Yasser Khan, CEO ONE Tech – Seri Wawancara

Yasser Khan, adalah CEO ONE Tech sebuah perusahaan teknologi yang didorong oleh kecerdasan buatan yang merancang, mengembangkan, dan menerapkan solusi IoT generasi berikutnya untuk OEM, operator jaringan, dan perusahaan.

Apa yang awalnya menarik Anda ke Kecerdasan Buatan?

Beberapa tahun yang lalu, kami menerapkan solusi Internet Industri (IIoT) yang menghubungkan banyak aset di seluruh lokasi geografis yang luas. Jumlah data yang dihasilkan sangat besar. Kami mengumpulkan data dari PLC dengan tingkat sampling 50 milidetik dan nilai sensor eksternal beberapa kali per detik. Dalam waktu satu menit, kami memiliki ribuan titik data yang dihasilkan untuk setiap aset yang kami hubungkan. Kami tahu bahwa metode standar untuk mengirimkan data ini ke server dan memiliki seseorang untuk mengevaluasi data tersebut tidak realistis, bahkan tidak menguntungkan bagi bisnis. Jadi kami bertujuan untuk menciptakan produk yang dapat memproses data dan menghasilkan output yang dapat dikonsumsi, sehingga mengurangi jumlah pengawasan yang diperlukan oleh organisasi untuk memanfaatkan keuntungan dari penerapan transformasi digital—terfokus pada manajemen kinerja aset dan perawatan prediktif.

Bisakah Anda membahas apa itu solusi MicroAI dari ONE Tech? 

MicroAI adalah platform Pembelajaran Mesin yang memberikan wawasan yang lebih dalam tentang kinerja aset (perangkat atau mesin), pemanfaatan, dan perilaku secara keseluruhan. Manfaat ini mencakup manajer pabrik yang mencari cara untuk meningkatkan efisiensi peralatan secara keseluruhan hingga OEM yang ingin memahami lebih baik bagaimana perangkat mereka berperforma di lapangan. Kami mencapai ini dengan menerapkan paket kecil (sekecil 70kb) ke mikrokontroler (MCU) atau mikroprosesor (MPU) aset. Pembeda utama adalah proses pelatihan dan pembentukan model yang unik. Kami melatih model langsung di aset itu sendiri. Tidak hanya ini memungkinkan data untuk tetap setempat, yang mengurangi biaya dan waktu penerapan, tetapi juga meningkatkan akurasi dan presisi output AI. MicroAI memiliki tiga lapisan utama:

1. Pengumpulan Data – MicroAI tidak bergantung pada input data. Kami dapat mengonsumsi nilai sensor apa pun dan Platform MicroAI memungkinkan rekayasa fitur dan penimbangan input dalam lapisan pertama ini.
2. Pelatihan – Kami melatih langsung di lingkungan setempat. Durasi pelatihan dapat disetel oleh pengguna tergantung pada apa yang normal untuk siklus aset. Biasanya, kami suka mengabadikan 25-45 siklus normal, tetapi ini sangat bergantung pada variasi/volatilitas setiap siklus yang ditangkap.
3. Output – Pemberitahuan dan Peringatan dihasilkan oleh MicroAI berdasarkan tingkat keparahan anomali yang terdeteksi. Ambang batas ini dapat disesuaikan oleh pengguna. Output lain yang dihasilkan oleh MicroAI termasuk Hari Prediksi untuk Perawatan Berikutnya (untuk mengoptimalkan jadwal layanan), Skor Kesehatan, dan Sisa Umur Aset. Output ini dapat dikirim ke sistem IT yang ada yang dimiliki klien (alat Manajemen Siklus Hidup Produk, Manajemen Dukungan/Tiket, Perawatan, dll.)

Bisakah Anda membahas beberapa teknologi pembelajaran mesin di balik MicroAI?

MicroAI menampilkan Analisis Perilaku Multidimensi yang dikemas dalam algoritma rekursif. Setiap input yang diberikan ke mesin AI mempengaruhi ambang batas (batas atas dan bawah) yang ditetapkan oleh model AI. Kami melakukan ini dengan memberikan prediksi satu langkah ke depan. Misalnya, jika satu input adalah RPM dan RPM meningkat, ambang batas atas suhu bantalan mungkin sedikit meningkat karena gerakan mesin yang lebih cepat. Ini memungkinkan model untuk terus berkembang dan belajar.

MicroAI tidak bergantung pada akses cloud, apa kelebihan dari ini?

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

Salah satu fitur teknologi MicroAI adalah deteksi anomali yang dipercepat, bisa Anda jelaskan fungsi ini?

