Yasser Khan, CEO di ONE Tech – Intervista

Yasser Khan, è il CEO di ONE Tech un’azienda tecnologica guidata dall’intelligenza artificiale che progetta, sviluppa e distribuisce soluzioni IoT di prossima generazione per gli OEM, gli operatori di rete e le imprese.

Cosa ti ha inizialmente attratto verso l’Intelligenza Artificiale?

Qualche anno fa, abbiamo distribuito una soluzione di Internet delle Cose (IIoT) industriale che ha collegato molti asset in una vasta area geografica. La quantità di dati generati era immensa. Abbiamo aggregato dati da PLC con frequenze di campionamento di 50 millisecondi e valori di sensori esterni alcune volte al secondo. Nel corso di un solo minuto, avevamo migliaia di punti di dati generati per ogni asset a cui eravamo connessi. Sapevamo che il metodo standard di trasmissione di questi dati a un server e di avere una persona che valutava i dati non era realistico, né benefico per l’azienda. Quindi, abbiamo cercato di creare un prodotto che potesse elaborare i dati e generare output consumabili, riducendo notevolmente la quantità di supervisione di cui un’azienda ha bisogno per trarre vantaggio da un deploy di trasformazione digitale—fortemente concentrato sulla gestione delle prestazioni degli asset e sulla manutenzione predittiva.

Puoi discutere cosa sia la soluzione MicroAI di ONE Tech?

MicroAI è una piattaforma di apprendimento automatico che fornisce un livello più elevato di insight sulle prestazioni, l’utilizzo e il comportamento complessivo degli asset (dispositivi o macchine). Questo vantaggio va dai responsabili delle piante di produzione che cercano modi per migliorare l’efficacia complessiva delle attrezzature ai produttori di hardware che vogliono capire meglio come i loro dispositivi si stanno comportando sul campo. Ciò lo realizziamo distribuendo un piccolo pacchetto (di dimensioni fino a 70kb) sul microcontrollore (MCU) o microprocessore (MPU) dell’asset. Un fattore differenziatore è che il processo di formazione e creazione di un modello di MicroAI è unico. Formiamo il modello direttamente sull’asset stesso. Non solo ciò consente di mantenere i dati locali, riducendo i costi e i tempi di deploy, ma aumenta anche l’accuratezza e la precisione dell’output dell’IA. MicroAI ha tre livelli principali:

1. Acquisizione dei dati – MicroAI è agnostico rispetto all’input dei dati. Possiamo consumare qualsiasi valore di sensore e la piattaforma MicroAI consente la progettazione delle caratteristiche e il ponderamento degli input all’interno di questo primo livello.
2. Formazione – Formiamo direttamente nell’ambiente locale. La durata della formazione può essere impostata dall’utente in base a cosa sia un ciclo normale dell’asset. Di solito, ci piace catturare 25-45 cicli normali, ma ciò dipende fortemente dalla variazione/volatilità di ogni ciclo catturato.
3. Output – Le notifiche e gli avvisi vengono generati da MicroAI in base alla gravità dell’anomalia rilevata. Questi soglie possono essere regolate dall’utente. Altri output generati da MicroAI includono Giorni previsti fino alla prossima manutenzione (per l’ottimizzazione degli orari di servizio), Punteggio di salute e Vita residua dell’asset. Questi output possono essere inviati ai sistemi IT esistenti dei clienti (strumenti di gestione del ciclo di vita del prodotto, gestione dei biglietti/supporto, manutenzione, ecc.)

Puoi discutere alcune delle tecnologie di apprendimento automatico dietro MicroAI?

MicroAI presenta un’analisi del comportamento multidimensionale ricorsiva all’interno di un algoritmo. Ogni input che viene alimentato nel motore di IA impatta sui soglie (limiti superiori e inferiori) che vengono impostati dal modello di IA. Ciò lo facciamo fornendo una previsione a un passo avanti. Ad esempio, se un input è la velocità di rotazione e la velocità di rotazione aumenta, il limite superiore della soglia della temperatura del cuscinetto potrebbe aumentare leggermente a causa del movimento più veloce della macchina. Ciò consente al modello di continuare a evolversi e imparare.

MicroAI non dipende dall’accesso alla nuvola, quali sono i vantaggi di ciò?

Abbiamo un approccio unico alla formazione dei modelli direttamente sull’endpoint (dove vengono generati i dati). Ciò porta la privacy e la sicurezza dei dati ai deploy, poiché i dati non devono lasciare l’ambiente locale. Ciò è particolarmente importante per i deploy in cui la privacy dei dati è obbligatoria. Inoltre, il processo di formazione dei dati nella nuvola è lungo. Questo consumo di tempo è causato dal bisogno di aggregare i dati storici, trasmettere i dati alla nuvola, formare un modello e infine trasferire quel modello agli asset finali. MicroAI può formare e vivere al 100% nell’ambiente locale.

Una delle funzionalità della tecnologia MicroAI è la rilevazione delle anomalie accelerata, potresti elaborare su questa funzionalità?

A causa del nostro approccio di analisi del comportamento, possiamo distribuire MicroAI e iniziare immediatamente a imparare il comportamento dell’asset. Possiamo iniziare a vedere modelli all’interno del comportamento. Ancora una volta, ciò avviene senza la necessità di caricare alcun dato storico. Una volta che catturiamo cicli sufficienti dell’asset, possiamo iniziare a generare output precisi dal modello di IA. Ciò è rivoluzionario per questo settore. Ciò che una volta richiedeva settimane o mesi per formare un modello preciso può avvenire nell’arco di poche ore, e a volte minuti.

