Yasser Khan, CEO von ONE Tech – Interview-Serie

Yasser Khan ist der CEO von ONE Tech, einem Unternehmen für künstliche Intelligenz, das Next-Generation-IoT-Lösungen für OEMs, Netzbetreiber und Unternehmen entwickelt, produziert und bereitstellt.

Was hat Sie ursprünglich zur künstlichen Intelligenz hingezogen?

Vor einigen Jahren haben wir eine Industrial-Internet-of-Things-(IIoT)-Lösung bereitgestellt, die viele Assets über eine weite geografische Fläche hinweg verband. Die Menge an generierten Daten war enorm. Wir haben Daten von PLCs mit Abtastraten von 50 Millisekunden und externen Sensoren mehrmals pro Sekunde aggregiert. Innerhalb eines einzigen Minuten hatten wir Tausende von Datensätzen, die für jedes Asset, mit dem wir verbunden waren, generiert wurden. Wir wussten, dass die Standardmethode, diese Daten an einen Server zu übertragen und sie von einer Person auswerten zu lassen, nicht realistisch war und für das Unternehmen keinen Nutzen brachte. Wir haben uns daher daran gemacht, ein Produkt zu entwickeln, das die Daten verarbeiten und konsumierbare Ausgaben erzeugen würde, um den Bedarf an Aufsicht durch ein Unternehmen, das die Vorteile einer digitalen Transformation nutzen möchte, erheblich zu reduzieren – mit einem starken Fokus auf Asset-Performance-Management und prädiktive Wartung.

Können Sie über die MicroAI-Lösung von ONE Tech sprechen? 

MicroAI ist eine Machine-Learning-Plattform, die einen tieferen Einblick in die Leistung, Nutzung und das Verhalten von Assets (Geräten oder Maschinen) bietet. Dieser Vorteil reicht von Produktionsleitern, die nach Möglichkeiten suchen, die Gesamteffizienz ihrer Anlagen zu verbessern, bis hin zu Hardware-OEMs, die ihre Geräte besser verstehen möchten. Wir erreichen dies, indem wir ein kleines Paket (so klein wie 70 KB) auf den Mikrocontroller (MCU) oder Mikroprozessor (MPU) des Assets bereitstellen. Ein wichtiger Unterschied ist, dass MicroAIs Prozess der Modellbildung und -ausbildung einzigartig ist. Wir trainieren das Modell direkt auf dem Asset selbst. Dies ermöglicht es nicht nur, die Daten lokal zu halten, was die Kosten und die Zeit der Bereitstellung reduziert, sondern erhöht auch die Genauigkeit und Präzision der AI-Ausgaben. MicroAI hat drei primäre Schichten:

1. Dateneingabe – MicroAI ist unabhängig von der Dateneingabe. Wir können jeden Sensorenwert konsumieren und die MicroAI-Plattform ermöglicht die Feature-Engineering und Gewichtung der Eingaben in dieser ersten Schicht.
2. Training – Wir trainieren direkt in der lokalen Umgebung. Die Trainingsdauer kann vom Benutzer abhängig von dem, was ein normaler Zyklus des Assets ist, festgelegt werden. Typischerweise möchten wir 25-45 normale Zyklen erfassen, aber dies hängt stark von der Variation/Volatilität jedes erfassten Zyklus ab.
3. Ausgabe – Benachrichtigungen und Alarme werden von MicroAI auf der Grundlage der Schwere des erkannten Anomalie erzeugt. Diese Schwellenwerte können vom Benutzer angepasst werden. Andere von MicroAI erzeugte Ausgaben umfassen die vorhergesagten Tage bis zur nächsten Wartung (für die Optimierung von Wartungsplänen), den Gesundheitsscore und die verbleibende Lebensdauer des Assets. Diese Ausgaben können an bestehende IT-Systeme des Kunden gesendet werden (Produktlebenszyklus-Tools, Support/Ticket-Management, Wartung usw.)

Können Sie über einige der Machine-Learning-Technologien sprechen, die hinter MicroAI stecken?

