ONE Tech CEO'su Yasser Khan - Röportaj Dizisi

Yaser Khan, CEO'su BİR Tech OEM'ler, ağ operatörleri ve kuruluşlar için yeni nesil IoT çözümleri tasarlayan, geliştiren ve dağıtan yapay zeka odaklı bir teknoloji şirketi.

Başlangıçta sizi Yapay Zekaya çeken neydi?

Birkaç yıl önce, geniş bir coğrafi konumdaki birçok varlığı birbirine bağlayan bir Endüstriyel Nesnelerin İnterneti (IIoT) çözümünü devreye aldık. Üretilen veri miktarı çok büyüktü. PLC'lerden gelen verileri 50 milisaniyelik örnekleme hızlarında ve saniyede birkaç kez harici sensör değerlerinde topladık. Tek bir dakika boyunca, bağlandığımız her varlık için binlerce veri noktası oluşturuldu. Bu verileri bir sunucuya iletmenin ve verileri bir kişiye değerlendirmenin standart yönteminin gerçekçi olmadığını ve işletme için faydalı olmadığını biliyorduk. Bu nedenle, verileri işleyecek ve tüketilebilir çıktılar oluşturacak bir ürün yaratmak için yola çıktık ve bir kuruluşun, ağırlıklı olarak varlık performansı yönetimi ve kestirimci bakıma odaklanan bir dijital dönüşüm dağıtımının avantajlarından yararlanmak için ihtiyaç duyduğu gözetim miktarını büyük ölçüde azalttık.

ONE Tech'in MicroAI çözümünün ne olduğunu tartışabilir misiniz? 

MicroAI™, varlık (cihaz veya makine) performansı, kullanımı ve genel davranışı hakkında daha yüksek düzeyde bilgi sağlayan bir Makine Öğrenimi platformudur. Bu fayda, genel ekipman verimliliğini artırmanın yollarını arayan üretim tesisi yöneticilerinden, cihazlarının sahada nasıl performans gösterdiğini daha iyi anlamak isteyen donanım OEM'lerine kadar uzanır. Bunu, varlığın mikro denetleyicisine (MCU) veya mikro işlemcisine (MPU) küçük (70 kb kadar küçük) bir paket dağıtarak gerçekleştiririz. En önemli farklardan biri, MicroAI'nin eğitim ve model oluşturma sürecinin benzersiz olmasıdır. Modeli doğrudan varlığın kendisi üzerinde eğitiyoruz. Bu yalnızca verilerin yerel kalmasına izin vermekle kalmaz, bu da dağıtım maliyetini ve süresini azaltır, aynı zamanda AI çıktısının doğruluğunu ve hassasiyetini de artırır. MicroAI'nin üç ana katmanı vardır:

1. Veri alımı – MicroAI, veri girişi konusunda agnostiktir. Herhangi bir sensör değerini kullanabiliriz ve MicroAI Platformu, özellik mühendisliğine ve bu ilk katmandaki girdilerin ağırlıklandırılmasına izin verir.
2. Eğitim – Doğrudan yerel ortamda eğitim veriyoruz. Eğitim süresi, varlığın normal döngüsünün ne olduğuna bağlı olarak kullanıcı tarafından ayarlanabilir. Tipik olarak, 25-45 normal döngü yakalamayı severiz, ancak bu, büyük ölçüde yakalanan her döngünün varyasyonuna/volatilitesine dayanır.
3. Çıktı – Bildirimler ve Uyarılar, tespit edilen anormalliğin ciddiyetine göre MicroAI tarafından oluşturulur. Bu eşikler kullanıcı tarafından ayarlanabilir. MicroAI tarafından üretilen diğer çıktılar arasında, Sonraki Bakıma Kadar Öngörülen Günler (servis programlarını optimize etmek için), Sağlık Puanı ve Kalan Varlık Ömrü yer alır. Bu çıktılar, müşterilerin sahip olduğu mevcut BT sistemlerine (Ürün Yaşam Döngüsü Yönetimi araçları, Destek/Biletleme Yönetimi, Bakım vb.) gönderilebilir.

MicroAI'nin arkasındaki makine öğrenimi teknolojilerinden bazılarını tartışabilir misiniz?

