Yasser Khan, CEO i ONE Tech – Seria e Intervistave

Yasser Khan, është CEO i ONE Tech një kompani teknologjike e drejtuar nga AI që dizajnon, zhvillon dhe vendos zgjidhje të gjeneratës së ardhshme të IoT për OEM, operatorët e rrjetit dhe ndërmarrjet.

Çfarë ju tërhoqi fillimisht te Inteligjenca Artificiale?

Disa vite më parë, ne vendosëm një zgjidhje Industriale të Internetit të Gjërave (IIoT) që lidhte shumë asete në një vendndodhje të gjerë gjeografike. Sasia e të dhënave që u gjenerua ishte e madhe. Ne grumbulluam të dhëna nga PLC me shpejtësi kampionimi prej 50 milisekonda dhe vlera të sensorëve të jashtëm disa herë në sekondë. Gjatë një minutë të vetme, ne kishim mijëra pika të dhënash që gjeneroheshin për çdo aset me të cilin po lidheshim. Ne e dinim se metoda standarde e transmetimit të këtyre të dhënave në një server dhe që një person të vlerësonte të dhënat nuk ishte realiste dhe as e dobishme për biznesin. Kështu, ne vendosëm të krijonim një produkt që do të përpunonte të dhënat dhe do të gjeneronte rezultate të konsumueshme, duke reduktuar në masë të madhe sasinë e mbikëqyrjes që i nevojitet një organizate në mënyrë që të korrë përfitimet e një vendosjeje të transformimit dixhital—të fokusuar shumë në menaxhimin e performancës së aseteve dhe mirëmbajtjen parashikuese.

A mund të diskutoni se çfarë është zgjidhja MicroAI e ONE Tech? 

MicroAI™ është një platformë e Mësimit të Makinerisë që ofron një nivel më të madh njohurish mbi performancën, përdorimin dhe sjelljen e përgjithshme të aseteve (pajisje ose makinë). Ky përfitim varion nga menaxherët e impianteve të prodhimit të cilët janë në kërkim të mënyrave për të përmirësuar efektivitetin e përgjithshëm të pajisjeve deri tek OEM-të e harduerit që duan të kuptojnë më mirë se si pajisjet e tyre po funksionojnë në terren. Ne e arrijmë këtë duke vendosur një paketë të vogël (sa 70 kb) në mikrokontrolluesin (MCU) ose mikroprocesorin (MPU) të aktivit. Një diferencues kryesor është se procesi i trajnimit dhe formimit të një modeli të MicroAI është unik. Ne trajnojmë modelin drejtpërdrejt në vetë aktivin. Kjo jo vetëm që lejon që të dhënat të qëndrojnë lokale, gjë që redukton koston dhe kohën e vendosjes, por gjithashtu rrit saktësinë dhe saktësinë e prodhimit të AI. MicroAI ka tre shtresa kryesore:

1. Gëlltitja e të dhënave – MicroAI është agnostik ndaj futjes së të dhënave. Ne mund të konsumojmë çdo vlerë sensori dhe Platforma MicroAI lejon inxhinierinë e veçorive dhe peshimin e inputeve brenda kësaj shtrese të parë.
2. stërvitje – Ne stërvitemi drejtpërdrejt brenda mjedisit lokal. Kohëzgjatja e trajnimit mund të caktohet nga përdoruesi në varësi të ciklit normal të aktivit. Në mënyrë tipike, na pëlqen të kapim 25-45 cikle normale, por kjo bazohet kryesisht në variacionin/paqëndrueshmërinë e çdo cikli të kapur.
3. prodhim – Njoftimet dhe sinjalizimet gjenerohen nga MicroAI bazuar në ashpërsinë e anomalisë që zbulohet. Këto pragje mund të rregullohen nga përdoruesi. Rezultate të tjera të gjeneruara nga MicroAI përfshijnë Ditët e Parashikuara në Mirëmbajtjen e ardhshme (për optimizimin e orarit të shërbimit), Notën shëndetësore dhe Mbetjen e Jetës së Pasurisë. Këto rezultate mund të dërgohen në sistemet ekzistuese të TI-së që kanë klientët (mjetet e menaxhimit të ciklit jetësor të produktit, Menaxhimi i mbështetjes/biletave, mirëmbajtja, etj.)

A mund të diskutoni disa nga teknologjitë e mësimit të makinerive pas MicroAI?

