Yasser Khan, CEO vun ONE Tech - Interview Serie

Yasser Khan, ass de CEO vun ENG Tech eng AI-driven Technologiefirma déi d'nächst Generatioun IoT Léisunge fir OEMs, Netzwierkbetreiber an Entreprisen designt, entwéckelt an ofsetzt.

Wat huet Iech ufanks u Kënschtlech Intelligenz ugezunn?

Virun e puer Joer hu mir eng Industrial Internet of Things (IIoT) Léisung ofgesat, déi vill Verméigen iwwer eng breet geographesch Plaz verbonnen huet. D'Quantitéit un Daten déi generéiert gouf war immens. Mir aggregéiert Daten aus PLCs bei Samplingsraten vun 50 Millisekonnen an externe Sensorwäerter e puer Mol pro Sekonn. Am Laf vun enger eenzeger Minutt hu mir Dausende vun Datepunkte generéiert fir all Verméigen mat deem mir verbonne sinn. Mir woussten datt d'Standardmethod fir dës Donnéeën op e Server ze vermëttelen an eng Persoun d'Donnéeën ze evaluéieren net realistesch war, nach profitabel fir d'Geschäft. Also hu mir eis virgestallt fir e Produkt ze kreéieren deen d'Donnéeën veraarbecht an verbrauchbar Ausgänge generéiere wäert, d'Quantitéit vun der Iwwerwaachung staark reduzéieren déi eng Organisatioun brauch fir d'Virdeeler vun enger digitaler Transformatiounsdeployment ze ernimmen - staark fokusséiert op Asset Performance Management a predictive Maintenance.

Kënnt Dir diskutéieren wat d'ONE Tech's MicroAI Léisung ass? 

MicroAI ™ ass eng Machine Learning Plattform déi e méi héijen Niveau vun Asiicht an Asset (Apparat oder Maschinn) Leeschtung, Notzung an allgemeng Verhalen ubitt. Dëse Virdeel rangéiert vun Fabrikatiounsanlagemanager déi no Weeër sichen fir d'allgemeng Ausrüstungseffizienz ze verbesseren bis Hardware OEMs déi besser wëllen verstoen wéi hir Geräter am Feld virkommen. Mir erreechen dëst andeems mir e klengen (sou kleng wéi 70kb) Paket op de Mikrokontroller (MCU) oder de Mikroprozessor (MPU) vum Verméigen ofsetzen. E Schlëssel Differenzéierer ass datt dem MicroAI säi Prozess fir Training an e Modell ze bilden eenzegaarteg ass. Mir trainéieren de Modell direkt op de Verméigen selwer. Dëst erlaabt net nëmmen d'Daten lokal ze bleiwen, wat d'Käschte an d'Zäit vum Ofbau reduzéiert, awer et erhéicht och d'Genauegkeet an d'Präzisioun vum AI Output. MicroAI huet dräi primär Schichten:

1. Donnéeën Verdauung - MicroAI ass agnostesch fir Dateninput. Mir kënnen all Sensorwäert konsuméieren an d'MicroAI Plattform erlaabt Feature Engineering a Gewiicht vun den Inputen an dëser éischter Schicht.
2. Training - Mir trainéieren direkt am lokalen Ëmfeld. D'Trainingsdauer kann vum Benotzer festgeluecht ginn ofhängeg vun deem wat en normale Zyklus vum Verméigen ass. Typesch hu mir gär 25-45 normal Zyklen opzehuelen, awer dëst ass staark baséiert op Variatioun / Volatilitéit vun all gefaangen Zyklus.
3. Däischterheet - Notifikatiounen an Alarmer gi vu MicroAI generéiert baséiert op der Gravitéit vun der Anomalie déi festgestallt gëtt. Dës Schwellen kënnen vum Benotzer ugepasst ginn. Aner Ausgänge generéiert vu MicroAI enthalen Predicted Days to Next Maintenance (fir Servicepläng ze optimiséieren), Gesondheetsscore, an Asset Life Remaining. Dës Ausgänge kënnen op existent IT Systemer geschéckt ginn, déi d'Clienten op der Plaz hunn (Product Lifecycle Management Tools, Support / Ticketing Management, Maintenance, etc.)

Kënnt Dir e puer vun de Maschinn Léieren Technologien hannert MicroAI diskutéieren?

