Yasser Khan, ONE Tech – haastattelusarjan toimitusjohtaja

Yasser Khan on yhtiön toimitusjohtaja ONE Tech tekoälyyn perustuva teknologiayritys, joka suunnittelee, kehittää ja ottaa käyttöön seuraavan sukupolven IoT-ratkaisuja OEM-valmistajille, verkko-operaattoreille ja yrityksille.

Mikä alun perin houkutteli sinua tekoälyyn?

Muutama vuosi sitten otimme käyttöön teollisen esineiden internet (IIoT) -ratkaisun, joka yhdisti monia resursseja laajalla maantieteellisellä alueella. Datan määrä, joka tuotettiin, oli valtava. Kokosimme dataa PLC:istä 50 millisekunnin näytteenottotaajuudella ja ulkoisten antureiden arvoilla muutaman kerran sekunnissa. Yhden minuutin aikana luotiin tuhansia tietopisteitä jokaiselle resurssille, johon olimme yhteydessä. Tiesimme, että tavallinen tapa siirtää nämä tiedot palvelimelle ja saada henkilö arvioimaan tiedot ei ollut realistinen eikä hyödyllinen yritykselle. Niinpä päätimme luoda tuotteen, joka prosessoisi tiedot ja tuottaisi kuluvia tuotoksia, mikä vähentää merkittävästi organisaation tarvitsemaa valvontaa voidakseen hyötyä digitaalisen muutoksen käyttöönotosta – keskittyen vahvasti omaisuuden suorituskyvyn hallintaan ja ennakoivaan ylläpitoon.

Voitko keskustella siitä, mikä ONE Techin MicroAI-ratkaisu on? 

MicroAI™ on koneoppimisalusta, joka tarjoaa paremman käsityksen omaisuuden (laitteen tai koneen) suorituskyvystä, käytöstä ja yleisestä käyttäytymisestä. Tämä etu ulottuu tuotantolaitosten johtajista, jotka etsivät tapoja parantaa laitteiden yleistä tehokkuutta, laitteiston OEM-valmistajiin, jotka haluavat paremmin ymmärtää, kuinka heidän laitteet toimivat kentällä. Saavutamme tämän ottamalla käyttöön pienen (jopa 70 kt) paketin omaisuuden mikro-ohjaimeen (MCU) tai mikroprosessoriin (MPU). Keskeinen ero on se, että MicroAI:n koulutus- ja mallinmuodostusprosessi on ainutlaatuinen. Koulutamme mallin suoraan omaisuuteen. Tämä ei vain salli tietojen pysymistä paikallisena, mikä vähentää kustannuksia ja käyttöönottoaikaa, vaan se myös lisää tekoälyn lähdön tarkkuutta ja tarkkuutta. MicroAI:ssa on kolme ensisijaista kerrosta:

1. Tietojen nauttiminen – MicroAI on agnostikko tiedonsyötön suhteen. Voimme kuluttaa mitä tahansa anturiarvoa, ja MicroAI Platform mahdollistaa ominaisuuksien suunnittelun ja tulojen painotuksen tässä ensimmäisessä kerroksessa.
2. koulutus – Koulutamme suoraan paikallisessa ympäristössä. Harjoittelun keston voi itse asettaa riippuen siitä, mikä on omaisuuden normaali sykli. Tyypillisesti haluamme kaapata 25–45 normaalia sykliä, mutta tämä perustuu vahvasti kunkin kaapatun syklin vaihteluun/volatiliteettiin.
3. ulostulo – MicroAI luo ilmoitukset ja hälytykset havaitun poikkeaman vakavuuden perusteella. Käyttäjä voi säätää näitä kynnysarvoja. Muita MicroAI:n tuottamia tuloksia ovat Predicted Days to Next Maintenance (huoltoaikataulujen optimointia varten), Health Score ja Asset Life Remainance. Nämä lähdöt voidaan lähettää olemassa oleviin IT-järjestelmiin, jotka asiakkailla on käytössä (tuotteen elinkaaren hallintatyökalut, tuki/lippujen hallinta, ylläpito jne.)

Voitko keskustella joistakin MicroAI:n takana olevista koneoppimistekniikoista?