MicroAI përmban një analizë shumëdimensionale të sjelljes të paketuar brenda një algoritmi rekurziv. Çdo hyrje që futet në motorin e AI ndikon në pragjet (kufijtë e sipërm dhe të poshtëm) që përcaktohen nga modeli i AI. Ne e bëjmë këtë duke ofruar një parashikim një hap përpara. Për shembull, nëse një hyrje është RPM dhe RPM rritet, pragu i kufirit të sipërm të temperaturës së kushinetave mund të rritet pak për shkak të lëvizjes më të shpejtë të makinës. Kjo lejon që modeli të vazhdojë të zhvillohet dhe të mësojë.

MicroAI nuk varet nga aksesi në re, cilat janë avantazhet e kësaj?

Ne kemi një qasje unike për të formuar modele direkt në pikën përfundimtare (ku gjenerohen të dhënat). Kjo sjell privatësinë dhe sigurinë e të dhënave në vendosje sepse të dhënat nuk duhet të largohen nga mjedisi lokal. Kjo është veçanërisht e rëndësishme për vendosjet ku privatësia e të dhënave është e detyrueshme. Për më tepër, procesi i trajnimit të të dhënave në një cloud kërkon kohë. Ky konsum kohor i mënyrës sesi të tjerët po i afrohen kësaj hapësire shkaktohet nga nevoja për grumbullimin e të dhënave historike, transmetimin e të dhënave në një re, formimin e një modeli dhe përfundimisht shtyrjen e atij modeli deri në asetet përfundimtare. MicroAI mund të stërvitet dhe të jetojë 100% në mjedisin lokal.

Një nga veçoritë e teknologjisë MicroAI është zbulimi i përshpejtuar i anomalive, a mund të elaboroni këtë funksionalitet?

Për shkak të qasjes sonë të analizës së sjelljes, ne mund të vendosim MicroAI dhe të fillojmë menjëherë të mësojmë sjelljen e aktivit. Ne mund të fillojmë të shohim modele brenda sjelljes. Përsëri, kjo është pa nevojën për të ngarkuar ndonjë të dhënë historike. Pasi të kapim cikle të mjaftueshme të aktivit, atëherë mund të fillojmë të gjenerojmë rezultate të sakta nga modeli i AI. Kjo është novator për hapësirën. Ajo që dikur duheshin javë ose muaj për të formuar një model të saktë mund të ndodhë brenda disa orëve, dhe nganjëherë minutave.

Cili është ndryshimi midis MicroAI™ Helio dhe MicroAI™ Atom?

Serveri MicroAI™ Helio:

Mjedisi ynë i serverit Helio mund të vendoset në një server lokal (më i zakonshmi), ose në një shembull cloud. Helio ofron funksionalitetin e mëposhtëm: (Menaxhimi i rrjedhës së punës, analiza dhe menaxhimi i të dhënave dhe vizualizimi i të dhënave).

Rrjedhat e punës për menaxhimin e aseteve – Një hierarki se ku janë vendosur dhe si përdoren. (p.sh., konfigurimi i të gjitha objekteve të klientëve globalisht, objektet dhe seksionet specifike brenda çdo objekti, stacionet individuale, deri në çdo aset në çdo stacion). Për më tepër, asetet mund të konfigurohen për të kryer punë të ndryshme me ritme të ndryshme cikli; kjo mund të konfigurohet brenda këtyre flukseve të punës. Përveç kësaj është aftësia për menaxhimin e biletave/porosieve, e cila është gjithashtu pjesë e mjedisit të serverit Helio.

Analiza dhe menaxhimi i të dhënave – Brenda këtij seksioni të Helio, një përdorues mund të ekzekutojë analiza të mëtejshme në daljen e AI, së bashku me çdo fotografi të të dhënave të papërpunuara (d.m.th., vlerat maksimale, minimale dhe mesatare të të dhënave për orë ose nënshkrimet e të dhënave që shkaktuan një alarm ose alarm) . Këto mund të jenë pyetje që janë konfiguruar në projektuesin Helio Analytics ose analitika më të avancuara të sjella nga mjete të tilla si R, një gjuhë programimi. Shtresa e menaxhimit të të dhënave është vendi ku një përdorues mund të përdorë portën e menaxhimit të API për lidhjet e palëve të treta që konsumojnë dhe/ose dërgojnë të dhëna në koordinim me mjedisin Helio.

Vizualizimi i të dhënave – Helio ofron shabllone për raportime të ndryshme specifike të industrisë, të cilat u mundësojnë përdoruesve që konsumatori i Menaxhimit të Aseteve të Ndërmarrjeve dhe Menaxhimit të Performancës së Aseteve të shohin asetet e tyre të lidhura si nga aplikacionet e desktopit Helio ashtu edhe nga aplikacionet celulare.

