Yasser Khan, izvršni direktor ONE Tech – serija intervjujev

Yasser Khan, je izvršni direktor podjetja ONE Tech tehnološko podjetje, ki temelji na umetni inteligenci in načrtuje, razvija in uvaja rešitve IoT naslednje generacije za proizvajalce originalne opreme, omrežne operaterje in podjetja.

Kaj vas je na začetku pritegnilo k umetni inteligenci?

Pred nekaj leti smo uvedli rešitev industrijskega interneta stvari (IIoT), ki je povezala številna sredstva na široki geografski lokaciji. Količina ustvarjenih podatkov je bila ogromna. Podatke iz PLC-jev smo združili s hitrostjo vzorčenja 50 milisekund in vrednosti zunanjih senzorjev nekajkrat na sekundo. V eni sami minuti je bilo ustvarjenih na tisoče podatkovnih točk za vsako sredstvo, s katerim smo se povezovali. Vedeli smo, da standardna metoda prenosa teh podatkov na strežnik in osebe, ki podatke ovrednoti, ni realna, niti koristna za posel. Zato smo se odločili ustvariti izdelek, ki bi obdeloval podatke in ustvarjal potrošne izhode, kar bi močno zmanjšalo količino nadzora, ki ga potrebuje organizacija, da bi izkoristila prednosti uvedbe digitalne transformacije – močno osredotočena na upravljanje uspešnosti sredstev in predvideno vzdrževanje.

Ali lahko razpravljate o tem, kaj je rešitev MicroAI družbe ONE Tech? 

MicroAI™ je platforma strojnega učenja, ki zagotavlja višjo raven vpogleda v delovanje, uporabo in splošno obnašanje sredstev (naprave ali stroja). Ta prednost sega od menedžerjev proizvodnih obratov, ki iščejo načine za izboljšanje splošne učinkovitosti opreme, do proizvajalcev originalne opreme, ki želijo bolje razumeti, kako njihove naprave delujejo na terenu. To dosežemo tako, da na mikrokrmilnik (MCU) ali mikroprocesor (MPU) sredstva namestimo majhen (tako majhen kot 70 kb) paket. Ključna razlika je, da je MicroAI proces usposabljanja in oblikovanja modela edinstven. Model urimo neposredno na samem sredstvu. Ne samo, da to omogoča, da podatki ostanejo lokalni, kar zmanjša stroške in čas uvajanja, ampak tudi poveča točnost in natančnost izhoda AI. MicroAI ima tri primarne plasti:

1. Zaužitje podatkov – MicroAI je agnostičen za vnos podatkov. Porabimo lahko katero koli vrednost senzorja in platforma MicroAI omogoča inženiring funkcij in ponderiranje vnosov znotraj te prve plasti.
2. usposabljanje – Usposabljamo neposredno v lokalnem okolju. Trajanje usposabljanja lahko uporabnik nastavi glede na običajen cikel sredstva. Običajno radi zajamemo 25–45 običajnih ciklov, vendar to v veliki meri temelji na variaciji/nestanovitnosti vsakega zajetega cikla.
3. izhod – Obvestila in opozorila ustvari MicroAI glede na resnost zaznane anomalije. Te pragove lahko prilagodi uporabnik. Drugi izhodi, ki jih ustvari MicroAI, vključujejo predvidene dni do naslednjega vzdrževanja (za optimizacijo urnikov servisiranja), oceno zdravja in preostalo življenjsko dobo sredstev. Ti rezultati se lahko pošljejo v obstoječe sisteme IT, ki jih imajo stranke (orodja za upravljanje življenjskega cikla izdelka, upravljanje podpore/prodaje vstopnic, vzdrževanje itd.)

Ali lahko razpravljate o nekaterih tehnologijah strojnega učenja, ki stojijo za MicroAI?

