ืจืืืื ืืช
Yasser Khan, ืื ื”ื ONE Tech – ืกืืจืช ืจืืืื ืืช
Yasser Khan, הוא המנכ”ל של ONE Tech חברת טכנולוגיה המונעת על ידי AI, שמעצבת, מפתחת ומפריסה פתרונות IoT דור הבא עבור OEM, מופעלים וחברות.
מה היה הדבר שמשך אותך לתחום הבינה המלאכותית?
לפני מספר שנים, התקננו פתרון Industrial Internet of Things (IIoT) שחיבר מספר רב של נכסים ברחבי אזור גאוגרפי רחב. כמות הנתונים שנוצרה הייתה עצומה. איגדנו נתונים מ-PLC בקצב דגימה של 50 מילי-שניות וערכי חיישנים חיצוניים מספר פעמים בשנייה. במהלך דקה אחת, היו לנו אלפי נקודות נתונים שנוצרו עבור כל נכס שחיברנו. ידענו שהשיטה הסטנדרטית של העברת נתונים אל שרת והערכת הנתונים על ידי אדם לא הייתה ריאליסטית, ולא מועילה עבור העסק. לכן, יצאנו ליצור מוצר שיעבד את הנתונים ויפיק פלטים ברי צריכה, תוך הפחתה משמעותית של רמת הפיקוח שארגון זקוק לה על מנת לנצל את יתרונות הפריסה של תהליך התמרת דיגיטלית—במיקוד כבד על ניהול ביצועים של נכסים ותחזוקה מונעת.
האם תוכל לדבר על פתרון MicroAI של ONE Tech?
MicroAI™ הוא פלטפורמת Machine Learning שמספקת רמה גבוהה יותר של תובנה לביצועים, יעילות והתנהגות כללית של נכס (התקן או מכונה). יתרון זה נע ממנהלי מפעלים שמחפשים דרכים לשפר את היעילות הכללית של הציוד, ועד ליצרניות חומרה שרוצות להבין טוב יותר כיצד התקנים שלהן מבצעים בשטח. אנו משיגים זאת על ידי פריסה של חבילה קטנה (קטנה כקילו-בייט אחד) על המיקרו-בקר (MCU) או המיקרו-מעבד (MPU) של הנכס. מבדיל עיקרי הוא שתהליך האימון ויצירת המודל של MicroAI הוא ייחודי. אנו מאמנים את המודל ישירות על הנכס עצמו. לא רק שזה מאפשר לנתונים להישאר מקומיים, מה שמפחית עלויות וזמן פריסה, אלא גם מגביר את דיוק ודיוק הפלט של AI. MicroAI מורכב משלוש שכבות עיקריות:
- בליעת נתונים – MicroAI הוא חסין לקלט נתונים. אנו יכולים לצרוך כל ערך חיישן, ופלטפורמת MicroAI מאפשרת הנדסת תכונות ומשקלות של הקלטים בשכבה זו.
- אימון – אנו מאמנים ישירות בסביבה המקומית. משך זמן האימון יכול להיקבע על ידי המשתמש, בהתאם למה שנחשב למחזור נורמלי של הנכס. בדרך כלל, אנו מעדיפים לתפוס 25-45 מחזורים נורמליים, אך זה מבוסס בעיקר על וריאציה/רעידותיות של כל מחזור שנתפס.
- פלט – התראות והתראות נוצרות על ידי MicroAI על בסיס חומרת האנומליה שנתגלתה. ספים אלו יכולים להיכוון על ידי המשתמש. פלטים אחרים שנוצרים על ידי MicroAI כוללים ימים צפויים עד לתחזוקה הבאה (עבור אופטימיזציה של לוחות זמנים), ציון בריאות, וחיי הנכס הנותרים. פלטים אלו יכולים להישלח למערכות IT קיימות שיש ללקוחות (כלים לניהול מחזור חיי מוצר, ניהול תמיכה/כרטיסים, תחזוקה וכו’).
האם תוכל לדבר על חלק מטכנולוגיות הלמידה המובנות ב-MicroAI?
