Yasser Khan, a ONE Tech – Interjúsorozat vezérigazgatója

Yasser Khan, a cég vezérigazgatója ONE Tech egy mesterséges intelligencia által vezérelt technológiai vállalat, amely új generációs IoT-megoldásokat tervez, fejleszt és telepít OEM-ek, hálózatüzemeltetők és vállalatok számára.

Mi vonzotta kezdetben a mesterséges intelligencia felé?

Néhány évvel ezelőtt bevezettünk egy Ipari Internet of Things (IIoT) megoldást, amely számos eszközt összekapcsolt egy széles földrajzi helyen. A keletkezett adatmennyiség óriási volt. A PLC-kből származó adatokat 50 ezredmásodperces mintavételezési sebességgel, a külső érzékelők értékeit pedig másodpercenként néhányszor összesítettük. Egyetlen perc leforgása alatt több ezer adatpontot generáltunk minden egyes eszközhöz, amelyhez csatlakoztunk. Tudtuk, hogy az adatok szerverre történő továbbítása és az adatok egy személy általi értékelése nem reális, és nem is előnyös a vállalkozás számára. Ezért egy olyan termék létrehozását tűztük ki célul, amely feldolgozza az adatokat és fogyóképes kimeneteket állít elő, nagymértékben csökkentve a felügyelet mértékét, amelyre a szervezetnek szüksége van ahhoz, hogy kihasználhassa a digitális átalakítás előnyeit – nagy hangsúlyt fektetve az eszközteljesítmény-kezelésre és az előrejelző karbantartásra.

Meg tudná beszélni, mi az a ONE Tech MicroAI megoldása? 

A MicroAI™ egy gépi tanulási platform, amely nagyobb betekintést nyújt az eszközök (eszköz vagy gép) teljesítményébe, kihasználtságába és általános viselkedésébe. Ez az előny a gyártóüzemek vezetőitől kezdve, akik a berendezések általános hatékonyságának javítását keresik, egészen a hardver OEM-ekig terjed, akik szeretnék jobban megérteni, hogyan teljesítenek eszközeik a területen. Ezt úgy érjük el, hogy egy kis (akár 70 kb-os) csomagot telepítünk az eszköz mikrokontrollerére (MCU) vagy mikroprocesszorára (MPU). A legfontosabb különbség az, hogy a MicroAI képzési és modellalkotási folyamata egyedülálló. A modellt közvetlenül magára az eszközre tanítjuk. Ez nemcsak azt teszi lehetővé, hogy az adatok helyi szinten maradjanak, ami csökkenti a költségeket és a telepítési időt, hanem növeli az AI-kimenet pontosságát és precizitását is. A MicroAI-nak három elsődleges rétege van:

1. Adatbevitel – A MicroAI agnosztikus az adatbevitellel szemben. Bármilyen szenzorértéket felhasználhatunk, és a MicroAI Platform lehetővé teszi a funkciók tervezését és a bemenetek súlyozását ezen az első rétegen belül.
2. Képzések – Közvetlenül a helyi környezetben edzünk. A képzés időtartamát a felhasználó állíthatja be, attól függően, hogy milyen az eszköz normál ciklusa. Általában 25-45 normál ciklust szeretünk rögzíteni, de ez erősen az egyes rögzített ciklusok változásán/volatilitásán alapul.
3. teljesítmény – Az értesítéseket és riasztásokat a MicroAI generálja az észlelt anomália súlyossága alapján. Ezeket a küszöbértékeket a felhasználó beállíthatja. A MicroAI által generált egyéb kimenetek közé tartozik a következő karbantartásig becsült napok száma (a szerviz ütemezésének optimalizálásához), az állapotpontszám és az eszköz hátralévő élettartama. Ezeket a kimeneteket el lehet küldeni az ügyfelek meglévő informatikai rendszereire (Termékéletciklus-kezelési eszközök, Támogatás/Jegykezelés, Karbantartás stb.)

Beszélne néhány gépi tanulási technológiáról a MicroAI mögött?

