ยัสเซอร์ ข่าน ซีอีโอของ ONE Tech – สัมภาษณ์รายการ

ยัสเซอร์ ข่าน เป็นซีอีโอของ ONE Tech บริษัทเทคโนโลยีที่ขับเคลื่อนด้วย AI ที่ออกแบบ พัฒนา และใช้งานโซลูชัน IoT รุ่นต่อไปสำหรับ OEMs ผู้ให้บริการเครือข่าย และองค์กร

สิ่งใดที่ดึงดูดคุณเข้าสู่โลกของปัญญาประดิษฐ์?

เมื่อหลายปีที่แล้ว เราได้นำระบบ Industrial Internet of Things (IIoT) ไปใช้ ซึ่งเชื่อมต่อทรัพย์สินหลายแห่งทั่วพื้นที่ทางภูมิศาสตร์ที่กว้างขวาง มีข้อมูลจำนวนมากที่ถูกสร้างขึ้น เราได้รวบรวมข้อมูลจาก PLCs ที่อัตราการตัวอย่าง 50 มิลลิวินาที และค่าเซ็นเซอร์ภายนอกหลายครั้งต่อวินาที ในช่วงเวลาหนึ่งวินาที เรามีจุดข้อมูลหลายพันจุดที่ถูกสร้างขึ้นสำหรับทรัพย์สินแต่ละแห่งที่เรากำลังเชื่อมต่อ เรารู้ว่าวิธีการส่งต่อข้อมูลไปยังเซิร์ฟเวอร์และมีคนประเมินข้อมูลนั้นไม่ใช่วิธีที่เป็นจริงหรือมีประโยชน์ต่อธุรกิจ ดังนั้นเราจึงตั้งเป้าที่จะสร้างผลิตภัณฑ์ที่จะประมวลผลข้อมูลและสร้างผลลัพธ์ที่สามารถบริโภคได้ ซึ่งจะลดจำนวนการกำกับดูแลที่องค์กรต้องการเพื่อประโยชน์จากการนำระบบดิจิทัลไปใช้ — มุ่งเน้นไปที่การบริหารประสิทธิภาพทรัพย์สินและการบำรุงรักษาเชิง예측

คุณสามารถอธิบายเกี่ยวกับ MicroAI ของ ONE Tech ได้หรือไม่? 

MicroAI™ เป็นแพลตฟอร์ม Machine Learning ที่ให้ข้อมูลเชิงลึกเกี่ยวกับการทำงานของทรัพย์สิน (อุปกรณ์หรือเครื่องจักร) การใช้งาน และพฤติกรรมโดยรวม ข้อได้เปรียบนี้ครอบคลุมตั้งแต่ผู้จัดการโรงงานที่กำลังมองหาวิธีการปรับปรุงประสิทธิภาพของอุปกรณ์โดยรวมไปจนถึงผู้ผลิตฮาร์ดแวร์ที่ต้องการเข้าใจว่าอุปกรณ์ของตนทำงานอย่างไรในสนาม เราบรรลุเป้าหมายนี้โดยการนำแพ็คเกจขนาดเล็ก (เล็กที่สุด 70kb) ไปยังไมโครคอนโทรลเลอร์ (MCU) หรือไมโครโพรเซสเซอร์ (MPU) ของทรัพย์สิน ข้อแตกต่างที่สำคัญคือกระบวนการฝึกอบรมและการสร้างแบบจำลองของเรานั้นไม่เหมือนใคร เราฝึกอบรมแบบจำลองโดยตรงบนทรัพย์สินเอง ไม่เพียงแต่ช่วยให้ข้อมูลยังคงอยู่ในพื้นที่เท่านั้น แต่ยังช่วยลดต้นทุนและเวลาของการนำไปใช้งาน และเพิ่มความแม่นยำและความแม่นยำของเอาต์พุต AI ของเรา MicroAI มีสามชั้นหลัก:

