Yasser Khan, CEO von ONE Tech – Interviewreihe

Yasser Khan ist der CEO von EINE Tech ein KI-gesteuertes Technologieunternehmen, das IoT-Lösungen der nächsten Generation für OEMs, Netzwerkbetreiber und Unternehmen entwirft, entwickelt und bereitstellt.

Was hat Sie ursprünglich an Künstlicher Intelligenz interessiert?

Vor einigen Jahren haben wir eine Industrial Internet of Things (IIoT)-Lösung eingeführt, die viele Anlagen über einen weiten geografischen Standort hinweg miteinander verbindet. Die Menge der generierten Daten war immens. Wir aggregierten Daten von SPS mit Abtastraten von 50 Millisekunden und externen Sensorwerten einige Male pro Sekunde. Im Laufe einer einzigen Minute wurden für jedes Asset, mit dem wir eine Verbindung herstellten, Tausende von Datenpunkten generiert. Wir wussten, dass die Standardmethode, diese Daten an einen Server zu übertragen und eine Person die Daten auswerten zu lassen, weder realistisch noch vorteilhaft für das Unternehmen war. Daher haben wir uns zum Ziel gesetzt, ein Produkt zu entwickeln, das die Daten verarbeitet und verbrauchbare Ausgaben generiert. Dadurch wird der Aufwand an Aufsicht, den ein Unternehmen benötigt, um die Vorteile einer digitalen Transformation zu nutzen, erheblich reduziert – mit einem starken Fokus auf Anlagenleistungsmanagement und vorausschauende Wartung.

Können Sie besprechen, was die MicroAI-Lösung von ONE Tech ist? 

MicroAI™ ist eine Plattform für maschinelles Lernen, die einen besseren Einblick in die Leistung, Nutzung und das Gesamtverhalten von Assets (Geräten oder Maschinen) bietet. Dieser Vorteil reicht von Produktionsanlagenmanagern, die nach Möglichkeiten suchen, die Gesamtanlageneffektivität zu verbessern, bis hin zu Hardware-OEMs, die besser verstehen möchten, wie ihre Geräte im Einsatz funktionieren. Dies erreichen wir, indem wir ein kleines Paket (bis zu 70 KB) auf dem Mikrocontroller (MCU) oder Mikroprozessor (MPU) des Assets bereitstellen. Ein wesentliches Unterscheidungsmerkmal besteht darin, dass der Prozess des Trainings und der Bildung eines Modells bei MicroAI einzigartig ist. Wir trainieren das Modell direkt am Asset selbst. Dies ermöglicht nicht nur, dass die Daten lokal bleiben, was Kosten und Zeit für die Bereitstellung reduziert, sondern erhöht auch die Genauigkeit und Präzision der KI-Ausgabe. MicroAI hat drei Hauptschichten:

1. Datenaufnahme – MicroAI ist unabhängig von der Dateneingabe. Wir können jeden Sensorwert nutzen und die MicroAI-Plattform ermöglicht Feature-Engineering und Gewichtung der Eingaben innerhalb dieser ersten Schicht.
2. Ausbildung – Wir schulen direkt im lokalen Umfeld. Die Trainingsdauer kann vom Benutzer abhängig vom normalen Zyklus des Assets eingestellt werden. Normalerweise erfassen wir gerne 25–45 normale Zyklen, dies basiert jedoch stark auf der Variation/Volatilität jedes erfassten Zyklus.
3. Output – Benachrichtigungen und Warnungen werden von MicroAI basierend auf dem Schweregrad der erkannten Anomalie generiert. Diese Schwellenwerte können vom Benutzer angepasst werden. Zu den weiteren von MicroAI generierten Ausgaben gehören die vorhergesagten Tage bis zur nächsten Wartung (zur Optimierung von Serviceplänen), der Health Score und die verbleibende Lebensdauer der Vermögenswerte. Diese Ausgaben können an bestehende IT-Systeme gesendet werden, die bei den Kunden vorhanden sind (Product Lifecycle Management-Tools, Support-/Ticketing-Management, Wartung usw.).

Können Sie einige der maschinellen Lerntechnologien hinter MicroAI besprechen?

