Ясер Хан, генеральний директор ONE Tech – Серія інтерв’ю

Ясер Хан, генеральний директор компанії ONE Tech технологічна компанія, керована штучним інтелектом, яка проектує, розробляє та розгортає IoT-рішення нового покоління для OEM-виробників, мережевих операторів і підприємств.

Що спочатку привабило вас у штучному інтелекті?

Кілька років тому ми розгорнули рішення промислового Інтернету речей (IIoT), яке об’єднало багато активів у великій географічній зоні. Обсяг даних, який було згенеровано, був величезним. Ми збирали дані з ПЛК із частотою дискретизації 50 мілісекунд і значеннями зовнішніх датчиків кілька разів на секунду. Протягом однієї хвилини ми генерували тисячі точок даних для кожного ресурсу, до якого ми підключалися. Ми знали, що стандартний метод передачі цих даних на сервер і залучення особи до оцінки даних не є реалістичним і не вигідним для бізнесу. Тож ми вирішили створити продукт, який оброблятиме дані та створюватиме споживані вихідні дані, значно зменшуючи кількість нагляду, необхідного організації, щоб отримати переваги розгортання цифрової трансформації, приділяючи значну увагу управлінню продуктивністю активів і прогнозному обслуговуванню.

Чи можете ви обговорити, що таке рішення MicroAI від ONE Tech? 

MicroAI™ — це платформа машинного навчання, яка забезпечує кращий рівень розуміння продуктивності, використання та загальної поведінки активів (пристроїв чи машин). Ця перевага варіюється від керівників виробничих підприємств, які шукають способи покращити загальну ефективність обладнання, до виробників обладнання, які хочуть краще зрозуміти, як їхні пристрої працюють у польових умовах. Ми досягаємо цього шляхом розгортання невеликого (до 70 Кб) пакета на мікроконтролері (MCU) або мікропроцесорі (MPU) активу. Ключова відмінність полягає в тому, що процес навчання та формування моделі MicroAI є унікальним. Ми навчаємо модель безпосередньо на самому ресурсі. Це не тільки дає змогу зберігати локальні дані, що скорочує вартість і час розгортання, але також підвищує точність і точність результатів ШІ. MicroAI має три основні рівні:

1. Приймання даних – MicroAI не залежить від введення даних. Ми можемо використовувати будь-яке значення датчика, а платформа MicroAI дозволяє розробляти функції та зважувати вхідні дані в цьому першому рівні.
2. Навчання – Ми тренуємося безпосередньо в місцевому середовищі. Тривалість навчання може бути встановлена ​​користувачем залежно від нормального циклу активу. Зазвичай ми любимо фіксувати 25-45 звичайних циклів, але це значною мірою залежить від варіацій/мінливості кожного фіксованого циклу.
3. Вихід – Сповіщення та попередження генеруються MicroAI на основі серйозності виявленої аномалії. Ці пороги можуть бути налаштовані користувачем. Інші результати, створені MicroAI, включають прогнозовані дні до наступного технічного обслуговування (для оптимізації графіків обслуговування), оцінку працездатності та ресурс, що залишився. Ці результати можуть бути надіслані в існуючі ІТ-системи, які є у клієнтів (інструменти керування життєвим циклом продукту, підтримка/керування квитками, технічне обслуговування тощо).

Чи можете ви обговорити деякі технології машинного навчання, що лежать в основі MicroAI?

MicroAI має багатовимірний поведінковий аналіз, укладений у рекурсивний алгоритм. Кожен вхідний сигнал, який подається в механізм штучного інтелекту, впливає на порогові значення (верхню та нижню межі), встановлені моделлю штучного інтелекту. Ми робимо це, надаючи прогноз на крок вперед. Наприклад, якщо одним із вхідних даних є кількість обертів на хвилину, а кількість обертів на хвилину збільшується, верхня межа температури підшипника може дещо підвищитися через швидший рух машини. Це дозволяє моделі продовжувати розвиватися та навчатися.

MicroAI не залежить від доступу до хмари, які переваги цього?

Ми маємо унікальний підхід до формування моделей безпосередньо на кінцевій точці (де генеруються дані). Це забезпечує конфіденційність і безпеку даних у розгортаннях, оскільки даним не потрібно залишати локальне середовище. Це особливо важливо для розгортань, де конфіденційність даних є обов’язковою. Крім того, процес навчання даних у хмарі займає багато часу. Ця витрата часу на те, як інші підходять до цього простору, спричинена необхідністю агрегування історичних даних, передачі даних у хмару, формування моделі та, зрештою, просування цієї моделі до кінцевих ресурсів. MicroAI може тренуватися та жити на 100% у місцевому середовищі.

Однією з особливостей технології MicroAI є її прискорене виявлення аномалій. Не могли б ви детальніше розповісти про цю функцію?

Завдяки нашому підходу аналізу поведінки ми можемо розгорнути MicroAI і миттєво почати вивчати поведінку активу. Ми можемо почати бачити шаблони в поведінці. Знову ж таки, це без необхідності завантажувати будь-які історичні дані. Після того, як ми охопимо достатню кількість циклів активу, ми зможемо почати генерувати точні результати з моделі ШІ. Це новаторство для простору. Те, на що раніше потрібні були тижні чи місяці, щоб створити точну модель, може статися протягом кількох годин, а іноді й хвилин.

