Yasser Khan, VD för ONE Tech – Intervjuserie

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

Vad var det som initialt drog dig till artificiell intelligens?

För några år sedan distribuerade vi en Industrial Internet of Things (IIoT)-lösning som anslöt många tillgångar över en stor geografisk plats. Mängden data som genererades var enorm. Vi sammanställde data från PLC:er med sampelhastigheter på 50 millisekunder och externa sensorvärden flera gånger i sekunden. Under loppet av en enda minut hade vi tusentals datapunkter som genererades för varje tillgång vi anslöt till. Vi visste att den standardmetod som bestod i att överföra denna data till en server och låta en person utvärdera data inte var realistisk eller fördelaktig för verksamheten. Så vi satte oss för att skapa en produkt som skulle bearbeta data och generera konsumerbara utdata, vilket skulle minska den mängd tillsyn som en organisation behöver för att dra nytta av en digital transformationsdistribution – med fokus på tillgångsprestandahantering och prediktivt underhåll.

Kan du diskutera vad ONE Techs MicroAI-lösning är? 

MicroAI är en maskinläringsplattform som ger en högre nivå av insikt i tillgångs (enhet eller maskin) prestanda, användning och övergripande beteende. Denna fördel sträcker sig från tillverkningsanläggningschefer som letar efter sätt att förbättra den övergripande utrustningseffektiviteten till hårdvarutillverkare som vill bättre förstå hur deras enheter presterar ute på fältet. Vi uppnår detta genom att distribuera en liten (så liten som 70 kb) paket på mikrokontrollern (MCU) eller mikroprocessorn (MPU) på tillgången. En viktig differentierare är att MicroAIs process för utbildning och modellbildning är unik. Vi utbildar modellen direkt på tillgången. Inte bara tillåter detta att data stannar lokalt, vilket minskar kostnaden och tiden för distribution, utan det ökar också noggrannheten och precisionen i AI-utdata. MicroAI har tre primära lager:

1. Datainmatning – MicroAI är oberoende av datainmatning. Vi kan konsumera vilket som helst sensorvärde och MicroAI-plattformen tillåter funktionell utformning och viktning av inmatningarna inom detta första lager.
2. Utbildning – Vi utbildar direkt i den lokala miljön. Utbildningstiden kan ställas in av användaren beroende på vad en normal cykel av tillgången är. Vanligtvis vill vi fånga 25-45 normala cykler, men detta är starkt beroende av variation/volatilitet i varje cykel som fångas.
3. Utdata – Meddelanden och varningar genereras av MicroAI baserat på allvarlighetsgraden av anomalin som upptäcks. Dessa trösklar kan justeras av användaren. Andra utdata som genereras av MicroAI inkluderar förutsagda dagar till nästa underhåll (för optimering av service scheman), hälsopojkt och tillgångs livsvaraktighet. Dessa utdata kan skickas till befintliga IT-system som kunderna har på plats (Produktlivscykelhanteringsverktyg, Support / biljett hantering, underhåll etc.)

Kan du diskutera några av de maskinlärningsteknologierna bakom MicroAI?

MicroAI har en multi-dimensionell beteendeanalys paketerad i en rekursiv algoritm. Varje indata som matas in i AI-motorn påverkar trösklarna (övre och undre gränser) som ställs in av AI-modellen. Vi gör detta genom att tillhandahålla en förutsägelse ett steg i förväg. Till exempel, om en indata är RPM och RPM ökar, kan den övre gränsen för bärtemperatur öka något på grund av den snabbare maskinrörelsen. Detta tillåter modellen att fortsätta utvecklas och lära.

MicroAI är inte beroende av åtkomst till molnet, vad är fördelarna med detta?

Vi har en unik metod för att bilda modeller direkt på slutpunkten (där data genereras). Detta bringar dataintegritet och säkerhet till distributioner eftersom data inte behöver lämna den lokala miljön. Detta är särskilt viktigt för distributioner där dataintegritet är obligatorisk. Dessutom är processen för att träna data i ett moln tidskrävande. Denna tidsåtgång som andra närmar sig detta område orsakas av behovet av att samla in historiska data, överföra data till ett moln, bilda en modell och till slut skicka modellen ner till slutpunkterna. MicroAI kan utbilda och leva 100% i den lokala miljön.

En av funktionerna i MicroAI-teknologin är dess accelererade anomaliupptäckt, kan du förklara denna funktion?

