Yasser Khan, CEO da ONE Tech – Série de Entrevistas

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

O que o atraiu inicialmente para a Inteligência Artificial?

Há alguns anos, implantamos uma solução de Internet Industrial das Coisas (IIoT) que conectou muitos ativos em uma ampla localização geográfica. A quantidade de dados gerada foi imensa. Agregamos dados de PLCs em taxas de amostragem de 50 milissegundos e valores de sensores externos várias vezes por segundo. Ao longo de um único minuto, tínhamos milhares de pontos de dados sendo gerados para cada ativo que estávamos conectando. Sabíamos que o método padrão de transmitir esses dados para um servidor e ter uma pessoa avaliar os dados não era realista, nem benéfico para o negócio. Então, nos empenhamos em criar um produto que processasse os dados e gerasse saídas consumíveis, reduzindo significativamente a quantidade de supervisão que uma organização precisa para colher os benefícios de uma implantação de transformação digital – fortemente focada em gerenciamento de desempenho de ativos e manutenção preditiva.

Pode discutir o que é a solução MicroAI da ONE Tech? 

MicroAI é uma plataforma de Aprendizado de Máquina que fornece um nível maior de insight sobre o desempenho, utilização e comportamento geral de um ativo (dispositivo ou máquina). Esse benefício varia desde gerentes de plantas de manufatura que procuram maneiras de melhorar a eficácia geral do equipamento até OEMs de hardware que desejam entender melhor como seus dispositivos estão se saindo no campo. Conseguiamos isso implantando um pequeno pacote (de até 70kb) no microcontrolador (MCU) ou microprocessador (MPU) do ativo. Um diferenciador-chave é que o processo de treinamento e formação de um modelo da MicroAI é único. Treinamos o modelo diretamente no ativo em si. Isso não apenas permite que os dados permaneçam locais, reduzindo o custo e o tempo de implantação, mas também aumenta a precisão e a precisão da saída da IA. A MicroAI tem três camadas principais:

1. Ingestão de dados – A MicroAI é agnóstica em relação à entrada de dados. Podemos consumir qualquer valor de sensor e a plataforma MicroAI permite a engenharia de recursos e o peso das entradas dentro dessa primeira camada.
2. Treinamento – Treinamos diretamente no ambiente local. A duração do treinamento pode ser definida pelo usuário, dependendo do que é um ciclo normal do ativo. Geralmente, 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 pela MicroAI com base na gravidade da anomalia detectada. Esses limites podem ser ajustados pelo usuário. Outras saídas geradas pela MicroAI incluem Dias Previstos para a Próxima Manutenção (para otimizar os cronogramas de serviço), Pontuação de Saúde e Vida Restante do Ativo. Essas saídas podem ser enviadas para sistemas de TI existentes que os clientes têm em vigor (ferramentas de Gerenciamento do Ciclo de Vida do Produto, Gerenciamento de Suporte/Bilhete, Manutenção, etc.)

Pode discutir algumas das tecnologias de aprendizado de máquina por trás da MicroAI?

A MicroAI apresenta uma Análise Comportamental Multidimensional empacotada em um algoritmo recursivo. Cada entrada que é alimentada no motor de IA afeta os limites (limites superior e inferior) que são definidos pelo modelo de IA. Fazemos isso fornecendo uma previsão um passo à frente. Por exemplo, se uma entrada é RPM e o RPM aumenta, o limite superior da temperatura do rolamento pode aumentar ligeiramente devido ao movimento mais rápido da máquina. Isso permite que o modelo continue a evoluir e aprender.

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

Temos uma abordagem única para formar modelos diretamente no ponto de extremidade (onde os dados são gerados). Isso traz privacidade e segurança de dados para as implantações, pois os dados não precisam deixar o ambiente local. Isso é especialmente importante para implantações onde 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.

Uma das funcionalidades da tecnologia MicroAI é a detecção de anomalias acelerada, pode elaborar sobre essa funcionalidade?

