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

Яссер Хан – генеральний директор ONE Tech, компанії, яка займається розробкою та впровадженням наступного покоління рішень Інтернету речей (IoT) для виробників обладнання, операторів мереж та підприємств.

Що спочатку привернуло вашу увагу до штучного інтелекту?

Кілька років тому ми впровадили рішення Індустріального Інтернету речей (IIoT), яке підключило багато активів у широкій географічній місцевості. Кількість даних, яка була згенерована, була величезною. Ми агрегували дані з програмно-апаратних засобів (PLC) з частотою вибірки 50 мілісекунд та зовнішніх датчиків кілька разів на секунду. За одну хвилину у нас було тисячі даних, згенерованих для кожного активу, до якого ми підключалися. Ми знали, що стандартний метод передачі цих даних на сервер та оцінки даних людиною був нереалістичним і не корисним для бізнесу. Тому ми вирішили створити продукт, який би обробляв дані та генерував споживані виходи, суттєво зменшуючи кількість нагляду, необхідного організації для отримання вигоди від впровадження цифрової трансформації – сильно зосередженої на управлінні активами та прогнозному обслуговуванні.

Можете розповісти про рішення MicroAI компанії ONE Tech? 

MicroAI – це платформа машинного навчання, яка забезпечує більш глибоке розуміння поведінки активів (пристроїв або машин), їх використання та загальної поведінки. Ця вигода поширюється на менеджерів заводів, які шукають способи покращення загальної ефективності обладнання, та виробників обладнання, які хочуть краще зрозуміти, як їх пристрої працюють у полі. Ми досягаємо цього, розгортаючи малий пакет (від 70 кб) на мікроконтролері (MCU) або мікропроцесорі (MPU) активу. Ключовий диференціатор полягає в тому, що процес навчання та формування моделі MicroAI унікальний. Ми навчаємо модель безпосередньо на активі. Це не тільки дозволяє зберігати дані локально, зменшуючи вартість та час розгортання, але також збільшує точність та точність виходу штучного інтелекту. MicroAI має три основні шари:

1. Вхід даних – MicroAI є агностичним до входу даних. Ми можемо споживати будь-які значення датчиків, а платформа MicroAI дозволяє проводити інженерію функцій та ваги входів у цьому першому шарі.
2. Навчання – Ми навчаємо безпосередньо у локальному середовищі. Тривалість навчання може бути встановлена користувачем залежно від того, який є нормальним циклом активу. Зазвичай ми намагаємось захопити 25-45 нормальних циклів, але це сильно залежить від варіації/волатильності кожного циклу.
3. Вихід – Сповіщення та сигнали генеруються MicroAI на основі рівня серйозності виявленої аномалії. Ці пороги можуть бути調овані користувачем. Інші виходи, згенеровані MicroAI, включають передбачені дні до наступного обслуговування (для оптимізації графіку обслуговування), Індекс здоров’я та Термін життя активу. Ці виходи можуть бути відправлені до існуючих ІТ-систем клієнтів (інструменти управління життєвим циклом продукції, управління підтримкою/квитками, обслуговування тощо).

Можете розповісти про деякі технології машинного навчання за MicroAI?

MicroAI має багатовимірний аналіз поведінки, упакований у рекурсивний алгоритм. Кожен вхід, який подається у двигун штучного інтелекту, впливає на пороги (верхні та нижні межі), встановлені моделлю штучного інтелекту. Ми робимо це, забезпечуючи передбачення на один крок вперед. Наприклад, якщо один вхід – це об/хв, то верхня межа температури підшипника може трохи збільшитися через швидше рух машини. Це дозволяє моделі продовжувати еволюціонувати та навчатися.

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

У нас є унікальний підхід до формування моделей безпосередньо на кінцевому пристрої (там, де генеруються дані). Це забезпечує конфіденційність даних та безпеку розгортань, оскільки дані не потрібно покидати локальне середовище. Це особливо важливо для розгортань, де конфіденційність даних є обов’язковою. Крім того, процес навчання даних у хмарі є тривалим. Ця тривалість інших підходів у цій сфері викликана необхідністю агрегації історичних даних, передачі даних до хмари, формування моделі та подальшого її розгортання на кінцевих активах. MicroAI може навчатися та працювати 100% у локальному середовищі.

Однією з функцій технології MicroAI є прискорене виявлення аномалій, можете розповісти про цю функціональність?

Через наш підхід до аналізу поведінки ми можемо розгорнути MicroAI та миттєво почати вивчати поведінку активу. Ми можемо побачити закономірності у поведінці. Знову ж таки, це відбувається без необхідності завантаження будь-яких історичних даних. Як тільки ми захопили достатню кількість циклів активу, ми можемо почати генерувати точний вихід з моделі штучного інтелекту. Це революційне для цієї сфери. Що раніше займало тижні або місяці для формування точної моделі, тепер може відбуватися протягом кількох годин, а іноді хвилин.

