Yasser Khan, ONE Techin toimitusjohtaja – Haastattelusarja

Yasser Khan on ONE Techin toimitusjohtaja. ONE Tech on tekoälyyn perustuva teknologiayritys, joka suunnittelee, kehittää ja ottaa käyttöön seuraavan sukupolven IoT-ratkaisuja laitevalmistajille, verkkoyhtiöille ja yrityksille.

Mikä alun perin kiinnosti sinua tekoälyyn?

Joitakin vuosia sitten otimme käyttöön teollisen Internet of Things (IIoT) -ratkaisun, joka yhdisti useita laitteita laajalla maantieteellisellä alueella. Tuotettu data oli valtavaa. Keräsimme dataa ohjaimista 50 millisekunnin näytteistysnopeudella ja ulkoisista sensoreista useita kertoja sekunnissa. Yhden minuutin aikana saimme tuhansia datapisteitä kullekin yhdistetylle laitteelle. Tiesimme, että standardimenetelmä, jossa data lähetetään palvelimelle ja arvioidaan manuaalisesti, ei ollut realistista eikä hyödyllistä liiketoiminnalle. Päätimme kehittää tuotteen, joka prosessoi datan ja tuottaa kulutettavia tuloksia, mikä vähentää organisaation valvontatarvetta digitaalisen muutoksen hyödyntämisessä – keskittyen voimakkaasti laitteiden suorituskyvyn hallintaan ja ennaltaehkäisevään ylläpitoon.

Voitko kertoa, mitä MicroAI on?

MicroAI on tekoälyalusta, joka tarjoaa syvemmän ymmärryksen laitteiden (laitteiden tai koneiden) suorituskyvystä, käytöstä ja yleisestä käyttäytymisestä. Tämä hyöty kattaa valmistuslaitosten johtajat, jotka etsivät keinoja parantaa laitteiden suorituskykyä, sekä laitteiden valmistajat, jotka haluavat ymmärtää, miten heidän laitteensa suoriutuvat kentässä. Saavutamme tämän asentamalla pienikokoisen (jopa 70kb) paketin laitteen mikrokontrolleriin (MCU) tai mikroprosessoriin (MPU). Tärkeä erottautumiskeino on, että MicroAI:n mallin koulutus- ja muodostusprosessi on ainutlaatuinen. Koulutamme mallin suoraan laitteessa. Tämä mahdollistaa datan säilymisen paikallisesti, mikä vähentää kustannuksia ja käyttöönoton aikaa, ja myös lisää tekoälytulosten tarkin ja täsmällisyyden. MicroAI:ssa on kolme pääkerrosta:

1. Datankerääminen – MicroAI on datan syötteen suhteen agnostinen. Voimme käsitellä mitä tahansa sensoriarvoa, ja MicroAI-alusta sallii piirteinjeneroinnin ja syötteen painottamisen tässä ensimmäisessä kerroksessa.
2. Koulutus – Koulutamme suoraan paikallisessa ympäristössä. Koulutuskeston voi määritellä käyttäjä, riippuen siitä, mikä on laitteen normaali toimintasykli. Yleensä haluamme tallentaa 25-45 normaalia sykliä, mutta tämä perustuu voimakkaasti kunkin syklisen vaihtelun/volatiliteetin määrään.
3. Tulos – MicroAI tuottaa ilmoituksia ja hälytyksiä poikkeavuuden vakavuuden perusteella. Nämä kynnysarvot voidaan säätää käyttäjän toimesta. MicroAI tuottaa myös muita tuloksia, kuten Ennustetut päivät seuraavaan ylläpitoon (palveluajojen optimointiin), Kuntoarvo ja Laitteen elinikä. Nämä tulokset voidaan lähettää asiakkaiden olemassa oleviin IT-järjestelmiin (tuotteen elinkaaren hallintatyökalut, Tuke/Tilauksen hallinta, Ylläpito jne.)

Voitko kertoa jotain MicroAI:n taustalla olevista tekoälytekniikoista?

