Yasseras Khanas, ONE Tech – Interviu serijos generalinis direktorius

Yasseras Khanas yra generalinis direktorius ONE Tech dirbtinio intelekto valdoma technologijų įmonė, kurianti, kurianti ir diegianti naujos kartos daiktų interneto sprendimus originalios įrangos gamintojams, tinklo operatoriams ir įmonėms.

Kuo jus iš pradžių patraukė dirbtinis intelektas?

Prieš kelerius metus įdiegėme pramoninio daiktų interneto (IIoT) sprendimą, kuris sujungė daug turto įvairiose geografinėse vietovėse. Sukurtų duomenų kiekis buvo didžiulis. Duomenis iš PLC kaupėme 50 milisekundžių atrankos dažniu ir keletą kartų per sekundę išorinių jutiklių vertes. Per vieną minutę kiekvienam ištekliui, prie kurio prisijungėme, buvo sugeneruota tūkstančiai duomenų taškų. Žinojome, kad standartinis šių duomenų perdavimo į serverį būdas ir asmens vertinimas nebuvo realus ir verslui nenaudingas. Taigi mes nusprendėme sukurti produktą, kuris apdorotų duomenis ir generuotų suvartojamus rezultatus, labai sumažindamas priežiūros, kurios organizacijai reikia, kad ji galėtų pasinaudoti skaitmeninės transformacijos diegimo privalumais, kiekį – daug dėmesio skiriama turto našumo valdymui ir numatomai priežiūrai.

Ar galite aptarti, kas yra ONE Tech MicroAI sprendimas? 

„MicroAI™“ yra mašininio mokymosi platforma, suteikianti daugiau informacijos apie turto (įrenginio ar mašinos) našumą, panaudojimą ir bendrą elgesį. Ši nauda svyruoja nuo gamybos įmonių vadovų, kurie ieško būdų, kaip pagerinti bendrą įrangos efektyvumą, iki techninės įrangos originalios įrangos gamintojų, kurie nori geriau suprasti, kaip jų įrenginiai veikia šioje srityje. Tai pasiekiame įdiegdami nedidelį (iki 70 kb) paketą į turto mikrovaldiklį (MCU) arba mikroprocesorių (MPU). Pagrindinis skirtumas yra tas, kad MicroAI mokymo ir modelio formavimo procesas yra unikalus. Modelį apmokome tiesiai ant paties turto. Tai ne tik leidžia duomenims išlikti vietiniais, o tai sumažina sąnaudas ir diegimo laiką, bet ir padidina AI išvesties tikslumą ir tikslumą. „MicroAI“ turi tris pagrindinius sluoksnius:

1. Duomenų įvedimas – „MicroAI“ yra agnostikas duomenų įvedimui. Galime naudoti bet kokią jutiklio vertę, o „MicroAI“ platforma leidžia kurti funkcijas ir įvertinti įvesties duomenis šiame pirmame sluoksnyje.
2. mokymas – Mokomės tiesiogiai vietinėje aplinkoje. Mokymo trukmę gali nustatyti vartotojas, priklausomai nuo to, koks yra įprastas turto ciklas. Paprastai mums patinka užfiksuoti 25–45 įprastus ciklus, tačiau tai labai priklauso nuo kiekvieno užfiksuoto ciklo kitimo / nepastovumo.
3. produkcija – „MicroAI“ generuoja pranešimus ir įspėjimus, atsižvelgdama į aptiktos anomalijos sunkumą. Šiuos slenksčius gali reguliuoti vartotojas. Kiti „MicroAI“ sugeneruoti rezultatai apima numatomas dienas iki kitos priežiūros (siekiant optimizuoti paslaugų grafikus), sveikatos balą ir likusį turto naudojimo laiką. Šie rezultatai gali būti siunčiami į esamas IT sistemas, kurias turi klientai (produkto gyvavimo ciklo valdymo įrankiai, palaikymo / bilietų valdymas, priežiūra ir kt.)

Ar galite aptarti kai kurias „MicroAI“ mašininio mokymosi technologijas?

