde então.
Quais desenvolvimentos importantes você observou na progressão da IA tradicional para a IA generativa durante sua carreira e quais impactos significativos essa transição teve em vários setores?
Em 2022, começamos a experimentar com IA Generativa. A GenAI no setor de serviços públicos é um caso de uso interessante porque os dados com os quais trabalhamos envolvem muitas variáveis diferentes. Existem fatores como resolução da câmera, ângulo de captura e distância do objeto — e esses são apenas para os drones. Existem também condições ambientais como corrosão ou invasão de vegetação que introduzem vários graus de liberdade. Devido a essa complexidade, bons dados de treinamento para modelos de grade podem ser difíceis de obter.
É aí que a GenAI entrou nos últimos anos: à medida que a inteligência synthetic e o aprendizado de máquina melhoram, o mesmo ocorre com os conjuntos de treinamento que ela cria.
O GenAI se tornou uma opção viável para treinar modelos, especialmente com 'casos extremos' cruciais, onde as variáveis têm valores mais extremos, como no caso de um incêndio florestal. À medida que o GenAI no setor de serviços públicos progride, conjuntos de dados sintéticos, baseados em dados do mundo actual, ajudarão em modelos de treinamento adicionais para lidar com cenários de dados complexos e únicos de forma mais eficaz, oferecendo melhorias significativas na manutenção preditiva e detecção de anomalias, o que, por sua vez, reduzirá os desastres naturais.
Você pode explicar melhor como a ferramenta de IA da Buzz Options usa dados reais para detecção de anomalias e os benefícios que ela oferece em relação aos dados sintéticos?
No setor de serviços públicos, dados reais significam tudo o que pode ser capturado em campo, geralmente incluindo imagens ou vídeos tirados de fontes aéreas como drones ou helicópteros. Dados sintéticos, por outro lado, são dados coletados por meio de um processo de replicação de imagem que altera manualmente vários componentes de uma imagem para tentar contabilizar uma quantidade exponencial de cenários e casos extremos. Atualmente, é ótimo no papel, mas não na prática. Modelos treinados com dados reais desde o início são comprovadamente mais precisos e a vantagem é que, por meio do uso de dados reais, as equipes podem mapear 1:1 com a “verdade básica” – uma representação precisa dos cenários do mundo físico que um técnico provavelmente encontrará (como ruído de fundo e clima). Os dados reais contabilizam possibilidades do mundo actual e incluem as variáveis imprevisíveis de detecção de falhas.
Embora os dados sintéticos por si só não sejam capazes de otimizar cenários do mundo actual (ainda), eles ainda desempenham um papel importante nos modelos de treinamento.
Quais são os maiores desafios que você enfrenta ao integrar IA com sistemas legados em empresas de serviços públicos?
Os sistemas legados em empresas de serviços públicos são frequentemente incompatíveis com os avanços da IA. Dois grandes desafios que vemos as empresas enfrentarem são a transformação interna e o gerenciamento de dados. Dados e comunicação isolados podem ser prejudiciais aos esforços de transformação digital. Os dados que as empresas de serviços públicos já possuem devem ser gerenciados e protegidos enquanto as informações são transportadas.
Além disso, os serviços públicos que ainda usam armazenamento de dados no native enfrentam desafios maiores. A mudança do armazenamento de dados no native para a infraestrutura de nuvem não é o problema, mas sim a extensa transformação e o abalo que se seguem. Esse processo demanda recursos e tempo substanciais, dificultando a adição de diferentes tecnologias sobre a transição. Não é recomendável introduzir soluções de IA eficazes até que esse processo seja concluído.
Também é importante que internamente haja uma mudança cultural junto com a mudança tecnológica. Isso requer ter funcionários a bordo com aprendizado contínuo e adaptabilidade a mudanças no processo e olhar para soluções de IA como ferramentas eficazes para tornar seus trabalhos diários mais fáceis e eficientes.
Você pode explicar o processo de treinamento de modelos de IA com dados testados em campo de locais de infraestrutura vitais?
Uma grande parte do processo de treinamento é ingerir os dados aéreos fornecidos por drones e helicópteros. Escolhemos usar drones em vez de métodos como satélites devido à flexibilidade e entrega imediata de dados que eles permitem. Usamos três tipos principais de algoritmos: agrupamento de imagens, segmentação e detecção de anomalias.
Nossa tecnologia é impulsionada pelo aprendizado de máquina Human-in-the-loop – que permite que especialistas no assunto em nossa equipe forneçam suggestions direto ao modelo para previsões abaixo de um certo nível de confiança. Temos sorte de ter os SMEs em nossas equipes que temos – com suas décadas de experiência combinada de técnicos de campo, eles fornecem suggestions para tornar nossos modelos mais precisos, personalizados e robustos.
Ao usar dados reais testados em campo, podemos garantir que nossa detecção de anomalias seja altamente precisa e confiável, fornecendo às empresas de serviços públicos insights acionáveis.
Como a tecnologia de IA da Buzz Options contribui para tornar os reparos em linhas de energia mais seguros?
O trabalho de reparo de linhas de energia é uma das ocupações mais mortais nos Estados Unidos, e o setor está sofrendo os efeitos do envelhecimento da força de trabalho e da escassez de técnicos.