A MicroAI egy rekurzív algoritmusba csomagolt többdimenziós viselkedéselemzést tartalmaz. Az AI-motorba betáplált minden bemenet hatással van az AI-modell által beállított küszöbértékekre (felső és alsó határokra). Ezt úgy tesszük, hogy egy lépéssel előrejelzést adunk. Például, ha az egyik bemenet a fordulatszám és a fordulatszám növekszik, a csapágyhőmérséklet felső határértéke kissé megemelkedhet a gép gyorsabb mozgása miatt. Ez lehetővé teszi, hogy a modell tovább fejlődjön és tanuljon.

A MicroAI nem függ a felhőhöz való hozzáféréstől, mik ennek az előnyei?

Egyedülálló megközelítésünk van a modellek közvetlenül a végponton történő kialakítására (ahol az adatok generálódnak). Ez adatvédelmet és biztonságot nyújt a telepítésekhez, mivel az adatoknak nem kell elhagyniuk a helyi környezetet. Ez különösen fontos olyan telepítéseknél, ahol az adatvédelem kötelező. Ezenkívül az adatok felhőben történő betanítása időigényes. Az időigényes, hogy mások hogyan közelítik meg ezt a teret, az előzményadatok összesítésének, az adatok felhőbe való továbbításának, a modell kialakításának és végül a modellnek a végső eszközökhöz való lenyomásának szükségessége okozza. A MicroAI 100%-ban edzhet és élhet a helyi környezetben.

A MicroAI technológia egyik jellemzője a felgyorsított anomália-észlelés, kifejtenéd ezt a funkciót?

A viselkedéselemzésen alapuló megközelítésünknek köszönhetően a MicroAI-t telepíthetjük, és azonnal elkezdhetjük megtanulni az eszköz viselkedését. Elkezdhetünk látni mintákat a viselkedésen belül. Ez ismét anélkül történik, hogy bármilyen előzményadatot kellene betölteni. Amint az eszköz elegendő ciklusát rögzítjük, elkezdhetjük pontos kimenet létrehozását az AI-modellből. Ez úttörő a tér számára. Ami korábban hetekig vagy hónapokig tartott egy pontos modell kialakításához, az órákon, néha perceken belül megtörténhet.

Mi a különbség a MicroAI™ Helio és a MicroAI™ Atom között?

MicroAI™ Helio szerver:

A Helio Server környezetünk telepíthető helyi szerveren (leggyakrabban) vagy felhőpéldányban. A Helio a következő funkciókat kínálja: (munkafolyamat-kezelés, adatelemzés és -kezelés, valamint adatvizualizáció).

Munkafolyamatok az eszközök kezelésére – A telepítés helyének és felhasználásának hierarchiája. (pl. az összes ügyféllétesítmény beállítása globálisan, meghatározott létesítmények és szakaszok az egyes létesítményeken belül, egyedi állomások, az egyes állomások minden eszközéig). Ezenkívül az eszközöket be lehet állítani úgy, hogy különböző feladatokat hajtsanak végre különböző ciklussebességgel; ez ezeken a munkafolyamatokon belül konfigurálható. Ezen kívül lehetőség van jegy/munkavégzés kezelésére, amely szintén a Helio Server környezet része.

Adatelemzés és -kezelés – A Helio ezen szakaszán belül a felhasználó további elemzéseket futtathat az AI-kimeneten, valamint bármilyen nyersadat-pillanatfelvételt (pl. max., Min. és átlagos adatértékeket óránként, vagy adataláírásokat, amelyek riasztást vagy riasztást váltottak ki) . Ezek lehetnek a Helio Analytics tervezőben konfigurált lekérdezések, vagy olyan fejlettebb elemzési eszközök, amelyek olyan eszközökből származnak, mint az R, egy programozási nyelv. Az adatkezelési réteg az, ahol a felhasználó használhatja az API-kezelési átjárót olyan harmadik féltől származó kapcsolatokhoz, amelyek a Helio környezettel összhangban fogyasztanak és/vagy adatokat küldenek.

Adatok megjelenítése – A Helio sablonokat biztosít a különféle iparágspecifikus jelentésekhez, amelyek lehetővé teszik a felhasználók számára, hogy a Helio asztali és mobilalkalmazásaiból egyaránt megismerkedjenek a csatlakoztatott eszközeik Enterprise Asset Management és Asset Performance Management nézeteivel.

