Yasser Khan, CEO for ONE Tech – Interview Series

Yasser Khan, er administrerende direktør for ONE Tech en AI-drevet teknologivirksomhed, der designer, udvikler og implementerer næste generations IoT-løsninger til OEM'er, netværksoperatører og virksomheder.

Hvad tiltrak dig oprindeligt til kunstig intelligens?

For et par år siden implementerede vi en Industrial Internet of Things (IIoT)-løsning, der forbandt mange aktiver på tværs af en bred geografisk placering. Mængden af ​​data, der blev genereret, var enorm. Vi aggregerede data fra PLC'er ved samplingshastigheder på 50 millisekunder og eksterne sensorværdier et par gange i sekundet. I løbet af et enkelt minut blev der genereret tusindvis af datapunkter for hvert aktiv, vi oprettede forbindelse til. Vi vidste, at standardmetoden til at overføre disse data til en server og få en person til at evaluere dataene ikke var realistisk eller gavnlig for virksomheden. Så vi satte os for at skabe et produkt, der kunne behandle dataene og generere output af forbrugsstoffer, hvilket i høj grad reducerer mængden af ​​overvågning, som en organisation har brug for for at høste fordelene ved en implementering af digital transformation – stærkt fokuseret på styring af aktivpræstation og forudsigelig vedligeholdelse.

Kan du diskutere, hvad ONE Techs MicroAI-løsning er? 

MicroAI™ er en maskinlæringsplatform, der giver et større niveau af indsigt i aktivets (enhed eller maskine) ydeevne, udnyttelse og overordnet adfærd. Denne fordel spænder fra fabriksledere, der leder efter måder at forbedre den overordnede udstyrseffektivitet til hardware-OEM'er, der ønsker at forstå bedre, hvordan deres enheder klarer sig ude i marken. Vi opnår dette ved at implementere en lille (så lille som 70 kb) pakke på aktivets mikrocontroller (MCU) eller mikroprocessor (MPU). En vigtig differentiator er, at MicroAI's proces med at træne og danne en model er unik. Vi træner modellen direkte på selve aktivet. Dette giver ikke kun mulighed for, at data forbliver lokale, hvilket reducerer omkostninger og tid for implementering, men det øger også nøjagtigheden og præcisionen af ​​AI-outputtet. MicroAI har tre primære lag:

1. Dataindtagelse – MicroAI er agnostisk over for datainput. Vi kan forbruge enhver sensorværdi, og MicroAI-platformen giver mulighed for feature engineering og vægtning af inputs inden for dette første lag.
2. Kurser – Vi træner direkte i lokalmiljøet. Træningens varighed kan indstilles af brugeren afhængigt af, hvad en normal cyklus af aktivet er. Typisk kan vi lide at fange 25-45 normale cyklusser, men dette er stærkt baseret på variation/volatilitet for hver registreret cyklus.
3. Produktion – Meddelelser og advarsler genereres af MicroAI baseret på sværhedsgraden af ​​den anomali, der opdages. Disse tærskler kan justeres af brugeren. Andre output genereret af MicroAI inkluderer forudsagte dage til næste vedligeholdelse (til optimering af serviceplaner), Health Score og Asset Life Remaining. Disse output kan sendes til eksisterende IT-systemer, som kunderne har på plads (Product Lifecycle Management-værktøjer, Support/Ticketing Management, Vedligeholdelse osv.)

Kan du diskutere nogle af maskinlæringsteknologierne bag MicroAI?

MicroAI har en multidimensionel adfærdsanalyse pakket i en rekursiv algoritme. Hvert input, der føres ind i AI-motoren, påvirker de tærskler (øvre og nedre grænser), der er indstillet af AI-modellen. Det gør vi ved at give en forudsigelse et skridt frem. Hvis f.eks. et input er RPM'er og RPM'er stiger, kan den øvre grænse for lejetemperatur stige lidt på grund af den hurtigere maskinbevægelse. Dette giver modellen mulighed for at fortsætte med at udvikle sig og lære.

MicroAI er ikke afhængig af adgang til skyen, hvad er fordelene ved dette?

Vi har en unik tilgang til at danne modeller direkte på slutpunktet (hvor data genereres). Dette bringer databeskyttelse og sikkerhed til implementeringer, fordi data ikke behøver at forlade det lokale miljø. Dette er især vigtigt for implementeringer, hvor databeskyttelse er obligatorisk. Desuden er processen med at træne data i en sky tidskrævende. Dette tidsforbrug af, hvordan andre nærmer sig dette rum, er forårsaget af behovet for at aggregere historiske data, transmittere data til en sky, danne en model og til sidst skubbe den model ned til slutaktiverne. MicroAI kan træne og leve 100% i lokalmiljøet.

En af funktionerne ved MicroAI-teknologien er dens accelererede anomalidetektion, kan du uddybe denne funktionalitet?

På grund af vores tilgang til adfærdsanalyse kan vi implementere MicroAI og øjeblikkeligt begynde at lære aktivets adfærd. Vi kan begynde at se mønstre i adfærden. Igen, dette er uden behov for at indlæse nogen historiske data. Når vi fanger tilstrækkelige cyklusser af aktivet, kan vi begynde at generere nøjagtigt output fra AI-modellen. Dette er banebrydende for rummet. Det, der plejede at tage uger eller måneder at danne en nøjagtig model, kan ske inden for få timer og nogle gange minutter.