MicroAI vključuje večdimenzionalno vedenjsko analizo, ki je zapakirana v rekurzivni algoritem. Vsak vnos, ki se vnese v motor AI, vpliva na pragove (zgornjo in spodnjo mejo), ki jih nastavi model AI. To naredimo z zagotavljanjem napovedi korak naprej. Na primer, če je en vnos vrtljajev na minuto in se vrtljaji na minuto povečajo, se lahko zgornja meja temperature ležaja nekoliko dvigne zaradi hitrejšega premikanja stroja. To omogoča, da se model še naprej razvija in uči.

MicroAI ni odvisen od dostopa do oblaka. Kakšne so prednosti tega?

Imamo edinstven pristop k oblikovanju modelov neposredno na končni točki (kjer se generirajo podatki). To prinaša zasebnost podatkov in varnost za uvedbe, ker podatkom ni treba zapustiti lokalnega okolja. To je še posebej pomembno za uvedbe, kjer je zasebnost podatkov obvezna. Poleg tega je proces usposabljanja podatkov v oblaku dolgotrajen. Ta poraba časa, kako se drugi približujejo temu prostoru, je posledica potrebe po združevanju zgodovinskih podatkov, prenosu podatkov v oblak, oblikovanju modela in sčasoma potiskanju tega modela do končnih sredstev. MicroAI lahko trenira in živi 100 % v lokalnem okolju.

Ena od značilnosti tehnologije MicroAI je pospešeno odkrivanje anomalij. Ali lahko podrobneje opišete to funkcionalnost?

Zaradi našega pristopa vedenjske analize lahko uvedemo MicroAI in se takoj začnemo učiti obnašanja sredstva. V vedenju lahko začnemo opažati vzorce. Tudi to je brez potrebe po nalaganju zgodovinskih podatkov. Ko zajamemo dovolj ciklov sredstva, lahko začnemo ustvarjati natančne rezultate iz modela AI. To je prelomno za vesolje. Kar je včasih trajalo tedne ali mesece za oblikovanje natančnega modela, se lahko zgodi v nekaj urah, včasih pa tudi minutah.

Kakšna je razlika med MicroAI™ Helio in MicroAI™ Atom?

Server MicroAI™ Helio:

Naše okolje Helio Server je mogoče namestiti v lokalnem strežniku (najpogosteje) ali v oblaku. Helio ponuja naslednje funkcionalnosti: (upravljanje delovnega toka, analiza in upravljanje podatkov ter vizualizacija podatkov).

Delovni tokovi za upravljanje sredstev – Hierarhija, kje so razporejeni in kako se uporabljajo. (npr. postavitev vseh objektov strank na globalni ravni, posebnih objektov in odsekov znotraj vsakega objekta, posameznih postaj, do vsakega sredstva v vsaki postaji). Poleg tega je mogoče sredstva nastaviti za opravljanje različnih del z različnimi stopnjami cikla; to je mogoče konfigurirati znotraj teh delovnih tokov. Poleg tega je možnost upravljanja vstopnic/delovnih nalogov, ki je prav tako del okolja Helio Server.

Analiza in upravljanje podatkov – Znotraj tega razdelka Helio lahko uporabnik izvaja nadaljnje analitike na izhodu AI, skupaj s kakršnimi koli neobdelanimi posnetki podatkov (tj. največje, minimalne in povprečne vrednosti podatkov na urni osnovi ali podatkovni podpisi, ki so sprožili opozorilo ali alarm) . To so lahko poizvedbe, ki so konfigurirane v oblikovalcu Helio Analytics, ali naprednejša analitika, pridobljena iz orodij, kot je R, programski jezik. Sloj za upravljanje podatkov je mesto, kjer lahko uporabnik uporabi prehod za upravljanje API-ja za povezave tretjih oseb, ki porabljajo in/ali pošiljajo podatke v koordinaciji z okoljem Helio.

Vizualizacija podatkov – Helio ponuja predloge za različna poročanja, specifična za panogo, ki uporabnikom omogočajo, da si ogledajo upravljanje sredstev podjetja in upravljanje uspešnosti sredstev svojih povezanih sredstev iz namiznih in mobilnih aplikacij Helio.