Atomi MicroAI:

MicroAI Atom është një platformë e mësimit të makinerisë e krijuar për t'u futur në mjediset MCU. Kjo përfshin trajnimin e algoritmit rekurziv të analizës shumëdimensionale të sjelljes drejtpërdrejt në arkitekturën lokale të MCU - jo në një re dhe më pas të shtyrë poshtë në MCU. Kjo lejon përshpejtimin e ndërtimit dhe vendosjes së modeleve ML përmes gjenerimit automatik të pragjeve të sipërme dhe të poshtme bazuar në modelin multivariant që formohet drejtpërdrejt në pikën përfundimtare. Ne kemi krijuar MicroAI për të qenë një mënyrë më efikase për të konsumuar dhe përpunuar të dhënat e sinjalit për të trajnuar modelet sesa metodat e tjera tradicionale. Kjo jo vetëm që sjell një nivel më të lartë saktësie për modelin që është formuar, por përdor më pak burime në harduerin pritës (dmth., përdorim më i ulët i memories dhe CPU-së), gjë që na lejon të ekzekutojmë në mjedise të tilla si një MCU.

Ne kemi një ofertë tjetër thelbësore të quajtur Rrjeti MicroAI™.

Rrjeti MicroAI™ – Lejon që një rrjet atomesh të konsolidohet dhe të grumbullohet me burime të jashtme të dhënash për krijimin e modeleve të shumta direkt në skaj. Kjo lejon që analizat horizontale dhe vertikale të kryhen në asetet e ndryshme që përdorin Atom. Rrjeti MicroAI lejon një nivel edhe më të thellë të të kuptuarit se si funksionon një pajisje/pasuri në lidhje me asetet e ngjashme që janë vendosur. Përsëri, për shkak të qasjes sonë unike për të formuar modele direkt në skaj, modelet e mësimit të makinerisë konsumojnë shumë pak memorie dhe CPU të harduerit pritës.

ONE Tech gjithashtu ofron konsulencë për sigurinë IoT. Cili është procesi për modelimin e kërcënimeve dhe testimin e depërtimit të IoT?

Për shkak të aftësisë sonë për të kuptuar se si sillen asetet, ne mund të konsumojmë të dhëna që lidhen me pjesët e brendshme të një pajisjeje të lidhur (p.sh. CPU, Përdorimi i memories, madhësia/frekuenca e paketës së të dhënave). Pajisjet IoT kanë, në pjesën më të madhe, një model të rregullt operimi - sa shpesh transmeton të dhëna, ku i dërgon të dhënat dhe madhësinë e asaj pakete të të dhënave. Ne aplikojmë MicroAI për të konsumuar këto parametra të brendshëm të të dhënave për të formuar një bazë të asaj që është normale për atë pajisje të lidhur. Nëse ndodh një veprim jonormal në pajisje, ne mund të aktivizojmë një përgjigje. Kjo mund të variojë nga rindezja e një pajisjeje ose hapja e një bilete brenda një mjeti të menaxhimit të porosive, deri te shkurtimi i plotë i trafikut të rrjetit në një pajisje. Ekipi ynë i sigurisë ka zhvilluar hakime testimi dhe ne kemi zbuluar me sukses përpjekje të ndryshme sulmi në Zero-Day duke përdorur MicroAI në këtë kapacitet.

A ka ndonjë gjë tjetër që dëshironi të ndani në lidhje me ONE Tech, Inc?

Më poshtë është një diagram se si funksionon MicroAI Atom. Duke filluar me marrjen e të dhënave të papërpunuara, trajnimin dhe përpunimin në mjedisin lokal, nxjerrjen e të dhënave dhe sigurimin e rezultateve.

Më poshtë është një diagram se si funksionon Rrjeti MicroAI. Shumë atome MicroAI ushqehen në Rrjetin MicroAI. Së bashku me të dhënat Atom, burime shtesë të të dhënave mund të bashkohen në model për një kuptim më të qartë se si funksionon aktivi. Për më tepër, brenda Rrjetit MicroAI janë formuar modele të shumta që lejojnë palët e interesuara të kryejnë analiza horizontale se si funksionojnë asetet në rajone të ndryshme, midis klientëve, para dhe pas përditësimeve, etj.

Faleminderit për intervistën dhe përgjigjet tuaja të detajuara, lexuesit që dëshirojnë të mësojnë më shumë duhet ta vizitojnë ONE Tech.