Интервјуа
Јасер Кан, извршен директор на ONE Tech – серија на интервјуа
Јасер Кан, е извршен директор на ONE Tech технолошка компанија управувана од вештачка интелигенција која дизајнира, развива и распоредува решенија за IoT од следната генерација за OEM, мрежни оператори и претпријатија.
Што на почетокот те привлече кон Вештачката интелигенција?
Пред неколку години, распоредивме решение за индустриски Интернет на нештата (IIoT) што поврза многу средства на широка географска локација. Количината на податоци што беше генерирана беше огромна. Собравме податоци од PLC со брзина на земање примероци од 50 милисекунди и вредности на надворешни сензори неколку пати во секунда. Во текот на една минута, имавме генерирани илјадници точки на податоци за секое средство со кое се поврзувавме. Знаевме дека стандардниот метод за пренесување на овие податоци на сервер и за проценување на податоците од лице не е реален, ниту корисен за бизнисот. Така, тргнавме да создадеме производ што ќе ги обработува податоците и ќе генерира резултати од потрошен материјал, со што значително ќе се намали количината на надзор што и е потребен на организацијата за да ги искористи придобивките од распоредувањето на дигиталната трансформација - многу фокусиран на управувањето со перформансите на средствата и предвидливото одржување.
Можете ли да разговарате што е решението за MicroAI на ONE Tech?
MicroAI™ е платформа за машинско учење која обезбедува поголемо ниво на увид во перформансите, искористеноста и целокупното однесување на средствата (уред или машина). Оваа придобивка се движи од менаџери на производствени погони кои бараат начини за подобрување на целокупната ефикасност на опремата до хардверски OEM кои сакаат подобро да разберат како нивните уреди се преформираат на терен. Ова го постигнуваме со распоредување на мал пакет (мал од 70 kb) на микроконтролерот (MCU) или микропроцесорот (MPU) на средството. Клучна разлика е тоа што процесот на обука и формирање на модел на MicroAI е единствен. Ние го обучуваме моделот директно на самото средство. Ова не само што овозможува податоците да останат локални, што ги намалува трошоците и времето на распоредување, туку и ја зголемува точноста и прецизноста на излезот на вештачката интелигенција. MicroAI има три основни слоеви:
- Проголтување податоци – MicroAI е агностичен за внесување податоци. Можеме да консумираме која било вредност на сензорот и платформата MicroAI овозможува инженерство на карактеристики и пондерирање на влезовите во овој прв слој.
- обука – Тренираме директно во локалната средина. Времетраењето на обуката може да го постави корисникот во зависност од тоа каков е нормалниот циклус на средството. Вообичаено, сакаме да снимиме 25-45 нормални циклуси, но ова во голема мера се заснова на варијацијата/нестабилноста на секој заробен циклус.
- излез – Известувањата и предупредувањата се генерираат од MicroAI врз основа на сериозноста на аномалијата што е откриена. Овие прагови може да ги прилагоди корисникот. Други резултати генерирани од MicroAI вклучуваат предвидени денови до следното одржување (за оптимизирање на распоредот на услуги), здравствен резултат и преостанат животен век. Овие излези може да се испратат до постоечките ИТ системи што ги имаат клиентите (алатки за управување со животниот циклус на производи, Управување со поддршка/тикетирање, одржување итн.)
Можете ли да разговарате за некои од технологиите за машинско учење зад MicroAI?
MicroAI располага со повеќедимензионална анализа на однесување спакувана во рекурзивен алгоритам. Секој влез што се внесува во моторот со вештачка интелигенција влијае на праговите (горните и долните граници) што се поставени од моделот со вештачка интелигенција. Ова го правиме со обезбедување на предвидување еден чекор понапред. На пример, ако еден влез е RPM и RPM се зголемуваат, горната граница на температурата на лежиштето може малку да се зголеми поради побрзото движење на машината. Ова му овозможува на моделот да продолжи да се развива и учи.
MicroAI не се потпира на пристап до облакот, кои се предностите на ова?
Имаме единствен пристап за формирање модели директно на крајната точка (каде што се генерираат податоците). Ова ја носи приватноста и безбедноста на податоците за распоредувањата бидејќи податоците не треба да ја напуштаат локалната средина. Ова е особено важно за распоредувања каде што приватноста на податоците е задолжителна. Понатаму, процесот на обука на податоци во облак одзема многу време. Оваа временска потрошувачка на тоа како другите му пристапуваат на овој простор е предизвикана од потребата од собирање историски податоци, пренос на податоци во облак, формирање модел и на крајот туркање на тој модел до крајните средства. MicroAI може да тренира и да живее 100% во локалната средина.
Една од карактеристиките на технологијата MicroAI е нејзиното забрзано откривање аномалија, дали можете да елаборирате за оваа функционалност?
Поради нашиот пристап на анализа на однесувањето, можеме да распоредиме MicroAI и веднаш да започнеме да го учиме однесувањето на средството. Можеме да почнеме да гледаме модели во однесувањето. Повторно, ова е без потреба од вчитување на какви било историски податоци. Откако ќе фатиме доволно циклуси на средството, тогаш можеме да почнеме да генерираме точен излез од моделот на вештачка интелигенција. Ова е револуционерно за просторот. Она што порано бараше недели или месеци за да се формира точен модел може да се случи во рок од неколку часа, а понекогаш и неколку минути.