Яка різниця між MicroAI™ Helio та MicroAI™ Atom?

Сервер MicroAI™ Helio:

Наше середовище Helio Server можна розгорнути на локальному сервері (найпоширеніший) або в хмарному екземплярі. Helio надає такі функції: (керування робочим процесом, аналіз і керування даними, візуалізація даних).

Робочі процеси для управління активами – Ієрархія того, де вони розгорнуті та як вони використовуються. (наприклад, налаштування всіх об’єктів клієнта в усьому світі, конкретних об’єктів і секцій у кожному об’єкті, окремих станцій, аж до кожного активу на кожній станції). Крім того, активи можуть бути налаштовані для виконання різних робіт з різною частотою циклу; це можна налаштувати в цих робочих процесах. Крім того, є можливість керування заявками/замовленнями, що також є частиною середовища Helio Server.

Аналіз та управління даними – У цьому розділі Helio користувач може запускати додаткову аналітику на виході штучного інтелекту разом із будь-якими знімками необроблених даних (тобто максимальних, мінімальних і середніх значень даних на погодинній основі або підписів даних, які викликають попередження чи тривогу). . Це можуть бути запити, налаштовані в дизайнері Helio Analytics, або більш розширена аналітика, отримана з таких інструментів, як R, мова програмування. Рівень керування даними – це місце, де користувач може використовувати шлюз керування API для з’єднань третіх сторін, які споживають та/або надсилають дані в координації з середовищем Helio.

Візуалізація даних – Helio надає шаблони для різних галузевих звітів, які дозволяють користувачам переглядати Enterprise Asset Management і Asset Performance Management для своїх підключених активів із настільних і мобільних програм Helio.

MicroAI Atom:

MicroAI Atom — це платформа машинного навчання, призначена для вбудовування в середовища MCU. Це включає в себе навчання багатовимірного рекурсивного алгоритму аналізу поведінки безпосередньо в локальній архітектурі MCU, а не в хмарі, а потім передається в MCU. Це дозволяє прискорити створення та розгортання моделей машинного навчання за допомогою автоматичної генерації верхнього та нижнього порогів на основі багатоваріантної моделі, яка формується безпосередньо на кінцевій точці. Ми створили MicroAI, щоб стати більш ефективним способом споживання та обробки даних сигналу для навчання моделей, ніж інші традиційні методи. Це не тільки забезпечує вищий рівень точності сформованої моделі, але й використовує менше ресурсів на апаратному забезпеченні хоста (тобто менше використання пам’яті та ЦП), що дозволяє нам працювати в таких середовищах, як MCU.

У нас є ще одна основна пропозиція під назвою MicroAI™ Network.

Мережа MicroAI™ – Дозволяє консолідувати мережу атомів і поєднувати її з зовнішніми джерелами даних для створення кількох моделей безпосередньо на межі. Це дозволяє виконувати горизонтальний і вертикальний аналіз різних активів, на яких запущено Atom. Мережа MicroAI дозволяє ще глибше зрозуміти, як працює пристрій/актив у порівнянні з подібними активами, які розгортаються. Знову ж таки, завдяки нашому унікальному підходу до формування моделей безпосередньо на краю, моделі машинного навчання споживають дуже мало пам’яті та центрального процесора головного обладнання.

ONE Tech також пропонує консультації з безпеки IoT. Який процес моделювання загроз і тестування проникнення в Інтернет речей?

Завдяки нашій здатності розуміти, як поводяться активи, ми можемо використовувати дані, пов’язані з внутрішніми елементами під’єднаного пристрою (наприклад, ЦП, використання пам’яті, розмір/частота пакета даних). Пристрої IoT здебільшого мають звичайний шаблон роботи: як часто вони передають дані, куди вони надсилають дані та розмір цього пакета даних. Ми застосовуємо MicroAI для використання цих внутрішніх параметрів даних, щоб сформувати базову лінію того, що є нормальним для підключеного пристрою. Якщо на пристрої відбувається ненормальна дія, ми можемо викликати відповідь. Це може варіюватися від перезавантаження пристрою чи відкриття квитка в інструменті керування робочими замовленнями до повного припинення мережевого трафіку до пристрою. Наша команда безпеки розробила тестові хаки, і ми успішно виявили різні спроби атак Zero-Day за допомогою MicroAI у цій якості.

Чи є ще щось, чим ви хотіли б поділитися про ONE Tech, Inc?

Нижче наведено схему функціонування MicroAI Atom. Починаючи з отримання необроблених даних, навчання й обробки в локальному середовищі, висновків щодо даних і надання вихідних даних.

Нижче наведено схему функціонування мережі MicroAI. Багато атомів MicroAI підключаються до мережі MicroAI. Разом із даними Atom додаткові джерела даних можна об’єднати в модель для більш детального розуміння того, як працює актив. Крім того, у мережі MicroAI створено кілька моделей, які дозволяють зацікавленим сторонам проводити горизонтальний аналіз того, як активи працюють у різних регіонах, між клієнтами, до та після оновлень тощо.

Дякуємо за інтерв’ю та ваші докладні відповіді, читачі, які хочуть дізнатися більше, повинні відвідати ONE Tech.