MicroAI מציג אנליזה התנהגותית רב-ממדית המאורגנת בתוך אלגוריתם רקורסיבי. כל קלט שמוזן למנוע AI משפיע על הספים (גבולות עליונים ותחתונים) שנקבעים על ידי המודל. אנו עושים זאת על ידי ספקת חיזוי קדימה. לדוגמה, אם אחד הקלטים הוא RPM, ו-RPM עולה, הסף העליון של טמפרטורת הבישול עשוי לעלות מעט בגלל תנועת המכונה המהירה יותר. זה מאפשר למודל להמשיך להתפתח וללמוד.
MicroAI אינו תלוי בגישה לענן, מהם היתרונות של גישה זו?
יש לנו גישה ייחודית ליצירת מודלים ישירות על הקצה (היכן שנוצרים הנתונים). זה מביא פרטיות נתונים וביטחון לפריסות, מכיוון שהנתונים אינם צריכים לעזוב את הסביבה המקומית. זה בעיקר חשוב עבור פריסות שבהן פרטיות נתונים היא חובה. כמו כן, תהליך האימון של נתונים בענן הוא צרוכת זמן. צריכת זמן זו, בשיטות המקובלות בתחום, נגרמת על ידי הצורך לאגור נתונים היסטוריים, להעביר נתונים לענן, ליצור מודל ולבסוף לדחוף את המודל לנכסים. MicroAI יכול להתאמן ולפעול 100% בסביבה המקומית.
אחד המאפיינים של טכנולוגיית MicroAI הוא גילוי אנומליות מואץ, תוכל להרחיב על תכונה זו?
בזכות גישתנו של ניתוח התנהגות, אנו יכולים לפרוס MicroAI ולהתחיל ללמוד את ההתנהגות של הנכס. אנו יכולים לזהות דפוסים בתוך ההתנהגות. שוב, זה בלי צורך לטעין נתונים היסטוריים. כשאנו תופסים מספיק מחזורים של הנכס, אנו יכולים ליצור פלט מדויק מהמודל AI. זה מהפכני עבור התחום. מה שהיה צורך בשבועות או חודשים ליצור מודל מדויק, יכול לקרות בתוך שעות, ולפעמים דקות.
מהו ההבדל בין MicroAI™ Helio ל-MicroAI™ Atom?
MicroAI™ Helio Server:
סביבת השרת Helio יכולה להיות מותקנת בשרת מקומי (הנפוץ ביותר), או במקום בענן. Helio מספק את הפונקציונליות הבאה: (ניהול זרימת עבודה, ניתוח וניהול נתונים, וויזואליזציה של נתונים).
זרימות עבודה לניהול נכסים – היררכיה של היכן הם מופרסים וכיצד הם משמשים. (למשל, הגדרת כל המתקנים של לקוחות ברחבי העולם, מתקנים ספציפיים ומדורים בתוך כל מתקן, תחנות, ועד לכל נכס בכל תחנה). כמו כן, הנכסים עשויים להיות מוגדרים לבצע עבודות שונות עם קצבי מחזור שונים; זה יכול להיות מוגדר בתוך זרימות העבודה. בנוסף, קיימת היכולת לניהול כרטיסים/עבודות, שגם היא חלק מסביבת השרת Helio.
ניתוח וניהול נתונים – בתוך חלק זה של Helio, משתמש יכול לרוץ ניתוחים נוספים על הפלט של AI, יחד עם כל צילומי נתונים גולמיים (כגון ערכי מקס, מינ, וממוצע של ערכי נתונים בשעה, או חתימות נתונים שגרמו להתראה או אזעקה). אלו יכולים להיות שאילתות שהוגדרו במעצב אנליטיקה של Helio, או אנליטיקה מתקדמת יותר שמובאת מכלים כגון R, שפת תכנות. שכבת ניהול הנתונים היא היכן שמשתמש יכול להשתמש בשער API לקשרים עם צדדים שלישיים הצורכים ו/או שולחים נתונים בתיאום עם סביבת Helio.
וויזואליזציה של נתונים – Helio מספק תבניות לדוחות ספציפיים לתעשייה, שמאפשרים למשתמשים לצרוך ניהול נכסים וביצועים מתוך יישומי Helio, הן על גבי הדסקטופ והן על גבי יישומים ניידים.