MicroAI Atom:

MicroAI Atom je platforma za strojno učenje, zasnovana za vgradnjo v okolja MCU. To vključuje usposabljanje rekurzivnega algoritma večdimenzionalne analize obnašanja neposredno v lokalni arhitekturi MCU – ne v oblaku in nato potisnjeno navzdol v MCU. To omogoča pospešitev gradnje in uvajanja modelov ML s samodejnim generiranjem zgornjega in spodnjega praga na podlagi večvariantnega modela, ki se oblikuje neposredno na končni točki. Ustvarili smo MicroAI, ki je učinkovitejši način porabe in obdelave signalnih podatkov za usposabljanje modelov kot druge tradicionalne metode. To ne prinaša samo višje ravni natančnosti modelu, ki je oblikovan, ampak uporablja manj virov na gostiteljski strojni opremi (tj. nižja uporaba pomnilnika in CPE), kar nam omogoča delovanje v okoljih, kot je MCU.

Imamo še eno osnovno ponudbo, imenovano MicroAI™ Network.

Omrežje MicroAI™ – Omogoča, da se omrežje Atomov konsolidira in združi z zunanjimi viri podatkov za ustvarjanje več modelov neposredno na robu. To omogoča vodoravno in navpično analizo, ki se izvaja na različnih sredstvih, ki poganjajo Atom. MicroAI Network omogoča še globljo raven razumevanja delovanja naprave/sredstva v primerjavi s podobnimi sredstvi, ki so nameščena. Ponovno, zaradi našega edinstvenega pristopa k oblikovanju modelov neposredno na robu, modeli strojnega učenja porabijo zelo malo pomnilnika in CPE strojne opreme gostitelja.

ONE Tech ponuja tudi varnostno svetovanje IoT. Kakšen je postopek za modeliranje groženj in testiranje penetracije IoT?

Zaradi naše zmožnosti razumevanja, kako se sredstva obnašajo, lahko porabimo podatke, povezane z notranjostjo povezane naprave (npr. CPE, uporaba pomnilnika, velikost/frekvenca podatkovnega paketa). Naprave interneta stvari imajo večinoma reden vzorec delovanja – kako pogosto prenašajo podatke, kam pošiljajo podatke in velikost tega podatkovnega paketa. Uporabljamo MicroAI za porabo teh notranjih podatkovnih parametrov za oblikovanje osnovne vrednosti, kaj je običajno za to povezano napravo. Če se na napravi pojavi neobičajno dejanje, lahko sprožimo odziv. To lahko sega od ponovnega zagona naprave ali odpiranja vstopnice v orodju za upravljanje delovnih nalogov do popolnega prekinitve omrežnega prometa do naprave. Naša varnostna ekipa je razvila testne vdore in uspešno smo odkrili različne poskuse Zero-Day napadov z uporabo MicroAI v tej funkciji.

Ali želite še kaj povedati o ONE Tech, Inc?

Spodaj je diagram delovanja MicroAI Atom. Začenši s pridobivanjem neobdelanih podatkov, usposabljanjem in obdelavo v lokalnem okolju, sklepanjem podatkov in zagotavljanjem rezultatov.

Spodaj je diagram delovanja omrežja MicroAI. Številni atomi MicroAI se napajajo v omrežje MicroAI. Skupaj s podatki Atom je mogoče dodatne vire podatkov združiti v model za bolj natančno razumevanje delovanja sredstva. Poleg tega se v omrežju MicroAI oblikuje več modelov, ki zainteresiranim stranem omogočajo izvajanje horizontalne analize o delovanju sredstev v različnih regijah, med strankami, pred in po posodobitvah itd.

Hvala za intervju in vaše podrobne odgovore, bralci, ki želite izvedeti več, naj obiščejo ONE Tech.