Yasser Khan, CEO de ONE Tech – Serie de entrevistas

Yasser Khan, es el CEO de UNA tecnología una empresa de tecnología impulsada por IA que diseña, desarrolla e implementa soluciones de IoT de próxima generación para OEM, operadores de red y empresas.

¿Qué te atrajo inicialmente de la Inteligencia Artificial?

Hace algunos años, implementamos una solución de Internet industrial de las cosas (IIoT) que conectaba muchos activos en una amplia ubicación geográfica. La cantidad de datos que se generó fue inmensa. Agregamos datos de PLC a tasas de muestreo de 50 milisegundos y valores de sensores externos varias veces por segundo. En el transcurso de un solo minuto, se generaron miles de puntos de datos para cada activo al que nos estábamos conectando. Sabíamos que el método estándar de transmitir estos datos a un servidor y hacer que una persona evaluara los datos no era realista ni beneficioso para el negocio. Por lo tanto, nos propusimos crear un producto que procesaría los datos y generaría resultados consumibles, reduciendo en gran medida la cantidad de supervisión que necesita una organización para cosechar los beneficios de una implementación de transformación digital, muy centrada en la gestión del rendimiento de los activos y el mantenimiento predictivo.

¿Puede hablar sobre qué es la solución MicroAI de ONE Tech? 

MicroAI™ es una plataforma de aprendizaje automático que proporciona un mayor nivel de conocimiento sobre el rendimiento, la utilización y el comportamiento general de los activos (dispositivo o máquina). Este beneficio abarca desde los gerentes de plantas de fabricación que buscan formas de mejorar la eficacia general de los equipos hasta los fabricantes de equipos originales (OEM) de hardware que desean comprender mejor el rendimiento de sus dispositivos en el campo. Logramos esto implementando un paquete pequeño (tan pequeño como 70 kb) en el microcontrolador (MCU) o microprocesador (MPU) del activo. Un diferenciador clave es que el proceso de entrenamiento y formación de un modelo de MicroAI es único. Entrenamos el modelo directamente sobre el propio activo. Esto no solo permite que los datos permanezcan locales, lo que reduce el costo y el tiempo de implementación, sino que también aumenta la exactitud y precisión de la salida de la IA. MicroAI tiene tres capas principales:

1. Ingestión de datos – MicroAI es independiente de la entrada de datos. Podemos consumir cualquier valor de sensor y la plataforma MicroAI permite la ingeniería de características y la ponderación de las entradas dentro de esta primera capa.
2. Cursos – Formamos directamente en el entorno local. El usuario puede establecer la duración del entrenamiento según el ciclo normal del activo. Por lo general, nos gusta capturar de 25 a 45 ciclos normales, pero esto se basa en gran medida en la variación/volatilidad de cada ciclo capturado.
3. Salida – MicroAI genera notificaciones y alertas en función de la gravedad de la anomalía detectada. Estos umbrales pueden ser ajustados por el usuario. Otros resultados generados por MicroAI incluyen los días previstos para el próximo mantenimiento (para optimizar los programas de servicio), el puntaje de salud y la vida útil restante de los activos. Estos resultados se pueden enviar a los sistemas de TI existentes que tienen los clientes (herramientas de gestión del ciclo de vida del producto, soporte/gestión de tickets, mantenimiento, etc.)

¿Puede hablar sobre algunas de las tecnologías de aprendizaje automático detrás de MicroAI?

MicroAI presenta un análisis de comportamiento multidimensional empaquetado dentro de un algoritmo recursivo. Cada entrada que se alimenta al motor de IA afecta los umbrales (límites superior e inferior) que establece el modelo de IA. Hacemos esto proporcionando una predicción de un paso adelante. Por ejemplo, si una entrada es RPM y las RPM aumentan, el umbral superior de la temperatura del rodamiento puede aumentar ligeramente debido al movimiento más rápido de la máquina. Esto permite que el modelo continúe evolucionando y aprendiendo.

MicroAI no depende del acceso a la nube, ¿cuáles son las ventajas de esto?

Tenemos un enfoque único para formar modelos directamente en el punto final (donde se generan los datos). Esto brinda privacidad y seguridad de datos a las implementaciones porque los datos no necesitan salir del entorno local. Esto es especialmente importante para las implementaciones en las que la privacidad de los datos es obligatoria. Además, el proceso de entrenamiento de datos en una nube lleva mucho tiempo. Este consumo de tiempo de cómo otros se acercan a este espacio se debe a la necesidad de agregar datos históricos, transmitir datos a una nube, formar un modelo y, finalmente, llevar ese modelo a los activos finales. MicroAI puede entrenar y vivir 100% en el entorno local.

Una de las características de la tecnología MicroAI es su detección acelerada de anomalías, ¿podría dar más detalles sobre esta funcionalidad?

Debido a nuestro enfoque de análisis de comportamiento, podemos implementar MicroAI y comenzar a aprender instantáneamente el comportamiento del activo. Podemos comenzar a ver patrones dentro del comportamiento. Nuevamente, esto es sin la necesidad de cargar ningún dato histórico. Una vez que capturamos suficientes ciclos del activo, podemos comenzar a generar resultados precisos del modelo de IA. Esto es innovador para el espacio. Lo que solía tomar semanas o meses para formar un modelo preciso puede suceder en cuestión de horas y, a veces, minutos.

