Яссер Хан, генеральный директор ONE Tech – серия интервью

Ясир Хан, генеральный директор ОДНА технология технологическая компания на основе искусственного интеллекта, которая проектирует, разрабатывает и внедряет решения IoT следующего поколения для OEM-производителей, сетевых операторов и предприятий.

Что изначально привлекло вас в искусственном интеллекте?

Несколько лет назад мы развернули решение для промышленного Интернета вещей (IIoT), которое соединило множество активов, расположенных в разных географических точках. Объем данных, которые были сгенерированы, был огромен. Мы агрегировали данные от ПЛК с частотой дискретизации 50 мс и значениями внешних датчиков несколько раз в секунду. В течение одной минуты у нас были созданы тысячи точек данных для каждого актива, к которому мы подключались. Мы знали, что стандартный метод передачи этих данных на сервер и привлечения человека для оценки данных нереалистичен и не выгоден для бизнеса. Поэтому мы решили создать продукт, который будет обрабатывать данные и генерировать расходуемые результаты, что значительно сократит объем надзора, который необходим организации, чтобы воспользоваться преимуществами развертывания цифровой трансформации, в значительной степени сосредоточенной на управлении эффективностью активов и профилактическом обслуживании.

Можете ли вы обсудить, что представляет собой решение MicroAI от ONE Tech? 

MicroAI™ — это платформа машинного обучения, которая обеспечивает более высокий уровень понимания производительности, использования и общего поведения активов (устройств или машин). Это преимущество варьируется от руководителей производственных предприятий, которые ищут способы повышения общей эффективности оборудования, до производителей оборудования, которые хотят лучше понять, как их устройства работают в полевых условиях. Мы достигаем этого путем развертывания небольшого (всего 70 КБ) пакета на микроконтроллере (MCU) или микропроцессоре (MPU) актива. Ключевым отличием является то, что процесс обучения и формирования модели MicroAI уникален. Мы обучаем модель непосредственно на самом активе. Это не только позволяет данным оставаться локальными, что снижает стоимость и время развертывания, но также повышает точность и точность результатов ИИ. MicroAI имеет три основных уровня:

1. Прием данных – MicroAI не зависит от ввода данных. Мы можем использовать любое значение датчика, а платформа MicroAI позволяет разрабатывать функции и взвешивать входные данные на этом первом уровне.
2. Обучение – Мы тренируемся непосредственно в местной среде. Продолжительность обучения может быть установлена ​​пользователем в зависимости от нормального цикла актива. Как правило, нам нравится захватывать 25-45 нормальных циклов, но это в значительной степени зависит от вариации/изменчивости каждого захваченного цикла.
3. Результат – Уведомления и предупреждения генерируются MicroAI в зависимости от серьезности обнаруженной аномалии. Эти пороги могут быть скорректированы пользователем. Другие выходные данные, генерируемые MicroAI, включают прогнозируемые дни до следующего обслуживания (для оптимизации графиков обслуживания), показатель работоспособности и оставшийся срок службы активов. Эти выходные данные могут быть отправлены в существующие ИТ-системы, которые есть у клиентов (инструменты управления жизненным циклом продукта, управление поддержкой/заявками, техническое обслуживание и т. д.).

Можете ли вы обсудить некоторые технологии машинного обучения, лежащие в основе MicroAI?

MicroAI включает в себя многомерный поведенческий анализ, упакованный в рекурсивный алгоритм. Каждый ввод, который подается в механизм ИИ, влияет на пороговые значения (верхние и нижние границы), установленные моделью ИИ. Мы делаем это, предоставляя прогноз на один шаг вперед. Например, если одним входом является число оборотов в минуту, а число оборотов в минуту увеличивается, верхний предел температуры подшипника может немного увеличиться из-за более быстрого движения машины. Это позволяет модели продолжать развиваться и учиться.

MicroAI не зависит от доступа к облаку, в чем преимущества этого?

У нас есть уникальный подход к формированию моделей непосредственно на конечной точке (там, где генерируются данные). Это обеспечивает конфиденциальность и безопасность данных при развертывании, поскольку данные не должны покидать локальную среду. Это особенно важно для развертываний, где конфиденциальность данных является обязательной. Кроме того, процесс обучения данных в облаке занимает много времени. Затраты времени на то, как другие подходят к этому пространству, вызваны необходимостью агрегирования исторических данных, передачи данных в облако, формирования модели и, в конечном итоге, переноса этой модели на конечные активы. MicroAI может обучаться и жить на 100% в местной среде.

Одной из особенностей технологии MicroAI является ускоренное обнаружение аномалий. Не могли бы вы подробнее рассказать об этой функции?

Благодаря нашему подходу к поведенческому анализу мы можем развернуть MicroAI и сразу начать изучать поведение актива. Мы можем начать видеть закономерности в поведении. Опять же, это без необходимости загрузки каких-либо исторических данных. Как только мы зафиксируем достаточное количество циклов актива, мы сможем начать генерировать точные выходные данные из модели ИИ. Это прорыв для космоса. То, на что раньше уходили недели или месяцы, чтобы сформировать точную модель, может произойти в течение нескольких часов, а иногда и минут.