Karena pendekatan analisis perilaku kami, kami dapat menerapkan MicroAI dan langsung mulai mempelajari perilaku aset. Kami dapat melihat pola dalam perilaku. Lagi, ini tanpa kebutuhan memuat data historis apa pun. Setelah kami menangkap siklus aset yang cukup, kami dapat mulai menghasilkan output akurat dari model AI. Ini revolusioner untuk ruang ini. Apa yang biasanya membutuhkan waktu minggu atau bulan untuk membentuk model akurat sekarang dapat terjadi dalam hitungan jam, dan terkadang menit.

Apa perbedaan antara MicroAI Helio dan MicroAI Atom?

MicroAI Helio Server:

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

Alur Kerja untuk Mengelola Aset – Hirarki di mana mereka diterapkan dan bagaimana mereka digunakan. (Misalnya, pengaturan semua fasilitas pelanggan secara global, fasilitas tertentu dan bagian dalam setiap fasilitas, stasiun individu, hingga setiap aset di setiap stasiun). Selain itu, aset dapat diatur untuk melakukan pekerjaan yang berbeda dengan tingkat siklus yang berbeda; ini dapat dikonfigurasi dalam alur kerja ini. Tambahan adalah kemampuan untuk manajemen tiket/pekerjaan, yang juga merupakan bagian dari lingkungan Server Helio.

Analisis dan Manajemen Data – Dalam bagian ini dari Helio, pengguna dapat menjalankan analitik lebih lanjut pada output AI, bersama dengan snapshot data mentah (misalnya, nilai data maksimum, minimum, dan rata-rata pada basis jam atau tanda tangan data yang memicu peringatan atau alarm). Ini dapat berupa kueri yang dikonfigurasi dalam Desainer Analitik Helio atau analitik lanjutan yang dibawa dari alat seperti R, bahasa pemrograman. Lapisan manajemen data adalah di mana pengguna dapat menggunakan gerbang manajemen API untuk koneksi pihak ketiga yang mengonsumsi dan/atau mengirim data dalam koordinasi dengan lingkungan Helio.

Visualisasi Data – Helio menyediakan templat untuk pelaporan spesifik industri, yang memungkinkan pengguna untuk mengonsumsi pandangan Manajemen Aset dan Manajemen Kinerja Aset dari aset terhubung mereka dari aplikasi desktop dan mobile Helio.

MicroAI Atom:

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

Kami memiliki satu penawaran inti lain yang disebut MicroAI Network.

MicroAI Network – Memungkinkan jaringan Atom untuk dikonsolidasikan dan dijadikan satu dengan sumber data eksternal untuk membuat model multiple langsung di tepi. Ini memungkinkan analisis horizontal dan vertikal untuk dijalankan pada berbagai aset yang menjalankan Atom. MicroAI Network memungkinkan pemahaman yang lebih dalam tentang bagaimana perangkat/aset berperforma dalam kaitannya dengan aset serupa yang diterapkan. Lagi, karena pendekatan unik kami untuk membentuk model langsung di tepi, model pembelajaran mesin mengonsumsi sangat sedikit memori dan CPU perangkat keras host.

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

Karena kemampuan kami untuk memahami bagaimana aset berperilaku, kami dapat mengonsumsi data terkait dengan internal perangkat terhubung (misalnya, CPU, Penggunaan Memori, ukuran paket data/frekuensi). Perangkat IoT memiliki, sebagian besar, pola operasi yang teratur—seberapa sering mereka mengirim data, ke mana mereka mengirim data, dan ukuran paket data tersebut. Kami menerapkan MicroAI untuk mengonsumsi parameter data internal ini untuk membentuk baseline dari apa yang normal untuk perangkat terhubung tersebut. Jika tindakan abnormal terjadi pada perangkat, kami dapat memicu respons. Ini dapat berkisar dari me-reboot perangkat atau membuka tiket dalam alat manajemen pekerjaan hingga memotong lalu lintas jaringan ke perangkat. Tim keamanan kami telah mengembangkan hack pengujian dan kami telah mendeteksi berbagai upaya serangan Zero-Day dengan menggunakan MicroAI dalam kapasitas ini.

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

Di bawah ini adalah diagram tentang bagaimana MicroAI Atom berfungsi. Dimulai dengan mengakuisisi data mentah, pelatihan dan pemrosesan di lingkungan lokal, inferensi data dan memberikan output.

Di bawah ini adalah diagram tentang bagaimana MicroAI Network berfungsi. Banyak MicroAI Atom memasuki MicroAI Network. Bersama dengan data Atom, sumber data tambahan dapat digabungkan ke dalam model untuk pemahaman yang lebih granular tentang bagaimana aset berperforma. Selain itu, dalam MicroAI Network beberapa model dibentuk yang memungkinkan pemangku kepentingan untuk menjalankan analisis horizontal tentang bagaimana aset berperforma di berbagai wilayah, antara pelanggan, sebelum dan setelah pembaruan, dll.

Terima kasih atas wawancara dan tanggapan rinci Anda, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi ONE Tech.