Yasser Khan, CEO de ONE Tech – Sèrie d'entrevistes

Yasser Khan, és el CEO de ONE Tech una empresa tecnològica impulsada per IA que dissenya, desenvolupa i desplega solucions d'IoT de nova generació per a OEM, operadors de xarxa i empreses.

Què et va atraure inicialment de la intel·ligència artificial?

Fa uns anys, vam implementar una solució d'Internet industrial de les coses (IIoT) que connectava molts actius en una àmplia ubicació geogràfica. La quantitat de dades que es van generar va ser immensa. Hem agregat dades dels PLC a velocitats de mostreig de 50 mil·lisegons i valors de sensors externs unes quantes vegades per segon. En el transcurs d'un sol minut, vam tenir milers de punts de dades generats per a cada actiu al qual ens connectàvem. Sabíem que el mètode estàndard de transmetre aquestes dades a un servidor i fer que una persona avalués les dades no era realista ni beneficiós per al negoci. Així que ens vam proposar crear un producte que processés les dades i generaria sortides consumibles, reduint en gran mesura la quantitat de supervisió que necessita una organització per obtenir els beneficis d'un desplegament de transformació digital, molt centrat en la gestió del rendiment dels actius i el manteniment predictiu.

Podeu parlar de quina és la solució MicroAI de ONE Tech? 

MicroAI™ és una plataforma d'aprenentatge automàtic que proporciona un major nivell d'informació sobre el rendiment, la utilització i el comportament general dels actius (dispositiu o màquina). Aquest benefici va des dels directors de plantes de fabricació que busquen maneres de millorar l'eficàcia global dels equips fins als OEM de maquinari que volen entendre millor com s'estan desenvolupant els seus dispositius al camp. Ho aconseguim desplegant un paquet petit (tan petit com 70 kb) al microcontrolador (MCU) o al microprocessador (MPU) de l'actiu. Un diferenciador clau és que el procés de formació i formació de model de MicroAI és únic. Entrenem el model directament sobre el propi actiu. Això no només permet que les dades es mantinguin locals, la qual cosa redueix el cost i el temps de desplegament, sinó que també augmenta la precisió i la precisió de la sortida de l'IA. MicroAI té tres capes primàries:

1. Ingesta de dades - MicroAI és agnòstic a l'entrada de dades. Podem consumir qualsevol valor del sensor i la plataforma MicroAI permet l'enginyeria de funcions i la ponderació de les entrades dins d'aquesta primera capa.
2. Formació – Formem directament dins de l'entorn local. La durada de l'entrenament la pot establir l'usuari en funció de quin sigui un cicle normal de l'actiu. Normalment, ens agrada capturar 25-45 cicles normals, però això es basa en gran mesura en la variació/volatilitat de cada cicle capturat.
3. sortida – Les notificacions i alertes les genera MicroAI en funció de la gravetat de l'anomalia que es detecta. Aquests llindars poden ser ajustats per l'usuari. Altres resultats generats per MicroAI inclouen Predicted Days to Next Maintenance (per optimitzar els horaris del servei), Health Score i Asset Life Remaining. Aquestes sortides es poden enviar als sistemes informàtics existents que els clients tenen instal·lats (eines de gestió del cicle de vida del producte, gestió de suport/ticketing, manteniment, etc.)

Podeu parlar d'algunes de les tecnologies d'aprenentatge automàtic darrere de MicroAI?

MicroAI inclou una anàlisi del comportament multidimensional empaquetada dins d'un algorisme recursiu. Cada entrada que s'introdueix al motor d'IA afecta els llindars (límits superior i inferior) que estableix el model d'IA. Ho fem proporcionant una predicció d'un pas endavant. Per exemple, si una entrada és RPM i les RPM augmenten, el llindar superior de la temperatura del coixinet pot augmentar lleugerament a causa del moviment més ràpid de la màquina. Això permet que el model continuï evolucionant i aprenent.

MicroAI no depèn d'accedir al núvol, quins són els avantatges d'això?

Tenim un enfocament únic per formar models directament al punt final (on es generen les dades). Això aporta privadesa i seguretat de les dades als desplegaments perquè les dades no necessiten sortir de l'entorn local. Això és especialment important per als desplegaments on la privadesa de les dades és obligatòria. A més, el procés d'entrenament de dades en un núvol requereix molt de temps. Aquest consum de temps de com els altres s'acosten a aquest espai és causat per la necessitat d'agregar dades històriques, transmetre dades a un núvol, formar un model i, finalment, reduir aquest model fins als actius finals. MicroAI pot entrenar i viure al 100% en l'entorn local.

Una de les característiques de la tecnologia MicroAI és la seva detecció accelerada d'anomalies, podríeu aprofundir en aquesta funcionalitat?

A causa del nostre enfocament d'anàlisi del comportament, podem implementar MicroAI i començar a aprendre instantàniament el comportament de l'actiu. Podem començar a veure patrons dins del comportament. De nou, això sense necessitat de carregar cap dada històrica. Un cop capturem els cicles suficients de l'actiu, podem començar a generar resultats precisos a partir del model d'IA. Això és innovador per a l'espai. El que solia trigar setmanes o mesos a formar un model precís pot passar en qüestió d'hores i, de vegades, de minuts.

Quina diferència hi ha entre MicroAI™ Helio i MicroAI™ Atom?

