Yasser Khan, CEO of ONE Tech – Wywiad

Yasser Khan jest CEO ONE Tech, firmą technologiczną napędzaną przez sztuczną inteligencję, która projektuje, rozwija i wdraża rozwiązania IoT dla producentów urządzeń, operatorów sieci i przedsiębiorstw.

Czym było to, co początkowo przyciągnęło Cię do sztucznej inteligencji?

Parę lat temu wdrożyliśmy rozwiązanie Industrial Internet of Things (IIoT), które połączyło wiele aktywów na dużej powierzchni geograficznej. Ilość generowanych danych była ogromna. Agregowaliśmy dane z PLC z częstotliwością próbkowania 50 milisekund i wartości zewnętrznych czujników kilka razy na sekundę. W ciągu jednej minuty mieliśmy tysiące punktów danych generowanych dla każdego aktywa, do którego się łączymy. Wiedzieliśmy, że standardowa metoda transmisji tych danych do serwera i oceny danych przez osobę nie była realistyczna, ani korzystna dla biznesu. Postanowiliśmy więc stworzyć produkt, który przetworzy dane i wygeneruje wyniki w postaci łatwej do spożycia, znacznie zmniejszając ilość nadzoru, którego potrzebuje organizacja, aby skorzystać z wdrożenia transformacji cyfrowej – skupiając się głównie na zarządzaniu wydajnością aktywów i konserwacji predykcyjnej.

Czy możesz omówić, czym jest rozwiązanie MicroAI firmy ONE Tech? 

MicroAI to platforma Machine Learning, która zapewnia głębszy wgląd w wydajność, wykorzystanie i ogólne zachowanie aktywów (urządzeń lub maszyn). Korzyści z tego rozwiązania sięgają od menedżerów zakładów produkcyjnych, którzy szukają sposobów na poprawę ogólnej efektywności sprzętu, po producentów urządzeń, którzy chcą lepiej zrozumieć, jak ich urządzenia działają w terenie. Osiągamy to, wdrażając mały (tak mały, jak 70kb) pakiet na mikrokontrolerze (MCU) lub mikroprocesorze (MPU) aktywa. Kluczową różnicą jest to, że proces szkolenia i tworzenia modelu MicroAI jest unikalny. Szkolimy model bezpośrednio na aktywie. Nie tylko pozwala to na pozostawienie danych w miejscu, co zmniejsza koszty i czas wdrożenia, ale także zwiększa dokładność i precyzję danych wyjściowych AI. MicroAI składa się z trzech podstawowych warstw:

1. Pobieranie danych – MicroAI jest niezależny od danych wejściowych. Możemy spożytkować każdą wartość czujnika, a platforma MicroAI pozwala na inżynierię cech i wagę wejść w tej pierwszej warstwie.
2. Szkolenie – Szkolimy bezpośrednio w środowisku lokalnym. Czas szkolenia może być ustawiony przez użytkownika, w zależności od tego, co jest normalnym cyklem aktywa. Zazwyczaj staramy się przechwycić 25-45 normalnych cykli, ale jest to silnie uzależnione od zmienności każdego przechwyconego cyklu.
3. Wynik – Powiadomienia i alerty są generowane przez MicroAI na podstawie ciężkości anomalii, która została wykryta. Te progi mogą być dostosowane przez użytkownika. Inne wyniki generowane przez MicroAI obejmują przewidywane dni do następnej konserwacji (do optymalizacji harmonogramów usług), wynik zdrowia i pozostałe dni życia aktywa. Te wyniki mogą być wysłane do istniejących systemów IT, które mają klienci (narzędzia do zarządzania cyklem życia produktu, zarządzanie biletem, konserwacja itp.)

Czy możesz omówić niektóre technologie machine learning, które znajdują się za MicroAI?

