Yasser Khan, CEO av ONE Tech – Intervju-serie

Yasser Khan er CEO av ONE Tech, et selskap som driver med AI-drevne teknologiløsninger for å designe, utvikle og distribuere neste generasjons IoT-løsninger for OEM-er, nettoperatører og bedrifter.

Hva var det som først tiltalte deg til kunstig intelligens?

For noen år siden, implementerte vi en løsning for Industrial Internet of Things (IIoT) som koblet mange aktiver over et stort geografisk område. Mengden data som ble generert var enorm. Vi samlet inn data fra PLC-er med en samplingshastighet på 50 millisekunder og eksterne sensorverdier noen ganger i sekundet. Over løpet av ett minutt, hadde vi tusenvis av datapunkter som ble generert for hver aktiver vi koblet til. Vi visste at den standardmetoden for å overføre denne dataen til en server og få en person til å evaluere dataen, ikke var realistisk eller nyttig for bedriftene. Så vi satte oss fore å lage et produkt som kunne prosessere dataen og generere forbrukbare utdata, og redusere mengden tilsyn som en organisasjon trenger for å kunne dra nytte av en digital transformasjonsimplementering – sterkt fokusert på aktiveringsstyring og prediktivt vedlikehold.

Kan du diskutere hva ONE Techs MicroAI-løsning er? 

MicroAI er en maskinlæringsplattform som gir en høyere nivå av innsikt i aktivers (enheter eller maskiner) ytelse, utnyttelse og generell atferd. Denne fordelen omfatter fabrikksledere som søker etter måter å forbedre den totale effekten av utstyret, samt hardware-OEM-er som ønsker å bedre forstå hvordan deres enheter utfører seg ute i feltet. Vi oppnår dette ved å distribuere en liten (så liten som 70kb) pakke på mikrokontrolleren (MCU) eller mikroprosessor (MPU) til aktiveren. En viktig forskjell er at MicroAIs prosess for å trene og danne en modell er unik. Vi trener modellen direkte på aktiveren selv. Dette tillater ikke bare at dataene forblir lokale, noe som reduserer kostnader og tid for implementering, men øker også nøyaktigheten og presisjonen av AI-utdataene. MicroAI har tre primære lag:

1. Datainnsamling – MicroAI er uavhengig av datainnsamling. Vi kan konsumere enhver sensorverdi, og MicroAI-plattformen tillater funksjonsutforming og vekting av inndataene i dette første laget.
2. Trening – Vi trener direkte i den lokale miljøet. Treningstiden kan settes av brukeren avhengig av hva en normal syklus av aktiveren er. Vanligvis ønsker vi å fange 25-45 normale sykluser, men dette er sterkt avhengig av variasjon/volatilitet av hver syklus som er fanget.
3. Utdata -Varslinger og varslinger genereres av MicroAI basert på alvorlighetsgraden av anomalien som er detektert. Disse tersklerne kan justeres av brukeren. Andre utdata som genereres av MicroAI inkluderer forutsagt antall dager til neste vedlikehold (for å optimalisere serviceplaner), helsepoeng og aktiveringsliv igjen. Disse utdataene kan sendes til eksisterende IT-systemer som kundene har på plass (Produktlivssyklusverktøy, Support/Billettstyring, Vedlikehold osv.)

Kan du diskutere noen av maskinlærings-teknologiene bak MicroAI?

MicroAI har en flerdimensjonal atferdsanalyse pakket inn i en rekursiv algoritme. Hver inndata som mates inn i AI-motoren påvirker tersklerne (øvre og nedre grenser) som er satt av AI-modellen. Vi gjør dette ved å gi en forhåndsvarsling. For eksempel, hvis en inndata er RPM, og RPM øker, kan øvre terskel for bæringstemperatur øke noe på grunn av maskinens raskere bevegelse. Dette tillater at modellen kan fortsette å utvikle seg og lære.

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

Vi har en unik tilnærming til å danne modeller direkte på endepunktet (der data genereres). Dette bringer dataintegritet og -sikkerhet til implementeringer, fordi data ikke trenger å forlate den lokale miljøet. Dette er spesielt viktig for implementeringer hvor dataintegritet er obligatorisk. Videre er prosessen med å trene data i en sky tidskrevende. Denne tidsforbruket som andre har i dette området, skyldes behovet for å samle inn historiske data, overføre data til en sky, danne en modell og til slutt pushe modellen ned til sluttpunktene. MicroAI kan trene og kjøre 100% i den lokale miljøet.

En av funksjonene til MicroAI-teknologien er akselerert anomali-dettekt, kan du utdype på denne funksjonaliteten?

På grunn av vår tilnærming til atferdsanalyse, kan vi distribuere MicroAI og øyeblikkelig begynne å lære atferden til aktiveren. Vi kan begynne å se mønster i atferden. Igjen, dette er uten behov for å laste inn noen historiske data. Når vi har fanget tilstrekkelige sykluser av aktiveren, kan vi så begynne å generere nøyaktige utdata fra AI-modellen. Dette er banebrytende for området. Hva som tidligere tok uker eller måneder for å danne en nøyaktig modell, kan nå skje på noen timer, og noen ganger minutter.

