Vikhyat Chaudhry는 CTO, COO 및 공동 창립자입니다. 버즈 솔루션 Cisco의 전직 데이터 과학자, Altitude의 머신 러닝/임베디드 시스템 엔지니어이자 스탠포드 대학 졸업자입니다.
Buzz Solutions는 정확한 AI 및 예측 분석 소프트웨어를 제공하여 송전, 배전 및 변전소 인프라에 대한 보다 효율적인 시각 검사를 실시합니다.
Co-Found Buzz Solutions에 이르게 된 과정과 경력의 하이라이트를 공유해 주시겠습니까?
저는 인도 뉴델리에서 혁신과 공학에 대한 타고난 호기심을 가지고 자랐고, 델리 공과대학에서 토목 및 환경 공학을 전공했습니다. 특히 마지막 학년 때 드론을 처음부터 만들어서 도시에서 날렸던 순간을 기억합니다. 과제는 뉴델리의 대기 오염을 모니터링하는 것이었고, 이 실험을 통해 대기 오염 수준이 500 AQI 이상이라는 것을 알게 되었는데, 이는 하루에 담배 60개를 피우는 것과 같습니다. 대기 오염이 나쁜 이유는 전기화 부족, 자동차 배출량 증가, 수년에 걸친 석탄 발전소 증가 때문이었습니다. 이 경험을 통해 에너지와 전력과 관련된 현실적인 문제를 해결하기 위해 기술을 사용하는 데 대한 관심이 더욱 커졌습니다.
Buzz를 설립하기 전에, 제 기술적 배경 덕분에 저는 Cisco Systems에서 몇 년 동안 머신 AI 및 데이터 과학 팀의 리더로 일하게 되었습니다. 이 경험은 매우 귀중했고, 일찍부터 다양한 인공 지능 및 머신 러닝 프로젝트에 대한 노출을 쌓았습니다.
저는 2016년 스탠포드 대학에서 토목/환경 공학 석사 학위를 받았습니다. 이 기간 동안 저는 에너지 공학을 전문으로 하는 수업을 수강하면서 해외에서 시작된 관심을 키웠습니다. 저는 공동 창업자인 케이틀린을 수업에서 만났고, 그 수업에서 우리는 환경, 에너지, 기업가 정신에 대한 열정을 공유하며 친분을 쌓았습니다. 우리는 공익사업 산업에서 큰 필요성을 우연히 발견했고, 그 이후로 이를 해결하기 위한 솔루션을 찾기 위해 노력해 왔습니다.
귀하의 경력 중에 기존 AI에서 생성 AI로의 발전 과정에서 어떤 주요 발전을 관찰하셨나요? 그리고 이러한 전환이 다양한 산업에 어떤 상당한 영향을 미쳤나요?
2022년에 우리는 생성 AI 실험을 시작했습니다. 유틸리티 부문의 GenAI는 우리가 다루는 데이터에 다양한 변수가 포함되기 때문에 흥미로운 사용 사례입니다. 카메라 해상도, 캡처 각도, 객체 거리와 같은 요소가 있으며 이는 드론에만 해당합니다. 또한 부식이나 식물 침범과 같은 환경적 조건은 수많은 자유도를 도입합니다. 이러한 복잡성으로 인해 그리드 모델에 대한 좋은 교육 데이터를 얻기 어려울 수 있습니다.
GenAI는 지난 몇 년 동안 이 분야에서 활약했습니다. 인공지능과 머신러닝이 발전함에 따라 이를 통해 생성되는 훈련 세트도 향상됩니다.
GenAI는 특히 변수가 산불과 같이 극단적인 값을 갖는 중요한 ‘에지 케이스’에서 모델을 훈련하는 데 실행 가능한 옵션이 되었습니다. 유틸리티 산업에서 GenAI가 발전함에 따라 실제 세계 데이터를 기반으로 하는 합성 데이터 세트는 복잡하고 고유한 데이터 시나리오를 보다 효과적으로 처리하기 위한 모델을 추가로 훈련하는 데 도움이 되며 예측 유지 관리 및 이상 탐지에 상당한 개선을 제공하여 자연 재해를 줄일 수 있습니다.
Buzz Solutions의 AI 도구가 실제 데이터를 사용하여 이상 징후를 탐지하는 방법과 합성 데이터보다 어떤 이점을 제공하는지 자세히 설명해 주시겠습니까?
유틸리티 산업에서 실제 데이터는 일반적으로 드론이나 헬리콥터와 같은 공중 소스에서 촬영한 이미지나 비디오를 포함하여 현장에서 캡처할 수 있는 모든 것을 의미합니다. 반면 합성 데이터는 이미지 복제 프로세스를 통해 수집된 데이터로, 이미지의 다양한 구성 요소를 수동으로 변경하여 기하급수적인 양의 시나리오와 에지 케이스를 설명하려고 시도합니다. 현재는 이론적으로는 좋지만 실제로는 그렇지 않습니다. 처음부터 실제 데이터로 학습한 모델은 더 정확한 것으로 입증되었으며, 실제 데이터를 사용하면 팀이 ‘실제’와 1:1로 매핑할 수 있다는 장점이 있습니다. 실제 데이터는 기술자가 마주칠 가능성이 있는 물리적 세계 시나리오(예: 배경 소음 및 날씨)를 정확하게 표현한 것입니다. 실제 데이터는 실제 가능성을 설명하며 오류 감지의 예측할 수 없는 변수를 포함합니다.
