Yasser Khan, ONE Tech CEO’sü – Röportaj Serisi

Yasser Khan, ONE Tech şirketinin CEO’sudur. ONE Tech, OEM’ler, ağ operatörleri ve şirketler için nächsten nesil IoT çözümleri tasarlayan, geliştiren ve dağıtan bir AI destekli teknoloji şirketidir.

Sizce Yapay Zeka’ya ilk olarak ne çekti?

Birkaç yıl önce, endüstriyel bir Internet of Things (IIoT) çözümü uygulamıştık. Bu çözüm, geniş bir coğrafi alanda birçok varlığı bağlamıştı. Üretilen veri miktarı muazzam boyutlardaydı. PLC’lerden 50 milisaniyelik örnek alma hızlarında ve dış sensör değerlerinden saniyede birkaç kez veri topluyorduk. Bir dakikanın sonunda, her bir bağladığımız varlık için binlerce veri noktası üretiyorduk. Bu verilerin standard yöntemle bir sunucuya iletildiği ve bir kişinin bu verileri değerlendirdiği yöntemin gerçekçi olmadığını, işletme için faydalı olmadığını biliyoruz. Bu nedenle, verilerin işlenerek tüketilebilecek çıktılar üreten bir ürün oluşturmak için yola çıktık. Bu, varlık performans yönetimi ve öngörülü bakım üzerinde yoğun bir şekilde odaklanılan bir dijital dönüşüm uygulamasıydı.

ONE Tech’in MicroAI çözümünü anlatır mısınız?

MicroAI™, varlık (cihaz veya makine) performansına, kullanımına ve genel davranışına daha derin bir bakış açısı sağlayan bir Makine Öğrenimi platformudur. Bu, üretim tesisleri yöneticilerine, donanım OEM’lerine ve varlık performansını iyileştirmek isteyen diğerlerine fayda sağlar. Bunu, varlığın mikrodenetleyicisine (MCU) veya mikroişlemcisine (MPU) küçük bir paket (70kb kadar küçük) yükleyerek gerçekleştiriyoruz. Birincil farklılaştırıcı, model oluşturma ve eğitme sürecimizdir. Modeli doğrudan varlığın üzerinde eğitiyoruz. Bu sadece veri yerel kalmasını, dağıtım maliyetini ve süresini azaltmakla kalmaz, aynı zamanda AI çıktısının doğruluğunu ve kesinliğini de artırır. MicroAI üç temel katmana sahiptir:

1. Veri alımı – MicroAI, veri girişine karşı duyarsızdır. Herhangi bir sensör değerini tüketebilir ve MicroAI Platformu, bu ilk katmanda girdi özelliklerinin mühendisliğini ve ağırlıklarını sağlar.
2. Eğitim – Doğrudan yerel ortamda eğitimi gerçekleştiriyoruz. Eğitim süresi, varlıkın normal döngüsüne bağlı olarak kullanıcı tarafından belirlenebilir. Genellikle, 25-45 normal döngüyü yakalamayı hedefliyoruz, ancak bu her bir döngüdeki varyasyon/volatiliteye bağlıdır.
3. Çıktı – MicroAI, tespit edilen anormalliklerin ciddiyetine bağlı olarak bildirimler ve uyarılar üretir. Bu eşiği kullanıcı ayarlayabilir. MicroAI tarafından üretilen diğer çıktılar, Öngörülen Sonraki Bakım Günleri (hizmet programlarını optimize etmek için), Sağlık Puanı ve Varlık Kalan Hayat içerir. Bu çıktılar, müşterilerin mevcut IT sistemlerine (Ürün Yaşam Döngüsü Yönetim Araçları, Destek/Bilet Yönetim, Bakım vb.) gönderilebilir.

MicroAI’nin arkasındaki bazı Makine Öğrenimi teknolojilerini tartışır mısınız?

MicroAI, çok boyutlu davranış analizi içeren bir rekürsif algoritmaya sahiptir. AI motoruna verilen her girdi, AI modeli tarafından belirlenen eşiklere (üst ve alt sınırlar) etki eder. Bunu, bir adım önde tahmin yaparak gerçekleştiriyoruz. Örneğin, bir girdisi RPM ise ve RPM artarsa, yatak sıcaklığı üst eşik sınırı slightly artabilir. Bu, modelin sürekli evrimleşmesini ve öğrenmesini sağlar.

MicroAI, buluta erişime bağımlı değil, bunun avantajları nelerdir?

Veri yerel ortamda kalmasını ve modelin doğrudan varlık üzerinde oluşturulmasını sağlayan benzersiz bir yaklaşımımız var. Bu, veri gizliliği ve güvenliğini sağlar, özellikle veri gizliliği zorunlu olan dağıtımlar için önemlidir. Ayrıca, bulutta model oluşturma ve eğitme süreci zaman alıcıdır. Bu, tarihi verilerin toplanması, verilerin buluta iletilmesi, model oluşturulması ve sonunda modelin varlık üzerine yüklenmesiyle ilgili zaman kaybına neden olur. MicroAI, yerel ortamda %100 eğitim verebilir ve çalışabilir.

MicroAI’nin hızlandırılmış anormallik tespiti hakkında bilgi verebilir misiniz?

Davranış analizi yaklaşımımız sayesinde, MicroAI’yi dağıtabilir ve varlık davranışını anında öğrenmeye başlayabiliriz. Davranış içinde kalıpları görmeye başlayabiliriz. Bu, herhangi bir tarihi veriyi yüklemeye gerek kalmadan gerçekleşir. Varlığın yeterli döngülerini yakaladığımızda, AI modelinden doğru çıktılar üretebiliriz. Bu, bu alanda çığır açıcı bir gelişmedir. Haftalarca veya aylarca süren model oluşturma süreci, artık saatler içinde veya bazen dakikalar içinde gerçekleşebilir.

