Yasser Khan, VD för ONE Tech – Intervjuserien

Yasser Khan, är VD för EN Tech ett AI-drivet teknikföretag som designar, utvecklar och distribuerar nästa generations IoT-lösningar för OEM, nätverksoperatörer och företag.

Vad lockade dig från början till artificiell intelligens?

För några år sedan implementerade vi en Industrial Internet of Things (IIoT)-lösning som kopplade ihop många tillgångar över en bred geografisk plats. Mängden data som genererades var enorm. Vi aggregerade data från PLC:er med samplingshastigheter på 50 millisekunder och externa sensorvärden några gånger i sekunden. Under loppet av en enda minut hade vi tusentals datapunkter som genererades för varje tillgång vi ansluter till. Vi visste att standardmetoden för att överföra dessa data till en server och låta en person utvärdera data inte var realistisk eller fördelaktig för verksamheten. Så vi satte igång att skapa en produkt som skulle bearbeta data och generera förbrukningsmaterial, vilket avsevärt minskar mängden tillsyn som en organisation behöver för att skörda fördelarna av en implementering av digital transformation – starkt fokuserad på hantering av tillgångsprestanda och förutsägande underhåll.

Kan du diskutera vad ONE Techs MicroAI-lösning är? 

MicroAI™ är en maskininlärningsplattform som ger en högre nivå av insikt i tillgångar (enhet eller maskin) prestanda, användning och övergripande beteende. Denna fördel sträcker sig från fabrikschefer som letar efter sätt att förbättra den övergripande utrustningens effektivitet till hårdvaru-OEM som vill bättre förstå hur deras enheter fungerar ute på fältet. Vi åstadkommer detta genom att distribuera ett litet (så litet som 70 kb) paket på tillgångens mikrokontroller (MCU) eller mikroprocessor (MPU). En viktig skillnad är att MicroAI:s process att träna och forma en modell är unik. Vi tränar modellen direkt på själva tillgången. Detta tillåter inte bara att data förblir lokal, vilket minskar kostnader och tid för implementering, utan det ökar också noggrannheten och precisionen i AI-utmatningen. MicroAI har tre primära lager:

1. Upptagning av data – MicroAI är agnostiker mot datainmatning. Vi kan konsumera vilket sensorvärde som helst och MicroAI-plattformen möjliggör funktionsutveckling och viktning av indata inom detta första lager.
2. Utbildning – Vi tränar direkt i närmiljön. Utbildningslängden kan ställas in av användaren beroende på vad en normal cykel av tillgången är. Vanligtvis gillar vi att fånga 25-45 normala cykler, men detta är starkt baserat på variation/volatilitet för varje infångad cykel.
3. Produktion – Meddelanden och varningar genereras av MicroAI baserat på allvaret av den avvikelse som upptäcks. Dessa trösklar kan justeras av användaren. Andra resultat som genereras av MicroAI inkluderar förutsedda dagar till nästa underhåll (för att optimera servicescheman), hälsoresultat och återstående tillgångslivslängd. Dessa utdata kan skickas till befintliga IT-system som kunderna har på plats (Product Lifecycle Management-verktyg, Support/Biljetthantering, Underhåll, etc.)

Kan du diskutera några av maskininlärningsteknikerna bakom MicroAI?

MicroAI har en multidimensionell beteendeanalys packad i en rekursiv algoritm. Varje ingång som matas in i AI-motorn påverkar tröskelvärdena (övre och nedre gränser) som ställs in av AI-modellen. Vi gör detta genom att ge en förutsägelse ett steg framåt. Till exempel, om en ingång är varvtal och varvtal ökar, kan den övre gränsen för lagertemperatur stiga något på grund av den snabbare maskinrörelsen. Detta gör att modellen kan fortsätta att utvecklas och lära sig.

MicroAI är inte beroende av att komma åt molnet, vilka är fördelarna med detta?

Vi har ett unikt tillvägagångssätt för att forma modeller direkt på slutpunkten (där data genereras). Detta ger datasekretess och säkerhet till implementeringar eftersom data inte behöver lämna den lokala miljön. Detta är särskilt viktigt för implementeringar där datasekretess är obligatorisk. Dessutom är processen att träna data i ett moln tidskrävande. Denna tidsåtgång för hur andra närmar sig detta utrymme orsakas av behovet av att aggregera historisk data, överföra data till ett moln, bilda en modell och så småningom trycka ner den modellen till sluttillgångarna. MicroAI kan träna och leva till 100 % i den lokala miljön.

En av funktionerna i MicroAI-tekniken är dess accelererade anomalidetektering, skulle du kunna utveckla denna funktionalitet?

På grund av vår metod för beteendeanalys kan vi distribuera MicroAI och omedelbart börja lära oss tillgångens beteende. Vi kan börja se mönster i beteendet. Återigen, detta är utan att behöva ladda några historiska data. När vi väl fångar tillräckligt med cykler av tillgången kan vi börja generera korrekt utdata från AI-modellen. Detta är banbrytande för utrymmet. Det som brukade ta veckor eller månader att bilda en korrekt modell kan hända inom några timmar, och ibland minuter.

Vad är skillnaden mellan MicroAI™ Helio och MicroAI™ Atom?