MicroAI Atom:

A MicroAI Atom egy gépi tanulási platform, amelyet MCU-környezetekbe való beágyazásra terveztek. Ez magában foglalja a többdimenziós viselkedéselemző rekurzív algoritmus betanítását közvetlenül a helyi MCU architektúrában – nem felhőben, majd lenyomva az MCU-ra. Ez lehetővé teszi az ML-modellek felépítésének és üzembe helyezésének felgyorsítását a felső és alsó küszöbértékek automatikus generálásával a többváltozós modell alapján, amelyet közvetlenül a végponton alakítanak ki. A MicroAI-t úgy hoztuk létre, hogy a jeladatok felhasználásának és feldolgozásának hatékonyabb módja legyen a modellek betanításához, mint más hagyományos módszerek. Ez nemcsak nagyobb pontosságot hoz a kialakított modellbe, hanem kevesebb erőforrást használ fel a gazdagép hardverén (azaz alacsonyabb memória- és CPU-használat), ami lehetővé teszi számunkra, hogy olyan környezetben is működjünk, mint például az MCU.

Van még egy alapszolgáltatásunk, a MicroAI™ Network.

MicroAI™ hálózat – Lehetővé teszi az atomok hálózatának konszolidálását és külső adatforrásokkal való összevonását több modell létrehozásához közvetlenül a peremen. Ez lehetővé teszi vízszintes és függőleges elemzések futtatását az Atomot futtató különféle eszközökön. A MicroAI Network még mélyebb szintű megértést tesz lehetővé arról, hogy egy eszköz/eszköz hogyan teljesít a hasonló telepített eszközökhöz képest. Ismételten a modellek közvetlenül a széleken történő kialakítására vonatkozó egyedi megközelítésünk miatt a gépi tanulási modellek nagyon kevés memóriát és CPU-t fogyasztanak a gazdagép hardveréből.

A ONE Tech IoT biztonsági tanácsadást is kínál. Mi a fenyegetésmodellezés és az IoT-penetráció tesztelésének folyamata?

Mivel képesek vagyunk megérteni, hogyan viselkednek az eszközök, felhasználhatunk egy csatlakoztatott eszköz belső elemeivel kapcsolatos adatokat (pl. CPU, memóriahasználat, adatcsomag mérete/gyakorisága). Az IoT-eszközök többnyire szabályos működési mintával rendelkeznek – milyen gyakran továbbítanak adatokat, hova küldik az adatokat, és mekkora az adatcsomag mérete. A MicroAI-t alkalmazzuk ezeknek a belső adatparamétereknek a felhasználására, hogy a csatlakoztatott eszközre jellemző alapvonalat alkothassuk. Ha abnormális művelet történik az eszközön, kiválthatunk választ. Ez az eszköz újraindításától vagy egy jegy megnyitásától a munkamegbízás-kezelő eszközön belül az eszköz hálózati forgalmának teljes levágásáig terjedhet. Biztonsági csapatunk tesztelő hackeket fejlesztett ki, és sikeresen észleltünk különböző nulladik napi támadási kísérleteket a MicroAI használatával ebben a minőségben.

Van még valami, amit meg szeretne osztani a ONE Tech, Inc-ről?

Az alábbiakban egy diagram a MicroAI Atom működéséről. Kezdve a nyers adatok beszerzésével, a helyi környezetben történő betanítással és feldolgozással, az adatok következtetésével és a kimenet biztosításával.

Az alábbiakban bemutatjuk a MicroAI hálózat működését. Sok MicroAI atom táplálja be a MicroAI hálózatot. Az Atom-adatok mellett további adatforrások is egyesíthetők a modellben az eszköz teljesítményének részletesebb megértéséhez. Ezen túlmenően a MicroAI hálózaton belül több modell is kialakításra kerül, amelyek lehetővé teszik az érdekelt felek számára, hogy horizontális elemzést végezzenek az eszközök teljesítményéről a különböző régiókban, az ügyfelek között, a frissítések előtt és után stb.

Köszönjük az interjút és a részletes válaszokat, azoknak az olvasóknak, akik többet szeretnének megtudni, látogassanak el ONE Tech.