MicroAI Atom:
MicroAI Atom הוא פלטפורמת Machine Learning שתוכננה לשילוב בסביבות MCU. זה כולל אימון של אלגוריתם הנדסת התנהגות רב-ממדית הרקורסיבית ישירות בארכיטקטורה המקומית של MCU—לא בענן ואז דחיפה ל-MCU. זה מאפשר לאיצון בנייה ופריסה של מודלים של ML, דרך יצירה אוטומטית של ספים עליונים ותחתונים על בסיס מודל רב-משתנים שנוצר ישירות על הקצה. יצרנו MicroAI כדרך יעילה יותר לצריכה ועיבוד של נתוני אות, לאימון מודלים, מאשר שיטות מסורתיות אחרות. זה לא רק מביא רמה גבוהה יותר של דיוק למודל שנוצר, אלא גם משתמש בפחות משאבים על חומרת המארח (כגון שימוש נמוך יותר בזיכרון ו-CPU), מה שמאפשר לנו לרוץ בסביבות כגון MCU.
יש לנו הצעה ליבה נוספת הנקראת MicroAI™ Network.
MicroAI™ Network – מאפשרת לרשת של Atoms להתקבץ ולהתמזג עם מקורות נתונים חיצוניים, על מנת ליצור מודלים מרובים ישירות בקצה. זה מאפשר ניתוח אופקי ואנכי על הנכסים השונים הרצים על Atom. MicroAI Network מאפשרת רמה עמוקה יותר של הבנה של איך התקן/נכס מבצע, ביחס לנכסים דומים המופרסים. שוב, בזכות גישתנו הייחודית ליצירת מודלים ישירות בקצה, מודלי הלמידה משתמשים במעט מאוד זיכרון ו-CPU של חומרת המארח.
ONE Tech מציעה גם ייעוץ אבטחת IoT. מהו התהליך לדגמי איומים ובדיקות חדירה של IoT?
בזכות יכולתנו להבין כיצד נכסים מתנהגים, אנו יכולים לצרוך נתונים הקשורים לפנים של התקן המחובר (למשל, CPU, שימוש בזיכרון, גודל חבילת נתונים/תדירות). התקני IoT, ברובם, מציגים דפוס פעולה סדיר—כיצד הם מעבירים נתונים, לאן הם שולחים את הנתונים, וגודל חבילת הנתונים. אנו מיישמים MicroAI כדי לצרוך נתונים אלו, על מנת ליצור בסיס למה שנחשב לתקין עבור התקן המחובר. אם פעולה לא תקינה מתרחשת על ההתקן, אנו יכולים להפעיל תגובה. זה יכול לנוע מאתחול מחדש של התקן, פתיחת כרטיס בכלי ניהול עבודות, ועד לניתוק מלא של תעבורת רשת להתקן. צוות האבטחה שלנו פיתח בדיקות האקינג ואנו גילינו בהצלחה מספר ניסיונות תקיפה Zero-Day, על ידי שימוש ב-MicroAI ביכולת זו.
האם יש משהו אחר שתרצה לשתף על ONE Tech, Inc?
מתחת לפה ישנו תרשים של איך MicroAI Atom פועל. החל מרכישת נתונים גולמיים, אימון ועיבוד בסביבה המקומית, הסקה של הנתונים וספקת פלט.
מתחת לפה ישנו תרשים של איך MicroAI Network פועל. מספר רב של MicroAI Atoms מוזנים ל-MicroAI Network. יחד עם נתוני Atom, ניתן למזג מקורות נתונים נוספים למודל, על מנת להבין טוב יותר כיצד הנכס מבצע. כמו כן, בתוך MicroAI Network, מודלים רבים נוצרים, מה שמאפשר לבעלי עניין לרוץ ניתוח אופקי על האופן שבו נכסים מבצעים באזורים שונים, בין לקוחות, לפני ואחרי עדכונים, וכו’.
תודה על הראיון ועל התגובות המפורטות, קוראים שרוצים ללמוד יותר צריכים לבקר ב-ONE Tech.