MicroAI verfügt über eine mehrdimensionale Verhaltensanalyse, die in einem rekursiven Algorithmus verpackt ist. Jede Eingabe, die in den AI-Motor eingegeben wird, beeinflusst die Schwellenwerte (obere und untere Grenzen), die vom AI-Modell festgelegt werden. Wir tun dies, indem wir eine Vorhersage um einen Schritt vorne machen. Zum Beispiel, wenn eine Eingabe die Drehzahl ist und die Drehzahl zunimmt, kann die obere Schranke der Lagertemperatur leicht aufgrund der schnelleren Maschinenbewegung ansteigen. Dies ermöglicht es dem Modell, weiter zu evolvieren und zu lernen.

MicroAI ist nicht auf den Zugriff auf die Cloud angewiesen, was sind die Vorteile davon?

Wir haben einen einzigartigen Ansatz, Modelle direkt auf dem Endpoint (wo die Daten generiert werden) zu bilden. Dies bringt Datensicherheit und -schutz für Bereitstellungen, da die Daten nicht die lokale Umgebung verlassen müssen. Dies ist besonders wichtig für Bereitstellungen, bei denen Datensicherheit obligatorisch ist. Darüber hinaus ist der Prozess der Modellbildung in der Cloud zeitaufwändig. Diese Zeitaufwändigkeit bei der Herangehensweise in diesem Bereich wird durch die Notwendigkeit verursacht, historische Daten zu aggregieren, Daten an die Cloud zu übertragen, ein Modell zu bilden und dieses Modell schließlich an die Endgeräte zu übertragen. MicroAI kann trainieren und 100 % in der lokalen Umgebung leben.

Eine der Funktionen der MicroAI-Technologie ist die beschleunigte Anomalie-Erkennung, können Sie diese Funktionalität erläutern?

Aufgrund unseres Ansatzes der Verhaltensanalyse können wir MicroAI bereitstellen und sofort mit dem Lernen des Verhaltens des Assets beginnen. Wir können Muster im Verhalten erkennen. Dies geschieht ohne die Notwendigkeit, historische Daten zu laden. Sobald wir ausreichend Zyklen des Assets erfasst haben, können wir genaue Ausgaben vom AI-Modell erzeugen. Dies ist bahnbrechend für diesen Bereich. Was früher Wochen oder Monate dauerte, um ein genaues Modell zu erstellen, kann jetzt innerhalb von Stunden oder sogar Minuten geschehen.

Was ist der Unterschied zwischen MicroAI Helio und MicroAI Atom?

MicroAI Helio Server:

Unsere Helio-Server-Umgebung kann in einem lokalen Server (meistens) oder in einer Cloud-Instanz bereitgestellt werden. Helio bietet die folgende Funktionalität: (Workflow-Management, Datenanalyse und -management sowie Datenvisualisierung).

Workflows für das Asset-Management – Eine Hierarchie, in der sie bereitgestellt werden und wie sie verwendet werden. (z. B. Einrichtung aller Kundenanlagen weltweit, spezifische Anlagen und Abschnitte innerhalb jeder Anlage, einzelne Stationen, bis hin zu jedem Asset in jeder Station). Darüber hinaus können die Assets so konfiguriert werden, dass sie unterschiedliche Aufgaben mit unterschiedlichen Zyklusraten ausführen; dies kann in diesen Workflows konfiguriert werden. Zusätzlich gibt es die Möglichkeit, Ticket-/Workorder-Management, das auch Teil der Helio-Server-Umgebung ist.

Datenanalyse und -management – In diesem Bereich von Helio kann der Benutzer weitere Analysen auf die AI-Ausgaben und Rohdatensnapshots (z. B. Max-, Min- und Durchschnittswerte pro Stunde oder Datensignaturen, die einen Alarm oder eine Warnung ausgelöst haben) durchführen. Diese können Abfragen sein, die im Helio-Analytics-Designer konfiguriert werden, oder erweiterte Analysen, die von Tools wie R, einer Programmiersprache, importiert werden. Die Datenmanagement-Schicht ist der Bereich, in dem der Benutzer die API-Management-Gateway für Verbindungen mit Drittanbietern nutzen kann, die Daten konsumieren und/oder senden, um mit der Helio-Umgebung zu koordinieren.

Datenvisualisierung – Helio bietet Vorlagen für branchenspezifische Berichte, die es den Benutzern ermöglichen, Enterprise-Asset-Management- und Asset-Performance-Management-Ansichten ihrer verbundenen Assets sowohl in der Helio-Desktop- als auch in der mobilen Anwendung zu konsumieren.