MicroAI, yinelemeli bir algoritma içinde paketlenmiş bir Çok Boyutlu Davranış Analizi içerir. AI motoruna beslenen her girdi, AI modeli tarafından belirlenen eşikleri (üst ve alt sınırlar) etkiler. Bunu bir adım önde tahmin sağlayarak yapıyoruz. Örneğin, girdilerden biri RPM'ler ise ve RPM'ler artarsa, daha hızlı makine hareketi nedeniyle yatak sıcaklığının üst sınır eşiği biraz yükselebilir. Bu, modelin gelişmeye ve öğrenmeye devam etmesini sağlar.

MicroAI, buluta erişime bağlı değildir, bunun avantajları nelerdir?

Doğrudan uç noktada (verilerin üretildiği yer) modeller oluşturmak için benzersiz bir yaklaşımımız var. Verilerin yerel ortamdan ayrılması gerekmediği için bu, dağıtımlara veri gizliliği ve güvenliği getirir. Bu, özellikle veri gizliliğinin zorunlu olduğu dağıtımlar için önemlidir. Ayrıca, verileri bir bulutta eğitme süreci zaman alıcıdır. Başkalarının bu alana nasıl yaklaştığına ilişkin bu zaman tüketimi, geçmiş verileri toplama, verileri bir buluta iletme, bir model oluşturma ve nihayetinde bu modeli son varlıklara itme ihtiyacından kaynaklanır. MicroAI, yerel ortamda %100 eğitim alabilir ve yaşayabilir.

MicroAI teknolojisinin özelliklerinden biri de hızlandırılmış anormallik tespitidir, bu işlevsellikten biraz bahseder misiniz?

Davranış analizi yaklaşımımız sayesinde, MicroAI'yi devreye alabilir ve anında varlığın davranışını öğrenmeye başlayabiliriz. Davranış içindeki kalıpları görmeye başlayabiliriz. Yine, bu herhangi bir tarihsel veri yüklemeye gerek kalmadan gerçekleşir. Varlığın yeterli döngülerini yakaladığımızda, yapay zeka modelinden doğru çıktılar üretmeye başlayabiliriz. Bu alan için çığır açıcı. Doğru bir model oluşturmak için haftalar veya aylar alan bir şey, saatler ve bazen dakikalar içinde gerçekleşebilir.

MicroAI™ Helio ve MicroAI™ Atom arasındaki fark nedir?

MicroAI™ Helio Sunucusu:

Helio Sunucu ortamımız, yerel bir sunucuda (en yaygın) veya bir bulut örneğinde konuşlandırılabilir. Helio aşağıdaki işlevleri sağlar: (İş akışı yönetimi, veri analizi ve yönetimi ve veri görselleştirme).

Varlıkları yönetmek için iş akışları – Nerede dağıtıldıklarına ve nasıl kullanıldıklarına dair bir hiyerarşi. (örneğin, küresel olarak tüm müşteri tesislerinin kurulumu, her tesis içindeki belirli tesisler ve bölümler, her istasyondaki her varlığa kadar ayrı istasyonlar). Ayrıca, varlıklar, farklı döngü hızlarıyla farklı işleri gerçekleştirmek üzere kurulabilir; bu, bu iş akışları içinde yapılandırılabilir. Ek olarak, yine Helio Server ortamının bir parçası olan bilet/iş emri yönetimi yeteneği de vardır.

Veri analizi ve yönetimi – Helio'nun bu bölümünde bir kullanıcı, herhangi bir ham veri anlık görüntüsüyle birlikte (ör. saatlik olarak Maks, Min ve ortalama veri değerleri veya bir uyarıyı veya alarmı tetikleyen veri imzaları) AI çıktısı hakkında daha fazla analiz çalıştırabilir. . Bunlar, Helio Analytics tasarımcısında yapılandırılan sorgular veya bir programlama dili olan R gibi araçlardan getirilen daha gelişmiş analitik olabilir. Veri yönetimi katmanı, kullanıcının Helio ortamıyla koordinasyon içinde veri tüketen ve/veya gönderen 3. taraf bağlantıları için API yönetimi ağ geçidini kullanabileceği yerdir.

Veri Goruntuleme – Helio, kullanıcıların hem Helio masaüstü hem de mobil uygulamalarından bağlı varlıklarının Kurumsal Varlık Yönetimi ve Varlık Performans Yönetimi görünümlerini tüketiciye sunmasına olanak tanıyan çeşitli sektöre özel raporlama için şablonlar sağlar.