MicroAI huet eng Multi-Dimensional Behavioral Analyse verpackt an engem rekursive Algorithmus. All Input, deen an den AI-Motor gefüttert gëtt, beaflosst d'Schwellen (iewescht an ënnescht Grenzen), déi vum AI Modell festgeluecht ginn. Mir maachen dëst andeems mir eng Prognose vun engem Schrëtt viraus ubidden. Zum Beispill, wann een Input RPMs ass an RPMs eropgeet, kann den ieweschte Grenzgrenz vun der Lagertemperatur liicht eropgoen wéinst der méi séierer Maschinnbewegung. Dëst erlaabt de Modell weider ze entwéckelen a léieren.

MicroAI ass net ofhängeg vum Zougang zu der Wollek, wat sinn d'Virdeeler dovun?

Mir hunn eng eenzegaarteg Approche fir Modeller direkt um Endpunkt ze bilden (wou Daten generéiert ginn). Dëst bréngt Dateschutz a Sécherheet un d'Deploymenter well d'Donnéeën net aus der lokaler Ëmwelt musse verloossen. Dëst ass besonnesch wichteg fir Détachementer wou Dateschutz obligatoresch ass. Ausserdeem ass de Prozess vun Trainingsdaten an enger Wollek Zäitopwendeg. Dësen Zäitverbrauch vu wéi anerer dëse Raum ukommen ass verursaacht duerch de Besoin fir historesch Donnéeën ze aggregéieren, Daten op eng Wollek ze vermëttelen, e Modell ze bilden, a schliisslech dee Modell bis zum Enn Verméigen ze drécken. MicroAI kann zu 100% am lokalen Ëmfeld trainéieren a liewen.

Ee vun de Feature vun der MicroAI Technologie ass seng beschleunegt Anomalie Detektioun, kënnt Dir dës Funktionalitéit ausbauen?

Wéinst eiser Approche vun der Verhalensanalyse kënne mir MicroAI ofsetzen an direkt d'Behuele vum Verméigen léieren. Mir kënnen ufänken Musteren am Verhalen ze gesinn. Erëm, dëst ass ouni de Besoin fir historesch Daten ze lueden. Wann mir genuch Zyklen vum Verméigen erfaassen, kënne mir dann ufänken e genee Output vum AI Modell ze generéieren. Dëst ass banebriechend fir de Raum. Wat fréier Wochen oder Méint gedauert huet fir e genee Modell ze bilden, ka bannent e puer Stonnen geschéien, an heiansdo Minutten.

Wat ass den Ënnerscheed tëscht MicroAI ™ Helio a MicroAI ™ Atom?

MicroAI™ Helio Server:

Eis Helio Server Ëmfeld kann an engem lokalen Server (am meeschte verbreet), oder an enger Wollek Instanz ofgesat ginn. Helio bitt déi folgend Funktionalitéit: (Workflow Management, Datenanalyse a Gestioun, an Datenvisualiséierung).

Workflows fir Verméigen ze managen - Eng Hierarchie vu wou se agesat ginn a wéi se benotzt ginn. (zB Ariichten vun all Client Ariichtungen weltwäit, spezifesch Ariichtungen a Sektiounen bannent all Ariichtung, eenzel Statiounen, bis all Verméigen an all Statioun). Ausserdeem kënnen d'Verméigen opgestallt ginn fir verschidden Aarbechtsplaze mat ënnerschiddlechen Zyklusraten auszeféieren; dëst kann bannent dësen Workflows konfiguréiert ginn. Zousätzlech ass d'Fäegkeet fir Ticket / Aarbechtsbestellungsmanagement, déi och en Deel vum Helio Server Ëmfeld ass.

Donnéeën Analyse a Gestioun - An dëser Sektioun vun Helio kann e Benotzer weider Analyse op der AI-Output lafen, zesumme mat all raw Date-Snapshots (dh Max, Min, an duerchschnëttlech Datewäerter op Stonnbasis oder Datensignaturen déi eng Alarm oder en Alarm ausgeléist hunn) . Dëst kënnen Ufroe sinn, déi am Helio Analytics Designer konfiguréiert sinn oder méi fortgeschratt Analyse, déi aus Tools wéi R, enger Programméierungssprooch agefouert goufen. D'Datemanagementschicht ass wou e Benotzer d'API Gestiounsgateway fir Drëtt Partei Verbindunge benotze kann, déi Daten konsuméieren an / oder verschéckt a Koordinatioun mat der Helio Ëmfeld.

Datenvisiatioun - Helio liwwert Templates fir verschidde Industriespezifesch Berichterstattung, wat d'Benotzer erlaabt Enterprise Asset Management an Asset Performance Management Vue op hir verbonne Verméigen vu béiden Helio Desktop a mobilen Uwendungen ze verbrauchen.

