Ясер Хан, главен изпълнителен директор на ONE Tech – Серия интервюта

Ясер Хан е главен изпълнителен директор на ONE Tech технологична компания, управлявана от AI, която проектира, разработва и внедрява IoT решения от следващо поколение за OEM производители, мрежови оператори и предприятия.

Какво първоначално те привлече към изкуствения интелект?

Преди няколко години внедрихме решение за индустриален интернет на нещата (IIoT), което свърза много активи в широко географско местоположение. Количеството данни, което беше генерирано, беше огромно. Ние обобщихме данни от PLC при честота на дискретизация от 50 милисекунди и стойности на външни сензори няколко пъти в секунда. В течение на една минута генерирахме хиляди точки от данни за всеки актив, към който се свързвахме. Знаехме, че стандартният метод за предаване на тези данни към сървър и лице, което да оцени данните, не е реалистично, нито е полезно за бизнеса. Така че ние се заехме да създадем продукт, който да обработва данните и да генерира консумативни изходи, значително намалявайки количеството надзор, от който една организация се нуждае, за да извлече ползите от внедряването на цифрова трансформация - силно фокусирано върху управлението на производителността на активите и предсказуемата поддръжка.

Можете ли да обсъдите какво представлява MicroAI решението на ONE Tech? 

MicroAI™ е платформа за машинно обучение, която предоставя по-високо ниво на вникване в производителността, използването и цялостното поведение на актив (устройство или машина). Това предимство варира от мениджъри на производствени предприятия, които търсят начини да подобрят цялостната ефективност на оборудването, до OEM производители на хардуер, които искат да разберат по-добре как техните устройства работят предварително на място. Ние постигаме това чрез разполагане на малък (колкото 70kb) пакет върху микроконтролера (MCU) или микропроцесора (MPU) на актива. Ключова отличителна черта е, че процесът на обучение и формиране на модел на MicroAI е уникален. Обучаваме модела директно върху самия актив. Това не само позволява на данните да останат локални, което намалява разходите и времето за внедряване, но също така повишава точността и прецизността на AI изхода. MicroAI има три основни слоя:

1. Поглъщане на данни – MicroAI е агностик към въвеждането на данни. Можем да използваме всяка стойност на сензора и платформата MicroAI позволява инженеринг на функции и претегляне на входовете в рамките на този първи слой.
2. обучение – Обучаваме директно в местната среда. Продължителността на обучението може да бъде зададена от потребителя в зависимост от това какъв е нормалният цикъл на актива. Обикновено обичаме да улавяме 25-45 нормални цикъла, но това до голяма степен се основава на вариацията/волатилността на всеки заснет цикъл.
3. Продукция – Известията и предупрежденията се генерират от MicroAI въз основа на сериозността на откритата аномалия. Тези прагове могат да се регулират от потребителя. Други изходи, генерирани от MicroAI, включват прогнозирани дни до следващата поддръжка (за оптимизиране на графици за обслужване), здравна оценка и оставащ живот на активите. Тези резултати могат да бъдат изпратени до съществуващи ИТ системи, които клиентите разполагат (инструменти за управление на жизнения цикъл на продукта, поддръжка/управление на билети, поддръжка и т.н.)

Можете ли да обсъдите някои от технологиите за машинно обучение зад MicroAI?

MicroAI разполага с многоизмерен поведенчески анализ, пакетиран в рекурсивен алгоритъм. Всеки вход, който се подава в AI двигателя, влияе върху праговете (горна и долна граница), които са зададени от AI модела. Правим това, като предоставяме прогноза с една стъпка напред. Например, ако един вход е RPM и RPM нарастват, горният праг на температурата на лагера може леко да се повиши поради по-бързото движение на машината. Това позволява на модела да продължи да се развива и учи.

MicroAI не зависи от достъпа до облака, какви са предимствата на това?

Имаме уникален подход за формиране на модели директно в крайната точка (където се генерират данни). Това осигурява поверителност и сигурност на данните при внедряванията, тъй като не е необходимо данните да напускат локалната среда. Това е особено важно за внедрявания, при които поверителността на данните е задължителна. Освен това процесът на обучение на данни в облак отнема много време. Това потребление на време за това как другите се доближават до това пространство е причинено от необходимостта от агрегиране на исторически данни, предаване на данни в облак, формиране на модел и евентуално натискане на този модел до крайните активи. MicroAI може да тренира и живее 100% в местната среда.

Една от характеристиките на технологията MicroAI е нейното ускорено откриване на аномалии, бихте ли разяснили тази функционалност?

Благодарение на нашия подход за анализ на поведението, можем да внедрим MicroAI и незабавно да започнем да изучаваме поведението на актива. Можем да започнем да виждаме модели в поведението. Отново, това е без необходимост от зареждане на исторически данни. След като уловим достатъчно цикли на актива, можем да започнем да генерираме точен резултат от AI модела. Това е новаторско за пространството. Това, което преди отнемаше седмици или месеци, за да се формира точен модел, може да се случи в рамките на няколко часа, а понякога и минути.