Mikro Yapay Zeka Atomu:

MicroAI Atom, MCU ortamlarına yerleştirmek için tasarlanmış bir Makine Öğrenimi platformudur. Bu, çok boyutlu davranış analizi özyinelemeli algoritmasının doğrudan yerel MCU mimarisinde eğitimini içerir; bir bulutta değil ve ardından MCU'ya aktarılır. Bu, doğrudan uç noktada oluşturulan çok değişkenli modele dayalı olarak üst ve alt eşiklerin otomatik oluşturulması yoluyla makine öğrenimi modellerinin oluşturulmasını ve devreye alınmasını hızlandırmaya olanak tanır. MicroAI'yi, diğer geleneksel yöntemlere göre modelleri eğitmek için sinyal verilerini tüketmenin ve işlemenin daha verimli bir yolu olması için yarattık. Bu, oluşturulan modele daha yüksek bir doğruluk düzeyi getirmekle kalmaz, aynı zamanda ana bilgisayar donanımında daha az kaynak kullanır (yani, daha düşük bellek ve CPU kullanımı), bu da MCU gibi ortamlarda çalışmamıza izin verir.

MicroAI™ Ağı adlı başka bir temel teklifimiz daha var.

MicroAI™ Ağı – Doğrudan uçta birden fazla model oluşturmak için bir Atom ağının harici veri kaynaklarıyla birleştirilmesine ve birleştirilmesine olanak tanır. Bu, Atom'u çalıştıran çeşitli varlıklar üzerinde yatay ve dikey analiz yapılmasına izin verir. MicroAI Network, bir cihazın/varlığın dağıtılan benzer varlıklarla ilişkili olarak nasıl performans gösterdiğine dair daha derin bir anlayış düzeyi sağlar. Yine, modelleri doğrudan uçta oluşturmaya yönelik benzersiz yaklaşımımız nedeniyle, makine öğrenimi modelleri, ana bilgisayar donanımının çok az belleğini ve CPU'sunu kullanır.

ONE Tech ayrıca IoT güvenlik danışmanlığı da sunmaktadır. Tehdit modelleme ve IoT penetrasyon testi süreci nasıldır?

Varlıkların nasıl davrandığını anlama becerimiz nedeniyle, bağlı bir cihazın dahili bileşenleriyle ilgili verileri (örn. CPU, Bellek Kullanımı, veri paketi boyutu/frekansı) kullanabiliriz. IoT cihazları, çoğunlukla, verileri ne sıklıkta ilettiği, verileri nereye gönderdiği ve bu veri paketinin boyutu gibi düzenli bir çalışma modeline sahiptir. Bu bağlı cihaz için neyin normal olduğuna dair bir temel oluşturmak üzere bu dahili veri parametrelerini tüketmek için MicroAI uyguluyoruz. Cihazda anormal bir işlem meydana gelirse, bir yanıt tetikleyebiliriz. Bu, bir cihazı yeniden başlatmaktan veya bir iş emri yönetim aracında bir bilet açmaktan bir cihaza giden ağ trafiğini tamamen kesmeye kadar değişebilir. Güvenlik ekibimiz test hack'leri geliştirdi ve bu kapasitede MicroAI kullanarak çeşitli Zero-Day saldırı girişimlerini başarıyla tespit ettik.

ONE Tech, Inc. hakkında paylaşmak istediğiniz başka bir şey var mı?

Aşağıda MicroAI Atom'un nasıl çalıştığının bir diyagramı bulunmaktadır. Ham verilerin elde edilmesi, yerel ortamda eğitilmesi ve işlenmesi, verilerin çıkarımlarının yapılması ve çıktıların sağlanması ile başlar.

Aşağıda, MicroAI Network'ün nasıl çalıştığının bir diyagramı bulunmaktadır. Birçok MicroAI Atomu, MicroAI Ağı'nı besler. Atom verileriyle birlikte, varlığın nasıl performans gösterdiğine dair daha ayrıntılı bir anlayış için ek veri kaynakları modelle birleştirilebilir. Ayrıca, MicroAI Ağı içinde, paydaşların varlıkların farklı bölgelerde, müşteriler arasında, güncellemelerden önce ve sonra vb.

Röportaj ve ayrıntılı yanıtlarınız için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular ziyaret etmelidir. BİR Tech.