В чем разница между MicroAI™ Helio и MicroAI™ Atom?

Сервер MicroAI™ Helio:

Наша среда Helio Server может быть развернута на локальном сервере (чаще всего) или в облачном экземпляре. Helio предоставляет следующие функции: (управление рабочим процессом, анализ и управление данными, а также визуализация данных).

Рабочие процессы для управления активами – Иерархия того, где они развернуты и как они используются. (например, настройка всех клиентских объектов в глобальном масштабе, конкретных объектов и секций в каждом объекте, отдельных станций, вплоть до каждого актива на каждой станции). Кроме того, активы могут быть настроены для выполнения разных работ с разной частотой циклов; это можно настроить в рамках этих рабочих процессов. Кроме того, есть возможность управления заявками/заказами, что также является частью среды Helio Server.

Анализ и управление данными – В этом разделе Helio пользователь может выполнять дальнейшую аналитику выходных данных ИИ вместе с любыми моментальными снимками необработанных данных (т. е. максимальными, минимальными и средними значениями данных на почасовой основе или сигнатурами данных, которые вызвали предупреждение или тревогу) . Это могут быть запросы, настроенные в дизайнере Helio Analytics, или более продвинутая аналитика, полученная из таких инструментов, как R, язык программирования. На уровне управления данными пользователь может использовать шлюз управления API для сторонних подключений, которые потребляют и/или отправляют данные в координации со средой Helio.

Визуализация данных – Helio предоставляет шаблоны для различных отраслевых отчетов, которые позволяют пользователям использовать представления Enterprise Asset Management и Asset Performance Management для своих подключенных активов из настольных и мобильных приложений Helio.

МикроИИ Атом:

MicroAI Atom — это платформа машинного обучения, предназначенная для встраивания в среды микроконтроллеров. Это включает в себя обучение рекурсивного алгоритма многомерного анализа поведения непосредственно в локальной архитектуре MCU, а не в облаке, а затем сбрасывает его в MCU. Это позволяет ускорить построение и развертывание моделей машинного обучения за счет автоматической генерации верхнего и нижнего порогов на основе многовариантной модели, которая формируется непосредственно на конечной точке. Мы создали MicroAI как более эффективный способ потребления и обработки данных сигналов для обучения моделей, чем другие традиционные методы. Это не только обеспечивает более высокий уровень точности формируемой модели, но и использует меньше ресурсов на оборудовании хоста (т. е. меньшее использование памяти и ЦП), что позволяет нам работать в таких средах, как MCU.

У нас есть еще одно основное предложение под названием MicroAI™ Network.

Сеть MicroAI™ – Позволяет консолидировать сеть атомов и объединять их с внешними источниками данных для создания нескольких моделей непосредственно на границе. Это позволяет выполнять горизонтальный и вертикальный анализ различных ресурсов, на которых работает Atom. Сеть MicroAI обеспечивает еще более глубокий уровень понимания того, как устройство/актив работает по сравнению с аналогичными развернутыми активами. Опять же, благодаря нашему уникальному подходу к формированию моделей непосредственно на периферии, модели машинного обучения потребляют очень мало памяти и ЦП хост-оборудования.

ONE Tech также предлагает консультации по безопасности Интернета вещей. Каков процесс моделирования угроз и тестирования на проникновение в Интернет вещей?

Благодаря нашей способности понимать, как ведут себя активы, мы можем использовать данные, связанные с внутренними компонентами подключенного устройства (например, ЦП, использование памяти, размер/частота пакета данных). Устройства IoT по большей части имеют регулярную схему работы — как часто они передают данные, куда они отправляют данные и размер этого пакета данных. Мы применяем MicroAI для использования этих внутренних параметров данных, чтобы сформировать базовый уровень того, что является нормальным для этого подключенного устройства. Если на устройстве происходит ненормальное действие, мы можем инициировать ответ. Это может варьироваться от перезагрузки устройства или открытия заявки в инструменте управления рабочими заданиями до полного отключения сетевого трафика к устройству. Наша команда безопасности разработала тестовые взломы, и мы успешно обнаружили различные попытки атак нулевого дня, используя в этом качестве MicroAI.

Есть ли что-нибудь еще, что вы хотели бы рассказать об ONE Tech, Inc?

Ниже представлена ​​схема того, как работает MicroAI Atom. Начиная с получения необработанных данных, обучения и обработки в локальной среде, логического вывода данных и предоставления выходных данных.

Ниже представлена ​​схема того, как работает сеть MicroAI. Многие атомы MicroAI поступают в сеть MicroAI. Наряду с данными Atom в модель можно объединить дополнительные источники данных для более детального понимания того, как работает актив. Кроме того, в сети MicroAI формируется несколько моделей, позволяющих заинтересованным сторонам проводить горизонтальный анализ того, как активы работают в разных регионах, между клиентами, до и после обновлений и т. д.

Спасибо за интервью и ваши подробные ответы, читатели, которые хотят узнать больше, должны посетить ОДНА технология.