Interviews
Yasser Khan, PDG de ONE Tech – Série d'interviews
Yasser Khan, est le PDG de UNE technologie une entreprise technologique axée sur l'IA qui conçoit, développe et déploie des solutions IoT de nouvelle génération pour les équipementiers, les opérateurs de réseau et les entreprises.
Qu'est-ce qui vous a initialement attiré vers l'Intelligence Artificielle ?
Il y a quelques années, nous avons déployé une solution d'Internet industriel des objets (IIoT) qui connectait de nombreux actifs sur une vaste zone géographique. La quantité de données générées était immense. Nous avons agrégé les données des API à des taux d'échantillonnage de 50 millisecondes et les valeurs des capteurs externes quelques fois par seconde. Au cours d'une seule minute, nous avons généré des milliers de points de données pour chaque actif auquel nous nous connections. Nous savions que la méthode standard consistant à transmettre ces données à un serveur et à faire évaluer les données par une personne n'était ni réaliste ni bénéfique pour l'entreprise. Nous avons donc décidé de créer un produit qui traiterait les données et générerait des sorties consommables, réduisant considérablement la quantité de surveillance dont une organisation a besoin pour récolter les bénéfices d'un déploiement de transformation numérique, fortement axé sur la gestion des performances des actifs et la maintenance prédictive.
Pouvez-vous nous expliquer ce qu'est la solution MicroAI de ONE Tech ?
MicroAI™ est une plateforme d'apprentissage automatique qui fournit un meilleur niveau d'informations sur les performances, l'utilisation et le comportement global des actifs (appareil ou machine). Cet avantage va des directeurs d'usines de fabrication qui recherchent des moyens d'améliorer l'efficacité globale des équipements aux équipementiers OEM qui souhaitent mieux comprendre comment leurs appareils fonctionnent sur le terrain. Nous y parvenons en déployant un petit paquet (aussi petit que 70 Ko) sur le microcontrôleur (MCU) ou le microprocesseur (MPU) de l'actif. Un différenciateur clé est que le processus de formation et de formation d’un modèle de MicroAI est unique. Nous formons le modèle directement sur l'actif lui-même. Non seulement cela permet aux données de rester locales, ce qui réduit le coût et le temps de déploiement, mais cela augmente également l'exactitude et la précision des résultats de l'IA. MicroAI comporte trois couches principales :
- Ingestion de données – MicroAI est agnostique à la saisie de données. Nous pouvons consommer n'importe quelle valeur de capteur et la plate-forme MicroAI permet l'ingénierie des fonctionnalités et la pondération des entrées au sein de cette première couche.
- Formation – Nous formons directement dans l'environnement local. La durée de la formation peut être définie par l'utilisateur en fonction de ce qu'est un cycle normal de l'actif. En règle générale, nous aimons capturer 25 à 45 cycles normaux, mais cela est fortement basé sur la variation/volatilité de chaque cycle capturé.
- Sortie – Les notifications et les alertes sont générées par MicroAI en fonction de la gravité de l'anomalie détectée. Ces seuils peuvent être ajustés par l'utilisateur. Les autres sorties générées par MicroAI incluent les jours prévus jusqu'à la prochaine maintenance (pour optimiser les calendriers de service), le score de santé et la durée de vie restante des actifs. Ces sorties peuvent être envoyées aux systèmes informatiques existants que les clients ont mis en place (outils de gestion du cycle de vie des produits, gestion du support/de la billetterie, maintenance, etc.)
Pouvez-vous discuter de certaines des technologies d'apprentissage automatique derrière MicroAI ?
MicroAI propose une analyse comportementale multidimensionnelle intégrée dans un algorithme récursif. Chaque entrée introduite dans le moteur d'IA a un impact sur les seuils (limites supérieure et inférieure) définis par le modèle d'IA. Pour ce faire, nous fournissons une prédiction à une étape en avant. Par exemple, si une entrée correspond aux RPM et que les RPM augmentent, le seuil limite supérieur de la température des roulements peut augmenter légèrement en raison du mouvement plus rapide de la machine. Cela permet au modèle de continuer à évoluer et à apprendre.
MicroAI ne dépend pas de l'accès au cloud, quels en sont les avantages ?
Nous avons une approche unique pour former des modèles directement sur le point de terminaison (où les données sont générées). Cela apporte la confidentialité et la sécurité des données aux déploiements, car les données n'ont pas besoin de quitter l'environnement local. Ceci est particulièrement important pour les déploiements où la confidentialité des données est obligatoire. De plus, le processus de formation des données dans un cloud prend du temps. Cette consommation de temps de la façon dont les autres abordent cet espace est causée par la nécessité d'agréger des données historiques, de transmettre des données à un cloud, de former un modèle et finalement de pousser ce modèle jusqu'aux actifs finaux. MicroAI peut s'entraîner et vivre à 100% dans l'environnement local.
L'une des fonctionnalités de la technologie MicroAI est sa détection accélérée des anomalies, pourriez-vous nous en dire plus sur cette fonctionnalité ?
Grâce à notre approche d'analyse comportementale, nous pouvons déployer MicroAI et commencer instantanément à apprendre le comportement de l'actif. Nous pouvons commencer à voir des modèles dans le comportement. Encore une fois, cela se fait sans qu'il soit nécessaire de charger des données historiques. Une fois que nous avons capturé suffisamment de cycles de l'actif, nous pouvons alors commencer à générer une sortie précise à partir du modèle d'IA. C'est révolutionnaire pour l'espace. Ce qui prenait auparavant des semaines ou des mois pour former un modèle précis peut se produire en quelques heures, voire quelques minutes.
