Yasser Khan, PDG de ONE Tech – Série d’entretiens

Yasser Khan est le PDG de ONE Tech, une entreprise de technologie basée sur l’IA qui conçoit, développe et déploie des solutions IoT de nouvelle génération pour les équipementiers, les opérateurs de réseaux 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 des objets industriels (IIoT) qui connectait de nombreux actifs sur un large territoire. La quantité de données générées était immense. Nous avons agrégé des données à partir de PLC à des taux d’échantillonnage de 50 millisecondes et des valeurs de capteurs externes plusieurs fois par seconde. Au cours d’une seule minute, nous avions des milliers de points de données générés pour chaque actif que nous connections. Nous savions que la méthode standard de transmission de ces données à un serveur et d’avoir une personne les évaluer n’était pas réaliste, ni bénéfique pour l’entreprise. Nous nous sommes donc lancés dans la création d’un produit qui traiterait les données et générerait des sorties consommables, réduisant ainsi considérablement le niveau de surveillance dont une organisation a besoin pour bénéficier d’un déploiement de transformation numérique – fortement axé sur la gestion des performances des actifs et la maintenance prédictive.

Pouvez-vous discuter de ce qu’est la solution MicroAI de ONE Tech ? 

MicroAI est une plate-forme d’apprentissage automatique qui fournit un niveau d’analyse plus approfondi des performances, de l’utilisation et du comportement des actifs (appareils ou machines). Cela va des directeurs de plantes de fabrication qui cherchent à améliorer l’efficacité globale de leurs équipements aux fabricants de matériel qui veulent mieux comprendre la façon dont leurs appareils fonctionnent sur le terrain. Nous y parvenons en déployant un petit paquet (d’une taille aussi petite que 70 ko) sur le microcontrôleur (MCU) ou le microprocesseur (MPU) de l’actif. Un facteur de différenciation clé est que le processus de formation et de création d’un modèle de MicroAI est unique. Nous formons le modèle directement sur l’actif lui-même. Non seulement cela permet-il de garder les données locales, ce qui réduit le coût et le temps de déploiement, mais cela augmente également la précision et la précision de la sortie de l’IA. MicroAI comporte trois couches principales :

1. Ingestion de données – MicroAI est agnostique par rapport aux entrées de données. Nous pouvons consommer n’importe quelle valeur de capteur et la plate-forme MicroAI permet la conception de fonctionnalités et le pondération des entrées dans cette première couche.
2. Formation – Nous formons directement dans l’environnement local. La durée de formation peut être définie par l’utilisateur en fonction de ce qu’est un cycle normal de l’actif. Typiquement, nous aimons capturer 25-45 cycles normaux, mais cela dépend fortement de la variation/volatilité de chaque cycle capturé.
3. 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. D’autres sorties générées par MicroAI incluent les jours prévus jusqu’à la prochaine maintenance (pour l’optimisation des calendriers de service), le score de santé et la durée de vie restante de l’actif. Ces sorties peuvent être envoyées à des systèmes IT existants que les clients ont en place (outils de gestion du cycle de vie des produits, gestion des tickets, maintenance, etc.)

Pouvez-vous discuter des technologies d’apprentissage automatique derrière MicroAI ?

MicroAI comporte une analyse comportementale multidimensionnelle intégrée dans un algorithme récursif. Chaque entrée qui est alimentée dans le moteur d’IA affecte les seuils (limites supérieure et inférieure) qui sont définis par le modèle d’IA. Nous le faisons en fournissant une prédiction à un pas d’avance. Par exemple, si une entrée est la vitesse de rotation et que la vitesse de rotation augmente, le seuil supérieur de la température de la roue peut augmenter légèrement en raison du mouvement de la machine plus rapide. Cela permet au modèle de continuer à évoluer et à apprendre.

MicroAI n’a pas besoin d’accéder au cloud, quels sont les avantages de cela ?

Nous avons une approche unique de formation de 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. C’est particulièrement important pour les déploiements où la confidentialité des données est obligatoire. De plus, le processus de formation de données dans un cloud est chronophage. Cette consommation de temps dans 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 de pousser finalement ce modèle vers les actifs finals. MicroAI peut former et vivre à 100 % dans l’environnement local.

L’une des fonctionnalités de la technologie MicroAI est sa détection d’anomalie accélérée, pouvez-vous élaborer sur cette fonctionnalité ?

En raison de 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 avoir besoin de charger des données historiques. Une fois que nous capturons suffisamment de cycles de l’actif, nous pouvons alors commencer à générer des sorties précises à partir du modèle d’IA. C’est révolutionnaire dans ce domaine. Ce qui prenait auparavant des semaines ou des mois pour former un modèle précis peut se produire en quelques heures, voire en quelques minutes.

Quelle est la différence entre MicroAI Helio et MicroAI Atom ?

