Интервью
Яссер Хан, генеральный директор ONE Tech – Серия интервью
Яссер Хан, является генерálním директором ONE Tech – компании, занимающейся разработкой и внедрением технологий искусственного интеллекта для создания решений Интернета вещей (IoT) для производителей оригинального оборудования, операторов сетей и предприятий.
Что изначально привлекло вас к искусственному интеллекту?
Несколько лет назад мы внедрили решение Индустриального Интернета вещей (IIoT), которое подключало многие активы по всей обширной географической территории. Количество сгенерированных данных было огромным. Мы агрегировали данные от контроллеров (PLC) с частотой выборки 50 миллисекунд и внешних датчиков несколько раз в секунду. За одну минуту у нас было тысячи точек данных, генерируемых для каждого актива, к которому мы подключались. Мы знали, что стандартный метод передачи этих данных на сервер и оценки их человеком был не реалистичен и не выгоден для бизнеса. Поэтому мы решили создать продукт, который обрабатывал бы данные и генерировал потребляемые выходные данные, значительно уменьшая количество контроля, которое организация нуждается для получения выгод от внедрения цифровой трансформации — с сильным акцентом на управлении производительностью активов и прогностическом обслуживании.
Можете ли вы рассказать о решении MicroAI от ONE Tech?
MicroAI — это платформа машинного обучения, которая обеспечивает более глубокое понимание производительности актива (устройства или машины), использования и общего поведения. Эта выгода распространяется от менеджеров производственных предприятий, которые ищут способы улучшения общей эффективности оборудования, до производителей оборудования, которые хотят лучше понять, как их устройства работают в полевых условиях. Мы достигаем этого, развертывая небольшой (начиная с 70 КБ) пакет 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 увеличивает точность и точность выходных данных ИИ. MicroAI имеет три основных уровня:
- Поглощение данных – MicroAI не зависит от входных данных. Мы можем потреблять любое значение датчика, и платформа MicroAI позволяет выполнять инжиниринг функций и взвешивание входных данных в этом первом уровне.
- Обучение – Мы обучаем напрямую в локальной среде. Продолжительность обучения может быть установлена пользователем в зависимости от того, что является нормальным циклом актива. Обычно мы пытаемся захватить 25-45 нормальных циклов, но это сильно зависит от вариации/волатильности каждого захваченного цикла.
- Выход – Уведомления и оповещения генерируются MicroAI на основе тяжести обнаруженной аномалии. Эти пороги могут быть скорректированы пользователем. Другие выходные данные, генерируемые MicroAI, включают прогнозируемые дни до следующего обслуживания (для оптимизации графиков обслуживания), балл здоровья и оставшуюся жизнь актива. Эти выходные данные могут быть отправлены в существующие ИТ-системы, которые клиенты имеют на месте (инструменты управления жизненным циклом продукта, система поддержки/управления тикетами, обслуживание и т. д.)
Можете ли вы рассказать о некоторых технологиях машинного обучения, лежащих в основе MicroAI?
MicroAI включает в себя много измерений поведенческого анализа, упакованный в рекурсивный алгоритм. Каждый вход, который подается в движок ИИ, влияет на пороги (верхние и нижние границы), которые устанавливаются моделью ИИ. Мы делаем это, обеспечивая прогноз на один шаг вперед. Например, если один из входов — это обороты в минуту (RPM), и RPM увеличиваются, верхний порог температуры подшипника может немного повыситься из-за более быстрого движения машины. Это позволяет модели продолжать эволюционировать и учиться.
MicroAI не зависит от доступа к облаку, какие есть преимущества этого?
У нас есть уникальный подход к формированию моделей непосредственно на конечной точке (где генерируются данные). Это обеспечивает приватность и безопасность данных в развертываниях, поскольку данные не нужно покидать локальную среду. Это особенно важно для развертываний, где приватность данных обязательна. Кроме того, процесс обучения данных в облаке занимает много времени. Это время, потребляемое другими подходами в этой области, вызвано необходимостью агрегировать исторические данные, передавать данные в облако, формировать модель и, наконец, передавать эту модель на конечные активы. MicroAI может обучаться и работать 100% в локальной среде.
Одной из функций технологии MicroAI является ее ускоренная детекция аномалий, можете ли вы подробнее рассказать об этой функциональности?
Благодаря нашему подходу к поведенческому анализу, мы можем развернуть MicroAI и сразу же начать изучать поведение актива. Мы можем начать видеть закономерности в поведении. Опять же, это происходит без необходимости загрузки исторических данных. Как только мы захватываем достаточное количество циклов актива, мы можем начать генерировать точные выходные данные из модели ИИ. Это революционно для этой области. То, что раньше занимало недели или месяцы для формирования точной модели, теперь может произойти в течение нескольких часов, а иногда и минут.