MicroAI posiada wielowymiarową analizę behawioralną zapakowaną w rekurencyjny algorytm. Każde wejście, które jest wprowadzane do silnika AI, wpływa na progi (górne i dolne granice), które są ustawione przez model AI. Robimy to, zapewniając jeden krok do przodu predykcji. Na przykład, jeśli jednym wejściem są RPM, a RPM zwiększają się, górna granica progu temperatury łożyska może nieznacznie wzrosnąć z powodu szybszego ruchu maszyny. Pozwala to modelowi na dalsze ewoluowanie i uczenie.

MicroAI nie zależy od dostępu do chmury, jakie są zalety tego?

Mamy unikalne podejście do tworzenia modeli bezpośrednio na punkcie końcowym (gdzie generowane są dane). To przynosi prywatność danych i bezpieczeństwo wdrożeń, ponieważ dane nie muszą opuszczać środowiska lokalnego. Jest to szczególnie ważne dla wdrożeń, w których prywatność danych jest obligatoryjna. Ponadto proces szkolenia danych w chmurze jest czasochłonny. Ten czasochłonny proces, w jaki inni podchodzą do tego obszaru, jest spowodowany potrzebą agregacji historycznych danych, transmisji danych do chmury, tworzenia modelu i ostatecznie pushowania tego modelu do końcowych aktywów. MicroAI może szkolić i działać 100% w środowisku lokalnym.

Jedną z funkcji technologii MicroAI jest przyspieszona detekcja anomalii, możesz omówić tę funkcjonalność?

Ze względu na nasze podejście do analizy behawioralnej, możemy wdrożyć MicroAI i natychmiast zacząć uczyć się zachowania aktywa. Możemy zacząć dostrzegać wzorce w tym zachowaniu. Znowu, jest to bez potrzeby ładowania jakichkolwiek historycznych danych. Jak tylko przechwycimy wystarczająco cykli aktywa, możemy zacząć generować dokładne wyniki z modelu AI. Jest to przełomowe w tym obszarze. To, co wcześniej zajmowało tygodnie lub miesiące, aby utworzyć dokładny model, może teraz nastąpić w ciągu kilku godzin, a nawet minut.

Co to jest różnica między MicroAI Helio a MicroAI Atom?

MicroAI Helio Server:

Nasze środowisko Helio Server może być wdrożone na serwerze lokalnym (najczęstsze), lub w instancji chmury. Helio zapewnia następujące funkcjonalności: (zarządzanie przepływem pracy, analiza i zarządzanie danymi, oraz wizualizacja danych).

Przepływ pracy dla zarządzania aktywami – Hierarchia, gdzie są one wdrożone i jak są używane. (np. konfiguracja wszystkich obiektów klienta na całym świecie, konkretnych obiektów i sekcji w każdym obiekcie, poszczególnych stacji, aż do każdego aktywa w każdej stacji). Ponadto aktywa mogą być skonfigurowane do wykonywania różnych zadań z różnymi stawkami cyklu; może to być skonfigurowane w ramach tych przepływów pracy. Dodatkowo jest możliwość zarządzania biletem/pracy, co jest również częścią środowiska Helio Server.

Analiza i zarządzanie danymi – W tej sekcji Helio użytkownik może uruchomić dalsze analizy na wynikach AI, wraz z dowolnymi surowymi migawkami danych (np. maksymalne, minimalne i średnie wartości danych na godziny lub sygnatury danych, które wyzwoliły alert lub alarm). Mogą to być zapytania, które są skonfigurowane w projekcie analitycznym Helio, lub bardziej zaawansowane analizy wprowadzane z narzędzi takich jak R, język programowania. Warstwa zarządzania danymi jest miejscem, w którym użytkownik może wykorzystać bramę zarządzania API do połączeń zewnętrznych, które konsumują i/lub wysyłają dane w koordynacji ze środowiskiem Helio.

Wizualizacja danych – Helio zapewnia szablony dla różnych branżowych raportów, co pozwala użytkownikom na spożycie widoku zarządzania aktywami i wydajnością aktywów z poziomu pulpitu i aplikacji mobilnej Helio.