MicroAI sisältää moniulotteisen käyttäytymisanalyysin, joka on pakattu rekursiiviseen algoritmiin. Jokainen tekoälymoottoriin syötetty syöte vaikuttaa tekoälymallin asettamiin kynnysarvoihin (ylä- ja alarajat). Teemme tämän tarjoamalla yhden askeleen edellä olevan ennusteen. Jos esimerkiksi yksi syöte on RPM:t ja kierrokset kasvavat, laakerin lämpötilan yläraja voi nousta hieman koneen nopeamman liikkeen vuoksi. Tämä mahdollistaa mallin jatkuvan kehittymisen ja oppimisen.

MicroAI ei ole riippuvainen pilven pääsystä, mitä hyötyä tästä on?

Meillä on ainutlaatuinen lähestymistapa mallien muodostamiseen suoraan päätepisteeseen (jossa data luodaan). Tämä tuo tietojen yksityisyyttä ja turvallisuutta käyttöönotuksiin, koska tietojen ei tarvitse poistua paikallisesta ympäristöstä. Tämä on erityisen tärkeää käyttöönotuksissa, joissa tietosuoja on pakollista. Lisäksi datan harjoittelu pilvessä on aikaa vievää. Tämä aikakulutus siitä, miten muut lähestyvät tätä tilaa, johtuu tarpeesta koota historiallisia tietoja, siirtää dataa pilveen, muodostaa malli ja lopulta työntää malli alas loppuun. MicroAI voi harjoitella ja elää 100 % paikallisessa ympäristössä.

Yksi MicroAI-tekniikan ominaisuuksista on sen nopeutettu poikkeamien havaitseminen, voisitko tarkentaa tätä toimintoa?

Käyttäytymisanalyysimme ansiosta voimme ottaa MicroAI:n käyttöön ja alkaa välittömästi oppia omaisuuden käyttäytymistä. Voimme alkaa nähdä käyttäytymismalleja. Jälleen tämä tapahtuu ilman tarvetta ladata historiallisia tietoja. Kun olemme tallentaneet riittävät syklit omaisuudesta, voimme sitten alkaa tuottaa tarkkaa tulosta AI-mallista. Tämä on uraauurtava tilalle. Tarkan mallin muodostaminen vei viikkoja tai kuukausia voi tapahtua muutamassa tunnissa ja joskus minuuteissa.

Mitä eroa on MicroAI™ Helion ja MicroAI™ Atomin välillä?

MicroAI™ Helio -palvelin:

Helio Server -ympäristömme voidaan ottaa käyttöön paikallisessa palvelimessa (yleisin) tai pilvi-instanssissa. Helio tarjoaa seuraavat toiminnot: (Työnkulun hallinta, tietojen analysointi ja hallinta sekä tietojen visualisointi).

Työnkulut omaisuuden hallintaan – Hierarkia siitä, missä ne on otettu käyttöön ja miten niitä käytetään. (esim. kaikkien asiakastilojen asetukset maailmanlaajuisesti, tietyt tilat ja osat kussakin toimipaikassa, yksittäiset asemat, kunkin aseman jokaiseen omaisuuteen asti). Lisäksi resurssit voidaan asettaa suorittamaan erilaisia ​​töitä eri syklinopeuksilla; tämä voidaan määrittää näissä työnkulkuissa. Lisäksi on mahdollisuus lippujen/työtehtävien hallintaan, joka on myös osa Helio Server -ympäristöä.

Tietojen analysointi ja hallinta – Tässä Helion osiossa käyttäjä voi suorittaa lisäanalyysejä tekoälyn lähdössä sekä raakadatan tilannekuvia (eli maksimi-, minimi- ja keskimääräiset data-arvot tuntikohtaisesti tai hälytyksen tai hälytyksen laukaisevia dataallekirjoituksia). . Nämä voivat olla kyselyitä, jotka on määritetty Helio Analytics -suunnittelijalla, tai edistyneempää analytiikkaa, joka on tuotu työkaluista, kuten ohjelmointikieli R. Tiedonhallintakerros on paikka, jossa käyttäjä voi hyödyntää API-hallintayhdyskäytävää kolmannen osapuolen yhteyksille, jotka kuluttavat ja/tai lähettävät dataa yhteistyössä Helio-ympäristön kanssa.

Tietojen visualisointi – Helio tarjoaa malleja eri toimialakohtaisiin raportteihin, joiden avulla käyttäjät voivat kuluttajia Enterprise Asset Management- ja Asset Performance Management -näkymiin liitetyistä resursseistaan ​​sekä Helion työpöytä- että mobiilisovelluksista.