Servidor Helio MicroAI™:

El nostre entorn Helio Server es pot desplegar en un servidor local (el més comú) o en una instància al núvol. Helio ofereix la següent funcionalitat: (Gestió del flux de treball, anàlisi i gestió de dades i visualització de dades).

Fluxos de treball per a la gestió d'actius – Una jerarquia d'on es despleguen i com s'utilitzen. (p. ex., configuració de totes les instal·lacions del client a nivell mundial, instal·lacions i seccions específiques dins de cada instal·lació, estacions individuals, fins a cada actiu de cada estació). A més, els actius es poden configurar per realitzar diferents treballs amb diferents ritmes de cicle; això es pot configurar dins d'aquests fluxos de treball. A més, hi ha la capacitat de gestió de bitllets/ordres de treball, que també forma part de l'entorn Helio Server.

Anàlisi i gestió de dades – Dins d'aquesta secció d'Helio, un usuari pot executar més anàlisis sobre la sortida de l'IA, juntament amb qualsevol instantània de dades en brut (és a dir, valors de dades màxim, mínim i mitjà per hora o signatures de dades que han activat una alerta o una alarma) . Poden ser consultes configurades al dissenyador Helio Analytics o analítiques més avançades introduïdes des d'eines com R, un llenguatge de programació. La capa de gestió de dades és on un usuari pot utilitzar la passarel·la de gestió de l'API per a connexions de tercers que consumeixen i/o envien dades en coordinació amb l'entorn Helio.

Visualització de dades – Helio ofereix plantilles per a diversos informes específics del sector, que permeten als usuaris obtenir visualitzacions de Gestió d'actius empresarials i Gestió del rendiment d'actius dels seus actius connectats tant des de l'escriptori Helio com de les aplicacions mòbils.

MicroAI Atom:

MicroAI Atom és una plataforma d'aprenentatge automàtic dissenyada per integrar-se en entorns MCU. Això inclou l'entrenament de l'algoritme recursiu d'anàlisi de comportament multidimensional directament a l'arquitectura MCU local, no en un núvol i després empès cap a l'MCU. Això permet accelerar la creació i el desplegament de models ML mitjançant la generació automàtica dels llindars superior i inferior basat en un model multivariant que es forma directament al punt final. Hem creat MicroAI per ser una forma més eficient de consumir i processar dades de senyal per entrenar models que altres mètodes tradicionals. Això no només aporta un major nivell de precisió al model que es forma, sinó que utilitza menys recursos al maquinari amfitrió (és a dir, un ús inferior de memòria i CPU), cosa que ens permet funcionar en entorns com ara un MCU.

Tenim una altra oferta bàsica anomenada MicroAI™ Network.

Xarxa MicroAI™ – Permet consolidar i combinar una xarxa d'àtoms amb fonts de dades externes per crear múltiples models directament a la vora. Això permet executar anàlisis horitzontals i verticals dels diferents actius que estan executant Atom. La xarxa MicroAI permet un nivell encara més profund de comprensió del rendiment d'un dispositiu/actiu en relació amb actius similars que es despleguen. De nou, a causa del nostre enfocament únic per formar models directament a la vora, els models d'aprenentatge automàtic consumeixen molt poca memòria i CPU del maquinari amfitrió.

ONE Tech també ofereix consultoria de seguretat IoT. Quin és el procés per a la modelització d'amenaces i les proves de penetració d'IoT?

A causa de la nostra capacitat d'entendre com es comporten els actius, podem consumir dades relacionades amb els elements interns d'un dispositiu connectat (p. ex., CPU, ús de memòria, mida/freqüència del paquet de dades). Els dispositius IoT tenen, en la seva majoria, un patró de funcionament regular: la freqüència amb què transmet dades, on les envia i la mida d'aquest paquet de dades. Apliquem MicroAI per consumir aquests paràmetres de dades interns per formar una línia de base del que és normal per a aquest dispositiu connectat. Si es produeix una acció anormal al dispositiu, podem activar una resposta. Això pot anar des de reiniciar un dispositiu o obrir un bitllet dins d'una eina de gestió d'ordres de treball, fins a tallar completament el trànsit de xarxa a un dispositiu. El nostre equip de seguretat ha desenvolupat hacks de prova i hem detectat amb èxit diversos intents d'atac Zero-Day utilitzant MicroAI en aquesta capacitat.

Hi ha alguna cosa més que t'agradaria compartir sobre ONE Tech, Inc?

A continuació es mostra un diagrama de com funciona MicroAI Atom. Començant per l'adquisició de dades en brut, la formació i el processament en l'entorn local, la inferència de les dades i la producció.

A continuació es mostra un diagrama de com funciona la xarxa MicroAI. Molts àtoms MicroAI s'alimenten a la xarxa MicroAI. Juntament amb les dades d'Atom, es poden combinar fonts de dades addicionals al model per a una comprensió més granular del rendiment de l'actiu. A més, a la xarxa MicroAI es formen múltiples models que permeten a les parts interessades realitzar anàlisis horitzontals sobre com funcionen els actius en diferents regions, entre clients, abans i després de les actualitzacions, etc.

Gràcies per l'entrevista i les vostres respostes detallades, els lectors que vulguin obtenir més informació haurien de visitar ONE Tech.