В чем разница между MicroAI Helio и MicroAI Atom?
MicroAI Helio Server:
Наша среда Helio Server может быть развернута на локальном сервере (самый распространенный вариант) или в облачном экземпляре. Helio обеспечивает следующие функции: (управление рабочим процессом, анализ и управление данными, визуализация данных).
Рабочие процессы для управления активами – Иерархия того, где они развернуты и как они используются. (например, настройка всех глобальных объектов клиентов, конкретных объектов и секций внутри каждого объекта, отдельных станций, вплоть до каждого актива на каждой станции). Кроме того, активы могут быть настроены для выполнения различных задач с разными циклическими скоростями; это можно настроить в этих рабочих процессах. Кроме того, есть возможность управления тикетами/заказами на обслуживание, которая также является частью среды Helio Server.
Анализ и управление данными – В этом разделе Helio пользователь может выполнить дополнительный анализ выходных данных ИИ, а также любых сырых данных (например, максимальные, минимальные и средние значения данных в час или данные, которые вызвали оповещение или сигнал тревоги). Эти запросы можно настроить в дизайнере аналитики Helio или использовать более продвинутые аналитические инструменты, такие как язык программирования R. Слой управления данными — это место, где пользователь может использовать шлюз API-управления для подключения к третьим сторонам, которые потребляют и/или отправляют данные в координации с окружением Helio.
Визуализация данных – Helio предоставляет шаблоны для отраслевых отчетов, что позволяет пользователям потреблять представления управления активами и производительностью активов из подключенных активов как из приложения Helio для настольных компьютеров, так и для мобильных устройств.
MicroAI Atom:
MicroAI Atom — это платформа машинного обучения, предназначенная для внедрения в среды MCU. Это включает обучение алгоритма многомерного поведенческого анализа непосредственно в локальной архитектуре MCU — не в облаке, а затем передачу на MCU. Это позволяет ускорить создание и развертывание моделей машинного обучения через автоматическое создание верхних и нижних порогов на основе многовариантной модели, сформированной непосредственно на конечной точке. Мы создали MicroAI как более эффективный способ потребления и обработки сигнальных данных для обучения моделей по сравнению с традиционными методами. Это не только обеспечивает более высокий уровень точности модели, но также использует меньше ресурсов на оборудовании-хозяине (т. е. меньшее использование памяти и CPU), что позволяет нам работать в средах, таких как MCU.
У нас также есть еще одно основное предложение, называемое MicroAI Network.
MicroAI Network – Позволяет консолидировать сеть Atoms и объединять их с внешними источниками данных для создания нескольких моделей непосредственно на краю. Это позволяет выполнять горизонтальный и вертикальный анализ различных активов, которые запускают Atom. MicroAI Network позволяет получить еще более глубокое понимание того, как устройство/актив работает по сравнению с подобными активами, которые развернуты. Опять же, благодаря нашему уникальному подходу к формированию моделей непосредственно на краю, модели машинного обучения потребляют очень мало памяти и CPU оборудования-хозяина.
ONE Tech также предлагает консультации по безопасности IoT. Как проходит процесс моделирования угроз и тестирования на проникновение в IoT?
Благодаря нашей способности понимать, как активы ведут себя, мы можем потреблять данные, связанные с внутренней работой подключенного устройства (например, CPU, использование памяти, размер пакета данных/частота). Устройства IoT, как правило, имеют регулярный шаблон работы — как часто они передают данные, куда они отправляют данные и размер пакета данных. Мы применяем MicroAI для потребления этих внутренних параметров для формирования базовой линии того, что является нормальным для этого подключенного устройства. Если происходит аномальное действие на устройстве, мы можем запустить ответ. Это может варьироваться от перезагрузки устройства до открытия тикета в инструменте управления заказами на обслуживание, или даже полного отключения сетевого трафика устройства. Наша команда безопасности разработала тестовые хаки, и мы успешно обнаружили различные попытки атак нулевого дня, используя MicroAI в этом качестве.
Есть ли что-то еще, что вы хотели бы поделиться о ONE Tech, Inc?
Ниже представлена диаграмма, показывающая, как работает MicroAI Atom. Начиная с получения сырых данных, обучения и обработки в локальной среде, вывода данных и предоставления выходных данных.
Ниже представлена диаграмма, показывающая, как работает MicroAI Network. Многие MicroAI Atoms передают данные в MicroAI Network. Вместе с данными Atoms могут быть объединены дополнительные источники данных для более детального понимания того, как актив работает. Кроме того, в MicroAI Network формируются несколько моделей, что позволяет заинтересованным сторонам выполнять 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. Читателям, которые хотят узнать больше, следует посетить ONE Tech.