합성 데이터만으로는 실제 시나리오에 맞게 최적화할 수는 없지만(아직까지는) 모델 학습에 있어 여전히 중요한 역할을 합니다.
공익사업 회사에서 기존 시스템에 AI를 통합할 때 직면하는 가장 큰 과제는 무엇입니까?
유틸리티 회사의 레거시 시스템은 종종 AI 발전과 호환되지 않습니다. 회사가 직면한 두 가지 주요 과제는 내부 변환과 데이터 관리입니다. 사일로화된 데이터와 커뮤니케이션은 디지털 변환 노력에 해로울 수 있습니다. 유틸리티가 이미 보유한 데이터는 정보가 이전되는 동안 관리하고 보호해야 합니다.
또한, 여전히 온프레미스 데이터 스토리지를 사용하는 유틸리티는 더 큰 과제에 직면합니다. 온프레미스 데이터 스토리지에서 클라우드 인프라로의 전환이 문제가 아니라 그에 따른 광범위한 변형과 여진이 문제입니다. 이 프로세스는 상당한 리소스와 시간을 요구하기 때문에 전환에 다양한 기술을 추가하기 어렵습니다. 이 프로세스가 완료될 때까지 효과적인 AI 솔루션을 도입하는 것은 권장되지 않습니다.
또한 내부적으로는 기술 변화와 함께 문화적 변화가 있는 것이 중요합니다. 이를 위해서는 직원들이 프로세스의 변화에 대한 지속적인 학습과 적응력을 갖추고 AI 솔루션을 일상 업무를 보다 쉽고 효율적으로 만드는 효과적인 도구로 간주해야 합니다.
중요한 인프라 현장에서 현장 테스트된 데이터로 AI 모델을 훈련하는 프로세스를 설명해 주시겠습니까?
훈련 과정의 큰 부분은 드론과 헬리콥터가 제공하는 항공 데이터를 수집하는 것입니다. 우리는 위성과 같은 방법 대신 드론을 사용하기로 했습니다. 그 이유는 드론이 제공하는 유연성과 즉각적인 데이터 전달 때문입니다. 우리는 이미지 클러스터링, 세분화, 이상 탐지라는 세 가지 주요 유형의 알고리즘을 사용합니다.
당사의 기술은 Human-in-the-loop 머신 러닝에 의해 구동됩니다. 이를 통해 당사 팀의 주제 전문가가 특정 신뢰 수준 미만의 예측에 대해 모델에 직접 피드백을 제공할 수 있습니다. 당사 팀에 SME가 있는 것은 행운입니다. 수십 년의 현장 기술자 경험을 결합한 SME는 당사 모델을 보다 정확하고 개인화되고 견고하게 만들기 위한 피드백을 제공합니다.
실제 현장 테스트된 데이터를 활용함으로써, 우리는 이상 탐지의 정확성과 신뢰성을 보장하고, 이를 통해 공공 서비스에 실행 가능한 통찰력을 제공할 수 있습니다.
Buzz Solutions의 AI 기술은 전력선 수리를 더 안전하게 만드는 데 어떻게 기여합니까?
전력선 수리 작업은 미국에서 가장 위험한 직업 중 하나이며, 해당 산업은 노동력 고령화와 기술자 부족으로 어려움을 겪고 있습니다.
PowerAI라는 기술을 통해 비상 대응이 더 효과적이고 정확해졌고, 기술자는 원격으로 피해를 평가하고 미리 정해진 대응 방침을 개발할 시간을 확보할 수 있습니다. 이를 통해 알려지지 않은 잠재적으로 위험한 상황에 기술자를 파견할 가능성이 줄어듭니다.
PowerAI는 컴퓨터 비전과 머신 러닝을 사용하여 오류 감지 프로세스의 상당 부분을 자동화합니다. 이를 통해 대량의 데이터 포인트에 대한 분석이 더 빠르고 안전하며 저렴해졌기 때문에 이제 기술자는 불필요한 위험을 줄이고 운영 효율성을 높일 수 있습니다. 이러한 운영 효율성은 더 적은 비용, 더 빠른 처리 시간, 예방적 유지 관리를 통해 나타납니다.
드론과 기타 첨단 기술은 인프라 검사를 현대화하는 데 어떤 역할을 합니까?
역사적으로 인프라 검사 프로세스는 완전히 수동적이고 매우 지루했습니다. 검사관은 컴퓨터 화면 앞에 앉아 수천 개의 이미지를 뒤적이며 손으로 문제를 파악했습니다. 전력선에 문제가 계속 발생하여 더욱 안전하지 않은 상황과 더 높은 규제 개요로 이어지면서 이 프로세스는 지속 불가능해졌고, 더 짧은 시간 내에 검토해야 할 데이터 양이 증가했습니다.
