toco Yasser Khan, CEO da ONE Tech - Série de entrevistas - Unite.AI
Entre em contato

Entrevistas

Yasser Khan, CEO da ONE Tech – Série de entrevistas

mm

Publicado

 on

Yasser Khan, é o CEO da UMA Tecnologia uma empresa de tecnologia orientada por IA que projeta, desenvolve e implanta soluções de IoT de próxima geração para OEMs, operadoras de rede e empresas.

O que inicialmente o atraiu para a Inteligência Artificial?

Há alguns anos, implantamos uma solução de Internet das Coisas Industrial (IIoT) que conectava muitos ativos em uma ampla localização geográfica. A quantidade de dados gerados foi imensa. Agregamos dados de PLCs em taxas de amostragem de 50 milissegundos e valores de sensores externos algumas vezes por segundo. Ao longo de um único minuto, tivemos milhares de pontos de dados sendo gerados para cada ativo ao qual estávamos nos conectando. Sabíamos que o método padrão de transmitir esses dados para um servidor e fazer com que uma pessoa avaliasse os dados não era realista nem benéfico para os negócios. Então, decidimos criar um produto que processasse os dados e gerasse saídas consumíveis, reduzindo bastante a quantidade de supervisão que uma organização precisa para colher os benefícios de uma implantação de transformação digital – fortemente focada no gerenciamento de desempenho de ativos e manutenção preditiva.

Você pode discutir o que é a solução MicroAI da ONE Tech? 

MicroAI™ é uma plataforma de aprendizado de máquina que fornece um maior nível de percepção sobre o desempenho, a utilização e o comportamento geral de ativos (dispositivos ou máquinas). Esse benefício abrange desde gerentes de fábrica que buscam maneiras de melhorar a eficácia geral do equipamento até OEMs de hardware que desejam entender melhor o desempenho de seus dispositivos em campo. Conseguimos isso implantando um pacote pequeno (de até 70kb) no microcontrolador (MCU) ou microprocessador (MPU) do ativo. Um diferencial importante é que o processo de treinamento e formação de um modelo da MicroAI é único. Treinamos o modelo diretamente no próprio ativo. Isso não apenas permite que os dados permaneçam locais, o que reduz o custo e o tempo de implantação, mas também aumenta a exatidão e a precisão do resultado da IA. MicroAI tem três camadas principais:

  1. Ingestão de dados – MicroAI é agnóstico para entrada de dados. Podemos consumir qualquer valor de sensor e a plataforma MicroAI permite a engenharia de recursos e a ponderação das entradas nessa primeira camada.
  2. Training – Treinamos diretamente no ambiente local. A duração do treinamento pode ser definida pelo usuário, dependendo do ciclo normal do ativo. Normalmente, gostamos de capturar 25-45 ciclos normais, mas isso é fortemente baseado na variação/volatilidade de cada ciclo capturado.
  3. saída – Notificações e alertas são gerados pelo MicroAI com base na gravidade da anomalia detectada. Esses limites podem ser ajustados pelo usuário. Outras saídas geradas pelo MicroAI incluem Predicted Days to Next Maintenance (para otimizar os cronogramas de serviço), Health Score e Asset Life Remaining. Essas saídas podem ser enviadas para os sistemas de TI existentes que os clientes possuem (ferramentas de gerenciamento do ciclo de vida do produto, gerenciamento de suporte/ticketing, manutenção, etc.)

Você pode discutir algumas das tecnologias de aprendizado de máquina por trás do MicroAI?

O MicroAI apresenta uma Análise Comportamental Multidimensional empacotada em um algoritmo recursivo. Cada entrada que é alimentada no mecanismo de IA afeta os limites (limites superiores e inferiores) definidos pelo modelo de IA. Fazemos isso fornecendo uma previsão um passo à frente. Por exemplo, se uma entrada for RPMs e os RPMs aumentarem, o limite superior da temperatura do mancal pode subir ligeiramente devido ao movimento mais rápido da máquina. Isso permite que o modelo continue a evoluir e aprender.

A MicroAI não depende do acesso à nuvem, quais são as vantagens disso?

Temos uma abordagem única para formar modelos diretamente no endpoint (onde os dados são gerados). Isso traz privacidade e segurança dos dados para as implantações, pois os dados não precisam sair do ambiente local. Isso é especialmente importante para implantações em que a privacidade dos dados é obrigatória. Além disso, o processo de treinamento de dados em uma nuvem é demorado. Esse consumo de tempo de como os outros estão abordando esse espaço é causado pela necessidade de agregar dados históricos, transmitir dados para uma nuvem, formar um modelo e, eventualmente, empurrar esse modelo para os ativos finais. A MicroAI pode treinar e viver 100% no ambiente local.

Um dos recursos da tecnologia MicroAI é a detecção acelerada de anomalias. Você poderia detalhar essa funcionalidade?

Devido à nossa abordagem de análise comportamental, podemos implantar o MicroAI e começar a aprender instantaneamente o comportamento do ativo. Podemos começar a ver padrões dentro do comportamento. Novamente, isso sem a necessidade de carregar nenhum dado histórico. Depois de capturar ciclos suficientes do ativo, podemos começar a gerar uma saída precisa do modelo de IA. Isso é inovador para o espaço. O que costumava levar semanas ou meses para formar um modelo preciso pode acontecer em questão de horas e, às vezes, minutos.

Qual é a diferença entre o MicroAI™ Helio e o MicroAI™ Atom?

