Yasser Khan, CEO van ONE Tech - Interviewreeks

Yasser Khan, de CEO van ÉÉN technologie een AI-gestuurd technologiebedrijf dat IoT-oplossingen van de volgende generatie ontwerpt, ontwikkelt en implementeert voor OEM's, netwerkoperators en ondernemingen.

Wat trok je in eerste instantie aan in kunstmatige intelligentie?

Een paar jaar geleden hebben we een Industrial Internet of Things (IIoT)-oplossing geïmplementeerd die veel bedrijfsmiddelen op een grote geografische locatie met elkaar verbond. De hoeveelheid data die werd gegenereerd was enorm. We verzamelden gegevens van PLC's met een bemonsteringsfrequentie van 50 milliseconden en externe sensorwaarden een paar keer per seconde. In de loop van een enkele minuut werden duizenden datapunten gegenereerd voor elk item waarmee we verbinding maakten. We wisten dat de standaardmethode om deze gegevens naar een server te verzenden en een persoon de gegevens te laten evalueren, niet realistisch was en ook niet gunstig voor het bedrijf. Dus gingen we op zoek naar een product dat de gegevens zou verwerken en bruikbare output zou genereren, waardoor de hoeveelheid toezicht die een organisatie nodig heeft om de vruchten te plukken van de implementatie van een digitale transformatie aanzienlijk wordt verminderd - sterk gericht op asset performance management en voorspellend onderhoud.

Kun je bespreken wat de MicroAI-oplossing van ONE Tech is? 

MicroAI™ is een Machine Learning-platform dat meer inzicht biedt in de prestaties, het gebruik en het algehele gedrag van activa (apparaat of machine). Dit voordeel strekt zich uit van fabrieksmanagers die op zoek zijn naar manieren om de algehele effectiviteit van apparatuur te verbeteren, tot hardware-OEM's die beter willen begrijpen hoe hun apparaten in het veld presteren. We bereiken dit door een klein (zo klein als 70 kb) pakket op de microcontroller (MCU) of microprocessor (MPU) van het asset te implementeren. Een belangrijke onderscheidende factor is dat het proces van het trainen en vormen van een model door MicroAI uniek is. We trainen het model rechtstreeks op het asset zelf. Dit zorgt er niet alleen voor dat gegevens lokaal blijven, wat de kosten en implementatietijd verlaagt, maar het verhoogt ook de nauwkeurigheid en precisie van de AI-uitvoer. MicroAI heeft drie primaire lagen:

1. Gegevensopname - MicroAI is agnostisch voor gegevensinvoer. We kunnen elke sensorwaarde gebruiken en het MicroAI-platform maakt feature-engineering en weging van de invoer binnen deze eerste laag mogelijk.
2. Workshops – We trainen direct in de lokale omgeving. De trainingsduur kan door de gebruiker worden ingesteld, afhankelijk van wat een normale cyclus van het asset is. Doorgaans leggen we graag 25-45 normale cycli vast, maar dit is sterk gebaseerd op de variatie/volatiliteit van elke vastgelegde cyclus.
3. uitgang - Meldingen en waarschuwingen worden gegenereerd door MicroAI op basis van de ernst van de gedetecteerde afwijking. Deze drempels kunnen door de gebruiker worden aangepast. Andere outputs die door MicroAI worden gegenereerd, zijn onder meer Predicted Days to Next Maintenance (voor het optimaliseren van serviceschema's), Health Score en Resterende levensduur van activa. Deze output kan worden verzonden naar bestaande IT-systemen die de klanten hebben (Product Lifecycle Management-tools, Support/Ticketing Management, Onderhoud, enz.)

Kun je enkele van de machine learning-technologieën achter MicroAI bespreken?