Com nossa tecnologia, PowerAI, a resposta a emergências se tornou mais eficaz e precisa, para que os técnicos possam avaliar os danos remotamente e tenham tempo para desenvolver um curso de ação predeterminado, o que reduz a possibilidade de enviar um técnico para uma situação desconhecida e potencialmente perigosa.
O PowerAI usa visão computacional e aprendizado de máquina para automatizar uma grande parte do processo de detecção de falhas. Ele tornou a análise de grandes massas de pontos de dados mais rápida, segura e barata, então agora os técnicos enfrentam riscos desnecessários reduzidos e maior eficiência operacional. Essa eficiência operacional se apresenta por meio de custos menores, tempos de resposta mais rápidos e manutenção preventiva.
Qual o papel dos drones e outras tecnologias avançadas na modernização das inspeções de infraestrutura?
Historicamente, o processo de inspeções de infraestrutura period completamente handbook e muito mundano. Os inspetores se sentavam na frente da tela do computador, embaralhavam milhares de imagens e identificavam problemas manualmente. Esse processo se tornou insustentável quando as linhas de energia continuaram apresentando problemas, levando a mais situações inseguras e maiores visões gerais regulatórias, aumentando a quantidade de dados necessários para serem revisados em um período de tempo menor.
A tecnologia baseada em IA simplifica significativamente o processo de análise de dados, o que reduz o tempo e o custo envolvidos. Isso permite que as empresas de serviços públicos implantem equipes de reparo de forma mais rápida e eficaz. A detecção de problemas também é muito mais precisa, garantindo que os reparos sejam oportunos e prevenindo riscos crescentes.
Na captura de imagens para análise, as inspeções por drones são mais seguras e mais econômicas do que outros métodos de infraestrutura, como helicópteros, satélites e aeronaves de asa fixa. Sua portabilidade permite que eles manobrem de uma forma que possam chegar perto e capturar informações mais granulares.
Como a plataforma de IA da Buzz Options ajuda as empresas de serviços públicos com manutenção preditiva e economia de custos?
Nossa solução tira a maior parte do trabalho de análise handbook da inspeção de grade. O PowerAI pode identificar rapidamente situações perigosas para evitar desastres em potencial e fornecer informações críticas para fins de monitoramento e segurança. Os algoritmos de IA são treinados para identificar anomalias como temperaturas extremas, acesso não autorizado de veículos/pessoal, imagens térmicas e muito mais.
Além do rastreamento preventivo, o PowerAI também pode fornecer priorização em camadas de anomalias para planejamento de manutenção otimizado. Todas essas coisas minimizam a necessidade de inspeções físicas, reduzindo custos operacionais e riscos de segurança associados a inspeções manuais. A plataforma alimentada por IA também fornece detecção mais precisa e exata, melhorando as decisões de manutenção.
Você pode discutir o impacto da adoção de IA na eficiência operacional das empresas de serviços públicos?
Após o levantamento inicial da adoção de um modelo de IA, uma empresa de serviços públicos continuará a colher os benefícios do modelo por um período infinito de tempo. O ciclo de vida de um modelo de IA começa na instalação. A IA pode coletar insights acionáveis de milhares de imagens tiradas em centenas de quilômetros de infraestrutura. Considerando que recebemos nosso primeiro conjunto de dados de uma empresa de serviços públicos em uma fita, isso é extraordinário e está ficando cada vez mais inteligente. A IA torna a detecção precoce de problemas de manutenção muito mais possível, o que evita que incidentes menores se transformem em riscos maiores de segurança, como incêndios florestais e ferimentos graves. Ela reduz a necessidade de inspeções humanas, tornando a empresa de serviços públicos mais econômica.
No seu artigo “Adotar IA é apenas o começo para empresas de serviços públicos”, você discute as etapas iniciais da adoção de IA. Quais são as considerações mais críticas para as empresas de serviços públicos que estão iniciando sua jornada de IA?
Há uma grande oportunidade para as concessionárias usarem IA, e muitas soluções por aí a serem consideradas. Antes de entrar, é importante identificar seus objetivos e estabelecer uma base estável – quais desafios você está enfrentando atualmente e gostaria que a IA ajudasse a resolver? Sua equipe possui a experience técnica e o tempo para assumir uma revisão tão complexa? Como isso impactará seus clientes?
Além de estar alinhado internamente, está sendo preparado para obter mais dados do que o utilitário tinha anteriormente, o que provavelmente levará a mais manutenção conforme os problemas surgirem. Um utilitário deve ter um plano para acomodar essas solicitações e ter certeza de que eles têm os recursos adequados antes de iniciar sua jornada de IA. Os utilitários também precisam trabalhar com provedores de soluções para implementar o acesso de dados, privacidade e segurança corretos ao implantar soluções de IA. Os insights gerados por IA devem finalmente ser alimentados em fluxos de trabalho de utilitários existentes para que se tornem acionáveis e possam atender às metas comerciais e operacionais da organização.
Obrigado pela ótima entrevista. Os leitores que desejarem saber mais devem visitar o Buzz Options.