1. การบริโภคข้อมูล – MicroAI ไม่ขึ้นอยู่กับการรับข้อมูลเข้า เราสามารถบริโภคค่าเซ็นเซอร์ใดๆ ได้ และแพลตฟอร์ม MicroAI อนุญาตให้ทำการวิศวกรรมคุณลักษณะและน้ำหนักของการรับเข้าในระดับแรกนี้
2. การฝึกอบรม – เราฝึกอบรมโดยตรงภายในสภาพแวดล้อมท้องถิ่น ระยะเวลาการฝึกอบรมสามารถตั้งค่าโดยผู้ใช้ขึ้นอยู่กับสิ่งที่เป็นช่วงปกติของทรัพย์สิน โดยทั่วไปเราต้องการจับ 25-45 รอบปกติ แต่นี่ขึ้นอยู่กับการเปลี่ยนแปลง/ความผันผวนของแต่ละรอบที่จับ
3. เอาต์พุต – การแจ้งเตือนและคำเตือนถูกสร้างขึ้นโดย MicroAI ตามความรุนแรงของความผิดปกติที่ตรวจพบ ระดับนี้สามารถปรับได้โดยผู้ใช้ เอาต์พุตอื่นๆ ที่สร้างโดย MicroAI รวมถึงวันทำการคาดการณ์ถึงการบำรุงรักษาครั้งถัดไป (สำหรับการเพิ่มประสิทธิภาพตารางการบริการ) คะแนนสุขภาพ และชีวิตที่เหลืออยู่ของทรัพย์สิน เอาต์พุตเหล่านี้สามารถส่งไปยังระบบ IT ที่มีอยู่ที่ลูกค้ามี (เครื่องมือการบริหารชีวิตผลิตภัณฑ์ เครื่องมือการจัดการการสนับสนุน/ตั๋ว การบำรุงรักษา ฯลฯ)

คุณสามารถอธิบายเกี่ยวกับเทคโนโลยี Machine Learning ที่อยู่เบื้องหลัง MicroAI ได้หรือไม่?

MicroAI มีการวิเคราะห์พฤติกรรมหลายมิติที่บรรจุอยู่ในอัลกอริทึมแบบเรียกซ้ำ ค่าเข้าที่ส่งเข้าสู่เครื่องยนต์ AI จะส่งผลกระทบต่อขอบเขต (ขอบบนและขอบล่าง) ที่ตั้งค่าโดยแบบจำลอง AI เราทำสิ่งนี้โดยการให้การคาดการณ์ล่วงหน้าหนึ่งขั้นตอน ตัวอย่างเช่น หากค่าเข้าหนึ่งคือ RPMs และ RPMs เพิ่มขึ้น ขอบบนของอุณหภูมิของหม้อน้ำอาจเพิ่มขึ้นเล็กน้อยเนื่องจากการเคลื่อนไหวของเครื่องจักรที่เร็วขึ้น ซึ่งช่วยให้แบบจำลองสามารถพัฒนาต่อไปและเรียนรู้

MicroAI ไม่ขึ้นอยู่กับการเข้าถึงคลาวด์ ข้อดีของสิ่งนี้คืออะไร?

เรามีวิธีการที่ไม่เหมือนใครในการสร้างแบบจำลองโดยตรงบนจุดสิ้นสุด (ที่ข้อมูลถูกสร้างขึ้น) สิ่งนี้นำความเป็นส่วนตัวและความปลอดภัยของข้อมูลมาให้กับการใช้งาน เนื่องจากข้อมูลไม่จำเป็นต้องออกจากสภาพแวดล้อมท้องถิ่น นี่เป็นสิ่งสำคัญอย่างยิ่งสำหรับการใช้งานที่ความเป็นส่วนตัวของข้อมูลเป็นข้อบังคับ นอกจากนี้ กระบวนการฝึกอบรมข้อมูลในคลาวด์นั้นใช้เวลานาน การใช้เวลานี้เกิดจากความจำเป็นในการรวบรวมข้อมูลทางประวัติศาสตร์ ส่งต่อข้อมูลไปยังคลาวด์ การสร้างแบบจำลอง และสุดท้ายการดันแบบจำลองลงไปยังทรัพย์สินสิ้นสุด MicroAI สามารถฝึกอบรมและใช้งานได้ 100% ในสภาพแวดล้อมท้องถิ่น

คุณสามารถอธิบายเกี่ยวกับการตรวจจับความผิดปกติที่เร่งรัดของ MicroAI ได้หรือไม่?

เนื่องจากวิธีการของเราในการวิเคราะห์พฤติกรรม เราจึงสามารถใช้งาน MicroAI และเริ่มเรียนรู้พฤติกรรมของทรัพย์สินได้ทันที เราสามารถเห็นรูปแบบภายในพฤติกรรมได้ อีกครั้ง สิ่งนี้ไม่จำเป็นต้องมีการโหลดข้อมูลทางประวัติศาสตร์ เมื่อเราจับได้หลายรอบของทรัพย์สินแล้ว เราก็สามารถเริ่มสร้างเอาต์พุตที่แม่นยำจากแบบจำลอง AI ได้ สิ่งนี้เป็นเรื่องที่น่าตื่นเต้นสำหรับพื้นที่นี้ สิ่งที่เคยใช้เวลาหลายสัปดาห์หรือหลายเดือนในการสร้างแบบจำลองที่แม่นยำสามารถเกิดขึ้นได้ภายในเวลาไม่กี่ชั่วโมง และบางครั้งภายในไม่กี่นาที

有什么区别ระหว่าง MicroAI ™ Helio และ MicroAI ™ Atom?

