Yasser Khan, generální ředitel společnosti ONE Tech – Interview Series

Yasser Khan je generálním ředitelem společnosti ONE Tech, která je technologickou firmou zaměřenou na umělou inteligenci a která navrhuje, vyvíjí a nasazuje řešení internetu věcí (IoT) pro výrobce, operátory sítí a podniky.

Co vás původně přitáhlo k umělé inteligenci?

Před několika lety jsme nasadili řešení průmyslového internetu věcí (IIoT), které propojilo mnoho aktiv ve velké geografické oblasti. Množství generovaných dat bylo огромné. Shromáždili jsme data z PLC při vzorkovacích rychlostech 50 milisekund a externích senzorových hodnot několikrát za sekundu. Během jediné minuty jsme měli tisíce datových bodů generovaných pro každé aktivum, ke kterému jsme se připojovali. Věděli jsme, že standardní metoda přenosu těchto dat na server a jejich vyhodnocení osobou není realistická, ani prospěšná pro podnik. Proto jsme se rozhodli vytvořit produkt, který bude zpracovávat data a generovat spotřebitelné výstupy, což výrazně sníží množství dohledu, které organizace potřebuje k využívání výhod nasazení digitální transformace – se zaměřením na správu výkonu aktiv a prediktivní údržbu.

Můžete diskutovat o řešení MicroAI společnosti ONE Tech? 

MicroAI™ je platforma strojového učení, která poskytuje hlubší přehled o výkonu, využívání a chování aktiv (zařízení nebo strojů). Tento benefit se pohybuje od manažerů výrobních závodů, kteří hledají způsoby, jak zlepšit celkovou efektivitu zařízení, až po hardwarové výrobce, kteří chtějí lépe pochopit, jak jejich zařízení fungují v terénu. Dosahujeme toho nasazením malého balíčku (velikosti až 70kb) na mikrokontrolér (MCU) nebo mikroprocesor (MPU) aktiva. Klíčovým rozlišovacím znakem je, že proces školení a tvorby modelu MicroAI je jedinečný. Školíme model přímo na aktivu. To nejen umožňuje, aby data zůstala lokální, což snižuje náklady a dobu nasazení, ale také zvyšuje přesnost a přesnost výstupu AI. MicroAI má tři primární vrstvy:

1. Vstup dat – MicroAI je agnostický k vstupním datům. Můžeme přijmout jakékoli senzorové hodnoty a platforma MicroAI umožňuje funkci inženýrství a vážení vstupů v této první vrstvě.
2. Školení – Školíme přímo v lokálním prostředí. Doba školení může být nastavena uživatelem v závislosti na tom, co je normální cyklus aktiva. Obvykle se snažíme zachytit 25-45 normálních cyklů, ale toto je silně závislé na variabilitě/kolísání každého zachyceného cyklu.
3. Výstup – Oznámení a upozornění jsou generována MicroAI na základě závažnosti anomálie, která je detekována. Tyto prahové hodnoty lze upravit uživatelem. Další výstupy generované MicroAI zahrnují předpovězené dny do další údržby (pro optimalizaci servisních plánů), skóre zdraví a zbývající životnost aktiva. Tyto výstupy lze odeslat do stávajících IT systémů, které klienti mají na místě (nástroje pro správu životního cyklu produktu, správa podpory/ticketů, údržba atd.)

Můžete diskutovat o některých technologiích strojového učení za MicroAI?

MicroAI nabízí vícedimenzionální behaviorální analýzu zabalenou do rekurzivního algoritmu. Každý vstup, který je krmen do AI motoru, ovlivňuje prahové hodnoty (horní a dolní hranice), které jsou nastaveny modelem AI. To děláme poskytováním předpovědi o jeden krok vpřed. Například, pokud jeden vstup je otáčky za minutu a otáčky za minutu se zvyšují, horní hranice prahové hodnoty teploty ložiska se může mírně zvýšit kvůli rychlejšímu pohybu stroje. To umožňuje modelu pokračovat v evoluci a učení.

MicroAI není závislý na přístupu do cloudu, jaké jsou výhody tohoto?

Máme jedinečný přístup k tvorbě modelů přímo na koncovém bodě (kde jsou data generována). To přináší ochranu dat a bezpečnost nasazení, protože data nemusí opustit lokální prostředí. To je zvláště důležité pro nasazení, kde je ochrana dat povinná. Kromě toho je proces školení dat v cloudu časově náročný. Tento časový nárok, který je způsoben potřebou shromažďovat historická data, přenášet data do cloudu, tvořit model a nakonec nasadit model do koncových aktiv, je u nás eliminován. MicroAI může být školen a fungovat 100% v lokálním prostředí.

Jedna z funkcí technologie MicroAI je urychlená detekce anomálií, můžete tuto funkci upřesnit?

Díky našemu přístupu k behaviorální analýze můžeme nasadit MicroAI a okamžitě začít učit se chování aktiva. Můžeme vidět vzorce v chování. To je opět bez potřeby načítání historických dat. Jakmile zachytíme dostatečné cykly aktiva, můžeme začít generovat přesné výstupy z modelu AI. To je průlomové pro tento prostor. Co dříve trvalo týdny nebo měsíce, aby se vytvořil přesný model, může nyní nastat během několika hodin, někdy i minut.