Cosa differenzia MicroAI Helio e MicroAI Atom?

MicroAI Helio Server:

Ambiente del server Helio può essere distribuito in un server locale (il più comune), o in un’istanza della nuvola. Helio fornisce la seguente funzionalità: (gestione del flusso di lavoro, analisi e gestione dei dati, visualizzazione dei dati).

Flussi di lavoro per la gestione degli asset – Una gerarchia di dove vengono distribuiti e come vengono utilizzati. (ad esempio, impostazione di tutte le strutture dei clienti a livello globale, strutture specifiche e sezioni all’interno di ogni struttura, stazioni individuali, fino a ogni asset in ogni stazione). Inoltre, gli asset possono essere impostati per eseguire lavori diversi con tassi di ciclo diversi; ciò può essere configurato all’interno di questi flussi di lavoro. Inoltre, c’è la possibilità di gestione dei biglietti/lavori, che fa parte dell’ambiente del server Helio.

Analisi e gestione dei dati – All’interno di questa sezione di Helio, un utente può eseguire ulteriori analisi sull’output dell’IA, insieme a qualsiasi snapshot di dati grezzi (ad esempio, valori di dati massimi, minimi e medi su base oraria o firme dei dati che hanno scatenato un allarme o un avviso). Questi possono essere query configurate nel designer di analisi Helio o analisi avanzate importate da strumenti come R, un linguaggio di programmazione. Il livello di gestione dei dati è dove un utente può utilizzare la porta di gestione dell’API per connessioni di terze parti che consumano e/o inviano dati in coordinamento con l’ambiente Helio.

Visualizzazione dei dati – Helio fornisce modelli per la segnalazione specifica dell’industria, che consente agli utenti di consumare viste di gestione delle attività e prestazioni degli asset connessi sia dall’applicazione desktop Helio che da quella mobile.

MicroAI Atom:

MicroAI Atom è una piattaforma di apprendimento automatico progettata per l’integrazione in ambienti MCU. Ciò include la formazione dell’algoritmo di analisi del comportamento multidimensionale ricorsiva direttamente nell’architettura MCU locale—non nella nuvola e poi spinta giù al MCU. Ciò consente di accelerare la creazione e il deploy di modelli di apprendimento automatico attraverso la generazione automatica dei limiti superiori e inferiori in base al modello multivariato che si forma direttamente sull’endpoint. Abbiamo creato MicroAI per essere un modo più efficiente di consumare e elaborare dati di segnale per formare modelli rispetto ai metodi tradizionali. Ciò non solo porta un livello più elevato di accuratezza al modello che si forma, ma utilizza anche meno risorse sull’hardware host (ad esempio, minor utilizzo di memoria e CPU), il che ci consente di eseguire in ambienti come un MCU.

Abbiamo un’altra offerta principale chiamata MicroAI Network.

MicroAI Network – Consente a una rete di Atomi di essere consolidata e mescolata con fonti di dati esterne per creare più modelli direttamente sull’edge. Ciò consente di eseguire analisi orizzontali e verticali sulle varie attività che eseguono Atom. MicroAI Network consente di comprendere a un livello ancora più profondo come un dispositivo/asset si stia comportando in relazione ad asset simili che vengono distribuiti. Ancora una volta, a causa del nostro approccio unico alla formazione dei modelli direttamente sull’edge, i modelli di apprendimento automatico consumano pochissima memoria e CPU dell’hardware host.

ONE Tech offre anche consulenza sulla sicurezza IoT. Qual è il processo per la modellazione delle minacce e la penetrazione IoT?

A causa della nostra capacità di comprendere come si comportano gli asset, possiamo consumare dati relativi agli interni di un dispositivo connesso (ad esempio, utilizzo della CPU, dimensione del pacchetto di dati/frequenza). I dispositivi IoT hanno, per la maggior parte, un modello di funzionamento regolare—quanto spesso trasmettono dati, dove inviano i dati e la dimensione di quel pacchetto di dati. Applichiamo MicroAI per consumare questi parametri di dati interni per formare una base di ciò che è normale per quel dispositivo connesso. Se si verifica un’azione anormale sul dispositivo, possiamo scatenare una risposta. Ciò può andare dal riavvio di un dispositivo all’apertura di un biglietto all’interno di uno strumento di gestione dei lavori, fino a interrompere completamente il traffico di rete verso un dispositivo. Il nostro team di sicurezza ha sviluppato hack di test e abbiamo rilevato con successo vari tentativi di attacchi Zero-Day utilizzando MicroAI in questa capacità.

C’è qualcos’altro che vorresti condividere su ONE Tech, Inc?

Di seguito è riportato un diagramma di come funziona MicroAI Atom. A partire dall’acquisizione dei dati grezzi, formazione e elaborazione nell’ambiente locale, inferenza dei dati e fornitura di output.

Di seguito è riportato un diagramma di come funziona MicroAI Network. Molti MicroAI Atomi alimentano MicroAI Network. Insieme ai dati di Atom, altre fonti di dati possono essere fuse nel modello per una comprensione più granulare di come l’asset si stia comportando. Inoltre, all’interno di MicroAI Network vengono formati più modelli, consentendo agli stakeholder di eseguire analisi orizzontali su come gli asset si stanno comportando in diverse regioni, tra clienti, prima e dopo gli aggiornamenti, ecc.

Grazie per l’intervista e le tue risposte dettagliate, i lettori che desiderano saperne di più possono visitare ONE Tech.