Yasser Khan, administrerende direktør for ONE Tech – Interviewserie

Yasser Khan er administrerende direktør for ONE Tech, et AI-drevet teknologiselskab, der designer, udvikler og implementerer næste generations IoT-løsninger for OEM’er, netværksoperatører og virksomheder.

Hvad var det, der oprindeligt tiltrak dig til kunstig intelligens?

For nogle år siden implementerede vi en Industrial Internet of Things (IIoT)-løsning, der forbinder mange aktiver over en bred geografisk beliggenhed. Mængden af data, der blev genereret, var enorm. Vi samlede data fra PLC’er med en samplingshastighed på 50 millisekunder og eksterne sensorværdier flere gange i sekundet. Over løbet af et enkelt minut havde vi tusindvis af datapunkter, der blev genereret for hver aktiv, vi forbinder til. Vi vidste, at den standardmetode for at transmittere disse data til en server og have en person evaluere dataene ikke var realistisk eller fordelagtigt for virksomheden. Så vi satte os for at skabe et produkt, der kunne behandle dataene og generere forbrugervenlige output, hvilket betydeligt reducerer mængden af tilsyn, en organisation behøver for at udnytte fordelene ved en digital transformationsimplementering – stærkt fokuseret på aktivperformance management og prædictivt vedligehold.

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

MicroAI™ er en Machine Learning-platform, der giver en højere niveau af indsigt i aktiv (enhed eller maskine) performance, udnyttelse og overordnet adfærd. Denne fordel strækker sig fra produktionsanlægsledere, der søger måder at forbedre den samlede udstyrs-effektivitet, til hardware-OEM’er, der ønsker at bedre forstå, hvordan deres enheder performer i felten. Vi opnår dette ved at implementere en lille (så lille som 70kb) pakke på mikrokontrolleren (MCU) eller mikroprocessoren (MPU) på aktiven. En nøgleforskellighed er, at MicroAIs proces for træning og dannelse af en model er unik. Vi træner modellen direkte på aktiven selv. Dette tillader ikke kun, at data forbliver lokale, hvilket reducerer omkostningerne og implementeringstiden, men øger også nøjagtigheden og præcisionen af AI-udgangen. MicroAI har tre primære lag:

1. Dataindtagelse – MicroAI er agnostisk over for dataindgang. Vi kan forbruge enhver sensorværdi, og MicroAI-platformen tillader funktionsteknik og vægning af indgangene i dette første lag.
2. Træning – Vi træner direkte i den lokale miljø. Træningsvarigheden kan indstilles af brugeren afhængigt af, hvad en normal cyklus af aktiven er. Typisk ønsker vi at fange 25-45 normale cykler, men dette er stærkt afhængigt af variation/volatilitet i hver cyklus, der er fanget.
3. Udgang – Underretninger og alarmer genereres af MicroAI baseret på alvoren af den afvigelse, der er detekteret. Disse grænseværdier kan justeres af brugeren. Andre udgang, der genereres af MicroAI, omfatter Forventede dage til næste vedligehold (til optimering af serviceskemaer), Helbredsscore og Aktivliv tilbage. Disse udgang kan sendes til eksisterende IT-systemer, som kunderne har på plads (Produktlivscyklusværktøjer, Support/Billetstyring, Vedligehold, osv.)

Kan du diskutere nogle af de maskinlærings-teknologier bag MicroAI?

MicroAI har en Multi-Dimensional Behavioral Analysis pakket indenfor en rekursiv algoritme. Hver indgang, der føres ind i AI-motoren, påvirker grænseværdierne (øvre og nedre grænser), der er fastsat af AI-modellen. Vi gør dette ved at give en forudsigelse ét skridt fremad. For eksempel, hvis en indgang er omdrejninger per minut, og omdrejninger per minut øges, kan den øvre grænse for lagertemperatur øges lidt på grund af den hurtigere maskinebevægelse. Dette tillader, at modellen kan 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 endpointen (hvor data genereres). Dette bringer dataintegritet og -sikkerhed til implementeringer, fordi data ikke behøver at forlade den lokale miljø. Dette er særligt vigtigt for implementeringer, hvor dataintegritet er obligatorisk. Derudover er processen med at træne data i en sky tidskrævende. Denne tidsforbrug, som andre har i dette område, skyldes behovet for at samle historiske data, transmittere data til en sky, danne en model og til sidst pushe modellen ned til slutaktiverne. MicroAI kan træne og leve 100% i den lokale miljø.

En af funktionerne i MicroAI-teknologien er dens accelererede afvigelsesdetektion, kunne du uddybe denne funktionalitet?

På grund af vores tilgang til adfærdsanalyse kan vi implementere MicroAI og øjeblikkeligt starte med at lære adfærden af aktiven. Vi kan starte med at se mønstre inden for adfærden. Igen, dette er uden behov for at indlæse nogen historiske data. Når vi har fanget tilstrækkelige cykler af aktiven, kan vi derefter starte med at generere nøjagtig udgang fra AI-modellen. Dette er banebrydende for området. Hvad der tidligere tog uger eller måneder at danne en nøjagtig model, kan nu ske på få timer, og undertiden minutter.