MicroAI Atom:

MicroAI Atom ass eng Machine Learning Plattform entwéckelt fir an MCU Ëmfeld z'integréieren. Dëst beinhalt d'Ausbildung vum multidimensionalen Verhalensanalyse rekursive Algorithmus direkt an der lokaler MCU Architektur - net an enger Wollek an dann erof op d'MCU gedréckt. Dëst erlaabt d'Beschleunigung vum Bau an den Ofbau vun ML Modeller duerch d'Auto-Generatioun vun den ieweschten an ënneschten Schwellen op Basis vu multivariante Modeller, deen direkt um Endpunkt geformt gëtt. Mir hunn MicroAI erstallt fir e méi effiziente Wee ze sinn fir Signaldaten ze konsuméieren an ze veraarbechten fir Modeller ze trainéieren wéi aner traditionell Methoden. Dëst bréngt net nëmmen e méi héije Genauegkeetsniveau fir de Modell dee geformt gëtt, awer benotzt manner Ressourcen op der Hosthardware (dh manner Gedächtnis an CPU Benotzung), wat eis erlaabt an Ëmfeld wéi eng MCU ze lafen.

Mir hunn eng aner Kär Offer genannt MicroAI ™ Network.

MicroAI™ Network - Erlaabt e Netz vun Atomen ze konsolidéieren a mat externen Datequellen ze maschéieren fir verschidde Modeller direkt um Rand ze kreéieren. Dëst erlaabt datt horizontal a vertikal Analyse op déi verschidde Verméigen lafen déi Atom lafen. MicroAI Network erlaabt en nach méi déif Verständnisniveau fir wéi en Apparat / Verméigen a Relatioun mat ähnlechen Verméigen leeft, déi agesat ginn. Nach eng Kéier, wéinst eiser eenzegaarteger Approche fir Modeller direkt um Rand ze bilden, verbrauchen d'Maschinn Léiermodeller ganz wéineg Erënnerung an CPU vun der Hosthardware.

ONE Tech bitt och IoT Sécherheetsberodung. Wat ass de Prozess fir Bedrohungsmodelléierung an IoT Pénétratiounstest?

Wéinst eiser Fäegkeet ze verstoen wéi Verméigen sech behuelen, kënne mir Daten am Zesummenhang mat den Interne vun engem verbonne Gerät konsuméieren (zB CPU, Memory Usage, Datepackgréisst / Frequenz). IoT Apparater hunn zum gréissten Deel e reegelméissegt Operatiounsmuster - wéi dacks et Daten iwwerdréit, wou se d'Donnéeën schéckt, an d'Gréisst vun deem Datepaket. Mir applizéieren MicroAI fir dës intern Dateparameter ze konsuméieren fir eng Baseline ze bilden wat normal ass fir dat verbonnen Apparat. Wann eng anormal Aktioun um Apparat geschitt, kënne mir eng Äntwert ausléisen. Dëst ka variéiere vun engem Apparat nei opzemaachen oder en Ticket an engem Workorder Management Tool opzemaachen, bis zum kompletten Netzverkéier op en Apparat ze schneiden. Eis Sécherheetsteam huet Testhacks entwéckelt a mir hunn erfollegräich verschidde Zero-Day Attackversuche festgestallt andeems mir MicroAI an dëser Kapazitéit benotzen.

Gëtt et soss eppes wat Dir iwwer ONE Tech, Inc deele wëllt?

Drënner ass en Diagramm wéi MicroAI Atom funktionnéiert. Ufänken mat Matière Daten ze kréien, Training a Veraarbechtung am lokalen Ëmfeld, d'Inferenzen vun den Donnéeën an d'Output ze liwweren.

Drënner ass en Diagramm wéi MicroAI Network funktionnéiert. Vill MicroAI Atomer fidderen an MicroAI Network. Zesumme mat den Atom Daten kënnen zousätzlech Datequellen an de Modell fusionéiert ginn fir e méi granulärt Verständnis wéi de Verméigen leeft. Ausserdeem, am MicroAI Network gi verschidde Modeller geformt, déi d'Akteuren erlaben eng horizontal Analyse auszeféieren iwwer wéi d'Verméigen a verschiddene Regiounen funktionnéieren, tëscht Clienten, virun an no Updates, etc.

Merci fir den Interview an Är detailléiert Äntwerten, Lieser déi méi gewuer ginn solle besichen ENG Tech.