Yasser Khan, Amministratore Delegato di ONE Tech – Serie di Interviste

Yasser Khan, è l’Amministratore Delegato di ONE Tech un’azienda di tecnologia guidata dall’intelligenza artificiale che progetta, sviluppa e distribuisce soluzioni IoT di nuova generazione per OEM, operatori di rete e aziende.

Cosa ti ha inizialmente attirato verso l’Intelligenza Artificiale?

Alcuni anni fa, abbiamo distribuito una soluzione di Internet delle Cose Industriali (IIoT) che ha collegato molti asset in una vasta area geografica. La quantità di dati generata 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, abbiamo avuto 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 valuta 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 focalizzato 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 Machine Learning che fornisce un livello maggiore di insight sulle prestazioni, sull’utilizzo e sul comportamento complessivo degli asset (dispositivi o macchine). Questo beneficio va dai responsabili della gestione di impianti di produzione che cercano modi per migliorare l’efficacia complessiva degli impianti a fornitori di hardware che desiderano capire meglio come i loro dispositivi si stanno comportando sul campo. Ciò lo realizziamo deployando un piccolo pacchetto (di dimensioni pari a 70kb) sul microcontrollore (MCU) o microprocessore (MPU) dell’asset. Un differenziatore chiave è che il processo di formazione e creazione di un modello di MicroAI è unico. Addestriamo il modello direttamente sull’asset stesso. Ciò non solo consente ai dati di rimanere locali, riducendo i costi e il tempo di deploy, ma aumenta anche l’accuratezza e la precisione dell’output dell’IA. MicroAI ha tre livelli principali:

1. Ingestione dei dati – MicroAI è agnostico rispetto all’input dei dati. Possiamo consumare qualsiasi valore di sensore e la piattaforma MicroAI consente la progettazione e il ponderazione degli input all’interno di questo primo livello.
2. Addestramento – Addestriamo direttamente nell’ambiente locale. La durata dell’addestramento 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 è fortemente basato sulla variazione/volatilità di ogni ciclo catturato.
3. Output – Le notifiche e gli avvisi sono generati da MicroAI in base alla gravità dell’anomalia rilevata. Questi soglie possono essere regolati dall’utente. Altri output generati da MicroAI includono Giorni Previsti per la Prossima Manutenzione (per l’ottimizzazione delle pianificazioni di servizio), Punteggio di Salute e Vita Rimanente dell’Asset. Questi output possono essere inviati ai sistemi IT esistenti che i clienti hanno in place (strumenti di Gestione del Ciclo di Vita del Prodotto, Supporto/Gestione dei Ticket, Manutenzione, ecc.)

Puoi discutere alcune delle tecnologie di machine learning dietro MicroAI?

MicroAI presenta un’Analisi Comportamentale Multidimensionale impacchettata all’interno di un algoritmo ricorsivo. Ogni input che viene alimentato nel motore di IA impatta le soglie (limiti superiori e inferiori) che vengono impostate dal modello di IA. Ciò lo facciamo fornendo una previsione 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 salire leggermente a causa del movimento della macchina più veloce. Ciò consente al modello di continuare a evolversi e imparare.

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

Abbiamo un approccio unico per la formazione di modelli direttamente sull’endpoint (dove vengono generati i dati). Ciò porta la privacy e la sicurezza dei dati alle distribuzioni perché i dati non devono lasciare l’ambiente locale. Ciò è particolarmente importante per le distribuzioni in cui la privacy dei dati è obbligatoria. Inoltre, il processo di formazione dei dati nella cloud è lungo. Questo consumo di tempo di come gli altri stanno affrontando questo spazio è causato dalla necessità di aggregare dati storici, trasmettere dati a una cloud, formare un modello e infine spingere quel modello giù agli asset finali. MicroAI può addestrare e vivere al 100% nell’ambiente locale.

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

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

Cosa differenzia MicroAI Helio e MicroAI Atom?

MicroAI Helio Server:

Il nostro ambiente Helio Server può essere distribuito in un server locale (il più comune), o in un’istanza cloud. 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 sono distribuiti e come vengono utilizzati. (ad esempio, configurazione 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 configurati per eseguire lavori diversi con tassi di ciclo diversi; ciò può essere configurato all’interno di questi flussi di lavoro. In aggiunta, c’è la possibilità di gestione dei ticket/lavori, che fa parte dell’ambiente Helio Server.

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 di dati che hanno scatenato un allarme o un avviso). Questi possono essere query configurate nel designer di analisi Helio o analisi più avanzate portate da strumenti come R, un linguaggio di programmazione. Il livello di gestione dei dati è dove un utente può utilizzare la porta di accesso API per le connessioni di terze parti che consumano e/o inviano dati in coordinamento con l’ambiente Helio.

Visualizzazione dei dati – Helio fornisce modelli per report specifici di settore, che consente agli utenti di consumare viste di Gestione degli Asset e Prestazioni degli Asset dalle applicazioni Helio desktop e mobile.

MicroAI Atom:

MicroAI Atom è una piattaforma di Machine Learning progettata per l’integrazione in ambienti MCU. Ciò include l’addestramento dell’algoritmo di analisi comportamentale multidimensionale ricorsivo direttamente nell’architettura MCU locale—non nella cloud e poi spinto giù al MCU. Ciò consente di accelerare la costruzione e la distribuzione di modelli di ML attraverso l’autogenerazione delle soglie 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 addestrare modelli rispetto ai metodi tradizionali. Ciò non solo porta un livello più alto 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 core chiamata MicroAI Network.

MicroAI Network – Consente di consolidare una rete di Atomi e di mescolarli con fonti di dati esterne per creare più modelli direttamente sul bordo. Ciò consente di eseguire analisi orizzontali e verticali sui vari asset 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 distribuiti. Ancora una volta, a causa del nostro approccio unico per la formazione di modelli direttamente sul bordo, i modelli di machine learning consumano molto poca 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, CPU, utilizzo della memoria, dimensione del pacchetto di dati/frequenza). I dispositivi IoT hanno, per la maggior parte, un modello di funzionamento regolare—quanto spesso trasmette dati, dove invia i dati e la dimensione del pacchetto di dati. Applichiamo MicroAI per consumare questi parametri di dati interni per formare una baseline di ciò che è normale per quel dispositivo connesso. Se si verifica un’azione anomala sul dispositivo, possiamo attivare una risposta. Ciò può andare dal riavvio di un dispositivo all’apertura di un ticket 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 test di hacking e abbiamo rilevato con successo vari tentativi di attacco Zero-Day utilizzando MicroAI in questa capacità.

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

Di seguito è riportato un diagramma di come funziona MicroAI Atom. A partire dall’acquisizione di dati grezzi, addestramento 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 unite al modello per una comprensione più granulare di come l’asset si stia comportando. Inoltre, all’interno di MicroAI Network vengono formati più modelli, che consentono agli stakeholder di eseguire analisi orizzontali su come gli asset si stanno comportando in diverse aree geografiche, 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.