Yasser Khan, CEO van ONE Tech – Interviewreeks

Yasser Khan is de CEO van ONE Tech, een AI-gedreven technologiebedrijf dat next-generation IoT-oplossingen ontwerpt, ontwikkelt en implementeert voor OEM’s, netwerkoperators en ondernemingen.

Wat trok je aanvankelijk aan bij Artificial Intelligence?

Een paar jaar geleden hebben we een Industrial Internet of Things (IIoT)-oplossing geïmplementeerd die veel assets over een brede geografische locatie verbond. De hoeveelheid gegenereerde data was enorm. We hebben data van PLC’s op een steekproef van 50 milliseconden en externe sensoren een paar keer per seconde verzameld. Binnen één minuut hadden we duizenden datapunten voor elke asset die we verbonden. We wisten dat de standaardmethode om deze data naar een server te verzenden en een persoon te laten evalueren niet realistisch of gunstig was voor het bedrijf. Daarom hebben we een product ontwikkeld dat de data zou verwerken en consumabele outputs zou genereren, waardoor de hoeveelheid toezicht die een organisatie nodig heeft om de voordelen van een digitale transformatie-implementatie te benutten, sterk wordt verminderd – met een sterke focus op assetprestatiebeheer en voorspellend onderhoud.

Kunt u vertellen over de MicroAI-oplossing van ONE Tech? 

MicroAI is een Machine Learning-platform dat een groter inzicht biedt in de prestaties, het gebruik en het algemene gedrag van assets (apparaten of machines). Dit voordeel varieert van productieplantmanagers die op zoek zijn naar manieren om de algehele efficiëntie van apparaten te verbeteren tot hardware-OEM’s die beter willen begrijpen hoe hun apparaten in het veld presteren. We bereiken dit door een kleine (zo klein als 70kb) pakket te implementeren op de microcontroller (MCU) of microprocessor (MPU) van de asset. Een belangrijke differentiator is dat MicroAI’s proces van trainen en modellen vormen uniek is. We trainen het model rechtstreeks op de asset zelf. Dit laat niet alleen toe dat de data lokaal blijft, waardoor de kosten en de implementatietijd worden verminderd, maar het verhoogt ook de nauwkeurigheid en precisie van de AI-uitvoer. MicroAI heeft drie primaire lagen:

1. Gegevensinname – MicroAI is onafhankelijk van gegevensinvoer. We kunnen elke sensorwaarde consumeren en het MicroAI-platform laat functie-engineering en gewichtstoekenning van de invoer in deze eerste laag toe.
2. Trainen – We trainen rechtstreeks in de lokale omgeving. De trainingsduur kan door de gebruiker worden ingesteld, afhankelijk van wat een normale cyclus van de asset is. Meestal willen we 25-45 normale cycli vastleggen, maar dit is sterk afhankelijk van de variatie/volatiliteit van elke cyclus die wordt vastgelegd.
3. Uitvoer – Notificaties en waarschuwingen worden gegenereerd door MicroAI op basis van de ernst van de afwijking die wordt gedetecteerd. Deze drempels kunnen door de gebruiker worden aangepast. Andere uitvoer gegenereerd door MicroAI omvatten Voorspelde dagen tot het volgende onderhoud (voor het optimaliseren van serviceplanning), Gezondheidscore en Levensduur van de asset. Deze uitvoer kan worden verzonden naar bestaande IT-systemen die de klanten hebben (Productlevenscyclusbeheer, Ondersteuning/Ticketbeheer, Onderhoud, enz.)

Kunt u enkele van de machine learning-technologieën achter MicroAI bespreken?

MicroAI heeft een Multi-Dimensionale Gedragsanalyse verpakt in een recursief algoritme. Elke invoer die aan de AI-engine wordt gevoerd, beïnvloedt de drempels (boven- en ondergrenzen) die door het AI-model worden ingesteld. We doen dit door een voorspelling een stap vooruit te bieden. Als bijvoorbeeld één invoer RPM’s is en RPM’s toenemen, kan de bovengrens van de temperatuur van de lager iets omhoog gaan vanwege de snellere beweging van de machine. Dit laat het model toe om te blijven evolueren en te leren.

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

We hebben een unieke aanpak om modellen rechtstreeks op het eindpunt (waar de data wordt gegenereerd) te vormen. Dit brengt gegevensprivaciteit en -beveiliging met zich mee voor implementaties, omdat de data niet uit de lokale omgeving hoeft te worden verwijderd. Dit is vooral belangrijk voor implementaties waar gegevensprivaciteit verplicht is. Bovendien is het proces van het trainen van data in een cloud tijdrovend. Deze tijdrovendheid van de aanpak van anderen in deze ruimte wordt veroorzaakt door de noodzaak om historische gegevens te verzamelen, gegevens naar een cloud te verzenden, een model te vormen en dat model uiteindelijk naar de eindassets te pushen. MicroAI kan trainen en 100% in de lokale omgeving leven.

Een van de functies van de MicroAI-technologie is de versnelde afwijkingsdetectie, kunt u deze functionaliteit toelichten?

Vanwege onze aanpak van gedragsanalyse kunnen we MicroAI implementeren en onmiddellijk beginnen met het leren van het gedrag van de asset. We kunnen patronen in het gedrag zien. Dit gebeurt zonder de noodzaak om historische gegevens te laden. Zodra we voldoende cycli van de asset hebben vastgelegd, kunnen we accurate uitvoer van het AI-model beginnen te genereren. Dit is baanbrekend voor deze ruimte. Wat eerder weken of maanden duurde om een nauwkeurig model te vormen, kan nu binnen enkele uren, en soms zelfs 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 voorkomend) of in een cloud-exemplaar. Helio biedt de volgende functionaliteit: (Workflowbeheer, gegevensanalyse en -beheer, en gegevensvisualisatie).