AI 기반 기술은 데이터 분석 프로세스를 크게 간소화하여 관련 시간과 비용을 줄입니다. 이를 통해 유틸리티 회사는 수리팀을 더 빠르고 효과적으로 배치할 수 있습니다. 문제 감지도 훨씬 더 정확해져 수리가 시기적절하게 이루어지고 급증하는 위험을 방지할 수 있습니다.
분석을 위해 이미지를 캡처하는 데 있어 드론 검사는 헬리콥터, 위성, 고정익 항공기와 같은 다른 인프라 방법보다 더 안전하고 비용 효율적입니다. 휴대성 덕분에 가까이 다가가 더 세부적인 정보를 캡처할 수 있는 방식으로 기동할 수 있습니다.
Buzz Solutions의 AI 기반 플랫폼은 공익사업 회사의 예측적 유지관리 및 비용 절감에 어떤 도움을 주나요?
저희 솔루션은 그리드 검사에서 대부분의 수동 분석 작업을 제거합니다. PowerAI는 위험한 상황을 신속하게 식별하여 잠재적인 재해를 방지하고 모니터링 및 보안 목적으로 중요한 정보를 제공할 수 있습니다. AI 알고리즘은 극한 온도, 무단 차량 접근/인원, 열 화상 등과 같은 이상을 식별하도록 훈련되었습니다.
예방적 추적 외에도 PowerAI는 최적화된 유지 관리 계획을 위해 이상에 대한 계층적 우선순위를 제공할 수도 있습니다. 이러한 모든 것이 물리적 검사의 필요성을 최소화하여 수동 검사와 관련된 운영 비용과 안전 위험을 줄입니다. AI 기반 플랫폼은 또한 보다 정확하고 정밀한 탐지를 제공하여 유지 관리 결정을 개선합니다.
AI 도입이 공익사업 회사의 운영 효율성에 미치는 영향에 대해 말씀해 주시겠습니까?
AI 모델을 도입한 초기 리프트 이후, 유틸리티 회사는 무한한 시간 동안 모델의 이점을 계속 얻을 것입니다. AI 모델의 수명 주기는 설치에서 시작됩니다. AI는 수백 마일의 인프라에서 촬영한 수천 개의 이미지에서 실행 가능한 통찰력을 얻을 수 있습니다. 유틸리티에서 테이프로 첫 번째 데이터 세트를 받았다는 점을 고려하면 이는 놀라운 일이며 점점 더 똑똑해지고 있습니다. AI는 유지 관리 문제를 조기에 감지하는 것을 훨씬 더 가능하게 만들어 사소한 사고가 산불 및 심각한 부상과 같은 더 큰 안전 위험으로 확대되는 것을 방지합니다. 인간의 검사 필요성을 줄여 유틸리티를 더 비용 효율적으로 만듭니다.
귀하의 기사 “AI 도입은 유틸리티 회사의 시작에 불과합니다”에서 귀하는 AI 도입의 초기 단계에 대해 논의합니다. 유틸리티가 AI 여정을 시작하는 데 가장 중요한 고려 사항은 무엇입니까?
유틸리티가 AI를 사용할 수 있는 엄청난 기회가 있으며, 고려해야 할 솔루션이 많이 있습니다. 뛰어들기 전에 목표를 파악하고 안정적인 기반을 마련하는 것이 중요합니다. 현재 직면하고 있는 과제 중 AI가 해결해 주길 바라는 과제는 무엇입니까? 귀하의 팀은 이처럼 복잡한 정비를 수행할 기술적 전문성과 시간을 가지고 있습니까? 고객에게 어떤 영향을 미칠까요?
내부적으로 정렬하는 것 외에도 유틸리티가 이전에 가지고 있던 것보다 더 많은 데이터를 얻을 준비가 되어 있으며, 이는 문제가 발생할 때 더 많은 유지 관리로 이어질 가능성이 높습니다. 유틸리티는 이러한 요청을 수용할 계획을 가지고 있어야 하며 AI 여정을 시작하기 전에 적절한 리소스가 있는지 확인해야 합니다. 유틸리티는 또한 솔루션 제공업체와 협력하여 AI 솔루션을 배포할 때 올바른 데이터 액세스, 개인 정보 보호 및 보안을 구현해야 합니다. AI에서 생성된 통찰력은 마침내 기존 유틸리티 워크플로에 공급되어 실행 가능해지고 조직의 비즈니스 및 운영 목표를 충족할 수 있어야 합니다.
훌륭한 인터뷰에 감사드립니다. 더 자세히 알고 싶은 독자는 다음을 방문하세요. 버즈 솔루션.
게시물 Vikhyat Chaudhry, CTO, COO 및 Buzz Solutions의 공동 창립자 – 인터뷰 시리즈 처음 등장 유나이트.AI.