Яка різниця між MicroAI Helio та MicroAI Atom?

Сервер MicroAI Helio:

Наше середовище Helio Server можна розгорнути на локальному сервері (найбільш поширений варіант) або у хмарному екземплярі. Helio забезпечує наступну функціональність: (управління робочим процесом, аналіз та управління даними, візуалізація даних).

Робочі процеси для управління активами – Ієрархія того, де вони розгорнуті та як вони використовуються. (наприклад, налаштування всіх клієнтських об’єктів у світі, конкретних об’єктів та секцій всередині кожного об’єкта, окремих станцій, аж до кожного активу на кожній станції). Крім того, активи можуть бути налаштовані для виконання різних завдань з різними циклами; це можна налаштувати у цих робочих процесах. Також є можливість для управління квитками/замовленнями, яке також є частиною середовища Helio Server.

Аналіз та управління даними – У цьому розділі Helio користувач може виконувати додатковий аналіз виходу штучного інтелекту, а також будь-які сурові дані (наприклад, максимальні, мінімальні та середні значення даних на годинній основі або дані, які спровокували сповіщення чи сигнал). Це можуть бути запити, налаштовані у дизайнері аналітики Helio, або більш просунуті аналітичні дані, завантажені з інструментів, таких як R, мова програмування. Шар управління даними – це місце, де користувач може використовувати браму управління API для підключення до третьої сторони, які споживають і/або надсилають дані у координації зі середовищем Helio.

Візуалізація даних – Helio забезпечує шаблони для різних галузевих звітів, які дозволяють користувачам споживати види управління активами та управління продуктивністю активів для підключених активів як з робочого столу Helio, так і з мобільних додатків.

MicroAI Atom:

MicroAI Atom – це платформа машинного навчання, призначена для вбудовування у середовище мікроконтролера (MCU). Це включає навчання багатовимірного аналізу поведінки рекурсивного алгоритму безпосередньо у локальній архітектурі MCU – не у хмарі, а потім розгорнутому на MCU. Це дозволяє прискорити створення та розгортання моделей машинного навчання через автоматичне генерування верхніх та нижніх порогів на основі багатовимірної моделі, сформованої безпосередньо на кінцевому пристрої. Ми створили MicroAI, щоб забезпечити більш ефективний спосіб споживання та обробки сигнальних даних для навчання моделей порівняно з традиційними методами. Це не тільки забезпечує вищу точність моделі, сформованої, але також використовує менше ресурсів на господарському обладнанні (наприклад, нижче використання пам’яті та процесора), що дозволяє нам працювати в середовищах, таких як MCU.

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

MicroAI Network – дозволяє консолідувати мережу атомів та змішувати зовнішні джерела даних для створення кількох моделей безпосередньо на краю. Це дозволяє виконувати горизонтальний та вертикальний аналіз того, як пристрій/актив працює у порівнянні з подібними активами, розгорнутими у різних регіонах, між клієнтами, до та після оновлень тощо. Знову ж таки, завдяки нашому унікальному підходу до формування моделей безпосередньо на краю, моделі машинного навчання споживають дуже мало пам’яті та процесора господарського обладнання.

ONE Tech також пропонує консультування з питань безпеки Інтернету речей. Який процес моделювання загроз та тестування на проникнення?

Через нашу здатність зрозуміти, як активи працюють, ми можемо споживати дані, пов’язані з внутрішньою роботою підключеного пристрою (наприклад, використання процесора, пам’яті, розмір пакету даних/частота). Пристрої Інтернету речей мають, у більшості випадків, регулярний шаблон роботи – як часто вони передають дані, куди вони надсилають дані та розмір пакету даних. Ми застосовуємо MicroAI для споживання цих внутрішніх параметрів даних, щоб сформувати базовий рівень того, що є нормальним для цього підключеного пристрою. Якщо відбувається аномальна дія на пристрої, ми можемо спровокувати відповідь. Це може варіюватися від перезавантаження пристрою до відкриття квитка у інструменті управління замовленнями, або навіть повного припинення мережевого трафіку до пристрою. Наша команда з безпеки розробила тести-хаки та успішно виявила різні спроби атак нулевого дня, використовуючи MicroAI у цьому контексті.

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

Нижче наведено діаграму того, як працює MicroAI Atom. Починаючи з отримання сурових даних, навчання та обробки у локальному середовищі, висновок даних та надання виходу.

Нижче наведено діаграму того, як працює MicroAI Network. Багато мікроатомів надсилають дані у MicroAI Network. Разом з даними атомів можуть бути об’єднані додаткові джерела даних для більш детального розуміння того, як актив працює. Крім того, у MicroAI Network створюються кілька моделей, що дозволяє зацікавленим сторонам виконувати горизонтальний аналіз того, як активи працюють у різних регіонах, між клієнтами, до та після оновлень тощо.

Дякуємо за інтерв’ю та ваші детальні відповіді. Читачам, які бажають дізнатися більше, рекомендуємо відвідати ONE Tech.