MicroAI Atom:

MicroAI Atom ist eine Machine-Learning-Plattform, die für die Einbettung in MCU-Umgebungen konzipiert ist. Dazu gehört das Training des multi-dimensionalen Verhaltensanalyse-Algorithmus direkt in der lokalen MCU-Architektur – nicht in der Cloud und dann an die MCU übertragen. Dies ermöglicht die Beschleunigung des Aufbaus und der Bereitstellung von ML-Modellen durch die automatische Generierung der oberen und unteren Schwellenwerte auf der Grundlage des multivariaten Modells, das direkt auf dem Endpoint gebildet wird. Wir haben MicroAI entwickelt, um eine effizientere Möglichkeit zu bieten, Signal-Daten zu konsumieren und zu verarbeiten, um Modelle zu trainieren, als herkömmliche Methoden. Dies bringt nicht nur eine höhere Genauigkeit des gebildeten Modells, sondern auch eine geringere Ressourcennutzung auf dem Host-Hardware (z. B. geringerer Speicher- und CPU-Verbrauch), was es uns ermöglicht, in Umgebungen wie MCU zu laufen.

Wir haben ein weiteres Kernangebot namens MicroAI Network.

MicroAI Network – Ermöglicht es, ein Netzwerk von Atomen zu konsolidieren und mit externen Datenquellen zu kombinieren, um mehrere Modelle direkt am Rand zu erstellen. Dies ermöglicht die Durchführung horizontaler und vertikaler Analysen auf die verschiedenen Assets, die Atom ausführen. MicroAI Network ermöglicht ein noch tieferes Verständnis dafür, wie ein Gerät/Asset in Bezug auf ähnliche Assets, die bereitgestellt werden, funktioniert. Dies liegt wiederum an unserem einzigartigen Ansatz, Modelle direkt am Rand zu bilden, wodurch die Machine-Learning-Modelle sehr wenig Speicher und CPU der Host-Hardware verbrauchen.

ONE Tech bietet auch IoT-Sicherheitsberatung an. Was ist der Prozess für die Bedrohungsmodellierung und IoT-Penetrationstests?

Aufgrund unserer Fähigkeit, das Verhalten von Assets zu verstehen, können wir Daten im Zusammenhang mit den internen Parametern eines verbundenen Geräts (z. B. CPU, Speicher, Datenpaketgröße/-häufigkeit) konsumieren. IoT-Geräte haben in der Regel ein regelmäßiges Muster des Betriebs – wie oft sie Daten übertragen, wohin sie die Daten senden und die Größe des Datenpakets. Wir wenden MicroAI an, um diese internen Datenparameter zu konsumieren und eine Grundlinie für das normale Verhalten des verbundenen Geräts zu bilden. Wenn eine abnormale Aktion auf dem Gerät auftritt, können wir eine Reaktion auslösen. Dies kann von der Neustart des Geräts bis hin zur vollständigen Unterbrechung des Netzwerkverkehrs reichen. Unser Sicherheitsteam hat Test-Hacks entwickelt und wir haben erfolgreich verschiedene Zero-Day-Angriffsversuche mit MicroAI in dieser Funktion erkannt.

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

Unten finden Sie ein Diagramm, das zeigt, wie MicroAI Atom funktioniert. Beginnend mit der Erfassung von Rohdaten, Training und Verarbeitung in der lokalen Umgebung, Inferenz der Daten und Ausgabe.

Unten finden Sie ein Diagramm, das zeigt, wie MicroAI Network funktioniert. Viele MicroAI-Atome werden in MicroAI Network eingespeist. Zusätzlich zu den Atom-Daten können weitere Datenquellen in das Modell eingefügt werden, um ein feineres Verständnis dafür zu erhalten, wie das Asset funktioniert. Darüber hinaus können in MicroAI Network mehrere Modelle gebildet werden, um horizontale Analysen darauf zu ermöglichen, wie Assets in verschiedenen Regionen, zwischen Kunden, vor und nach Updates usw. funktionieren.

Vielen Dank für das Interview und Ihre detaillierten Antworten. Leser, die mehr erfahren möchten, sollten ONE Tech besuchen.