Devido à nossa abordagem de análise comportamental, podemos implantar a MicroAI e começar a aprender o comportamento do ativo instantaneamente. Podemos começar a ver padrões dentro do comportamento. Novamente, isso é sem a necessidade de carregar quaisquer dados históricos. Uma vez que capturamos ciclos suficientes do ativo, podemos então começar a gerar saídas precisas do modelo de IA. Isso é inovador para o setor. 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 MicroAI Helio e MicroAI Atom?

MicroAI Helio Server:

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

Fluxos de trabalho para gerenciar 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 realizar diferentes trabalhos com taxas de ciclo diferentes; isso pode ser configurado dentro desses fluxos de trabalho. Além disso, a capacidade de gerenciamento de tickets/ordens de serviço também é parte do ambiente do Helio Server.

Análise e gerenciamento de dados – Dentro dessa seção do Helio, um usuário pode executar análises adicionais na saída da IA, juntamente com quaisquer instantâneos de dados brutos (por exemplo, valores de dados máximos, mínimos e médios em uma base horária ou assinaturas de dados que dispararam um alerta ou alarme). Essas podem ser consultas configuradas no designer de análise do Helio 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 consomem e/ou enviam dados em coordenação com o ambiente do Helio.

Visualização de dados – O Helio fornece modelos para relatórios específicos da indústria, o que permite que os usuários consumam visualizações de Gerenciamento de Ativos Empresariais e Gerenciamento de Desempenho de Ativos de seus ativos conectados, tanto do aplicativo de desktop quanto do aplicativo móvel do Helio.

MicroAI Atom:

MicroAI Atom é uma plataforma de Aprendizado de Máquina projetada para ser incorporada em ambientes de MCU. Isso inclui o treinamento da análise comportamental multidimensional recursiva diretamente na arquitetura local do MCU – e não na nuvem e, em seguida, empurrada para o MCU. Isso permite acelerar a construção e implantação de modelos de ML por meio da geração automática dos limites superior e inferior com base no modelo multivariante formado diretamente no ponto de extremidade. Criamos a MicroAI para ser uma maneira mais eficiente de consumir e processar dados de sinal para treinar modelos do que métodos tradicionais. Isso não apenas traz um nível mais alto de precisão para o modelo formado, mas também utiliza menos recursos no hardware hospedeiro (por exemplo, uso de memória e CPU mais baixo), o que nos permite executar em ambientes como um MCU.

Temos outra oferta central chamada MicroAI Network.

MicroAI Network – Permite que uma rede de Átomos seja consolidada e mesclada com fontes de dados externas para criar vários modelos diretamente na borda. Isso permite que sejam executadas análises horizontais e verticais nos vários ativos que executam o Átomo. A MicroAI Network permite um nível ainda mais profundo de compreensão de como um dispositivo/ativo está se saindo em relação a ativos semelhantes implantados. Novamente, devido à nossa abordagem única de formar modelos diretamente na borda, os modelos de aprendizado de máquina consomem muito pouca memória e CPU do hardware hospedeiro.

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

Devido à nossa capacidade de entender como os ativos se comportam, podemos consumir dados relacionados aos internos de um dispositivo conectado (por exemplo, Uso de CPU, Tamanho do pacote de dados/frequência). Dispositivos de IoT têm, na maioria das vezes, um padrão de operação regular – com que frequência eles transmitem dados, para onde enviam os dados e o tamanho do pacote de dados. Aplicamos a MicroAI para consumir esses parâmetros de dados internos para formar uma linha de base do que é normal para esse dispositivo conectado. Se uma ação anormal ocorrer no dispositivo, podemos disparar uma resposta. Isso pode variar desde reiniciar um dispositivo ou abrir um ticket dentro de uma ferramenta de gerenciamento de ordens de serviço, até cortar completamente o tráfego de rede para um dispositivo. Nossa equipe de segurança desenvolveu hacks de teste e detectamos com sucesso várias tentativas de ataques de Zero-Day usando a MicroAI nessa capacidade.

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

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

Obrigado pela entrevista e pelas respostas detalhadas, leitores que desejam aprender mais devem visitar ONE Tech.