MicroAI Helio Serveur :

Notre environnement Helio Server peut être déployé sur un serveur local (le plus courant) ou dans une instance cloud. Helio fournit les fonctionnalités suivantes : (gestion de workflow, analyse et gestion de données, et visualisation de données).

Workflows pour la gestion des actifs – Une hiérarchie de leur déploiement et de leur utilisation. (par exemple, configuration de toutes les installations clientes dans le monde, installations spécifiques et sections au sein de chaque installation, stations individuelles, jusqu’à chaque actif dans chaque station). De plus, les actifs peuvent être configurés pour effectuer différents travaux avec différents taux de cycle ; cela peut être configuré dans ces workflows. En outre, il y a la possibilité de gestion des tickets/ordres de travail, qui fait également partie de l’environnement Helio Server.

Analyse et gestion de données – Dans cette section d’Helio, un utilisateur peut exécuter une analyse plus approfondie sur la sortie d’IA, ainsi que sur les instantanés de données brutes (par exemple, valeurs de données maximales, minimales et moyennes à l’heure ou signatures de données qui ont déclenché une alerte ou une alarme). Ceux-ci peuvent être des requêtes configurées dans le concepteur d’analyse Helio ou des analyses plus avancées apportées à partir d’outils tels que R, un langage de programmation. La couche de gestion de données est où un utilisateur peut utiliser la passerelle de gestion d’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 des rapports spécifiques à l’industrie, ce qui permet aux utilisateurs de consommer des vues de gestion des actifs d’entreprise et de gestion des performances des actifs de leurs actifs connectés à la fois à partir des applications de bureau et mobiles Helio.

MicroAI Atom :

MicroAI Atom est une plate-forme d’apprentissage automatique conçue pour être intégrée dans les environnements MCU. Cela inclut la formation de l’algorithme d’analyse comportementale multidimensionnelle récursif directement dans l’architecture MCU locale – et non dans un cloud, puis poussé vers le MCU. Cela permet d’accélérer la création et le déploiement de modèles d’IA grâce à la génération automatique des seuils supérieurs et inférieurs basés sur un modèle multivarié 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 méthodes traditionnelles. Cela ne conduit pas seulement à un niveau plus élevé de précision du modèle formé, mais utilise également moins de ressources sur le matériel hôte (c’est-à-dire une utilisation plus faible 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.

MicroAI Network – Permet de consolider un réseau d’Atomes et de les combiner avec des sources de données externes pour créer plusieurs modèles directement sur le bord. Cela permet d’exécuter une analyse horizontale et verticale sur les différents actifs qui exécutent Atom. MicroAI Network permet une compréhension encore plus approfondie de la façon dont un appareil/actif fonctionne par rapport à des actifs similaires déployés. Encore une fois, en raison de notre approche unique de formation de modèles directement sur le bord, les modèles d’apprentissage automatique consomment très peu de mémoire et de processeur du matériel hôte.

ONE Tech propose également des services de consultation en matière de sécurité IoT. Quel est le processus de modélisation de menace et de test de pénétration IoT ?

En raison de notre capacité à comprendre comment les actifs se comportent, nous pouvons consommer des données liées aux internes d’un appareil connecté (par exemple, utilisation du processeur, taille et fréquence du paquet de données). Les appareils IoT ont, pour la plupart, un modèle d’exploitation régulier – combien de fois ils transmettent des données, où ils les envoient et la taille de ce paquet de données. Nous appliquons MicroAI pour consommer ces paramètres de données internes pour former une 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 de la réinitialisation d’un appareil à l’ouverture d’un ticket dans un outil de gestion de travail, en passant par la coupure complète du trafic réseau vers un appareil. Notre équipe de sécurité a développé des tests de piratage et nous avons détecté avec succès diverses tentatives d’attaque de jour zéro en utilisant MicroAI à cette fin.

Y a-t-il autre chose que vous aimeriez partager sur ONE Tech, Inc ?

Ci-dessous se trouve un diagramme de la façon dont MicroAI Atom fonctionne. En commençant par l’acquisition de données brutes, la formation et le traitement dans l’environnement local, la déduction des données et la fourniture de sorties.

Ci-dessous se trouve un diagramme de la façon dont MicroAI Network fonctionne. De nombreux MicroAI Atoms alimentent MicroAI Network. Avec les données Atom, d’autres sources de données peuvent être fusionnées dans le modèle pour une compréhension plus granulaire de la façon dont l’actif fonctionne. De plus, dans MicroAI Network, plusieurs modèles sont formés, permettant aux parties prenantes d’exécuter une analyse horizontale de la façon dont les actifs fonctionnent dans différentes régions, entre les clients, avant et après les mises à jour, etc.

Merci pour l’entretien et vos réponses détaillées, les lecteurs qui souhaitent en savoir plus peuvent visiter ONE Tech.