MicroAI sisältää moniulotteisen käyttäytymisanalyysin, joka on pakattu rekursiiviseen algoritmiin. Jokainen syöte, joka syötetään tekoälymoottoriin, vaikuttaa kynnysehtoihin (ylä- ja alarajoille), jotka asetetaan tekoälymallilla. Tämä tapahtuu yhden askeleen eteenpäin ennusteen avulla. Esimerkiksi, jos yksi syöte on RPM, ja RPM kasvaa, yläraja lämpötilan kynnykselle voi hieman nousta nopeamman koneen liikkeen vuoksi. Tämä mahdollistaa mallin jatkuvan evoluution ja oppimisen.

MicroAI ei ole riippuvainen pilvipalvelusta, mitkä ovat tämän etuja?

Mme ainutlaatuinen lähestymistapa muodostaa malleja suoraan päätepisteessä (missä data tuotetaan). Tämä tuo datan turvallisuuden ja yksityisyyden käyttöönottoihin, koska dataa ei tarvitse poistua paikallisesta ympäristöstä. Tämä on erityisen tärkeää käyttöönotoissa, joissa datan yksityisyys on pakollista. Lisäksi datan koulutuksen prosessi pilvessä on aikaa vievä. Tämä ajan kuluminen johtuu tarpeesta kerätä historiallista dataa, lähettää dataa pilveen, muodostaa malli ja lopulta siirtää malli päätepisteisiin. MicroAI voi kouluttaa ja toimia 100% paikallisessa ympäristössä.

Yksi MicroAI-teknologian ominaisuuksista on nopeutettu poikkeamien havaitseminen, voitko selittää tätä toimintoa?

Johtuen lähestymistavastamme käyttäytymisanalyysiin, voimme ottaa MicroAI:n käyttöön ja aloittaa välittömästi laitteen käyttäytymisen oppimisen. Voimme nähdä laitteen käyttäytymisen mallit. Tämä tapahtuu ilman tarvetta ladata historiallista dataa. Kun keräämme riittävästi laitteen syklejä, voimme aloittaa tarkan tulosten tuottamisen tekoälymallista. Tämä on uraauurtava tässä alalla. Mitä aiemmin vaati viikkoja tai kuukausia saada tarkka malli, voidaan se nyt tehdä muutamassa tunnissa, ja joskus jopa minuuteissa.

Mikä on ero MicroAI Helio ja MicroAI Atom?

MicroAI Helio Server:

Helio-palvelinympäristö voidaan ottaa käyttöön paikallisessa palvelimessa (yleisin) tai pilvipalvelussa. Helio tarjoaa seuraavat toiminnot: (Työnkulun hallinta, datan analyysi ja hallinta, ja datan visualisointi).

Työnkulut laitteiden hallintaan – Hierarkia siitä, missä ne on otettu käyttöön ja miten niitä käytetään. (Esimerkiksi asiakkaan kaikkien tilojen asettaminen maailmanlaajuisesti, tiettyjen tilojen ja niiden osien asettaminen kussakin tilassa, yksittäisten asemien asettaminen ja jokaisen laitteen asettaminen kussakin asemassa). Lisäksi laitteet voidaan asettaa suorittamaan eri tehtäviä eri syklienopeuksilla; tämä voidaan määritellä näissä työnkulussa. Lisäksi on mahdollista avata työtilaus hallintatyökalussa, mikä on myös osa Helio-palvelinympäristöä.

Datan analyysi ja hallinta – Tässä Helion osiossa käyttäjä voi suorittaa edelleen analytiikkaa tekoälytuloksista sekä raakadatanajauksista (esim. maksimi-, minimi- ja keskiarvo dataa tunnin välein tai datamerkit, jotka laukaisivat hälytyksen tai varoituksen). Nämä voivat olla kyselyjä, jotka on määritelty Helio Analytics -suunnittelijassa tai edistyneempiä analytiikkaa, jotka on tuotu työkaluista kuten R, ohjelmointikieli. Datanhallintakerros on, missä käyttäjä voi hyödyntää API-hallintaporttia kolmannen osapuolen yhteyksille, jotka kuluttavat ja/tai lähettävät dataa yhteistyössä Helio-ympäristön kanssa.

Datan visualisointi – Helio tarjoaa malleja eri teollisuudenalojen mukaisille raportteille, mikä mahdollistaa käyttäjille kuluttamaan Enterprise-omaisuuden hallinta- ja laitteiden suorituskyvyn hallinnan näkymät yhdistetyistä laitteista sekä Helio-työpöydän että mobiilisovellusten kautta.