MicroAI beschikt over een multidimensionale gedragsanalyse verpakt in een recursief algoritme. Elke invoer die in de AI-engine wordt ingevoerd, heeft invloed op de drempels (boven- en ondergrenzen) die door het AI-model zijn ingesteld. Dit doen we door een one step ahead voorspelling te doen. Als bijvoorbeeld RPM's een input is en RPM's stijgen, kan de bovengrens van de lagertemperatuur iets omhoog gaan vanwege de snellere machinebeweging. Hierdoor kan het model blijven evolueren en leren.

MicroAI is niet afhankelijk van toegang tot de cloud, wat zijn de voordelen hiervan?

We hebben een unieke benadering om modellen rechtstreeks op het eindpunt (waar gegevens worden gegenereerd) te vormen. Dit brengt gegevensprivacy en -beveiliging naar implementaties omdat gegevens de lokale omgeving niet hoeven te verlaten. Dit is vooral belangrijk voor implementaties waar gegevensprivacy verplicht is. Bovendien is het proces van het trainen van gegevens in een cloud tijdrovend. Dit tijdsverbruik van hoe anderen deze ruimte benaderen, wordt veroorzaakt door de noodzaak om historische gegevens te aggregeren, gegevens naar een cloud te verzenden, een model te vormen en uiteindelijk dat model naar de eindactiva te duwen. MicroAI kan 100% trainen en leven in de lokale omgeving.

Een van de kenmerken van de MicroAI-technologie is de versnelde detectie van afwijkingen. Kunt u deze functionaliteit nader toelichten?

Dankzij onze benadering van gedragsanalyse kunnen we MicroAI inzetten en direct beginnen met het leren van het gedrag van het asset. We kunnen patronen in het gedrag gaan zien. Nogmaals, dit is zonder de noodzaak om historische gegevens te laden. Zodra we voldoende cycli van het activum hebben vastgelegd, kunnen we beginnen met het genereren van nauwkeurige output van het AI-model. Dit is baanbrekend voor de ruimte. Wat vroeger weken of maanden duurde om een ​​nauwkeurig model te vormen, kan binnen enkele uren en soms minuten gebeuren.

Wat is het verschil tussen MicroAI™ Helio en MicroAI™ Atom?

MicroAI™ Helio-server:

Onze Helio Server-omgeving kan worden geïmplementeerd in een lokale server (meest gebruikelijk), of in een cloudinstantie. Helio biedt de volgende functionaliteit: (Workflowbeheer, data-analyse en -beheer, en datavisualisatie).

Workflows voor het beheer van activa – Een hiërarchie van waar ze worden ingezet en hoe ze worden gebruikt. (bijv. instelling van alle klantfaciliteiten wereldwijd, specifieke faciliteiten en secties binnen elke faciliteit, individuele stations, tot aan elk asset in elk station). Bovendien kunnen de activa worden ingesteld om verschillende taken uit te voeren met verschillende cyclussnelheden; dit kan binnen deze workflows worden geconfigureerd. Daarnaast is er de mogelijkheid voor ticket-/werkorderbeheer, dat ook deel uitmaakt van de Helio Server-omgeving.

Gegevensanalyse en -beheer - Binnen dit gedeelte van Helio kan een gebruiker verdere analyses uitvoeren op de AI-uitvoer, samen met momentopnamen van onbewerkte gegevens (dwz max., min. en gemiddelde gegevenswaarden op uurbasis of gegevenshandtekeningen die een waarschuwing of alarm hebben geactiveerd) . Dit kunnen query's zijn die zijn geconfigureerd in de Helio Analytics-ontwerper of meer geavanceerde analyses die zijn ingevoerd vanuit tools zoals R, een programmeertaal. De gegevensbeheerlaag is waar een gebruiker de API-beheergateway kan gebruiken voor verbindingen van derden die gegevens verbruiken en/of verzenden in coördinatie met de Helio-omgeving.

Data visualisatie - Helio biedt sjablonen voor verschillende branchespecifieke rapportages, waarmee gebruikers Enterprise Asset Management- en Asset Performance Management-weergaven van hun verbonden bedrijfsmiddelen kunnen bekijken vanuit zowel de Helio-desktop- als mobiele applicaties.