MicroAI ™ Helio Server:

สภาพแวดล้อม Helio Server ของเราสามารถใช้งานได้ทั้งในเซิร์ฟเวอร์ท้องถิ่น (ที่พบบ่อยที่สุด) หรือในตัวอย่างคลาวด์ Helio ให้ฟังก์ชันการทำงานต่อไปนี้: (การบริหารการทำงาน การวิเคราะห์และจัดการข้อมูล และการแสดงภาพข้อมูล)

การทำงานสำหรับการจัดการทรัพย์สิน – ไฮเออราร์คีของที่ทรัพย์สินถูกใช้งาน (เช่น การตั้งค่าทั้งหมดของสถานที่ลูกค้าทั่วโลก สถานที่เฉพาะและส่วนต่างๆ ภายในสถานที่ทั้งหมด สถานีแต่ละแห่ง และทรัพย์สินแต่ละรายการในแต่ละสถานี) นอกจากนี้ ทรัพย์สินอาจถูกตั้งค่าให้ทำงานที่แตกต่างกันโดยมีอัตราการทำงานที่แตกต่างกัน ซึ่งสามารถกำหนดค่าได้ภายในกระบวนการเหล่านี้ นอกจากนี้ยังมีการจัดการตั๋ว/คำสั่งซื้อซึ่งเป็นส่วนหนึ่งของสภาพแวดล้อม Helio Server

การวิเคราะห์และจัดการข้อมูล – ภายในส่วนนี้ของ Helio ผู้ใช้สามารถวิเคราะห์เอาต์พุต AI เพิ่มเติมได้พร้อมกับข้อมูลดิบ (เช่น ค่าสูงสุด ค่าต่ำสุด และค่าเฉลี่ยของข้อมูลในระดับชั่วโมงหรือข้อมูลลายเซ็นของการแจ้งเตือนหรือการเตือน) สิ่งเหล่านี้สามารถเป็นคำถามที่กำหนดค่าไว้ใน Helio Analytics Designer หรือการวิเคราะห์ที่ซับซ้อนกว่าที่นำเข้ามาจากเครื่องมือ เช่น R ชั้นการจัดการข้อมูลคือที่ที่ผู้ใช้สามารถใช้ API Gateway สำหรับการเชื่อมต่อของบุคคลที่สามที่กำลังบริโภคและส่งต่อข้อมูลในความร่วมมือกับสภาพแวดล้อม Helio

การแสดงภาพข้อมูล – Helio มีเทมเพลตสำหรับการรายงานเฉพาะอุตสาหกรรมต่างๆ ซึ่งช่วยให้ผู้ใช้สามารถดู Enterprise Asset Management และ Asset Performance Management ของทรัพย์สินที่เชื่อมต่อจากทั้งแอปพลิเคชันเดสก์ท็อปและโมบายของ Helio

MicroAI Atom:

MicroAI Atom เป็นแพลตฟอร์ม Machine Learning ที่ออกแบบมาเพื่อฝังตัวใน MCU สิ่งนี้รวมถึงการฝึกอบรมวิเคราะห์พฤติกรรมหลายมิติแบบเรียกซ้ำโดยตรงในโครงสร้าง MCU ท้องถิ่น — ไม่ใช่ในคลาวด์และดันลงไปยัง MCU สิ่งนี้ช่วยให้เร่งการสร้างและใช้งานโมเดล ML ผ่านการสร้างอัตโนมัติของขอบเขตบนและล่างตามแบบจำลองหลายตัวแปรที่สร้างขึ้นโดยตรงบนจุดสิ้นสุด เราได้สร้าง MicroAI ขึ้นเพื่อให้เป็นวิธีที่มีประสิทธิภาพมากขึ้นในการบริโภคและประมวลผลสัญญาณข้อมูลเพื่อฝึกอบรมแบบจำลองมากกว่าวิธีการแบบดั้งเดิม สิ่งนี้ไม่เพียงแต่นำความแม่นยำที่สูงกว่ามาให้กับแบบจำลองที่สร้างขึ้นเท่านั้น แต่ยังใช้ทรัพยากรบนฮาร์ดแวร์ที่น้อยกว่า (เช่น การใช้หน่วยความจำและ CPU ที่ต่ำกว่า) ซึ่งช่วยให้เราสามารถใช้งานได้ในสภาพแวดล้อม เช่น MCU

เรามีบริการหลักอีกอย่างหนึ่งเรียกว่า MicroAI ™ Network.