Workflows voor assetbeheer – Een hiërarchie van waar ze worden geïmplementeerd en hoe ze worden gebruikt. (Bijv. instelling van alle klantfaciliteiten wereldwijd, specifieke faciliteiten en afdelingen binnen elke faciliteit, individuele stations, tot elk asset in elk station). Bovendien kunnen de assets worden ingesteld om verschillende taken uit te voeren met verschillende cyclustarieven; dit kan worden geconfigureerd binnen deze workflows. Daarnaast is er de mogelijkheid voor ticket-/werkorderbeheer, die ook deel uitmaakt van de Helio Server-omgeving.

Gegevensanalyse en -beheer – Binnen deze sectie van Helio kan een gebruiker verdergaande analyses uitvoeren op de AI-uitvoer, evenals op ruwe gegevensmomentopnamen (bijv. Max, Min en gemiddelde gegevenswaarden per uur of gegevenshandtekeningen die een waarschuwing of alarm hebben geactiveerd). Dit kunnen queries zijn die zijn geconfigureerd in de Helio Analytics Designer of geavanceerdere analyses die zijn ingevoerd vanuit tools zoals R, een programmeertaal. De datamanagementlaag is waar een gebruiker de API-managementgateway kan gebruiken voor verbindingen met derden die gegevens consumeren en/of verzenden in samenwerking met de Helio-omgeving.

Gegevensvisualisatie – Helio biedt sjablonen voor verschillende industrie-specifieke rapporten, waardoor gebruikers Enterprise Asset Management- en Asset Performance Management-weergaven van hun verbonden assets kunnen consumeren vanuit zowel de Helio-desktop- als mobiele toepassingen.

MicroAI Atom:

MicroAI Atom is een Machine Learning-platform ontworpen voor inbedding in MCU-omgevingen. Dit omvat het trainen van de multi-dimensionale gedragsanalyse recursief algoritme rechtstreeks in de lokale MCU-architectuur – niet in een cloud en vervolgens naar de MCU pushen. Dit laat toe om de bouw en implementatie van ML-modellen te versnellen door de automatische generatie van de boven- en ondergrenzen op basis van een multivariabel model dat rechtstreeks op het eindpunt wordt gevormd. We hebben MicroAI gemaakt om een efficiëntere manier te zijn om signaalgegevens te consumeren en te verwerken om modellen te trainen dan traditionele methoden. Dit brengt niet alleen een hoger niveau van nauwkeurigheid met zich mee voor het model dat wordt gevormd, maar maakt ook minder resources op de hosthardware (bijv. lager geheugengebruik en CPU-gebruik), waardoor we kunnen draaien in omgevingen zoals een MCU.

We hebben nog een andere belangrijke aanbieding genaamd MicroAI Network.

MicroAI Network – Laat toe dat een netwerk van Atoms wordt geconsolideerd en gemengd met externe gegevensbronnen om meerdere modellen rechtstreeks op de rand te creëren. Dit laat toe om horizontale en verticale analyses uit te voeren op de verschillende assets die Atom uitvoeren. MicroAI Network laat toe om een nog dieper inzicht te krijgen in hoe een apparaat/asset presteert in relatie tot soortgelijke assets die zijn geïmplementeerd. Opnieuw, vanwege onze unieke aanpak om modellen rechtstreeks op de rand te vormen, consumeren de machine learning-modellen zeer weinig geheugen en CPU van de hosthardware.

ONE Tech biedt ook IoT-beveiligingsadvies. Wat is het proces voor bedreigingsmodellering en IoT-penetratietesten?

Vanwege onze mogelijkheid om te begrijpen hoe assets zich gedragen, kunnen we gegevens consumeren die verband houden met de interne werking van een verbonden apparaat (bijv. CPU, geheugengebruik, datapakketgrootte/frequentie). IoT-apparaten hebben over het algemeen een regelmatig patroon van werking – hoe vaak het gegevens verstuurt, waar het de gegevens naartoe verstuurt en de grootte van dat datapakket. We passen MicroAI toe om deze interne gegevensparameters te consumeren om een baseline te vormen van wat normaal is voor dat verbonden apparaat. Als een abnormale actie optreedt op het apparaat, kunnen we een reactie activeren. Dit kan variëren van het opnieuw opstarten van een apparaat of het openen van een ticket binnen een werkorderbeheerhulpmiddel tot het volledig afsnijden van netwerkverkeer naar een apparaat. Onze beveiligingsteam heeft testhacks ontwikkeld en we hebben verschillende Zero-Day-aanvalspogingen succesvol gedetecteerd door MicroAI op deze manier te gebruiken.

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

Hieronder vindt u een diagram van hoe MicroAI Atom functioneert. Vanaf het verkrijgen van ruwe gegevens, trainen en verwerken in de lokale omgeving, afleiden van de gegevens en het bieden van uitvoer.

Hieronder vindt u een diagram van hoe MicroAI Network functioneert. Veel MicroAI Atoms voeden MicroAI Network. Naast de Atom-gegevens kunnen extra gegevensbronnen worden samengevoegd met het model voor een meer granulair inzicht in hoe de asset presteert. Bovendien kunnen binnen MicroAI Network meerdere modellen worden gevormd, waardoor stakeholders horizontale analyses kunnen uitvoeren op hoe assets presteren in verschillende regio’s, tussen klanten, voor en na updates, enz.

Bedankt voor het interview en uw gedetailleerde antwoorden, lezers die meer willen leren, kunnen ONE Tech bezoeken.