„MicroAI“ turi daugiamatę elgesio analizę, supakuotą į rekursinį algoritmą. Kiekviena įvestis, kuri tiekiama į AI variklį, paveikia slenksčius (viršutinę ir apatinę ribas), kurias nustato AI modelis. Tai darome pateikdami vienu žingsniu į priekį prognozę. Pavyzdžiui, jei viena įvestis yra RPM ir RPM didėja, viršutinė guolio temperatūros riba gali šiek tiek pakilti dėl greitesnio mašinos judėjimo. Tai leidžia modeliui toliau tobulėti ir mokytis.

„MicroAI“ nepriklauso nuo prieigos prie debesies, kokie yra to pranašumai?

Mes turime unikalų požiūrį į modelių formavimą tiesiogiai galutiniame taške (kur generuojami duomenys). Tai užtikrina duomenų privatumą ir saugumą diegiant, nes duomenims nereikia išeiti iš vietinės aplinkos. Tai ypač svarbu diegiant, kai duomenų privatumas yra privalomas. Be to, duomenų mokymo debesyje procesas užima daug laiko. Šį laiką, kaip kiti artėja prie šios erdvės, sunaudoja poreikis kaupti istorinius duomenis, perduoti duomenis į debesį, suformuoti modelį ir galiausiai nustumti tą modelį iki galutinio turto. „MicroAI“ gali treniruotis ir gyventi 100% vietinėje aplinkoje.

Viena iš „MicroAI“ technologijos ypatybių yra pagreitintas anomalijų aptikimas. Ar galėtumėte plačiau aprašyti šią funkciją?

Dėl savo elgesio analizės metodo galime įdiegti „MicroAI“ ir akimirksniu pradėti mokytis ištekliaus elgesio. Mes galime pradėti matyti elgesio modelius. Vėlgi, tai nereikia įkelti jokių istorinių duomenų. Kai užfiksuosime pakankamai turto ciklų, galime pradėti generuoti tikslią išvestį iš AI modelio. Tai yra novatoriška erdvėje. Tai, kas anksčiau užtrukdavo savaites ar mėnesius, kad būtų sukurtas tikslus modelis, gali įvykti per kelias valandas, o kartais ir minutes.

Kuo skiriasi „MicroAI™ Helio“ ir „MicroAI™ Atom“?

MicroAI™ Helio serveris:

Mūsų „Helio Server“ aplinka gali būti įdiegta vietiniame serveryje (dažniausiai) arba debesies egzemplioriuje. „Helio“ teikia šias funkcijas: (darbo eigos valdymas, duomenų analizė ir valdymas bei duomenų vizualizacija).

Turto valdymo darbo eigos – Hierarchija, kur jie yra dislokuoti ir kaip jie naudojami. (pvz., visų klientų įrenginių nustatymas visame pasaulyje, konkrečios patalpos ir skyriai kiekviename objekte, atskiros stotys, iki kiekvieno turto kiekvienoje stotyje). Be to, turtas gali būti sukonfigūruotas atlikti skirtingus darbus su skirtingu ciklo greičiu; tai galima konfigūruoti šiose darbo eigose. Be to, yra galimybė valdyti bilietus / darbo užsakymus, kurie taip pat yra „Helio Server“ aplinkos dalis.

Duomenų analizė ir valdymas – Šioje „Helio“ skiltyje vartotojas gali vykdyti tolesnę AI išvesties analizę kartu su bet kokiomis neapdorotų duomenų momentinėmis nuotraukomis (ty maksimaliomis, minimaliomis ir vidutinėmis duomenų reikšmėmis kas valandą arba duomenų parašais, kurie suaktyvino įspėjimą arba aliarmą). . Tai gali būti užklausos, sukonfigūruotos naudojant „Helio Analytics“ dizainerį, arba pažangesnė analizė, gauta iš tokių įrankių kaip R, programavimo kalba. Duomenų valdymo lygmuo yra vieta, kur vartotojas gali naudoti API valdymo šliuzą trečiųjų šalių ryšiams, kurie naudoja ir (arba) siunčia duomenis derindami su Helio aplinka.

Duomenų vizualizavimas – „Helio“ teikia įvairių pramonės šakų ataskaitų šablonus, kurie leidžia vartotojams peržiūrėti savo prijungto turto įmonės turto valdymo ir turto našumo valdymo rodinius iš „Helio“ darbalaukio ir mobiliųjų programų.