MicroAI bietet eine mehrdimensionale Verhaltensanalyse, verpackt in einem rekursiven Algorithmus. Jede Eingabe, die in die KI-Engine eingespeist wird, wirkt sich auf die vom KI-Modell festgelegten Schwellenwerte (Ober- und Untergrenzen) aus. Wir tun dies, indem wir eine Vorhersage liefern, die einen Schritt voraus ist. Wenn beispielsweise eine Eingabe die Drehzahl erhöht und die Drehzahl steigt, kann der obere Schwellenwert der Lagertemperatur aufgrund der schnelleren Maschinenbewegung leicht ansteigen. Dadurch kann sich das Modell weiterentwickeln und lernen.

MicroAI ist nicht auf den Zugriff auf die Cloud angewiesen. Welche Vorteile bietet dies?

Wir verfolgen einen einzigartigen Ansatz zur Modellbildung direkt am Endpunkt (wo Daten generiert werden). Dies bringt Datenschutz und Sicherheit in die Bereitstellung, da die Daten die lokale Umgebung nicht verlassen müssen. Dies ist besonders wichtig für Bereitstellungen, bei denen Datenschutz obligatorisch ist. Darüber hinaus ist das Training von Daten in einer Cloud zeitaufwändig. Dieser Zeitaufwand für die Herangehensweise anderer an diesen Bereich wird durch die Notwendigkeit verursacht, historische Daten zu aggregieren, Daten an eine Cloud zu übertragen, ein Modell zu erstellen und dieses Modell schließlich auf die Endressourcen zu übertragen. MicroAI kann zu 100 % in der lokalen Umgebung trainieren und leben.

Eines der Merkmale der MicroAI-Technologie ist ihre beschleunigte Anomalieerkennung. Können Sie diese Funktionalität näher erläutern?

Aufgrund unseres Ansatzes der Verhaltensanalyse können wir MicroAI einsetzen und sofort mit dem Erlernen des Verhaltens des Assets beginnen. Wir können beginnen, Muster im Verhalten zu erkennen. Auch hier ist es nicht erforderlich, historische Daten zu laden. Sobald wir genügend Zyklen des Assets erfasst haben, können wir damit beginnen, aus dem KI-Modell genaue Ergebnisse zu generieren. Das ist bahnbrechend für den Raum. Was früher Wochen oder Monate dauerte, um ein genaues Modell zu erstellen, kann innerhalb von Stunden und manchmal Minuten geschehen.

Was ist der Unterschied zwischen MicroAI™ Helio und MicroAI™ Atom?

MicroAI™ Helio Server:

Unsere Helio Server-Umgebung kann auf einem lokalen Server (am häufigsten) oder in einer Cloud-Instanz bereitgestellt werden. Helio bietet die folgenden Funktionen: (Workflow-Management, Datenanalyse und -verwaltung sowie Datenvisualisierung).

Workflows zur Verwaltung von Assets – Eine Hierarchie darüber, wo sie eingesetzt werden und wie sie verwendet werden. (z. B. Einrichtung aller Kundenanlagen weltweit, spezifischer Anlagen und Abschnitte innerhalb jeder Anlage, einzelner Stationen, bis hin zu jedem Vermögenswert in jeder Station). Darüber hinaus können die Anlagen so eingerichtet werden, dass sie unterschiedliche Aufgaben mit unterschiedlichen Taktraten ausführen; Dies kann innerhalb dieser Workflows konfiguriert werden. Hinzu kommt die Möglichkeit zur Ticket-/Arbeitsauftragsverwaltung, die ebenfalls Teil der Helio Server-Umgebung ist.

Datenanalyse und -management – In diesem Abschnitt von Helio kann ein Benutzer weitere Analysen der KI-Ausgabe zusammen mit allen Rohdaten-Snapshots durchführen (z. B. maximale, minimale und durchschnittliche Datenwerte auf stündlicher Basis oder Datensignaturen, die eine Warnung oder einen Alarm ausgelöst haben). . Dies können Abfragen sein, die im Helio Analytics-Designer konfiguriert werden, oder erweiterte Analysen, die von Tools wie R, einer Programmiersprache, bereitgestellt werden. Auf der Datenverwaltungsebene kann ein Benutzer das API-Verwaltungsgateway für Verbindungen von Drittanbietern nutzen, die in Abstimmung mit der Helio-Umgebung Daten verbrauchen und/oder senden.

Datenvisualisierung – Helio bietet Vorlagen für verschiedene branchenspezifische Berichte, die es Benutzern ermöglichen, Enterprise Asset Management- und Asset Performance Management-Ansichten ihrer verbundenen Assets sowohl über die Helio-Desktop- als auch über mobile Anwendungen zu nutzen.