MicroAI ™ Network – ช่วยให้สามารถรวม Atom หลายตัวและผสมผสานกับแหล่งข้อมูลภายนอกเพื่อสร้างแบบจำลองหลายแบบโดยตรงบนจุดสิ้นสุด สิ่งนี้ช่วยให้สามารถวิเคราะห์แนวตั้งและแนวนอนได้บนทรัพย์สินต่างๆ ที่กำลังทำงาน Atom MicroAI Network ช่วยให้เข้าใจลึกซึ้งยิ่งขึ้นว่าทรัพย์สิน/อุปกรณ์ทำงานอย่างไรเมื่อเปรียบเทียบกับทรัพย์สินที่คล้ายกันที่ใช้งานอยู่ เนื่องจากวิธีการที่ไม่เหมือนใครของเราในการสร้างแบบจำลองโดยตรงบนจุดสิ้นสุด โมเดล Machine Learning เหล่านี้จึงใช้หน่วยความจำและ CPU ของฮาร์ดแวร์ที่น้อยมาก

ONE Tech ยังให้บริการที่ปรึกษาด้านความปลอดภัย IoT อีกด้วย กระบวนการสร้างแบบจำลองภัยคุกคามและการทดสอบการเจาะระบบ IoT คืออะไร?

เนื่องจากความสามารถของเราในการเข้าใจว่าทรัพย์สินทำงานอย่างไร เราจึงสามารถบริโภคข้อมูลที่เกี่ยวข้องกับภายในของอุปกรณ์ที่เชื่อมต่อ (เช่น การใช้ CPU การใช้หน่วยความจำ ขนาดและความถี่ของแพ็คเก็ตข้อมูล) อุปกรณ์ IoT มีโดยทั่วไปรูปแบบการทำงานปกติ — บ่อยแค่ไหนที่มันส่งต่อข้อมูล ที่ไหนที่มันส่งต่อข้อมูล และขนาดของแพ็คเก็ตข้อมูลนั้น เราใช้ MicroAI เพื่อบริโภคพารามิเตอร์ข้อมูลภายในเหล่านี้เพื่อสร้างบรรทัดฐานว่าอะไรคือสิ่งที่ปกติสำหรับอุปกรณ์ที่เชื่อมต่อนั้น หากการกระทำผิดปกติเกิดขึ้นบนอุปกรณ์ เราสามารถกระตุ้นการตอบสนองได้ สิ่งนี้อาจเป็นการรีบูตอุปกรณ์ เปิดตั๋วในเครื่องมือการจัดการงาน หรือตัดการรับส่งข้อมูลของเครือข่ายไปยังอุปกรณ์อย่างสมบูรณ์ ทีมความปลอดภัยของเราพัฒนาการทดสอบแฮกและเราสามารถตรวจจับการโจมตี Zero-Day ได้หลายครั้งโดยใช้ MicroAI ในลักษณะนี้

มีอะไรอีกไหมที่คุณต้องการแบ่งปันเกี่ยวกับ ONE Tech, Inc?

ด้านล่างนี้เป็นแผนภาพของวิธีการทำงานของ MicroAI Atom เริ่มต้นด้วยการได้รับข้อมูลดิบ การฝึกอบรมและการประมวลผลในสภาพแวดล้อมท้องถิ่น การอนุมานข้อมูลและการให้เอาต์พุต

ด้านล่างนี้เป็นแผนภาพของวิธีการทำงานของ MicroAI Network Atom หลายตัวส่งเข้าไปใน MicroAI Network พร้อมกับ Atom Data แหล่งข้อมูลภายนอกเพิ่มเติมสามารถผสมผสานเข้ากับแบบจำลองเพื่อความเข้าใจที่ละเอียดถี่ถ้วนยิ่งขึ้นว่าทรัพย์สินทำงานอย่างไร นอกจากนี้ภายใน MicroAI Network หลายแบบจำลองถูกสร้างขึ้น ซึ่งช่วยให้ผู้มีส่วนได้ส่วนเสียสามารถวิเคราะห์แนวตั้งและแนวนอนได้ว่าทรัพย์สินทำงานอย่างไรในภูมิภาคที่แตกต่างกัน ระหว่างลูกค้า ก่อนและหลังการอัปเดต ฯลฯ

ขอขอบคุณสำหรับการสัมภาษณ์และคำตอบที่มีรายละเอียด ผู้อ่านสามารถเยี่ยมชม ONE Tech เพื่อเรียนรู้เพิ่มเติม