Co je rozdíl mezi MicroAI™ Helio a MicroAI™ Atom?

MicroAI™ Helio Server:

Naše prostředí Helio Server lze nasadit na lokálním serveru (nejčastěji) nebo v cloudu. Helio poskytuje následující funkčnost: (správa pracovních postupů, analýza a správa dat a vizualizace dat).

Pracovní postupy pro správu aktiv – Hierarchie, kde jsou nasazena a jak jsou používána. (například nastavení všech zákaznických zařízení globálně, specifických zařízení a sekcí v rámci každé zařízení, individuálních stanic, až po každé aktivum v každé stanici). Kromě toho lze v rámci těchto pracovních postupů nakonfigurovat také správu ticketů/pracovních příkazů, která je součástí prostředí Helio Server.

Analýza a správa dat – V rámci této sekce Helio může uživatel spouštět další analýzy na výstupech AI, spolu s jakýmkoli raw datovým snímáním (například Max, Min a průměrné datové hodnoty na hodinové bázi nebo datové signály, které spustily upozornění nebo poplach). Tyto dotazy lze nakonfigurovat v designeru Helio Analytics nebo lze použít pokročilé analýzy z nástrojů, jako je R, programovací jazyk. Vrstva správy dat je místem, kde uživatel může využít bránu API pro třetí strany, které spotřebovávají a/nebo odesílají data ve spolupráci s prostředím Helio.

Vizualizace dat – Helio poskytuje šablony pro různé průmyslově specifické reporty, které umožňují uživatelům konzumovat pohledy na správu aktiv a výkonu aktiv z obou desktopových a mobilních aplikací Helio.

MicroAI Atom:

MicroAI Atom je platforma strojového učení navržená pro vkládání do prostředí MCU. To zahrnuje školení vícedimenzionální behaviorální analýzy rekurzivního algoritmu přímo v lokální architektuře MCU – ne v cloudu a poté nasazeného do MCU. To umožňuje urychlit tvorbu a nasazení modelů ML prostřednictvím automatické generace horních a dolních prahových hodnot na základě multivariantního modelu, který je vytvořen přímo na koncovém bodě. Vytvořili jsme MicroAI, aby byl efektivnější při spotřebě a zpracování signálových dat pro školení modelů než tradiční metody. To nejen přináší vyšší úroveň přesnosti modelu, který je vytvořen, ale také využívá méně zdrojů na hostitelském hardwaru (tj. nižší paměť a využití CPU), což umožňuje běh v prostředích, jako je MCU.

Máme jednu další jádrovou nabídku nazvanou MicroAI™ Network.

MicroAI™ Network – Umožňuje konsolidovat síť Atomů a kombinovat je s externími zdroji dat pro tvorbu více modelů přímo na hranici. To umožňuje spouštět horizontální a vertikální analýzu na různých aktivech, která běží Atom. MicroAI Network umožňuje ještě hlubší pochopení toho, jak zařízení/aktivum funguje ve vztahu k podobným aktivech, která jsou nasazena. Opět, díky našemu jedinečnému přístupu k tvorbě modelů přímo na hranici, spotřebovávají modely strojového učení velmi málo paměti a CPU hostitelského hardwaru.

Společnost ONE Tech také nabízí konzultace v oblasti bezpečnosti IoT. Jaký je proces pro modelování hrozeb a testování proniknutí IoT?

Díky naší schopnosti pochopit, jak aktiva fungují, můžeme spotřebovat data související s vnitřními částmi připojeného zařízení (například CPU, využití paměti, velikost datové části/četnost). Zařízení IoT mají většinou pravidelný vzorec provozu – jak často přenášejí data, kam je odesílají a jakou velikost má datový paket. Používáme MicroAI k spotřebě těchto interních parametrů dat, abychom vytvořili základ toho, co je normální pro připojené zařízení. Pokud dojde k abnormální akci na zařízení, můžeme spustit odpověď. To může zahrnovat restartování zařízení nebo otevření ticketu v rámci nástroje pro správu pracovních příkazů, až po úplné odpojení síťového provozu zařízení. Naši bezpečnostní tým vyvinul testovací hacky a úspěšně detekovali různé pokusy o zero-day útoky pomocí MicroAI v tomto smyslu.

Je něco jiného, co byste chtěli sdílet o společnosti ONE Tech, Inc?

Níže je diagram, který ukazuje, jak MicroAI Atom funguje. Začíná získáváním raw dat, školením a zpracováním v lokálním prostředí, inferencí dat a poskytováním výstupu.

Níže je diagram, který ukazuje, jak MicroAI Network funguje. Mnoho MicroAI Atomů se napojuje do MicroAI Network. Kromě dat z Atomů lze do modelu přidat další zdroje dat pro ještě podrobnější pochopení toho, jak aktivum funguje. Kromě toho lze v rámci MicroAI Network vytvořit více modelů, což umožňuje stakeholderům spouštět horizontální analýzu toho, jak aktiva fungují v různých regionech, mezi zákazníky, před a po aktualizacích atd.

Děkuji vám za rozhovor a vaše podrobné odpovědi, čtenáři, kteří chtějí se dozvědět více, by měli navštívit ONE Tech.