Hvad er forskellen mellem MicroAI™ Helio og MicroAI™ Atom?

MicroAI™ Helio Server:

Vores Helio Server-miljø kan implementeres i en lokal server (mest almindeligt) eller i en cloud-instans. Helio leverer følgende funktionalitet: (Workflow-styring, dataanalyse og -styring og datavisualisering).

Arbejdsgange til styring af aktiver – Et hierarki af, hvor de er indsat, og hvordan de bruges. (f.eks. opsætning af alle kundefaciliteter globalt, specifikke faciliteter og sektioner inden for hver facilitet, individuelle stationer, ned til hvert aktiv i hver station). Desuden kan aktiverne være sat op til at udføre forskellige job med forskellige cyklushastigheder; dette kan konfigureres inden for disse arbejdsgange. Derudover er muligheden for billet-/arbejdsordrestyring, som også er en del af Helio Server-miljøet.

Dataanalyse og styring – Inden for denne sektion af Helio kan en bruger køre yderligere analyser på AI-outputtet sammen med eventuelle rådatasnapshots (dvs. Max, Min og gennemsnitlige dataværdier på timebasis eller datasignaturer, der udløste en alarm eller en alarm) . Disse kan være forespørgsler, der er konfigureret i Helio Analytics-designeren eller mere avancerede analyser hentet fra værktøjer som R, et programmeringssprog. Datastyringslaget er, hvor en bruger kan bruge API-administrationsgatewayen til tredjepartsforbindelser, der forbruger og/eller sender data i koordinering med Helio-miljøet.

Datavisualisering – Helio leverer skabeloner til forskellige branchespecifikke rapportering, som giver brugerne mulighed for at forbruger Enterprise Asset Management og Asset Performance Management visninger af deres tilsluttede aktiver fra både Helio desktop- og mobilapplikationer.

MicroAI Atom:

MicroAI Atom er en maskinlæringsplatform designet til indlejring i MCU-miljøer. Dette inkluderer træning af den multidimensionelle adfærdsanalyse rekursive algoritme direkte i lokal MCU-arkitektur - ikke i en sky og derefter skubbet ned til MCU'en. Dette giver mulighed for at accelerere opbygningen og implementeringen af ​​ML-modeller gennem automatisk generering af de øvre og nedre tærskler baseret på multivariant model, der er dannet direkte på endepunktet. Vi har skabt MicroAI for at være en mere effektiv måde at forbruge og behandle signaldata for at træne modeller end andre traditionelle metoder. Dette bringer ikke kun et højere niveau af nøjagtighed til den model, der dannes, men bruger færre ressourcer på værtshardwaren (dvs. lavere hukommelse og CPU-brug), hvilket giver os mulighed for at køre i miljøer som en MCU.

Vi har et andet kernetilbud kaldet MicroAI™ Network.

MicroAI™ netværk – Giver mulighed for, at et netværk af atomer kan konsolideres og mashed med eksterne datakilder for at skabe flere modeller direkte ved kanten. Dette giver mulighed for at køre horisontal og vertikal analyse på de forskellige aktiver, der kører Atom. MicroAI Network giver mulighed for et endnu dybere niveau af forståelse for, hvordan en enhed/aktiv præsterer i forhold til lignende aktiver, der er implementeret. Igen, på grund af vores unikke tilgang til at danne modeller direkte ved kanten, bruger maskinlæringsmodellerne meget lidt hukommelse og CPU i værtshardwaren.

ONE Tech tilbyder også rådgivning om IoT-sikkerhed. Hvad er processen for trusselsmodellering og IoT-penetrationstest?

På grund af vores evne til at forstå, hvordan aktiver opfører sig, kan vi forbruge data relateret til det indre af en tilsluttet enhed (f.eks. CPU, hukommelsesbrug, datapakkestørrelse/-frekvens). IoT-enheder har for det meste et regulært driftsmønster - hvor ofte det transmitterer data, hvor det sender dataene, og størrelsen på den datapakke. Vi anvender MicroAI til at forbruge disse interne dataparametre for at danne en basislinje for, hvad der er normalt for den tilsluttede enhed. Hvis der sker en unormal handling på enheden, kan vi udløse et svar. Dette kan spænde fra at genstarte en enhed eller åbne en billet i et arbejdsordrestyringsværktøj til fuldstændig at skære netværkstrafikken til en enhed. Vores sikkerhedsteam har udviklet testhacks, og vi har med succes opdaget forskellige Zero-Day-angrebsforsøg ved at bruge MicroAI i denne egenskab.

Er der noget andet, du gerne vil dele om ONE Tech, Inc?

Nedenfor er et diagram over, hvordan MicroAI Atom fungerer. Starter med indhentning af rådata, træning og behandling i det lokale miljø, konklusioner af data og levering af output.

Nedenfor er et diagram over, hvordan MicroAI Network fungerer. Mange MicroAI-atomer strømmer ind i MicroAI-netværket. Sammen med Atom-dataene kan yderligere datakilder flettes ind i modellen for en mere detaljeret forståelse af, hvordan aktivet klarer sig. Ydermere er der inden for MicroAI Network dannet flere modeller, der giver interessenter mulighed for at køre horisontal analyse af, hvordan aktiver klarer sig i forskellige regioner, mellem kunder, før og efter opdateringer osv.

Tak for interviewet og dine detaljerede svar, læsere, der ønsker at lære mere, bør besøge ONE Tech.