MicroAI-atoom:

MicroAI Atom is een machine learning-platform dat is ontworpen voor inbedding in MCU-omgevingen. Dit omvat training van het recursieve algoritme voor multidimensionale gedragsanalyse rechtstreeks in de lokale MCU-architectuur, niet in een cloud en vervolgens naar de MCU gepusht. Dit maakt het mogelijk om de bouw en implementatie van ML-modellen te versnellen door het automatisch genereren van de bovenste en onderste drempels op basis van een multivariant model dat rechtstreeks op het eindpunt wordt gevormd. We hebben MicroAI gecreëerd om een ​​efficiëntere manier te zijn om signaalgegevens te consumeren en te verwerken om modellen te trainen dan andere traditionele methoden. Dit zorgt niet alleen voor een hoger niveau van nauwkeurigheid van het gevormde model, maar gebruikt ook minder bronnen op de hosthardware (dwz minder geheugen en CPU-gebruik), waardoor we kunnen werken in omgevingen zoals een MCU.

We hebben nog een ander kernaanbod genaamd MicroAI™ Network.

MicroAI™-netwerk – Maakt het mogelijk om een ​​netwerk van atomen te consolideren en te combineren met externe gegevensbronnen om meerdere modellen direct aan de rand te maken. Hierdoor kunnen horizontale en verticale analyses worden uitgevoerd op de verschillende activa waarop Atom draait. MicroAI-netwerk zorgt voor een nog dieper begrip van hoe een apparaat/activum presteert in relatie tot vergelijkbare activa die worden ingezet. Nogmaals, vanwege onze unieke benadering om modellen direct aan de rand te vormen, verbruiken de machine learning-modellen heel weinig geheugen en CPU van de hosthardware.

ONE Tech biedt ook advies over IoT-beveiliging. Wat is het proces voor threat modeling en IoT-penetratietests?

Vanwege ons vermogen om te begrijpen hoe activa zich gedragen, kunnen we gegevens consumeren die betrekking hebben op de interne onderdelen van een aangesloten apparaat (bijv. CPU, geheugengebruik, grootte/frequentie van datapakket). IoT-apparaten hebben voor het grootste deel een regelmatig werkingspatroon: hoe vaak het gegevens verzendt, waar het de gegevens naartoe stuurt en de grootte van dat datapakket. We passen MicroAI toe om deze interne gegevensparameters te gebruiken om een ​​basislijn te vormen van wat normaal is voor dat verbonden apparaat. Als er een abnormale actie op het apparaat plaatsvindt, kunnen we een reactie activeren. Dit kan variëren van het herstarten van een apparaat of het openen van een ticket in een tool voor werkorderbeheer, tot het volledig afsnijden van het netwerkverkeer naar een apparaat. Ons beveiligingsteam heeft testhacks ontwikkeld en we hebben met succes verschillende Zero-Day-aanvalspogingen gedetecteerd door MicroAI in deze hoedanigheid te gebruiken.

Is er nog iets dat u zou willen delen over ONE Tech, Inc?

Hieronder ziet u een diagram van hoe MicroAI Atom werkt. Beginnend met het verzamelen van ruwe data, training en verwerking in de lokale omgeving, het afleiden van de data en het leveren van output.

Hieronder ziet u een diagram van hoe MicroAI Network werkt. Veel MicroAI-atomen worden ingevoerd in het MicroAI-netwerk. Samen met de Atom-gegevens kunnen aanvullende gegevensbronnen worden samengevoegd in het model voor een gedetailleerder inzicht in hoe het activum presteert. Bovendien worden binnen MicroAI Network meerdere modellen gevormd waarmee belanghebbenden horizontale analyses kunnen uitvoeren over hoe activa presteren in verschillende regio's, tussen klanten, voor en na updates, enz.

Bedankt voor het interview en uw gedetailleerde antwoorden, lezers die meer willen weten, moeten een bezoek brengen ÉÉN technologie.