Servidor MicroAI™ Helio:

Nosso ambiente Helio Server pode ser implantado em um servidor local (mais comum), ou em uma instância de nuvem. O Helio oferece as seguintes funcionalidades: (Gerenciamento de fluxo de trabalho, análise e gerenciamento de dados e visualização de dados).

Fluxos de trabalho para gerenciamento de ativos – Uma hierarquia de onde eles são implantados e como são usados. (por exemplo, configuração de todas as instalações do cliente globalmente, instalações específicas e seções dentro de cada instalação, estações individuais, até cada ativo em cada estação). Além disso, os ativos podem ser configurados para executar diferentes trabalhos com diferentes taxas de ciclo; isso pode ser configurado nesses fluxos de trabalho. Além disso, há a capacidade de gerenciamento de tickets/ordem de serviço, que também faz parte do ambiente do Helio Server.

Análise e gerenciamento de dados – Nesta seção do Helio, um usuário pode executar análises adicionais na saída de IA, juntamente com quaisquer instantâneos de dados brutos (ou seja, valores máximos, mínimos e médios de dados por hora ou assinaturas de dados que acionaram um alerta ou um alarme) . Podem ser consultas configuradas no designer do Helio Analytics ou análises mais avançadas trazidas de ferramentas como R, uma linguagem de programação. A camada de gerenciamento de dados é onde um usuário pode utilizar o gateway de gerenciamento de API para conexões de terceiros que estão consumindo e/ou enviando dados em coordenação com o ambiente Helio.

Visualização de dados – O Helio fornece modelos para vários relatórios específicos do setor, o que permite que os usuários visualizem o Enterprise Asset Management e o Asset Performance Management do consumidor de seus ativos conectados a partir do desktop Helio e dos aplicativos móveis.

MicroAI Átomo:

O MicroAI Atom é uma plataforma de aprendizado de máquina projetada para incorporação em ambientes MCU. Isso inclui o treinamento do algoritmo recursivo de análise de comportamento multidimensional diretamente na arquitetura local do MCU - não em uma nuvem e, em seguida, enviado para o MCU. Isso permite acelerar a criação e a implantação de modelos de ML por meio da geração automática dos limites superior e inferior com base no modelo multivariante formado diretamente no endpoint. Criamos o MicroAI para ser uma maneira mais eficiente de consumir e processar dados de sinal para treinar modelos do que outros métodos tradicionais. Isso não apenas traz um maior nível de precisão ao modelo que é formado, mas também utiliza menos recursos do hardware do host (ou seja, menor uso de memória e CPU), o que nos permite executar em ambientes como um MCU.

Temos outra oferta principal chamada MicroAI™ Network.

Rede MicroAI™ – Permite que uma rede de Atoms seja consolidada e mesclada com fontes de dados externas para criar vários modelos diretamente na borda. Isso permite que a análise horizontal e vertical seja executada nos vários ativos que estão executando o Atom. A MicroAI Network permite um nível ainda mais profundo de compreensão de como um dispositivo/ativo está funcionando em relação a ativos semelhantes que são implantados. Novamente, devido à nossa abordagem exclusiva para formar modelos diretamente na borda, os modelos de aprendizado de máquina consomem muito pouca memória e CPU do hardware host.

A ONE Tech também oferece consultoria em segurança IoT. Qual é o processo de modelagem de ameaças e teste de penetração de IoT?

Devido à nossa capacidade de entender como os ativos se comportam, podemos consumir dados relacionados aos componentes internos de um dispositivo conectado (por exemplo, CPU, uso de memória, tamanho/frequência do pacote de dados). Os dispositivos IoT têm, na maioria das vezes, um padrão regular de operação – com que frequência transmite dados, para onde envia os dados e o tamanho desse pacote de dados. Aplicamos o MicroAI para consumir esses parâmetros de dados internos para formar uma linha de base do que é normal para esse dispositivo conectado. Se ocorrer uma ação anormal no dispositivo, podemos acionar uma resposta. Isso pode variar desde a reinicialização de um dispositivo ou a abertura de um tíquete em uma ferramenta de gerenciamento de ordem de serviço até o corte completo do tráfego de rede para um dispositivo. Nossa equipe de segurança desenvolveu hacks de teste e detectamos com sucesso várias tentativas de ataque de dia zero usando o MicroAI nessa capacidade.

Há mais alguma coisa que você gostaria de compartilhar sobre a ONE Tech, Inc?

Abaixo está um diagrama de como o MicroAI Atom funciona. Começando com a aquisição de dados brutos, treinamento e processamento no ambiente local, inferência dos dados e fornecimento de saída.

Abaixo está um diagrama de como funciona a Rede MicroAI. Muitos átomos de MicroAI alimentam a rede MicroAI. Juntamente com os dados Atom, fontes de dados adicionais podem ser mescladas no modelo para uma compreensão mais granular do desempenho do ativo. Além disso, dentro da MicroAI Network, vários modelos são formados, permitindo que as partes interessadas executem análises horizontais sobre o desempenho dos ativos em diferentes regiões, entre clientes, antes e depois das atualizações, etc.

Obrigado pela entrevista e suas respostas detalhadas, os leitores que desejam saber mais devem visitar UMA Tecnologia.

Sócio fundador da unite.AI e membro do Conselho de Tecnologia da Forbes, Antoine é um futurista que é apaixonado pelo futuro da IA ​​e da robótica.

Ele também é o fundador da Valores Mobiliários.io, um site que foca em investir em tecnologia disruptiva.