Каква е разликата между MicroAI™ Helio и MicroAI™ Atom?

MicroAI™ Helio сървър:

Нашата Helio сървърна среда може да бъде внедрена в локален сървър (най-често) или в облачен екземпляр. Helio предоставя следната функционалност: (Управление на работния процес, анализ и управление на данни и визуализация на данни).

Работни процеси за управление на активи – Йерархия на това къде са разположени и как се използват. (напр. настройка на всички клиентски съоръжения в световен мащаб, специфични съоръжения и секции във всяко съоръжение, отделни станции, до всеки актив във всяка станция). Освен това, активите могат да бъдат настроени да изпълняват различни задачи с различни скорости на цикъла; това може да се конфигурира в рамките на тези работни процеси. В допълнение е възможността за управление на билети/работни поръчки, което също е част от средата на Helio Server.

Анализ и управление на данни – В рамките на този раздел на Helio, потребителят може да изпълнява допълнителни анализи на AI изхода, заедно с всякакви необработени моментни снимки на данни (т.е. макс., мин. и средни стойности на данни на почасова база или подписи на данни, които са задействали предупреждение или аларма) . Това могат да бъдат заявки, които са конфигурирани в дизайнера на Helio Analytics или по-усъвършенствани анализи, въведени от инструменти като R, език за програмиране. Слоят за управление на данни е мястото, където потребителят може да използва шлюза за управление на API за връзки на трети страни, които консумират и/или изпращат данни в координация със средата Helio.

Визуализация на данните – Helio предоставя шаблони за различни специфични за индустрията отчети, което позволява на потребителите да използват изгледи за Управление на активи на предприятието и Управление на производителността на активи на техните свързани активи както от десктоп Helio, така и от мобилни приложения.

MicroAI Atom:

MicroAI Atom е платформа за машинно обучение, предназначена за вграждане в MCU среди. Това включва обучение на многоизмерния рекурсивен алгоритъм за анализ на поведението директно в локалната MCU архитектура - не в облак и след това преместен надолу към MCU. Това позволява ускоряване на изграждането и внедряването на ML модели чрез автоматично генериране на горни и долни прагове въз основа на многовариантен модел, който се формира директно в крайната точка. Създадохме MicroAI, за да бъде по-ефективен начин за потребление и обработка на сигнални данни за обучение на модели в сравнение с други традиционни методи. Това не само носи по-високо ниво на точност на модела, който се формира, но използва по-малко ресурси на хардуера на хоста (т.е. по-ниска памет и използване на процесора), което ни позволява да работим в среди като MCU.

Имаме още едно основно предложение, наречено MicroAI™ Network.

MicroAI™ мрежа – Позволява мрежа от атоми да бъде консолидирана и комбинирана с външни източници на данни за създаване на множество модели директно на ръба. Това позволява извършването на хоризонтален и вертикален анализ на различните активи, които изпълняват Atom. MicroAI Network позволява още по-задълбочено ниво на разбиране на това как дадено устройство/актив се представя по отношение на подобни активи, които са внедрени. Отново, поради нашия уникален подход за формиране на модели директно на ръба, моделите за машинно обучение консумират много малко памет и CPU на хост хардуера.

ONE Tech също предлага консултации по сигурността на IoT. Какъв е процесът за моделиране на заплахи и тестване за проникване в IoT?

Благодарение на нашата способност да разбираме как се държат активите, можем да консумираме данни, свързани с вътрешността на свързано устройство (напр. процесор, използване на паметта, размер/честота на пакета данни). IoT устройствата имат в по-голямата си част редовен модел на работа - колко често предава данни, къде изпраща данните и размера на този пакет данни. Ние прилагаме MicroAI, за да използваме тези вътрешни параметри на данните, за да формираме базова линия на това, което е нормално за това свързано устройство. Ако възникне необичайно действие на устройството, можем да задействаме отговор. Това може да варира от рестартиране на устройство или отваряне на билет в инструмент за управление на работни поръчки до пълно прекъсване на мрежовия трафик към устройство. Нашият екип по сигурността разработи хакове за тестване и ние успешно открихме различни опити за атака на Zero-Day, като използвахме MicroAI в това си качество.

Има ли нещо друго, което бихте искали да споделите за ONE Tech, Inc?

По-долу има диаграма за това как функционира MicroAI Atom. Започвайки с получаване на необработени данни, обучение и обработка в местната среда, извеждане на данните и предоставяне на изход.

По-долу има диаграма за това как функционира MicroAI Network. Много MicroAI Atom се захранват с MicroAI Network. Заедно с данните от Atom, допълнителни източници на данни могат да бъдат обединени в модела за по-подробно разбиране на това как се представя активът. Освен това, в рамките на MicroAI Network се формират множество модели, позволяващи на заинтересованите страни да провеждат хоризонтален анализ за това как активите се представят в различни региони, между клиенти, преди и след актуализации и т.н.

Благодаря ви за интервюто и вашите подробни отговори, читателите, които искат да научат повече, трябва да посетят ONE Tech.