MicroAI Atom:

MicroAI Atom to platforma Machine Learning zaprojektowana do osadzania w środowiskach MCU. Obejmuje to szkolenie wielowymiarowej analizy behawioralnej rekurencyjnego algorytmu bezpośrednio w lokalnej architekturze MCU – a nie w chmurze, a następnie pushowanie go do MCU. Pozwala to na przyspieszenie budowy i wdrożenia modeli ML poprzez automatyczne generowanie górnych i dolnych progów na podstawie modelu wielowariantowego, który jest tworzony bezpośrednio na punkcie końcowym. Stworzyliśmy MicroAI, aby był bardziej efektywnym sposobem konsumowania i przetwarzania sygnałów danych w celu szkolenia modeli niż tradycyjne metody. Nie tylko zapewnia to wyższy poziom dokładności modelu, który jest tworzony, ale także wykorzystuje mniej zasobów na sprzęcie hosta (tj. niższe użycie pamięci i CPU), co pozwala nam działać w środowiskach takich jak MCU.

Mamy jeszcze jedną podstawową ofertę o nazwie MicroAI Network.

MicroAI Network – Pozwala na konsolidację sieci Atomów i łączenie ich z zewnętrznymi źródłami danych w celu tworzenia wielu modeli bezpośrednio na brzegu. Pozwala to na analizę poziomą i pionową różnych aktywów, które są uruchomione z Atomem. MicroAI Network pozwala na jeszcze głębszy poziom zrozumienia, jak urządzenie/aktywo działa w relacji do podobnych aktywów, które są wdrożone. Znowu, ze względu na nasze unikalne podejście do tworzenia modeli bezpośrednio na brzegu, modele machine learning zużywają bardzo mało pamięci i CPU sprzętu hosta.

Firma ONE Tech oferuje również konsulting zabezpieczeń IoT. Jaki jest proces modelowania zagrożeń i testowania penetracyjnego IoT?

Ze względu na naszą możliwość zrozumienia, jak aktywa się zachowują, możemy spożytkować dane związane z wnętrzem połączonego urządzenia (np. CPU, użycie pamięci, rozmiar pakietu danych/częstotliwość). Urządzenia IoT mają, w większości przypadków, regularny wzorzec działania – jak często wysyłają dane, gdzie je wysyłają i jaki jest rozmiar pakietu danych. Stosujemy MicroAI, aby spożytkować te wewnętrzne parametry danych, aby utworzyć bazę, co jest normalne dla tego połączonego urządzenia. Jeśli na urządzeniu wystąpi niezwykła akcja, możemy wyzwolić odpowiedź. Może to obejmować ponowne uruchomienie urządzenia lub otwarcie biletu w narzędziu do zarządzania pracą, aż do całkowitego odcięcia ruchu sieciowego do urządzenia. Nasz zespół ds. bezpieczeństwa opracował testy hakowania i pomyślnie wykryliśmy różne ataki Zero-Day, korzystając z MicroAI w tym zakresie.

Czy jest coś jeszcze, co chciałbyś podzielić się na temat ONE Tech, Inc?

Poniżej znajduje się diagram, który pokazuje, jak działa MicroAI Atom. Zaczynając od pozyskiwania surowych danych, szkolenia i przetwarzania w środowisku lokalnym, inferencji danych i dostarczania wyników.

Poniżej znajduje się diagram, który pokazuje, jak działa MicroAI Network. Wiele MicroAI Atom jest karmione do MicroAI Network. Wraz z danymi Atom, dodatkowe źródła danych mogą być scalone z modelem, aby uzyskać bardziej szczegółowe zrozumienie, jak aktywo działa. Ponadto, w ramach MicroAI Network tworzone są wielokrotne modele, co pozwala stakeholderom na prowadzenie analizy poziomej, jak aktywa działają w różnych regionach, między klientami, przed i po aktualizacjach itd.

Dziękujemy za wywiad i szczegółowe odpowiedzi, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić ONE Tech.