Quelle est la différence entre MicroAI™ Helio et MicroAI™ Atom ?
Serveur Helio MicroAI™ :
Notre environnement Helio Server peut être déployé dans un serveur local (le plus courant) ou dans une instance cloud. Helio fournit les fonctionnalités suivantes : (Gestion des flux de travail, analyse et gestion des données et visualisation des données).
Flux de travail pour la gestion des actifs – Une hiérarchie indiquant où ils sont déployés et comment ils sont utilisés. (par exemple, configuration de toutes les installations du client à l'échelle mondiale, des installations et des sections spécifiques au sein de chaque installation, des stations individuelles, jusqu'à chaque actif dans chaque station). En outre, les actifs peuvent être configurés pour effectuer différents travaux avec des taux de cycle différents ; cela peut être configuré dans ces workflows. En outre, il est possible de gérer les tickets/ordres de travail, qui fait également partie de l'environnement Helio Server.
Analyse et gestion des données – Dans cette section d'Helio, un utilisateur peut exécuter d'autres analyses sur la sortie de l'IA, ainsi que tous les instantanés de données brutes (c'est-à-dire les valeurs de données maximales, minimales et moyennes sur une base horaire ou les signatures de données qui ont déclenché une alerte ou une alarme) . Il peut s'agir de requêtes configurées dans le concepteur Helio Analytics ou d'analyses plus avancées apportées à partir d'outils tels que R, un langage de programmation. La couche de gestion des données est l'endroit où un utilisateur peut utiliser la passerelle de gestion des API pour les connexions tierces qui consomment et/ou envoient des données en coordination avec l'environnement Helio.
Visualisation de données - Helio fournit des modèles pour divers rapports spécifiques à l'industrie, ce qui permet aux utilisateurs d'accéder aux vues de gestion des actifs d'entreprise et de gestion des performances des actifs de leurs actifs connectés à partir des applications de bureau et mobiles Helio.
Atome MicroAI :
MicroAI Atom est une plate-forme d'apprentissage automatique conçue pour être intégrée dans des environnements MCU. Cela inclut la formation de l'algorithme récursif d'analyse comportementale multidimensionnelle directement dans l'architecture MCU locale, et non dans un cloud, puis poussé vers le MCU. Cela permet d'accélérer la construction et le déploiement de modèles ML grâce à la génération automatique des seuils supérieur et inférieur basés sur un modèle multivariant qui est formé directement sur le point de terminaison. Nous avons créé MicroAI pour être un moyen plus efficace de consommer et de traiter les données de signal pour former des modèles que les autres méthodes traditionnelles. Cela apporte non seulement un niveau de précision plus élevé au modèle formé, mais utilise moins de ressources sur le matériel hôte (c'est-à-dire une utilisation réduite de la mémoire et du processeur), ce qui nous permet de fonctionner dans des environnements tels qu'un MCU.
Nous avons une autre offre de base appelée MicroAI™ Network.
Réseau MicroAI™ – Permet de consolider et de mélanger un réseau d'atomes avec des sources de données externes pour créer plusieurs modèles directement à la périphérie. Cela permet d'effectuer une analyse horizontale et verticale sur les différents actifs qui exécutent Atom. Le réseau MicroAI permet une compréhension encore plus approfondie des performances d'un appareil/actif par rapport à des actifs similaires qui sont déployés. Encore une fois, en raison de notre approche unique de formation de modèles directement à la périphérie, les modèles d'apprentissage automatique consomment très peu de mémoire et de CPU du matériel hôte.
ONE Tech propose également des conseils en sécurité IoT. Quel est le processus de modélisation des menaces et de test de pénétration IoT ?
En raison de notre capacité à comprendre le comportement des actifs, nous pouvons consommer des données liées aux composants internes d'un appareil connecté (par exemple, CPU, utilisation de la mémoire, taille/fréquence du pack de données). Les appareils IoT ont, pour la plupart, un modèle de fonctionnement régulier : la fréquence à laquelle ils transmettent des données, où ils envoient les données et la taille de ce paquet de données. Nous appliquons MicroAI pour consommer ces paramètres de données internes afin de former une ligne de base de ce qui est normal pour cet appareil connecté. Si une action anormale se produit sur l'appareil, nous pouvons déclencher une réponse. Cela peut aller du redémarrage d'un appareil ou de l'ouverture d'un ticket dans un outil de gestion des bons de travail à la coupure complète du trafic réseau vers un appareil. Notre équipe de sécurité a développé des hacks de test et nous avons détecté avec succès diverses tentatives d'attaque Zero-Day en utilisant MicroAI à ce titre.
Y a-t-il autre chose que vous aimeriez partager à propos de ONE Tech, Inc ?
Vous trouverez ci-dessous un schéma du fonctionnement de MicroAI Atom. En commençant par l'acquisition de données brutes, la formation et le traitement dans l'environnement local, l'inférence des données et la production de résultats.
Vous trouverez ci-dessous un schéma du fonctionnement de MicroAI Network. De nombreux atomes MicroAI alimentent le réseau MicroAI. Parallèlement aux données Atom, des sources de données supplémentaires peuvent être fusionnées dans le modèle pour une compréhension plus précise des performances de l'actif. De plus, au sein de MicroAI Network, plusieurs modèles sont formés, permettant aux parties prenantes d'effectuer une analyse horizontale sur la performance des actifs dans différentes régions, entre les clients, avant et après les mises à jour, etc.
Merci pour l'interview et vos réponses détaillées, les lecteurs qui souhaitent en savoir plus devraient visiter UNE technologie.