MicroAI Atom:

MicroAI Atom on tekoälyalusta, joka on suunniteltu upottamiseen MCU-ympäristöihin. Tämä sisältää moniulotteisen käyttäytymisanalyysin rekursiivisen algoritmin kouluttamisen suoraan paikalliseen MCU-rakenteeseen – ei pilvessä ja sitten siirrettynä MCU:lle. Tämä mahdollistaa tekoälymallien rakentamisen ja käyttöönoton nopeuttamisen ylä- ja alarajojen automaattisen muodostamisen avulla, jotka muodostetaan suoraan päätepisteessä. Olemme luoneet MicroAI:n tehokkaamman tavan kuluttaa ja prosessoida signaali-dataa mallien kouluttamiseksi kuin perinteiset menetelmät. Tämä tuo myös korkeamman tarkan mallin, joka muodostuu, ja käyttää vähemmän resursseja isäntälaitteessa (esim. alempi muisti- ja CPU-käyttö), mikä mahdollistaa sen suorittamisen ympäristöissä kuten MCU:ssa.

Meillä on toinen keskeinen tarjonta, joka on MicroAI Network.

MicroAI Network – Sallii useiden Atomien konsolidoinnin ja yhdistämisen ulkoisten datalähteiden kanssa useiden mallien muodostamiseksi suoraan reunassa. Tämä mahdollistaa vaakasuoran ja pystysuoran analyysin eri laitteiden suorituskyvystä, jotka suorittavat Atomin toimintaa. MicroAI Network mahdollistaa myös syvemmän ymmärryksen laitteen suorituskyvystä suhteessa muihin laitteisiin, jotka on otettu käyttöön. Tämä johtuu jälleen ainutlaatuisesta lähestymistavastamme muodostaa malleja suoraan reunassa, jolloin tekoälymallit kuluttavat hyvin vähän muistia ja CPU:ta isäntälaitteessa.

ONE Tech tarjoaa myös IoT-tietoturvakonsultointia. Mitä on prosessi uhkamallinnukselle ja IoT-pentestaukselle?

Johtuen kyvystämme ymmärtää, miten laitteet käyttäytyvät, voimme käsitellä dataa, joka liittyy kytkettyjen laitteiden sisäisiin toimintoihin (esim. CPU, muisti, data-paketin koko/tiheys). IoT-laitteilla on yleensä säännöllinen toimintamalli – kuinka usein se lähettää dataa, mihin se lähettää dataa ja minkä kokoinen data-paketti on. Sovellamme MicroAI:ta kuluttaamaan näitä laitteen sisäisiä data-parametreja muodostamaan normaalin toiminnan perustan kytketylle laitteelle. Jos epänormaali toiminta tapahtuu laitteessa, voimme laukaista vastauksen. Tämä voi vaihdella laitteen uudelleenkäynnistymisestä avauslipun avaamiseen työtilaushallintatyökalussa, tai kokonaan estämään verkkoliikennettä laitteeseen. Turvatiimimme on kehittänyt testihyökkäykset, ja olemme onnistuneesti havainneet useita Zero-Day -hyökkäysyrityksiä käyttämällä MicroAI:ta tähän tarkoitukseen.

Onko jotain muuta, mitä haluaisit jakaa ONE Techista?

Alle on kaavio siitä, miten MicroAI Atom toimii. Kaavio alkaa raakadatan hankinnasta, koulutuksesta ja prosessoinnista paikallisessa ympäristössä, ja päättyy tulosten antamiseen.

Alle on kaavio siitä, miten MicroAI Network toimii. Useat MicroAI Atomit syötetään MicroAI Networkiin. Lisäksi Atom-datassa voidaan yhdistää muita datalähteitä malliin, jotta saadaan tarkempi ymmärrys laitteen suorituskyvystä. Lisäksi MicroAI Networkissa voidaan muodostaa useita malleja, jolloin sidosryhmät voivat suorittaa vaakasuoran analyysin laitteiden suorituskyvystä eri alueilla, asiakkaiden välillä, ennen ja jälkeen päivityksiä jne.

Kiitos haastattelusta ja yksityiskohtaisista vastauksista. Lukijat, jotka haluavat oppia lisää, voivat vierailla ONE Techin sivustolla.