Yasser Khan, CEO ONE Tech – Seri Wawancara

Yasser Khan, adalah CEO dari SATU Tek sebuah perusahaan teknologi berbasis AI yang merancang, mengembangkan, dan menyebarkan solusi IoT generasi mendatang untuk OEM, operator jaringan, dan perusahaan.

Apa yang awalnya membuat Anda tertarik pada Kecerdasan Buatan?

Beberapa tahun yang lalu, kami menggunakan solusi Industrial Internet of Things (IIoT) yang menghubungkan banyak aset di lokasi geografis yang luas. Jumlah data yang dihasilkan sangat besar. Kami menggabungkan data dari PLC dengan kecepatan pengambilan sampel 50 milidetik dan nilai sensor eksternal beberapa kali per detik. Selama satu menit, kami memiliki ribuan titik data yang dibuat untuk setiap aset yang kami sambungkan. Kami tahu bahwa metode standar untuk mengirimkan data ini ke server dan meminta seseorang mengevaluasi data itu tidak realistis, juga tidak bermanfaat bagi bisnis. Jadi, kami mulai membuat produk yang akan memproses data dan menghasilkan output yang dapat dikonsumsi, sangat mengurangi jumlah pengawasan yang dibutuhkan organisasi untuk mendapatkan manfaat dari penerapan transformasi digital—yang sangat berfokus pada manajemen kinerja aset dan pemeliharaan prediktif.

Bisakah Anda mendiskusikan apa itu solusi MicroAI dari ONE Tech? 

MicroAI™ adalah platform Pembelajaran Mesin yang memberikan tingkat wawasan yang lebih luas mengenai kinerja, pemanfaatan, dan perilaku aset (perangkat atau mesin) secara keseluruhan. Manfaat ini berkisar dari manajer pabrik manufaktur yang mencari cara untuk meningkatkan efektivitas peralatan secara keseluruhan hingga OEM perangkat keras yang ingin lebih memahami bagaimana kinerja perangkat mereka di lapangan. Kami mencapai hal ini dengan menyebarkan paket kecil (sekecil 70kb) ke mikrokontroler (MCU) atau mikroprosesor (MPU) aset. Pembeda utamanya adalah proses pelatihan dan pembentukan model MicroAI bersifat unik. Kami melatih model secara langsung pada aset itu sendiri. Hal ini tidak hanya memungkinkan data tetap bersifat lokal, sehingga mengurangi biaya dan waktu penerapan, namun juga meningkatkan akurasi dan presisi keluaran AI. MicroAI memiliki tiga lapisan utama:

1. Penyerapan data – MicroAI bersifat agnostik terhadap input data. Kami dapat menggunakan nilai sensor apa pun dan Platform MicroAI memungkinkan rekayasa fitur dan pembobotan input dalam lapisan pertama ini.
2. Pelatihan – Kami berlatih langsung di lingkungan setempat. Durasi pelatihan dapat diatur oleh pengguna tergantung pada siklus normal aset tersebut. Biasanya, kami ingin menangkap 25-45 siklus normal, tetapi ini sangat didasarkan pada variasi/volatilitas dari setiap siklus yang ditangkap.
3. Keluaran – Notifikasi dan Peringatan dihasilkan oleh MicroAI berdasarkan tingkat keparahan anomali yang terdeteksi. Ambang batas ini dapat disesuaikan oleh pengguna. Keluaran lain yang dihasilkan oleh MicroAI termasuk Predicted Days to Next Maintenance (untuk mengoptimalkan jadwal layanan), Health Score, dan Asset Life Remaining. Keluaran ini dapat dikirim ke sistem TI yang ada yang dimiliki klien (alat Manajemen Siklus Hidup Produk, Dukungan/Manajemen Tiket, Pemeliharaan, dll.)

Bisakah Anda mendiskusikan beberapa teknologi pembelajaran mesin di balik MicroAI?