MicroAI™ Helio ve MicroAI™ Atom arasındaki fark nedir?

MicroAI™ Helio Sunucusu:

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

Varlıkları yönetmek için iş akışları – Varlıkların hiyerarşisi, nerede dağıtıldığı ve nasıl kullanıldığı. (Örneğin, tüm müşteri tesislerinin küresel kurulumu, belirli tesisler ve tesislerdeki bölümler, bireysel istasyonlar, her istasyondaki her varlık). Ayrıca, varlıkların farklı işleri ve döngü hızları için yapılandırılması da bu iş akışlarının bir parçasıdır. İş akışı yönetim aracı içinde, bilet/iş emri yönetimi de mevcuttur.

Veri analizi ve yönetimi – Helio’nun bu bölümünde, kullanıcı AI çıktısına ek olarak ham veri anlık görüntülerini (örneğin, saatlik bazda maksimum, minimum ve ortalama veri değerleri veya uyarı veya alarm tetikleyen veri imzaları) daha advanced analitiklerle işleyebilir. Bu, Helio Analytics designer’da yapılandırılan sorgular veya R gibi gelişmiş araçlardan getirilen analitiklerdir. Veri yönetim katmanı, kullanıcıların üçüncü taraf bağlantıları için API yönetim kapısını kullanabileceği yerdir.

Veri görselleştirme – Helio, çeşitli endüstriye özgü rapor şablonları sağlar. Bu, kullanıcıların Helio masaüstü ve mobil uygulamalarından bağlı varlıkların Enterprise Varlık Yönetimi ve Varlık Performans Yönetimi görünümünü tüketmesine olanak tanır.

MicroAI Atom:

MicroAI Atom, MCU ortamlarına gömme amacıyla tasarlanmış bir Makine Öğrenimi platformudur. Bu, yerel MCU mimarisinde çok boyutlu davranış analizi rekürsif algoritmasının eğitimi içerir – bulutta değil. Bu, model oluşturmayı ve dağıtımı, üst ve alt eşiklerin otomatik olarak oluşturulmasını sağlayarak hızlandırır. Gelen sinyal verilerini işlemek ve modelleri eğitmek için geleneksel yöntemlerden daha verimli bir yol yarattık. Bu, modelin daha yüksek doğrulukta oluşturulmasını sağlar ve aynı zamanda daha az kaynak tüketimi sağlar (daha düşük bellek ve CPU kullanımı), bu da MCU gibi ortamlarda çalışmasına olanak tanır.

Temel tekliflerimizden biri de MicroAI™ Network’tir.

MicroAI™ Network – Birden fazla Atom’u konsolide eder ve dış veri kaynaklarıyla birleştirerek kenarda birden fazla model oluşturur. Bu, Atom çalıştıran çeşitli varlıklar üzerinde yatay ve dikey analizlerin yürütülmesine olanak tanır. MicroAI Network, bir cihazın veya varlığın performansını benzer varlıklarla karşılaştırmak için daha derin bir anlayış sağlar. Benzersiz yaklaşımımız sayesinde, makine öğrenimi modelleri host hardware’de çok az bellek ve CPU tüketir.

ONE Tech ayrıca IoT güvenlik danışmanlığı hizmeti sunuyor. Tehdit modelleme ve IoT penetrasyon testi süreci nasıldır?

Varlıkların nasıl davrandığını anlama yeteneğimiz sayesinde, bağlı bir cihazın içlerine ilişkin verileri tüketebiliriz (örneğin, CPU, Bellek Kullanımı, veri paketi boyutu/sıklığı). IoT cihazları genellikle düzenli bir çalışma modeline sahiptir – ne sıklıkla veri iletirler, nereye gönderirler ve veri paketinin boyutu. Bu iç veri parametrelerini MicroAI’ye besleyerek normal bir bağlı cihaz için bir baz oluştururuz. Cihazda anormal bir eylem gerçekleşirse, bir yanıt tetikleyebiliriz. Bu, cihazı yeniden başlatmaktan, bir iş emri yönetim aracında bir bilet açmaya kadar veya cihazın ağ trafiğini tamamen kesmeye kadar çeşitlenebilir. Güvenlik ekibimiz, bu kapasitede MicroAI kullanarak çeşitli Zero-Day saldırı girişimlerini başarılı bir şekilde tespit etti.

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

Aşağıda, MicroAI Atom’un nasıl çalıştığına ilişkin bir diyagram bulunmaktadır. Ham verilerin edinilmesinden, yerel ortamda işlenmesinden ve çıktı verilmesine kadar olan süreci gösterir.

Aşağıda, MicroAI Network’ün nasıl çalıştığına ilişkin bir diyagram bulunmaktadır. Birden fazla MicroAI Atom, MicroAI Network’e beslenir. Atom verilerine ek olarak, modelin daha granüler bir varlık performansı anlayışını sağlamak için diğer veri kaynakları birleştirilebilir. Ayrıca, MicroAI Network içinde birden fazla model oluşturularak, paydaşların farklı bölgelerde, müşteriler arasında, güncelendikten önce ve sonra gibi çeşitli açılardan varlıkların performansını yatay analizlerine olanak tanır.

Röportaj için teşekkür ederiz. Detaylı yanıtlarınız için minnettarız. Daha fazla bilgi edinmek isteyen okuyucular ONE Tech‘i ziyaret edebilir.