Яссер Хан, генеральный директор ONE Tech – Интервью

Яссер Хан – генеральный директор ONE Tech, компании, разрабатывающей и внедряющей решения на основе искусственного интеллекта для промышленных интернет-вещей (IIoT) для производителей оборудования, операторов сетей и предприятий.

Что первоначально привлекло вас к искусственному интеллекту?

Несколько лет назад мы внедрили решение Industrial Internet of Things (IIoT), которое соединяло многие активы на большой географической территории. Количество данных, которое было сгенерировано, 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 сможет обработать данные и сгенерировать удобные для использования выходные данные, значительно уменьшив количество контроля, которое организация cần для получения выгод от внедрения цифровой трансформации, в основном ориентированной на управление производительностью активов и прогностическое обслуживание.

Можете ли вы рассказать о решении MicroAI от ONE Tech? 

MicroAI – это платформа машинного обучения, которая обеспечивает более глубокое понимание производительности, использования и поведения активов (устройств или машин). Эта выгода распространяется от менеджеров производственных предприятий, которые ищут способы улучшить общую эффективность оборудования, до производителей оборудования, которые хотят лучше понять, как их устройства работают в полевых условиях. Мы достигаем этого, развертывая небольшой пакет (до 70 кб) на микроконтроллере (MCU) или микропроцессоре (MPU) актива. Одним из ключевых различий является то, что процесс обучения и формирования модели MicroAI уникален. Мы обучаем модель непосредственно на 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:

1. Ввод данных – MicroAI не зависит от ввода данных. Мы можем использовать любое значение датчика, и платформа MicroAI позволяет выполнять инжиниринг и взвешивание входных данных в этом первом уровне.
2. Обучение – Мы обучаем непосредственно 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.
3. Выходные данные – Уведомления и оповещения генерируются MicroAI на основе степени аномалии, которую обнаруживает. Эти пороги могут быть отрегулированы пользователем. Другие выходные данные, генерируемые MicroAI, включают прогнозируемые дни до следующего обслуживания (для оптимизации графиков обслуживания), балл здоровья и оставшийся срок службы актива. Эти выходные данные могут быть отправлены в существующие ИТ-системы, которые клиенты имеют на месте (инструменты управления жизненным циклом продукта, управление поддержкой/тикета, обслуживание и т. д.)

Можете ли вы рассказать о некоторых технологиях машинного обучения, лежащих в основе MicroAI?

MicroAI включает в себя многомерный поведенческий анализ, 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 вход – это обороты в минуту (РПМ), и РПМ увеличиваются, верхний порог температуры подшипника может немного увеличиться из-за более быстрого движения машины. Это позволяет модели продолжать развиваться и учиться.

MicroAI не полагается на доступ к облаку, какие есть преимущества этого?

У нас есть уникальный подход к формированию моделей непосредственно на конечной точке (где генерируются данные). Это обеспечивает конфиденциальность и безопасность данных при развертывании, поскольку данные не нужно покидать локальную среду. Это особенно важно для развертываний, где конфиденциальность 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 ускоренная детекция аномалий, можете ли вы рассказать об этой функциональности?

Благодаря нашему подходу к поведенческому анализу мы можем развернуть MicroAI и сразу начать учиться поведению 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 (что наиболее распространено) 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 объектов клиентов во всем мире, 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 циклами; это можно настроить в этих рабочих процессах. Кроме того, есть возможность управления тикетами/заявками, которая также является частью среды Helio Server.

Анализ и управление данными – В этом разделе Helio пользователь может выполнить дальнейший анализ выходных данных ИИ, а также любых сырых снимков данных (например, максимальные, минимальные и средние значения данных в час или данные, которые вызвали оповещение или сигнал тревоги). Это могут быть запросы, настроенные в дизайнере аналитики Helio, или более сложные аналитики, принесенные из инструментов, таких как R, язык программирования. Слой управления данными – это место, где пользователь может использовать шлюз управления API 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 для своих подключенных активов как из приложения Helio для рабочего стола, так и для мобильных устройств.

MicroAI Atom:

MicroAI Atom – это платформа машинного обучения, предназначенная для встраивания в среды микроконтроллера (MCU). Это включает в себя обучение многомерного поведенческого анализа рекурсивного алгоритма непосредственно в локальной архитектуре MCU – не в облаке, а затем передачу на MCU. Это позволяет ускорить создание и развертывание моделей машинного обучения за счет автоматического генерации верхних и нижних порогов на основе многовариантной модели, сформированной непосредственно на конечной точке. Мы создали MicroAI, чтобы сделать потребление и обработку сигнальных данных для обучения моделей более эффективными, чем традиционные методы. Это не только повышает точность модели, но и снижает использование ресурсов на хост-аппаратуре (например, более низкое 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 того, как различные активы, работающие с Atom, выполняют свои функции. MicroAI Network позволяет получить еще более глубокое понимание того, как устройство/актив работает по сравнению с аналогичными активами, развернутыми в разных местах. Опять же, благодаря нашему уникальному подходу к формированию моделей непосредственно на краю, модели машинного обучения потребляют очень мало памяти и CPU хост-аппаратуры.

ONE Tech также предлагает консультационные услуги по безопасности IoT. Как проходит процесс моделирования угроз и тестирования проникновения IoT?

Благодаря нашей способности понимать, как активы ведут себя, мы можем потреблять данные, связанные с внутренними данными подключенного устройства (например, использование CPU, 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, чтобы потреблять эти внутренние параметры данных для формирования базовой линии того, что является нормальным для этого подключенного устройства. Если происходит аномальное действие на устройстве, мы можем сработать. Это может варьироваться от перезагрузки устройства до открытия тикета в инструменте управления работами или完全 блокировки сетевого трафика устройства. Наша команда безопасности разработала тестовые хаки и успешно обнаружила 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 функционирует MicroAI Atom. Начиная с приобретения сырых данных, обучения и обработки в локальной среде, вывода данных и предоставления выходных данных.

Ниже представлена диаграмма, показывающая, как функционирует MicroAI Network. Многие MicroAI Atoms передают данные в MicroAI Network. Вместе с данными Atom могут быть объединены дополнительные источники данных для более детального понимания того, как актив работает. Кроме того, в MicroAI Network создаются 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.

Благодарим за интервью и подробные ответы. Читателям, которые хотят узнать больше, рекомендуем посетить ONE Tech.