MicroAI menampilkan Analisis Perilaku Multi-Dimensi yang dikemas dalam algoritme rekursif. Setiap masukan yang dimasukkan ke dalam mesin AI memengaruhi ambang batas (batas atas dan bawah) yang ditetapkan oleh model AI. Kami melakukan ini dengan memberikan prediksi selangkah lebih maju. Misalnya, jika salah satu masukan adalah RPM dan RPM meningkat, ambang batas atas suhu bantalan mungkin naik sedikit karena pergerakan mesin yang lebih cepat. Ini memungkinkan model untuk terus berkembang dan belajar.

MicroAI tidak bergantung pada akses cloud, apa kelebihannya?

Kami memiliki pendekatan unik untuk membentuk model secara langsung di titik akhir (tempat data dihasilkan). Ini membawa privasi dan keamanan data ke penerapan karena data tidak perlu meninggalkan lingkungan lokal. Ini sangat penting untuk penerapan di mana privasi data wajib. Selain itu, proses pelatihan data di cloud memakan waktu. Konsumsi waktu tentang cara orang lain mendekati ruang ini disebabkan oleh kebutuhan untuk mengumpulkan data historis, mengirimkan data ke cloud, membentuk model, dan akhirnya mendorong model tersebut hingga ke aset akhir. MicroAI dapat melatih dan hidup 100% di lingkungan setempat.

Salah satu fitur teknologi MicroAI adalah deteksi anomali yang dipercepat, dapatkah Anda menguraikan fungsi ini?

Karena pendekatan analisis perilaku kami, kami dapat menerapkan MicroAI dan langsung mulai mempelajari perilaku aset. Kita bisa mulai melihat pola dalam perilaku. Sekali lagi, ini tanpa perlu memuat data historis apa pun. Setelah kami menangkap siklus aset yang memadai, kami kemudian dapat mulai menghasilkan output yang akurat dari model AI. Ini adalah terobosan untuk ruang. Apa yang biasanya membutuhkan waktu berminggu-minggu atau berbulan-bulan untuk membentuk model yang akurat dapat terjadi dalam hitungan jam, dan terkadang menit.

Apa perbedaan antara MicroAI™ Helio dan MicroAI™ Atom?

Server MicroAI™ Helio:

Lingkungan Server Helio kami dapat digunakan di server lokal (paling umum), atau di cloud instance. Helio menyediakan fungsionalitas berikut: (Manajemen alur kerja, analisis dan manajemen data, dan visualisasi data).

Alur kerja untuk mengelola aset – Sebuah hirarki di mana mereka dikerahkan dan bagaimana mereka digunakan. (misalnya, penyiapan semua fasilitas pelanggan secara global, fasilitas dan bagian khusus dalam setiap fasilitas, stasiun individual, hingga ke setiap aset di setiap stasiun). Selanjutnya, aset dapat diatur untuk melakukan pekerjaan yang berbeda dengan tingkat siklus yang berbeda; ini dapat dikonfigurasi dalam alur kerja ini. Selain itu, kemampuan manajemen tiket/workorder, yang juga merupakan bagian dari lingkungan Server Helio.

Analisis dan manajemen data – Di dalam bagian Helio ini, pengguna dapat menjalankan analitik lebih lanjut pada keluaran AI, bersama dengan snapshot data mentah apa pun (yaitu, Max, Min, dan nilai data rata-rata setiap jam atau tanda tangan data yang memicu peringatan atau alarm) . Ini bisa berupa kueri yang dikonfigurasi di desainer Helio Analytics atau analitik lanjutan yang dibawa dari alat seperti R, sebuah bahasa pemrograman. Lapisan manajemen data adalah tempat pengguna dapat menggunakan gateway manajemen API untuk koneksi pihak ketiga yang menggunakan dan/atau mengirim data berkoordinasi dengan lingkungan Helio.

Visualisasi data – Helio menyediakan template untuk berbagai pelaporan khusus industri, yang memungkinkan pengguna untuk melihat Manajemen Aset Perusahaan dan Manajemen Kinerja Aset dari aset mereka yang terhubung dari aplikasi desktop dan seluler Helio.