MicroAI Atom:

MicroAI Atom ist eine Plattform für maschinelles Lernen, die für die Einbettung in MCU-Umgebungen entwickelt wurde. Dazu gehört das Training des mehrdimensionalen rekursiven Verhaltensanalysealgorithmus direkt in der lokalen MCU-Architektur – nicht in einer Cloud und dann an die MCU übertragen. Dies ermöglicht eine Beschleunigung der Erstellung und Bereitstellung von ML-Modellen durch die automatische Generierung der oberen und unteren Schwellenwerte auf der Grundlage eines multivarianten Modells, das direkt am Endpunkt erstellt wird. Wir haben MicroAI entwickelt, um Signaldaten effizienter zu nutzen und zu verarbeiten, um Modelle zu trainieren als andere herkömmliche Methoden. Dies führt nicht nur zu einer höheren Genauigkeit des erstellten Modells, sondern beansprucht auch weniger Ressourcen auf der Host-Hardware (d. h. geringere Speicher- und CPU-Auslastung), was uns die Ausführung in Umgebungen wie einer MCU ermöglicht.

Wir haben ein weiteres Kernangebot namens MicroAI™ Network.

MicroAI™-Netzwerk – Ermöglicht die Konsolidierung und Verknüpfung eines Netzwerks von Atomen mit externen Datenquellen, um mehrere Modelle direkt am Netzwerkrand zu erstellen. Dies ermöglicht die Durchführung horizontaler und vertikaler Analysen für die verschiedenen Assets, auf denen Atom ausgeführt wird. Das MicroAI-Netzwerk ermöglicht ein noch tieferes Verständnis der Leistung eines Geräts/Assets im Vergleich zu ähnlichen eingesetzten Assets. Auch hier verbrauchen die Machine-Learning-Modelle aufgrund unseres einzigartigen Ansatzes zur Modellbildung direkt am Edge nur sehr wenig Speicher und CPU der Host-Hardware.

ONE Tech bietet auch IoT-Sicherheitsberatung an. Wie läuft die Bedrohungsmodellierung und der IoT-Penetrationstest ab?

Aufgrund unserer Fähigkeit, das Verhalten von Assets zu verstehen, können wir Daten im Zusammenhang mit den Interna eines angeschlossenen Geräts nutzen (z. B. CPU, Speichernutzung, Größe/Frequenz des Datenpakets). IoT-Geräte haben größtenteils ein regelmäßiges Betriebsmuster – wie oft sie Daten übertragen, wohin sie die Daten senden und wie groß das Datenpaket ist. Wir nutzen MicroAI, um diese internen Datenparameter zu nutzen, um eine Basislinie dessen zu bilden, was für das angeschlossene Gerät normal ist. Wenn auf dem Gerät eine ungewöhnliche Aktion auftritt, können wir eine Reaktion auslösen. Dies kann vom Neustart eines Geräts über das Öffnen eines Tickets in einem Arbeitsauftragsverwaltungstool bis hin zur vollständigen Unterbrechung des Netzwerkverkehrs zu einem Gerät reichen. Unser Sicherheitsteam hat Test-Hacks entwickelt und wir haben durch den Einsatz von MicroAI in dieser Funktion verschiedene Zero-Day-Angriffsversuche erfolgreich erkannt.

Gibt es noch etwas, das Sie über ONE Tech, Inc. mitteilen möchten?

Unten finden Sie ein Diagramm zur Funktionsweise von MicroAI Atom. Beginnend mit der Erfassung von Rohdaten, Schulung und Verarbeitung in der lokalen Umgebung, Ableitung der Daten und Bereitstellung von Ergebnissen.

Unten finden Sie ein Diagramm zur Funktionsweise des MicroAI-Netzwerks. Viele MicroAI-Atome speisen in das MicroAI-Netzwerk ein. Zusammen mit den Atom-Daten können zusätzliche Datenquellen in das Modell eingebunden werden, um ein detaillierteres Verständnis der Leistung des Assets zu erhalten. Darüber hinaus werden innerhalb des MicroAI-Netzwerks mehrere Modelle gebildet, die es den Beteiligten ermöglichen, eine horizontale Analyse der Leistung von Assets in verschiedenen Regionen, zwischen Kunden, vor und nach Aktualisierungen usw. durchzuführen.

Vielen Dank für das Interview und Ihre ausführlichen Antworten. Leser, die mehr erfahren möchten, sollten vorbeischauen EINE Tech.