MicroAI Atom:

MicroAI Atom on koneoppimisalusta, joka on suunniteltu upotettavaksi MCU-ympäristöihin. Tämä sisältää moniulotteisen käyttäytymisanalyysin rekursiivisen algoritmin koulutuksen suoraan paikallisessa MCU-arkkitehtuurissa – ei pilvessä ja työnnetään sitten MCU:lle. Tämä mahdollistaa ML-mallien rakentamisen ja käyttöönoton nopeuttamisen luomalla ylemmän ja alemman kynnyksen automaattisesti suoraan päätepisteeseen muodostettuun monimuuttujamalliin. Olemme luoneet MicroAI:n tehokkaammaksi tavaksi kuluttaa ja käsitellä signaalidataa malleja varten kuin muut perinteiset menetelmät. Tämä ei ainoastaan ​​tuo korkeampaa tarkkuutta muodostettuun malliin, vaan käyttää vähemmän isäntälaitteiston resursseja (eli vähemmän muistia ja prosessorin käyttöä), minkä ansiosta voimme toimia ympäristöissä, kuten MCU:ssa.

Meillä on toinen ydinpalvelu nimeltä MicroAI™ Network.

MicroAI™ verkko – Mahdollistaa atomiverkoston konsolidoinnin ja yhdistämisen ulkoisten tietolähteiden kanssa useiden mallien luomiseksi suoraan reunasta. Tämä mahdollistaa horisontaalisen ja vertikaalisen analyysin suorittamisen erilaisille Atomia käyttäville resursseille. MicroAI Network mahdollistaa entistä syvemmän ymmärryksen siitä, kuinka laite/resurssi toimii suhteessa samankaltaisiin käyttöön otettuihin resursseihin. Jälleen, koska ainutlaatuinen lähestymistapamme muodostaa malleja suoraan reunasta, koneoppimismallit kuluttavat hyvin vähän isäntälaitteiston muistia ja prosessoria.

ONE Tech tarjoaa myös IoT-tietoturvakonsultointia. Mikä on uhkien mallintamisen ja IoT-läpäisytestauksen prosessi?

Koska pystymme ymmärtämään resurssien käyttäytymisen, voimme kuluttaa yhdistetyn laitteen sisäisiin osiin liittyviä tietoja (esim. CPU, muistin käyttö, datapaketin koko/taajuus). IoT-laitteilla on suurimmaksi osaksi säännöllinen toimintamalli – kuinka usein ne lähettävät dataa, minne ne lähettävät ja datapaketin koko. Käytämme MicroAI:ta kuluttamaan nämä sisäiset dataparametrit muodostaaksemme perustason sille, mikä on normaalia kyseiselle yhdistetylle laitteelle. Jos laitteessa tapahtuu epänormaali toiminta, voimme laukaista vastauksen. Tämä voi vaihdella laitteen uudelleenkäynnistämisestä tai lipun avaamisesta työmääräysten hallintatyökalussa verkkoliikenteen kokonaan katkaisemiseen laitteeseen. Tietoturvatiimimme on kehittänyt testaushakkeja ja olemme onnistuneesti havainneet useita nollapäivän hyökkäysyrityksiä käyttämällä MicroAI:ta tässä ominaisuudessa.

Onko jotain muuta, mitä haluaisit jakaa ONE Tech, Inc:stä?

Alla on kaavio siitä, kuinka MicroAI Atom toimii. Alkaen raakadatan hankinnasta, koulutuksesta ja prosessoinnista paikallisessa ympäristössä, tietojen päättelemisestä ja tulosteen antamisesta.

Alla on kaavio MicroAI-verkon toiminnasta. Monet MicroAI-atomit syötetään MicroAI-verkkoon. Atom-tietojen lisäksi malliin voidaan yhdistää muita tietolähteitä, jotta saadaan tarkempi käsitys resurssin toimivuudesta. Lisäksi MicroAI Networkissa muodostetaan useita malleja, joiden avulla sidosryhmät voivat suorittaa horisontaalisia analyyseja siitä, kuinka omaisuus toimii eri alueilla, asiakkaiden välillä, ennen ja jälkeen päivityksiä jne.

Kiitos haastattelusta ja yksityiskohtaisista vastauksistasi, lukijoiden, jotka haluavat tietää lisää, kannattaa käydä ONE Tech.