MikroAI Atom:

MicroAI Atom adalah platform Pembelajaran Mesin yang dirancang untuk disematkan ke dalam lingkungan MCU. Ini termasuk pelatihan algoritme rekursif analisis perilaku multidimensi secara langsung dalam arsitektur MCU lokal—bukan di cloud dan kemudian diturunkan ke MCU. Hal ini memungkinkan percepatan pembuatan dan penerapan model ML melalui pembuatan otomatis batas atas dan bawah berdasarkan model multivarian yang dibentuk langsung di titik akhir. Kami telah menciptakan MicroAI untuk menjadi cara yang lebih efisien dalam mengonsumsi dan memproses data sinyal untuk melatih model daripada metode tradisional lainnya. Ini tidak hanya memberikan tingkat akurasi yang lebih tinggi pada model yang dibentuk tetapi juga menggunakan lebih sedikit sumber daya pada perangkat keras host (yaitu, penggunaan memori dan CPU yang lebih rendah), yang memungkinkan kita untuk berjalan di lingkungan seperti MCU.

Kami memiliki satu penawaran inti lain yang disebut MicroAI™ Network.

Jaringan MicroAI™ – Memungkinkan jaringan Atom untuk dikonsolidasikan dan dihaluskan dengan sumber data eksternal untuk membuat beberapa model secara langsung di edge. Ini memungkinkan analisis horizontal dan vertikal dijalankan pada berbagai aset yang menjalankan Atom. Jaringan MicroAI memungkinkan tingkat pemahaman yang lebih dalam tentang kinerja perangkat/aset terkait dengan aset serupa yang diterapkan. Sekali lagi, karena pendekatan unik kami untuk membentuk model secara langsung di edge, model pembelajaran mesin menggunakan sangat sedikit memori dan CPU dari perangkat keras host.

ONE Tech juga menawarkan konsultasi keamanan IoT. Bagaimana proses pemodelan ancaman dan pengujian penetrasi IoT?

Karena kemampuan kami untuk memahami perilaku aset, kami dapat menggunakan data yang terkait dengan internal perangkat yang terhubung (misalnya, CPU, Penggunaan Memori, ukuran/frekuensi paket data). Sebagian besar perangkat IoT memiliki pola operasi reguler—seberapa sering ia mentransmisikan data, ke mana ia mengirim data, dan ukuran paket data tersebut. Kami menerapkan MicroAI untuk menggunakan parameter data internal ini guna membentuk garis dasar normal untuk perangkat yang terhubung tersebut. Jika terjadi tindakan abnormal pada perangkat, kami dapat memicu respons. Ini dapat berkisar dari me-reboot perangkat atau membuka tiket dalam alat manajemen perintah kerja, hingga sepenuhnya memotong lalu lintas jaringan ke perangkat. Tim keamanan kami telah mengembangkan peretasan pengujian dan kami telah berhasil mendeteksi berbagai upaya serangan Zero-Day dengan menggunakan MicroAI dalam kapasitas ini.

Apakah ada hal lain yang ingin Anda bagikan tentang ONE Tech, Inc?

Di bawah ini adalah diagram tentang cara kerja MicroAI Atom. Dimulai dengan memperoleh data mentah, melatih dan memproses di lingkungan lokal, menyimpulkan data dan memberikan keluaran.

Di bawah ini adalah diagram tentang bagaimana fungsi Jaringan MicroAI. Banyak Atom MicroAI masuk ke Jaringan MicroAI. Bersama dengan data Atom, sumber data tambahan dapat digabungkan ke dalam model untuk pemahaman yang lebih terperinci tentang kinerja aset. Selain itu, dalam Jaringan MicroAI beberapa model dibentuk yang memungkinkan pemangku kepentingan untuk menjalankan analisis horizontal tentang kinerja aset di berbagai wilayah, antara pelanggan, sebelum dan sesudah pembaruan, dll.

Terima kasih atas wawancara dan tanggapan terperinci Anda, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi SATU Tek.