På grund av vår metod för beteendeanalys kan vi distribuera MicroAI och omedelbart börja lära känna tillgångens beteende. Vi kan börja se mönster i beteendet. Återigen, detta är utan behov av att ladda någon historisk data. När vi fångar tillräckligt med cykler av tillgången, kan vi sedan börja generera exakta utdata från AI-modellen. Detta är banbrytande för området. Vad som tidigare tog veckor eller månader för att bilda en exakt 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 funktioner: (Arbetsflödeshantering, dataanalys och hantering, och datavisualisering).

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

Dataanalys och hantering – Inom detta avsnitt av Helio kan en användare köra ytterligare analyser på AI-utdata, tillsammans med alla rådataögonblicksbilder (t.ex. Max, Min och genomsnittsvärden på timbasis eller datasignaturer som utlöste en varning eller en larm). Dessa kan vara frågor som konfigurerats i Helio Analytics-designern eller mer avancerad analys som hämtats från verktyg som R, ett programmeringsspråk. Datahanteringslagret är där en användare kan använda API-hanteringsgrinden för tredjepartsanslutningar som konsumerar och/eller skickar data i samordning med Helio-miljön.

Datavisualisering – Helio tillhandahåller mallar för olika branschspecifika rapporter, vilket tillåter användare att konsumera Enterprise Asset Management och Asset Performance Management-vyer av sina anslutna tillgångar från både Helio-skrivbord och mobilapplikationer.

MicroAI Atom:

MicroAI Atom är en maskinläringsplattform designad för att infogas i MCU-miljöer. Detta inkluderar utbildning av den multi-dimensionella beteendeanalysrekursiva algoritmen direkt i lokal MCU-arkitektur – inte i ett moln och sedan skickas ner till MCU. Detta tillåter en acceleration av byggnation och distribution av ML-modeller genom auto-generering av övre och undre trösklar baserat på en multivariantmodell som formas direkt på slutpunkten. Vi har skapat MicroAI för att vara ett mer effektivt sätt att konsumera och bearbeta signaldata för att träna modeller än traditionella metoder. Detta bringar inte bara en högre nivå av noggrannhet till modellen som formas, utan använder också färre resurser på värdmaskinvaran (t.ex. lägre minne och CPU-användning), vilket tillåter oss att köra i miljöer som en MCU.

Vi har ett annat kärnerbjudande som kallas MicroAI Network.

MicroAI Network – Tillåter en nätverk av Atomer att konsolideras och blandas med externa datakällor för att skapa flera modeller direkt på kanten. Detta tillåter en ännu djupare nivå av förståelse för hur en enhet/tillgång presterar i förhållande till liknande tillgångar som distribueras. Återigen, på grund av vår unika metod för att bilda modeller direkt på kanten, konsumerar maskinlärningsmodellerna mycket lite minne och CPU på värdmaskinvaran.

ONE Tech erbjuder också IoT-säkerhetskonsulttjänster. Vad är processen för hotmodellering och IoT-penetreringstestning?

På grund av vår förmåga att förstå hur tillgångar beter sig, kan vi konsumera data relaterad till insidan av en ansluten enhet (t.ex. CPU, minnesanvändning, datapaketstorlek/frekvens). IoT-enheter har, för det mesta, ett regelbundet mönster av drift – hur ofta den överför data, vart den skickar data och storleken på datapaketet. Vi tillämpar 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 en reaktion. Detta kan sträcka sig från att starta om en enhet eller öppna en biljett inom en arbetsorderhantering, till att helt skära av nätverkstrafik till en enhet. Vårt säkerhetsteam har utvecklat testhak och vi har framgångsrikt upptäckt olika Zero-Day-attacker genom att använda MicroAI i denna kapacitet.

Finns det något annat du vill dela om ONE Tech, Inc?

Nedan är en diagram som visar hur MicroAI Atom fungerar. Från att förvärva rådata, utbildning och bearbetning i den lokala miljön, inferens av data och tillhandahållande av utdata.

Nedan är en diagram som visar hur MicroAI Network fungerar. Många MicroAI Atomer matar in i MicroAI Network. Tillsammans med Atomdata kan ytterligare datakällor blandas in i modellen för en mer granulär förståelse av hur tillgången presterar. Dessutom kan flera modeller bildas inom MicroAI Network, vilket tillåter intressenter att köra horisontell analys på hur tillgångar presterar i olika regioner, mellan kunder, före och efter uppdateringar etc.

Tack för intervjun och dina detaljerade svar, läsare som vill lära sig mer kan besöka ONE Tech.