Yasser Khan, administrerende direktør i ONE Tech – Intervjuserien

Yasser Khan, er administrerende direktør i EN Tech et AI-drevet teknologiselskap som designer, utvikler og distribuerer neste generasjons IoT-løsninger for OEM-er, nettverksoperatører og bedrifter.

Hva tiltrakk deg i utgangspunktet til kunstig intelligens?

For noen år siden implementerte vi en Industrial Internet of Things (IIoT)-løsning som koblet sammen mange eiendeler over et bredt geografisk sted. Datamengden som ble generert var enorm. Vi aggregerte data fra PLS-er med samplingshastigheter på 50 millisekunder og eksterne sensorverdier noen ganger i sekundet. I løpet av et enkelt minutt hadde vi tusenvis av datapunkter som ble generert for hver ressurs vi koblet til. Vi visste at standardmetoden for å overføre disse dataene til en server og få en person til å evaluere dataene ikke var realistisk, og heller ikke gunstig for virksomheten. Så vi satte oss for å lage et produkt som ville behandle dataene og generere utdata for forbruksvarer, noe som i stor grad reduserer mengden av tilsyn som en organisasjon trenger for å høste fordelene av en digital transformasjonsdistribusjon – sterkt fokusert på ytelsesstyring og prediktivt vedlikehold.

Kan du diskutere hva ONE Techs MicroAI-løsning er? 

MicroAI™ er en maskinlæringsplattform som gir et høyere nivå av innsikt i aktiva (enhet eller maskin) ytelse, bruk og generell atferd. Denne fordelen spenner fra fabrikksjefer som leter etter måter å forbedre den generelle utstyrseffektiviteten til maskinvare-OEM-er som ønsker å bedre forstå hvordan enhetene deres fungerer ute i felten. Vi oppnår dette ved å distribuere en liten (så liten som 70 kb) pakke på mikrokontrolleren (MCU) eller mikroprosessoren (MPU) til eiendelen. En sentral differensiator er at MicroAIs prosess med å trene og danne en modell er unik. Vi trener modellen direkte på selve eiendelen. Ikke bare gjør dette at data forblir lokale, noe som reduserer kostnadene og tiden for distribusjon, men det øker også nøyaktigheten og presisjonen til AI-utgangen. MicroAI har tre primære lag:

1. Inntak av data – MicroAI er agnostisk til datainndata. Vi kan konsumere hvilken som helst sensorverdi, og MicroAI-plattformen tillater funksjonsutvikling og vekting av inngangene i dette første laget.
2. Kurs – Vi trener direkte i nærmiljøet. Opplæringsvarigheten kan angis av brukeren avhengig av hva en normal syklus av aktivaet er. Vanligvis liker vi å fange 25-45 normale sykluser, men dette er sterkt basert på variasjon/volatilitet for hver syklus som fanges.
3. Produksjon – Varsler og varsler genereres av MicroAI basert på alvorlighetsgraden av anomalien som oppdages. Disse tersklene kan justeres av brukeren. Andre utdata generert av MicroAI inkluderer Predicted Days to Next Maintenance (for optimalisering av serviceplaner), Health Score og Asset Life Remaining. Disse utdataene kan sendes til eksisterende IT-systemer som kundene har på plass (verktøy for produktlivssyklusadministrasjon, støtte/billettadministrasjon, vedlikehold, etc.)

Kan du diskutere noen av maskinlæringsteknologiene bak MicroAI?

MicroAI har en multidimensjonal atferdsanalyse pakket i en rekursiv algoritme. Hver inngang som mates inn i AI-motoren påvirker tersklene (øvre og nedre grenser) som er satt av AI-modellen. Vi gjør dette ved å gi et skritt foran prediksjon. For eksempel, hvis én inngang er RPM og RPM øker, kan øvre grense for lagertemperatur gå opp litt på grunn av den raskere maskinbevegelsen. Dette gjør at modellen kan fortsette å utvikle seg og lære.

MicroAI er ikke avhengig av tilgang til skyen, hva er fordelene med dette?

Vi har en unik tilnærming til å danne modeller direkte på endepunktet (hvor data genereres). Dette bringer datavern og sikkerhet til distribusjoner fordi data ikke trenger å forlate det lokale miljøet. Dette er spesielt viktig for distribusjoner der personvern er obligatorisk. Videre er prosessen med å trene data i en sky tidkrevende. Dette tidsforbruket av hvordan andre nærmer seg dette rommet er forårsaket av behovet for å aggregere historiske data, overføre data til en sky, danne en modell og til slutt presse den modellen ned til slutteiendelene. MicroAI kan trene og leve 100 % i lokalmiljøet.

En av funksjonene til MicroAI-teknologien er dens akselererte avviksdeteksjon, kan du utdype denne funksjonaliteten?

På grunn av vår tilnærming til atferdsanalyse, kan vi distribuere MicroAI og umiddelbart begynne å lære eiendelens oppførsel. Vi kan begynne å se mønstre i atferden. Igjen, dette er uten behov for å laste inn noen historiske data. Når vi fanger opp tilstrekkelige sykluser av eiendelen, kan vi begynne å generere nøyaktig utdata fra AI-modellen. Dette er banebrytende for plassen. Det som pleide å ta uker eller måneder å danne en nøyaktig modell, kan skje i løpet av noen timer, og noen ganger minutter.

Hva er forskjellen mellom MicroAI™ Helio og MicroAI™ Atom?