Hva er forskjellen på MicroAI Helio og MicroAI Atom?

MicroAI Helio Server:

Vår Helio Server-miljø kan distribueres i en lokal server (vanligvis), eller i en skyinstans. Helio gir følgende funksjonalitet: (Arbeidsflytstyring, dataanalyse og -styring, og datavisualisering).

Arbeidsflyt for å styre aktiver – En hierarki av hvor de er distribuert og hvordan de brukes. (f.eks. oppsett av alle kundelokasjoner globalt, spesifikke lokasjoner og seksjoner innen hver lokasjon, enkeltstasjoner, ned til hver aktiver i hver stasjon). Videre er det mulig å konfigurere arbeidsordre-/billettstyring, som også er en del av Helio Server-miljøet.

Dataanalyse og -styring – Innenfor denne delen av Helio, kan en bruker kjøre videre analyser på AI-utdataene, samt rå data-snapshot (f.eks. maks-, min- og gjennomsnittsdata-verdier på timebasis eller datasignaturer som utløste en varsling eller alarm). Disse kan være spørringene som er konfigurert i Helio Analytics-designeren eller mer avanserte analyser som er importert fra verktøy som R, et programmeringsspråk. Datastyringslaget er hvor en bruker kan bruke API-mangement-portalen for tredjeparts-tilkoblinger som konsumerer og/eller sender data i samarbeid med Helio-miljøet.

Datavisualisering – Helio gir maler for ulike bransjespesifikke rapporter, som tillater brukerne å se Enterprise Asset Management og Asset Performance Management-utsikt over deres koblete aktiver fra både Helio-skrivebord og mobilapplikasjoner.

MicroAI Atom:

MicroAI Atom er en maskinlæringsplattform designet for å bli integrert i MCU-miljøer. Dette inkluderer trening av flerdimensjonal atferdsanalyse rekursiv algoritme direkte i lokal MCU-arkitektur – ikke i en sky og deretter pushet ned til MCU. Dette tillater akselerering av bygging og distribusjon av ML-modeller gjennom auto-generering av øvre og nedre terskler basert på multivariant-modell som er dannet direkte på endepunktet. Vi har laget MicroAI for å være en mer effektiv måte å konsumere og prosessere signaldata for å trene modeller enn andre tradisjonelle metoder. Dette bringer ikke bare en høyere nivå av nøyaktighet til modellen som er dannet, men også bruker færre ressurser på vertshardware (f.eks. lavere minne- og CPU-bruk), noe som tillater oss å kjøre i miljøer som en MCU.

Vi har en annen kjerne-tilbud kalt MicroAI Network.

MicroAI Network – Tillater en nettverk av Atomer å bli konsolidert og blandet med eksterne datakilder for å danne flere modeller direkte på kanten. Dette tillater en å kjøre horisontal og vertikal analyse på de ulike aktiver som kjører Atom. MicroAI Network tillater en enda dypere forståelse av hvordan en enhet/aktiver utfører seg i forhold til lignende aktiver som er distribuert. Igjen, på grunn av vår unike tilnærming til å danne modeller direkte på kanten, konsumerer maskinlærings-modellene svært lite minne og CPU på vertshardware.

ONE Tech tilbyr også IoT-sikkerhetskonsulenter. Hva er prosessen for trusselmodellering og IoT-penetreringstesting?

På grunn av vår evne til å forstå hvordan aktiver oppfører seg, kan vi konsumere data relatert til innvendige av en koblet enhet (f.eks. CPU, minnebruk, datapakkestørrelse/frekvens). IoT-enheter har, for det meste, en regelmessig mønster av drift – hvor ofte den sender data, hvor den sender data til, og størrelsen på datapakken. Vi bruker MicroAI til å konsumere disse indre data-parametrene for å danne en basis for hva som er normalt for den koblete enheten. Hvis en abnormal handling skjer på enheten, kan vi utløse en respons. Dette kan variere fra å restarte en enhet eller åpne en billett i en arbeidsordre-styringsverktøy, til å kutte helt av nettverkstrafikken til en enhet. Vårt sikkerhetsteam har utviklet testing-hacks og vi har suksessfullt detektert flere Zero-Day-angrep ved å bruke MicroAI i denne kapasiteten.

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

Nedenfor er et diagram over hvordan MicroAI Atom fungerer. Startende med å samle inn rådata, trening og prosessering i den lokale miljøet, inferens av data og utdata.

Nedenfor er et diagram over hvordan MicroAI Network fungerer. Mange MicroAI-atomer maters inn i MicroAI Network. Sammen med Atom-data, kan ekstra datakilder bli blandet inn i modellen for en mer granulert forståelse av hvordan aktiveren utfører seg. Videre, innenfor MicroAI Network, blir flere modeller dannet som tillater interessenter å kjøre horisontal analyse på hvordan aktiver utfører seg i ulike regioner, mellom kunder, før og etter oppdateringer, osv.

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