¿Cuál es la diferencia entre MicroAI™ Helio y MicroAI™ Atom?

Servidor MicroAI™ Helio:

Nuestro entorno Helio Server se puede implementar en un servidor local (lo más común) o en una instancia en la nube. Helio proporciona la siguiente funcionalidad: (Gestión de flujo de trabajo, análisis y gestión de datos y visualización de datos).

Flujos de trabajo para la gestión de activos – Una jerarquía de dónde se implementan y cómo se utilizan. (p. ej., configuración de todas las instalaciones del cliente a nivel mundial, instalaciones y secciones específicas dentro de cada instalación, estaciones individuales, hasta cada activo en cada estación). Además, los activos pueden configurarse para realizar diferentes trabajos con diferentes tasas de ciclo; esto se puede configurar dentro de estos flujos de trabajo. Además, está la capacidad de gestión de tickets/órdenes de trabajo, que también forma parte del entorno de Helio Server.

Análisis y gestión de datos – Dentro de esta sección de Helio, un usuario puede ejecutar análisis adicionales en la salida de IA, junto con cualquier instantánea de datos sin procesar (es decir, valores de datos máximos, mínimos y promedio por hora o firmas de datos que activaron una alerta o una alarma) . Estas pueden ser consultas configuradas en el diseñador de Helio Analytics o análisis más avanzados provenientes de herramientas como R, un lenguaje de programación. La capa de administración de datos es donde un usuario puede utilizar la puerta de enlace de administración de API para conexiones de terceros que consumen o envían datos en coordinación con el entorno de Helio.

Visualización de datos – Helio proporciona plantillas para varios informes específicos de la industria, lo que permite a los usuarios obtener vistas de Gestión de activos empresariales y Gestión de rendimiento de activos de sus activos conectados desde las aplicaciones móviles y de escritorio de Helio.

Átomo de micro IA:

MicroAI Atom es una plataforma de aprendizaje automático diseñada para integrarse en entornos MCU. Esto incluye el entrenamiento del algoritmo recursivo de análisis de comportamiento multidimensional directamente en la arquitectura de MCU local, no en una nube y luego empujado hacia abajo a la MCU. Esto permite acelerar la creación y la implementación de modelos ML a través de la generación automática de los umbrales superior e inferior en función del modelo multivariante que se forma directamente en el punto final. Hemos creado MicroAI para que sea una forma más eficiente de consumir y procesar datos de señales para entrenar modelos que otros métodos tradicionales. Esto no solo brinda un mayor nivel de precisión al modelo que se forma, sino que utiliza menos recursos en el hardware del host (es decir, menor uso de memoria y CPU), lo que nos permite ejecutar en entornos como una MCU.

Tenemos otra oferta principal llamada MicroAI™ Network.

Red MicroAI™ – Permite que una red de átomos se consolide y combine con fuentes de datos externas para crear múltiples modelos directamente en el borde. Esto permite que se ejecuten análisis horizontales y verticales en los diversos activos que ejecutan Atom. MicroAI Network permite un nivel aún más profundo de comprensión de cómo se desempeña un dispositivo/activo en relación con activos similares que se implementan. Nuevamente, debido a nuestro enfoque único para formar modelos directamente en el perímetro, los modelos de aprendizaje automático consumen muy poca memoria y CPU del hardware host.

ONE Tech también ofrece consultoría de seguridad para IoT. ¿Cuál es el proceso de modelado de amenazas y pruebas de penetración para IoT?

Debido a nuestra capacidad para comprender cómo se comportan los activos, podemos consumir datos relacionados con las partes internas de un dispositivo conectado (p. ej., CPU, uso de memoria, tamaño/frecuencia del paquete de datos). Los dispositivos IoT tienen, en su mayor parte, un patrón de funcionamiento regular: con qué frecuencia transmite datos, a dónde envía los datos y el tamaño de ese paquete de datos. Aplicamos MicroAI para consumir estos parámetros de datos internos para formar una línea de base de lo que es normal para ese dispositivo conectado. Si ocurre una acción anormal en el dispositivo, podemos desencadenar una respuesta. Esto puede variar desde reiniciar un dispositivo o abrir un ticket dentro de una herramienta de administración de órdenes de trabajo, hasta cortar completamente el tráfico de red a un dispositivo. Nuestro equipo de seguridad ha desarrollado hacks de prueba y hemos detectado con éxito varios intentos de ataques de día cero mediante el uso de MicroAI en esta capacidad.

¿Hay algo más que le gustaría compartir sobre ONE Tech, Inc?

A continuación se muestra un diagrama de cómo funciona MicroAI Atom. Comenzando con la adquisición de datos sin procesar, la capacitación y el procesamiento en el entorno local, la inferencia de los datos y la generación de resultados.

A continuación se muestra un diagrama de cómo funciona MicroAI Network. Muchos MicroAI Atoms se alimentan de MicroAI Network. Junto con los datos de Atom, se pueden fusionar fuentes de datos adicionales en el modelo para obtener una comprensión más granular del rendimiento del activo. Además, dentro de MicroAI Network se forman múltiples modelos que permiten a las partes interesadas ejecutar un análisis horizontal sobre el rendimiento de los activos en diferentes regiones, entre clientes, antes y después de las actualizaciones, etc.

Gracias por la entrevista y sus respuestas detalladas, los lectores que deseen obtener más información deben visitar UNA tecnología.