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

MicroAI™ Helio Server:

Vores Helio Server-miljø kan implementeres på en lokal server (det mest almindelige) eller i en skyinstans. Helio giver følgende funktioner: (Arbejdsgangsadministration, dataanalyse og -administration samt datavisualisering).

Arbejdsgange for aktivadministration –  En hierarki af, hvor de er implementeret, og hvordan de bruges. (f.eks. opsætning af alle kunde faciliteter globalt, specifikke faciliteter og afdelinger inden for hver facilitet, enkelte stationer, ned til hver aktiv i hver station). Derudover kan aktiverne være opsat til at udføre forskellige job med forskellige cyklusfrekvenser; dette kan konfigureres inden for disse arbejdsgange. Derudover er der mulighed for billet-/arbejdsordre-administration, som også er en del af Helio Server-miljøet.

Dataanalyse og -administration – Inden for dette område af Helio kan en bruger køre yderligere analyser på AI-udgangen samt på rå data snapshots (f.eks. maks., min. og gennemsnitsdata på timebasis eller datasignaturer, der udløste en alarm eller et alarm). Disse kan være forespørgsler, der er konfigureret i Helio Analytics-designeren eller mere avancerede analyser, der er indført fra værktøjer som R, et programmeringssprog. Dataadministrationslaget er, hvor en bruger kan udnytte API-administrationsgatewayen til tredjepartsforbindelser, der konsumerer og/eller sender data i samarbejde med Helio-miljøet.

Datavisualisering – Helio giver skabeloner til forskellige branchefunktioner, hvilket tillader brugere at se Enterprise Asset Management og Asset Performance Management-visninger af deres forbundne aktiver fra både Helio-skrivebord og mobile applikationer.

MicroAI Atom:

MicroAI Atom er en Machine Learning-platform designet til at være integreret i MCU-miljøer. Dette inkluderer træning af den multi-dimensionale adfærdsanalyse rekursive algoritme direkte i lokale MCU-arkitekturer – ikke i en sky og derefter pushet ned til MCU’en. Dette tillader en acceleration af opbygning og implementering af ML-modeller gennem auto-generering af øvre og nedre grænseværdier baseret på en multivariant model, der dannes direkte på endpointen. Vi har skabt MicroAI til at være en mere effektiv måde at forbruge og behandle signaldata til at træne modeller end traditionelle metoder. Dette bringer ikke kun en højere niveau af nøjagtighed til den model, der dannes, men udnytter færre ressourcer på værten (f.eks. lavere hukommelse og CPU-brug), hvilket tillader os at køre i miljøer som en MCU.

Vi har en anden kernefunktion kaldet MicroAI™ Network.

MicroAI™ Network –  Tillader en netværk af Atomer at blive konsolideret og sammenflettet med eksterne datakilder til at danne multiple modeller direkte på kanten. Dette tillader en endnu dybere forståelse af, hvordan en enhed/aktiv performer i forhold til lignende aktiver, der er implementeret. MicroAI Network tillader en endnu dybere forståelse af, hvordan en enhed/aktiv performer i forhold til lignende aktiver, der er implementeret. Dette skyldes igen vores unikke tilgang til at danne modeller direkte på kanten, hvilket gør, at maskinlæringsmodellerne forbruger meget lidt hukommelse og CPU på værten.

ONE Tech tilbyder også IoT-sikkerhedsrådgivning. Hvad er processen for trusselsmodellering og IoT-penetreringstest?

På grund af vores evne til at forstå, hvordan aktiver opfører sig, kan vi forbruge data relateret til internals af en forbundet enhed (f.eks. CPU, hukommelsesbrug, datapakkestørrelse/hastighed). IoT-enheder har for det meste en regelmæssig mønster af operation – hvordan ofte det transmitterer data, hvor det sender dataene, og størrelsen af datapakken. Vi anvender MicroAI til at forbruge disse interne dataparametre til at danne en baseline for, hvad der er normalt for den forbundne enhed. Hvis en abnormal handling forekommer på enheden, kan vi udløse en respons. Dette kan variere fra at genstarte en enhed eller åbne en billet inden for en arbejdsordre-administrationsværktøj til at fuldstændigt afbryde netværkstrafik til en enhed. Vores sikkerhedsteam har udviklet testhacks, og vi har succesfuldt opdaget forskellige Zero-Day-angrebsforsøg ved at bruge MicroAI i denne kapacitet.

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

Herunder er et diagram over, hvordan MicroAI Atom fungerer. Startende med at indsamle rå data, træning og bearbejdning i den lokale miljø, sluttede med at give udgang og udgang.

Herunder er et diagram over, hvordan MicroAI Network fungerer. Mange MicroAI Atomer giver input til MicroAI Network. Sammen med Atom-data kan yderligere datakilder blive sammenflettet med modellen for en mere detaljeret forståelse af, hvordan aktiven performer. Derudover kan der inden for MicroAI Network dannes multiple modeller, hvilket tillader interessenter at køre horisontal analyse af, hvordan aktiver performer i forskellige regioner, mellem kunder, før og efter opdateringer osv.

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