MicroAI™ Helio Server:

Helio Server-miljøet vårt kan distribueres i en lokal server (mest vanlig), eller i en skyforekomst. Helio tilbyr følgende funksjonalitet: (Arbeidsflytstyring, dataanalyse og -administrasjon, og datavisualisering).

Arbeidsflyter for forvaltning av eiendeler – Et hierarki over hvor de er utplassert og hvordan de brukes. (f.eks. oppsett av alle kundefasiliteter globalt, spesifikke fasiliteter og seksjoner innenfor hvert anlegg, individuelle stasjoner, ned til hver eiendel i hver stasjon). Videre kan eiendelene settes opp til å utføre forskjellige jobber med forskjellige syklushastigheter; dette kan konfigureres innenfor disse arbeidsflytene. I tillegg kommer muligheten for billett-/arbeidsordrehåndtering, som også er en del av Helio Server-miljøet.

Dataanalyse og styring – Innenfor denne delen av Helio kan en bruker kjøre ytterligere analyser på AI-utdataene, sammen med eventuelle øyeblikksbilder av rådata (dvs. Maks, Min og gjennomsnittlige dataverdier på timebasis eller datasignaturer som utløste et varsel eller en alarm) . Dette kan være spørringer som er konfigurert i Helio Analytics-designeren eller mer avanserte analyser hentet fra verktøy som R, et programmeringsspråk. Databehandlingslaget er der en bruker kan bruke API-administrasjonsgatewayen for tredjepartsforbindelser som forbruker og/eller sender data i koordinering med Helio-miljøet.

Datavisualisering – Helio tilbyr maler for ulike bransjespesifikke rapporteringer, som gjør det mulig for brukere å konsumere Enterprise Asset Management og Asset Performance Management-visninger av deres tilkoblede eiendeler fra både Helio-stasjonære og mobilapplikasjoner.

MicroAI Atom:

MicroAI Atom er en maskinlæringsplattform designet for integrering i MCU-miljøer. Dette inkluderer opplæring av den multidimensjonale atferdsanalysen rekursive algoritmen direkte i lokal MCU-arkitektur – ikke i en sky og deretter presset ned til MCU. Dette gjør det mulig å akselerere byggingen og distribusjonen av ML-modeller gjennom autogenerering av øvre og nedre terskeler basert på multivariantmodell som dannes direkte på endepunktet. Vi har laget MicroAI for å være en mer effektiv måte å konsumere og behandle signaldata for å trene modeller enn andre tradisjonelle metoder. Dette gir ikke bare et høyere nivå av nøyaktighet til modellen som dannes, men bruker mindre ressurser på vertsmaskinvaren (dvs. lavere minne og CPU-bruk), noe som gjør at vi kan kjøre i miljøer som en MCU.

Vi har et annet kjernetilbud kalt MicroAI™ Network.

MicroAI™ nettverk – Gjør det mulig for et nettverk av atomer å bli konsolidert og blandet med eksterne datakilder for å lage flere modeller direkte på kanten. Dette gjør det mulig å kjøre horisontal og vertikal analyse på de ulike eiendelene som kjører Atom. MicroAI Network gir mulighet for et enda dypere nivå av forståelse for hvordan en enhet/aktiva fungerer i forhold til lignende eiendeler som er distribuert. Igjen, på grunn av vår unike tilnærming til å lage modeller direkte på kanten, bruker maskinlæringsmodellene svært lite minne og CPU til vertsmaskinvaren.

ONE Tech tilbyr også rådgivning om IoT-sikkerhet. Hva er prosessen for trusselmodellering og IoT-penetrasjonstesting?

På grunn av vår evne til å forstå hvordan eiendeler oppfører seg, kan vi konsumere data relatert til innsiden av en tilkoblet enhet (f.eks. CPU, minnebruk, datapakkestørrelse/-frekvens). IoT-enheter har for det meste et regelmessig driftsmønster – hvor ofte den overfører data, hvor den sender dataene og størrelsen på den datapakken. Vi bruker MicroAI for å konsumere disse interne dataparametrene for å danne en grunnlinje for hva som er normalt for den tilkoblede enheten. Hvis det skjer en unormal handling på enheten, kan vi utløse et svar. Dette kan variere fra å starte en enhet på nytt eller åpne en billett i et arbeidsordreadministrasjonsverktøy, til å fullstendig kutte nettverkstrafikk til en enhet. Sikkerhetsteamet vårt har utviklet testing av hacks, og vi har med suksess oppdaget forskjellige Zero-Day angrepsforsøk ved å bruke MicroAI i denne egenskapen.

Er det noe annet du vil dele om ONE Tech, Inc?

Nedenfor er et diagram over hvordan MicroAI Atom fungerer. Starter med innhenting av rådata, opplæring og prosessering i det lokale miljøet, konklusjon av data og gi utdata.

Nedenfor er et diagram over hvordan MicroAI Network fungerer. Mange MicroAI-atomer strømmer inn i MicroAI-nettverket. Sammen med Atom-dataene kan ytterligere datakilder slås sammen i modellen for en mer detaljert forståelse av hvordan aktivaen presterer. I MicroAI Network dannes det dessuten flere modeller som lar interessenter kjøre horisontal analyse av hvordan eiendeler presterer i forskjellige regioner, mellom kunder, før og etter oppdateringer, etc.

Takk for intervjuet og dine detaljerte svar, lesere som ønsker å lære mer bør besøke EN Tech.