„MicroAI Atom“:

„MicroAI Atom“ yra mašininio mokymosi platforma, skirta įterpti į MCU aplinkas. Tai apima daugiamatės elgsenos analizės rekursinio algoritmo mokymą tiesiogiai vietinėje MCU architektūroje, o ne debesyje, o tada nustumiant į MCU. Tai leidžia paspartinti ML modelių kūrimą ir diegimą automatiškai generuojant viršutinę ir apatinę slenksčius, pagrįstus kelių variantų modeliu, kuris formuojamas tiesiogiai galutiniame taške. Sukūrėme „MicroAI“, kad būtų efektyvesnis būdas naudoti ir apdoroti signalų duomenis, kad būtų galima parengti modelius, nei kiti tradiciniai metodai. Tai ne tik padidina suformuoto modelio tikslumą, bet ir naudoja mažiau pagrindinio kompiuterio aparatinės įrangos išteklių (ty mažiau atminties ir procesoriaus), o tai leidžia mums veikti tokioje aplinkoje kaip MCU.

Turime dar vieną pagrindinį pasiūlymą, vadinamą „MicroAI™ Network“.

MicroAI™ tinklas – Leidžia sujungti atomų tinklą ir sujungti jį su išoriniais duomenų šaltiniais, kad būtų galima sukurti kelis modelius tiesiai prie krašto. Tai leidžia atlikti horizontalią ir vertikalią įvairių išteklių, kuriuose veikia „Atom“, analizę. „MicroAI Network“ leidžia dar giliau suprasti, kaip veikia įrenginys / išteklius, palyginti su panašiu panaudotu turtu. Vėlgi, dėl mūsų unikalaus požiūrio į modelių formavimą tiesiai prie krašto, mašininio mokymosi modeliai sunaudoja labai mažai pagrindinės aparatinės įrangos atminties ir procesoriaus.

ONE Tech taip pat siūlo konsultacijas dėl daiktų interneto saugumo. Koks yra grėsmių modeliavimo ir daiktų interneto skverbties tikrinimo procesas?

Kadangi galime suprasti, kaip elgiasi turtas, galime naudoti duomenis, susijusius su prijungto įrenginio vidiniais elementais (pvz., CPU, atminties naudojimu, duomenų paketo dydžiu/dažniu). IoT įrenginiai dažniausiai veikia įprastu būdu – kaip dažnai jie perduoda duomenis, kur siunčia duomenis ir kokio dydžio yra tas duomenų paketas. Taikome „MicroAI“, kad sunaudotume šiuos vidinius duomenų parametrus, kad sudarytume pradinę liniją, kas įprasta tam prijungtam įrenginiui. Jei įrenginyje įvyksta neįprastas veiksmas, galime suaktyvinti atsaką. Tai gali būti nuo įrenginio perkrovimo ar bilieto atidarymo darbo užsakymo valdymo įrankyje iki visiško tinklo srauto į įrenginį sumažinimo. Mūsų saugos komanda sukūrė bandomuosius įsilaužimus ir sėkmingai aptikome įvairius nulinės dienos atakos bandymus, naudodami MicroAI.

Ar dar kuo nors norėtumėte pasidalinti apie ONE Tech, Inc?

Žemiau yra schema, kaip veikia MicroAI Atom. Pradedant neapdorotų duomenų gavimu, mokymu ir apdorojimu vietinėje aplinkoje, išvadomis apie duomenis ir išvesties pateikimu.

Žemiau yra schema, kaip veikia MicroAI tinklas. Daugelis „MicroAI“ atomų patenka į „MicroAI“ tinklą. Kartu su „Atom“ duomenimis į modelį galima sujungti papildomus duomenų šaltinius, kad būtų galima tiksliau suprasti, kaip veikia išteklius. Be to, MicroAI tinkle formuojami keli modeliai, leidžiantys suinteresuotosioms šalims atlikti horizontalią analizę, kaip turtas veikia skirtinguose regionuose, tarp klientų, prieš ir po atnaujinimų ir pan.

Dėkojame už pokalbį ir išsamius atsakymus, skaitytojai, norintys sužinoti daugiau, turėtų apsilankyti ONE Tech.