MicroAI™ Helio Server:

Vår Helio Server-miljö kan distribueras i en lokal server (vanligast) eller i en molninstans. Helio tillhandahåller följande funktionalitet: (Arbetsflödeshantering, dataanalys och datahantering samt datavisualisering).

Arbetsflöden för hantering av tillgångar – En hierarki över var de används och hur de används. (t.ex. installation av alla kundanläggningar globalt, specifika anläggningar och sektioner inom varje anläggning, enskilda stationer, ner till varje tillgång i varje station). Dessutom kan tillgångarna ställas in för att utföra olika jobb med olika cykelhastigheter; detta kan konfigureras inom dessa arbetsflöden. Dessutom finns möjligheten till ärende-/arbetsorderhantering, som också är en del av Helio Server-miljön.

Dataanalys och hantering – Inom den här delen av Helio kan en användare köra ytterligare analyser på AI-utgången, tillsammans med eventuella ögonblicksbilder av rådata (dvs. Max, Min och genomsnittliga datavärden på timbasis eller datasignaturer som utlöste en varning eller ett larm) . Det kan vara frågor som är konfigurerade i Helio Analytics-designern eller mer avancerade analyser hämtade från verktyg som R, ett programmeringsspråk. Datahanteringslagret är där en användare kan använda API-hanteringsgatewayen för tredjepartsanslutningar som konsumerar och/eller skickar data i samordning med Helio-miljön.

Datavisualisering – Helio tillhandahåller mallar för olika branschspecifika rapporter, vilket gör det möjligt för användare att konsumentvyer av Enterprise Asset Management och Asset Performance Management över sina anslutna tillgångar från både Helios stationära och mobila applikationer.

MicroAI Atom:

MicroAI Atom är en maskininlärningsplattform designad för inbäddning i MCU-miljöer. Detta inkluderar träning av den multidimensionella beteendeanalysens rekursiva algoritmen direkt i lokal MCU-arkitektur – inte i ett moln och sedan tryckt ner till MCU. Detta gör det möjligt att accelerera byggandet och distributionen av ML-modeller genom autogenerering av de övre och nedre tröskelvärdena baserat på multivariantmodell som bildas direkt på slutpunkten. Vi har skapat MicroAI för att vara ett mer effektivt sätt att konsumera och bearbeta signaldata för att träna modeller än andra traditionella metoder. Detta ger inte bara en högre nivå av noggrannhet till modellen som bildas utan använder mindre resurser på värdhårdvaran (dvs lägre minne och CPU-användning), vilket gör att vi kan köra i miljöer som en MCU.

Vi har ett annat kärnerbjudande som heter MicroAI™ Network.

MicroAI™ nätverk – Gör det möjligt för ett nätverk av Atoms att konsolideras och blandas med externa datakällor för att skapa flera modeller direkt vid kanten. Detta gör att horisontell och vertikal analys kan köras på de olika tillgångarna som kör Atom. MicroAI Network möjliggör en ännu djupare nivå av förståelse för hur en enhet/tillgång presterar i förhållande till liknande tillgångar som används. Återigen, på grund av vårt unika tillvägagångssätt för att forma modeller direkt vid kanten, förbrukar maskininlärningsmodellerna väldigt lite minne och CPU hos värdhårdvaran.

ONE Tech erbjuder även konsulttjänster inom IoT-säkerhet. Hur fungerar hotmodellering och IoT-penetrationstestning?

På grund av vår förmåga att förstå hur tillgångar beter sig kan vi konsumera data relaterad till interna delar av en ansluten enhet (t.ex. CPU, minnesanvändning, datapaketstorlek/-frekvens). IoT-enheter har för det mesta ett regelbundet funktionsmönster - hur ofta den sänder data, var den skickar data och storleken på det datapaketet. Vi använder MicroAI för att konsumera dessa interna dataparametrar för att bilda en baslinje för vad som är normalt för den anslutna enheten. Om en onormal åtgärd inträffar på enheten kan vi utlösa ett svar. Detta kan sträcka sig från att starta om en enhet eller öppna en biljett i ett arbetsorderhanteringsverktyg till att helt minska nätverkstrafiken till en enhet. Vårt säkerhetsteam har utvecklat testhack och vi har framgångsrikt upptäckt olika Zero-Day-attackförsök genom att använda MicroAI i denna egenskap.

Finns det något mer du skulle vilja dela med dig av om ONE Tech, Inc?

Nedan är ett diagram över hur MicroAI Atom fungerar. Börja med att skaffa rådata, utbildning och bearbetning i den lokala miljön, dra slutsatser om data och ge utdata.

Nedan är ett diagram över hur MicroAI Network fungerar. Många MicroAI Atoms matas in i MicroAI Network. Tillsammans med Atom-data kan ytterligare datakällor slås samman i modellen för en mer detaljerad förståelse av hur tillgången presterar. Vidare, inom MicroAI Network bildas flera modeller som gör det möjligt för intressenter att köra horisontell analys av hur tillgångar presterar i olika regioner, mellan kunder, före och efter uppdateringar, etc.

Tack för intervjun och dina detaljerade svar, läsare som vill veta mer bör besöka EN Tech.