Yasser Khan, CEO de ONE Tech – Serie de entrevistas

Yasser Khan, es el CEO de ONE Tech una empresa de tecnología impulsada por inteligencia artificial que diseña, desarrolla y despliega soluciones de Internet de las cosas (IoT) de próxima generación para OEM, operadores de redes y empresas.

¿Qué te atrajo inicialmente a la Inteligencia Artificial?

Hace unos años, desplegamos una solución de Internet de las cosas industriales (IIoT) que conectó muchos activos en una amplia ubicación geográfica. La cantidad de datos generados fue enorme. Agregamos datos de PLC en tasas de muestreo de 50 milisegundos y valores de sensores externos varias veces por segundo. En el transcurso de un solo minuto, teníamos miles de puntos de datos generados para cada activo al que nos conectábamos. Sabíamos que el método estándar de transmitir estos datos a un servidor y tener a una persona que evalúe los datos no era realista, ni beneficioso para el negocio. Así que nos propusimos crear un producto que procesara los datos y generara salidas consumibles, reduciendo enormemente la cantidad de supervisión que una organización necesita para aprovechar los beneficios de una implementación de transformación digital—enfocada en la gestión del rendimiento de los activos y el mantenimiento predictivo.

¿Puedes hablar sobre la solución MicroAI de ONE Tech? 

MicroAI es una plataforma de aprendizaje automático que proporciona un mayor nivel de información sobre el rendimiento, la utilización y el comportamiento general de los activos (dispositivos o máquinas). Este beneficio abarca desde gerentes de plantas de fabricación que buscan formas de mejorar la eficiencia general de los equipos hasta OEM de hardware que desean comprender mejor cómo se están desempeñando sus dispositivos en el campo. Logramos esto desplegando un paquete pequeño (tan pequeño como 70kb) 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 en el activo. No solo permite que los datos permanezcan locales, lo que reduce el costo y el tiempo de despliegue, sino que también aumenta la precisión y la precisión de la salida de IA. MicroAI tiene tres capas principales:

1. Ingesta de datos – MicroAI es agnóstico a la entrada de datos. Podemos consumir cualquier valor de sensor y la plataforma MicroAI permite la ingeniería de características y el pesaje de las entradas dentro de esta primera capa.
2. Entrenamiento – Entrenamos directamente en el entorno local. La duración del entrenamiento puede establecerse por el usuario dependiendo de lo que es un ciclo normal del activo. Por lo general, nos gustaría capturar 25-45 ciclos normales, pero esto se basa en gran medida en la variación/volatilidad de cada ciclo capturado.
3. Salida – Las notificaciones y alertas son generadas por MicroAI en función de la gravedad de la anomalía detectada. Estos umbrales pueden ajustarse por el usuario. Otras salidas generadas por MicroAI incluyen los días previstos hasta el próximo mantenimiento (para optimizar los horarios de servicio), puntuación de salud y vida útil del activo restante. Estas salidas pueden enviarse a los sistemas de TI existentes que los clientes tienen en su lugar (herramientas de gestión del ciclo de vida del producto, gestión de soporte/boletos, mantenimiento, etc.)

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

MicroAI cuenta con un análisis de comportamiento multidimensional empaquetado en un algoritmo recursivo. Cada entrada que se alimenta al motor de IA impacta los umbrales (límites superior e inferior) que establece el modelo de IA. Lo hacemos proporcionando una predicción de un paso por delante. Por ejemplo, si una entrada es RPM y RPM aumenta, el límite superior del umbral de la temperatura del cojinete puede aumentar ligeramente debido al movimiento de la máquina más rápida. 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 genera el dato). Esto aporta privacidad y seguridad a los despliegues porque los datos no necesitan salir del entorno local. Esto es especialmente importante para despliegues donde la privacidad de los datos es obligatoria. Además, el proceso de entrenar datos en una nube es consumidor de tiempo. Este consumo de tiempo de cómo otros están abordando este espacio se debe a la necesidad de agregar datos históricos, transmitir datos a una nube, formar un modelo y eventualmente empujar ese modelo hacia los activos finales. MicroAI puede entrenar y vivir al 100% en el entorno local.

Una de las características de la tecnología MicroAI es su detección de anomalías acelerada, ¿puedes elaborar sobre esta funcionalidad?

Debido a nuestro enfoque de análisis de comportamiento, podemos desplegar MicroAI y comenzar a aprender el comportamiento del activo de inmediato. 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 salidas precisas 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?

MicroAI Helio Server:

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

Flujos de trabajo para la gestión de activos – Una jerarquía de dónde se despliegan y cómo se utilizan. (por ejemplo, configuración de todas las instalaciones de clientes en todo el mundo, instalaciones específicas y secciones 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, la capacidad de gestión de boletos/órdenes de trabajo, que también es 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 crudos (es decir, valores de datos máximos, mínimos y promedio en una base horaria o firmas de datos que desencadenaron una alerta o alarma). Estos pueden ser consultas configuradas en el diseñador de análisis de Helio o análisis avanzados traídos de herramientas como R, un lenguaje de programación. La capa de gestión de datos es donde un usuario puede utilizar la puerta de enlace de gestión de API para conexiones de terceros que consumen y/o envían datos en coordinación con el entorno de Helio.

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

MicroAI Atom:

MicroAI Atom es una plataforma de aprendizaje automático diseñada para incrustar en entornos de MCU. Esto incluye el entrenamiento del análisis de comportamiento multidimensional recursivo 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 despliegue de modelos de ML a través de la generación automática de los umbrales superior e inferior basados en el modelo multivariante que se forma directamente en el punto final. Hemos creado MicroAI para ser una forma más eficiente de consumir y procesar datos de señales para entrenar modelos que los métodos tradicionales. Esto no solo aporta un mayor nivel de precisión al modelo que se forma, sino que también utiliza menos recursos en el hardware host (es decir, menor uso de memoria y CPU), lo que nos permite ejecutar en entornos como un MCU.

Tenemos otra oferta central llamada MicroAI Network.

MicroAI Network – Permite que una red de Atoms se consolide y se mezcle con fuentes de datos externas para crear múltiples modelos directamente en el borde. Esto permite realizar análisis horizontales y verticales en los varios activos que ejecutan Atom. MicroAI Network permite un nivel aún más profundo de comprensión de cómo se está desempeñando un dispositivo/activo en relación con activos similares que se despliegan. Nuevamente, debido a nuestro enfoque único para formar modelos directamente en el borde, los modelos de aprendizaje automático consumen muy pocos recursos de memoria y CPU del hardware host.

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

Debido a nuestra capacidad para comprender cómo se comportan los activos, podemos consumir datos relacionados con los internos de un dispositivo conectado (por ejemplo, uso de CPU, uso de memoria, tamaño/puntuación de paquete de datos). Los dispositivos de IoT tienen, en su mayoría, un patrón de operación 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 se produce 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 gestión 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 utilizando MicroAI en esta capacidad.

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

A continuación se muestra un diagrama de cómo funciona MicroAI Atom. Comenzando con la adquisición de datos crudos, el entrenamiento y el procesamiento en el entorno local, la inferencia de los datos y la generación de salidas.

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

Gracias por la entrevista y tus respuestas detalladas, los lectores que deseen aprender más pueden visitar ONE Tech.