Која е разликата помеѓу MicroAI™ Helio и MicroAI™ Atom?
MicroAI™ Helio сервер:
Нашата околина на Helio Server може да се распореди во локален сервер (најчестиот) или во примерок во облак. Helio ја обезбедува следната функционалност: (Управување со работниот тек, анализа и управување со податоци и визуелизација на податоци).
Работни текови за управување со средства – Хиерархија каде се распоредени и како се користат. (на пример, поставување на сите капацитети за клиенти на глобално ниво, специфични објекти и делови во секој објект, поединечни станици, до секое средство во секоја станица). Понатаму, средствата може да се постават да извршуваат различни работи со различни стапки на циклус; ова може да се конфигурира во овие работни текови. Дополнително е и можноста за управување со билети/работни нарачки, која исто така е дел од околината на Helio Server.
Анализа на податоци и управување – Во овој дел од Helio, корисникот може да изврши дополнителна аналитика на излезот со вештачка интелигенција, заедно со какви било снимки од необработени податоци (т.е. макс, минимум и просечни вредности на податоци на час или потписи на податоци што активирале предупредување или аларм) . Овие можат да бидат прашања што се конфигурирани во дизајнерот на Helio Analytics или понапредни аналитики донесени од алатки како што е R, програмски јазик. Слојот за управување со податоци е местото каде што корисникот може да ја користи портата за управување со API за врски од трета страна кои трошат и/или испраќаат податоци во координација со околината Helio.
Визуелизација на податоци – Helio обезбедува шаблони за различни известувања специфични за индустријата, што им овозможува на корисниците да ги прикажат потрошувачите Enterprise Asset Management и Asset Performance Management на нивните поврзани средства и од Helio десктоп и од мобилните апликации.
MicroAI атом:
MicroAI Atom е платформа за машинско учење дизајнирана за вградување во MCU средини. Ова вклучува обука на рекурзивниот алгоритам за повеќедимензионална анализа на однесување директно во локалната MCU архитектура - не во облак, а потоа туркана надолу до MCU. Ова овозможува забрзување на изградбата и распоредувањето на ML моделите преку автоматско генерирање на горните и долните прагови врз основа на мултиваријантен модел кој се формира директно на крајната точка. Создадовме MicroAI за да биде поефикасен начин за трошење и обработка на сигналните податоци за обука на модели отколку другите традиционални методи. Ова не само што носи повисоко ниво на точност на моделот што е формиран, туку користи помалку ресурси на хардверот на домаќинот (т.е. помала меморија и користење на процесорот), што ни овозможува да работиме во средини како што е MCU.
Имаме уште една основна понуда наречена MicroAI™ Network.
MicroAI™ мрежа – Овозможува консолидирање и згмечување на мрежа од Атоми со надворешни извори на податоци за создавање на повеќе модели директно на работ. Ова овозможува хоризонтална и вертикална анализа да се изврши на различни средства што работат на Atom. MicroAI Network овозможува уште подлабоко ниво на разбирање за тоа како функционира уредот/средството во однос на слични средства што се распоредени. Повторно, поради нашиот единствен пристап за формирање модели директно на работ, моделите за машинско учење трошат многу малку меморија и процесор на хардверот домаќин.
ONE Tech нуди и консултации за безбедност на IoT. Кој е процесот за моделирање на закани и тестирање на пенетрација на IoT?
Поради нашата способност да разбереме како се однесуваат средствата, можеме да трошиме податоци поврзани со внатрешните делови на поврзаниот уред (на пр. процесор, употреба на меморија, големина/фреквенција на пакетот податоци). IoT уредите имаат, во најголем дел, редовен модел на работа - колку често тие пренесуваат податоци, каде ги испраќа податоците и големината на тој пакет со податоци. Применуваме MicroAI за да ги троши овие внатрешни параметри на податоци за да формира основна линија на она што е нормално за тој поврзан уред. Ако се случи ненормално дејство на уредот, можеме да активираме одговор. Ова може да варира од рестартирање на уред или отворање билет во алатка за управување со работни нарачки, до целосно намалување на мрежниот сообраќај на уредот. Нашиот безбедносен тим разви хакови за тестирање и успешно откривме различни обиди за напад на нултиот ден со користење на MicroAI во овој капацитет.
Дали има нешто друго што би сакале да споделите за ONE Tech, Inc?
Подолу е дијаграм за тоа како функционира MicroAI Atom. Почнувајќи со стекнување необработени податоци, обука и обработка во локалната средина, наведување на податоците и обезбедување излез.
Подолу е дијаграм за тоа како функционира мрежата MicroAI. Многу MicroAI Атоми се внесуваат во MicroAI мрежата. Заедно со податоците на Atom, дополнителни извори на податоци може да се спојат во моделот за погрануларно разбирање за тоа како функционира средството. Понатаму, во рамките на MicroAI Network се формираат повеќе модели кои им овозможуваат на засегнатите страни да извршат хоризонтална анализа за тоа како функционираат средствата во различни региони, помеѓу клиентите, пред и по ажурирањата итн.
Ви благодариме за интервјуто и вашите детални одговори, читателите кои сакаат да дознаат повеќе треба да ги посетат ONE Tech.
