Phỏng vấn
Yasser Khan, CEO của ONE Tech – Loạt phỏng vấn
Yasser Khan, là CEO của ONE Tech một công ty công nghệ được thúc đẩy bởi trí tuệ nhân tạo, thiết kế, phát triển và triển khai các giải pháp IoT thế hệ tiếp theo cho các nhà sản xuất thiết bị gốc, nhà mạng và doanh nghiệp.
Điều gì ban đầu thu hút bạn đến với Trí tuệ Nhân tạo?
Vài năm trước, chúng tôi đã triển khai một giải pháp Internet Công nghiệp của Vạn vật (IIoT) kết nối nhiều tài sản trên một vị trí địa lý rộng lớn. Số lượng dữ liệu được tạo ra là khổng lồ. Chúng tôi đã tổng hợp dữ liệu từ các bộ điều khiển lập trình (PLC) với tốc độ lấy mẫu 50 mili giây và các giá trị cảm biến bên ngoài vài lần mỗi giây. Trong suốt một phút, chúng tôi đã có hàng nghìn điểm dữ liệu được tạo ra cho mỗi tài sản chúng tôi kết nối. Chúng tôi biết rằng phương pháp tiêu chuẩn để truyền dữ liệu đến máy chủ và có một người đánh giá dữ liệu là không thực tế, cũng không có lợi cho doanh nghiệp. Vì vậy, chúng tôi đã tạo ra một sản phẩm sẽ xử lý dữ liệu và tạo ra đầu ra có thể tiêu thụ, giảm đáng kể số lượng giám sát mà một tổ chức cần để tận dụng lợi thế của việc triển khai chuyển đổi số – tập trung mạnh vào quản lý hiệu suất tài sản và bảo trì dự đoán.
Bạn có thể thảo luận về giải pháp MicroAI của ONE Tech không?
MicroAI là một nền tảng Học máy cung cấp một mức độ hiểu biết sâu sắc hơn về hiệu suất, sử dụng và hành vi chung của tài sản (thiết bị hoặc máy). Lợi ích này bao gồm từ các nhà quản lý nhà máy sản xuất đang tìm cách cải thiện hiệu quả thiết bị tổng thể đến các nhà sản xuất thiết bị phần cứng muốn hiểu rõ hơn về cách thiết bị của họ hoạt động trên thực địa. Chúng tôi thực hiện điều này bằng cách triển khai một gói nhỏ (nhỏ như 70kb) lên bộ điều khiển micro (MCU) hoặc bộ xử lý micro (MPU) của tài sản. Một yếu tố khác biệt chính là quá trình đào tạo và tạo mô hình của MicroAI là duy nhất. Chúng tôi đào tạo mô hình trực tiếp trên tài sản itself. Không chỉ điều này cho phép dữ liệu ở lại địa phương, giảm chi phí và thời gian triển khai, mà còn tăng độ chính xác và độ chính xác của đầu ra AI. MicroAI có ba lớp chính:
- Đầu vào dữ liệu – MicroAI không phụ thuộc vào đầu vào dữ liệu. Chúng tôi có thể tiêu thụ bất kỳ giá trị cảm biến nào và Nền tảng MicroAI cho phép kỹ thuật tính năng và trọng số của đầu vào trong lớp này.
- Đào tạo – Chúng tôi đào tạo trực tiếp trong môi trường địa phương. Thời gian đào tạo có thể được đặt bởi người dùng tùy thuộc vào chu kỳ bình thường của tài sản. Thông thường, chúng tôi muốn thu thập 25-45 chu kỳ bình thường, nhưng điều này phụ thuộc rất nhiều vào sự thay đổi / biến động của mỗi chu kỳ được thu thập.
- Đầu ra – Thông báo và Cảnh báo được tạo bởi MicroAI dựa trên mức độ nghiêm trọng của sự bất thường được phát hiện. Các ngưỡng này có thể được điều chỉnh bởi người dùng. Các đầu ra khác được tạo bởi MicroAI bao gồm Dự đoán Ngày tới Bảo trì Tiếp theo (để tối ưu hóa lịch trình dịch vụ), Điểm số Sức khỏe và Thời gian còn lại của Tài sản. Các đầu ra này có thể được gửi đến các hệ thống CNTT hiện có mà khách hàng đã có (Công cụ Quản lý vòng đời sản phẩm, Quản lý Hỗ trợ / Vé, Bảo trì, v.v.)
Bạn có thể thảo luận về một số công nghệ học máy đằng sau MicroAI không?
MicroAI có phân tích Hành vi Đa chiều được đóng gói trong một thuật toán đệ quy. Mỗi đầu vào được cung cấp cho động cơ AI ảnh hưởng đến các ngưỡng (giới hạn trên và dưới) được đặt bởi mô hình AI. Chúng tôi thực hiện việc này bằng cách cung cấp một bước dự đoán trước. Ví dụ, nếu một đầu vào là RPM và RPM tăng, ngưỡng trên của nhiệt độ ổ đỡ có thể tăng lên một chút do chuyển động máy nhanh hơn. Điều này cho phép mô hình tiếp tục phát triển và học hỏi.
MicroAI không phụ thuộc vào việc truy cập đám mây, lợi thế của điều này là gì?
Chúng tôi có một cách tiếp cận duy nhất để tạo mô hình trực tiếp trên điểm cuối (nơi dữ liệu được tạo ra). Điều này mang lại quyền riêng tư và bảo mật cho các triển khai vì dữ liệu không cần rời khỏi môi trường địa phương. Điều này đặc biệt quan trọng đối với các triển khai mà quyền riêng tư của dữ liệu là bắt buộc. Hơn nữa, quá trình đào tạo dữ liệu trong đám mây là tốn thời gian. Việc tiêu thụ thời gian này của cách tiếp cận của những người khác trong không gian này là do nhu cầu tổng hợp dữ liệu lịch sử, truyền dữ liệu đến đám mây, tạo mô hình và cuối cùng là đẩy mô hình xuống tài sản cuối. MicroAI có thể đào tạo và hoạt động 100% trong môi trường địa phương.
Một trong những tính năng của công nghệ MicroAI là phát hiện bất thường được tăng tốc, bạn có thể giải thích tính năng này không?
Do cách tiếp cận của chúng tôi về phân tích hành vi, chúng tôi có thể triển khai MicroAI và bắt đầu học hành vi của tài sản ngay lập tức. Chúng tôi có thể bắt đầu thấy các mẫu trong hành vi. Điều này lại không cần tải bất kỳ dữ liệu lịch sử nào. Một khi chúng tôi thu thập đủ chu kỳ của tài sản, chúng tôi có thể bắt đầu tạo ra đầu ra chính xác từ mô hình AI. Điều này là đột phá cho không gian. Những gì trước đây cần vài tuần hoặc vài tháng để tạo ra một mô hình chính xác có thể xảy ra trong vài giờ, và đôi khi trong vài phút.
Sự khác biệt giữa MicroAI và MicroAI là gì?
MicroAI Helio Server:
Môi trường Máy chủ Helio của chúng tôi có thể được triển khai trên máy chủ địa phương (phổ biến nhất), hoặc trong một thể hiện đám mây. Helio cung cấp các chức năng sau: (Quản lý công việc, phân tích và quản lý dữ liệu, và trực quan hóa dữ liệu).
Lưu trữ công việc để quản lý tài sản – Một hệ thống phân cấp về nơi chúng được triển khai và cách chúng được sử dụng. (Ví dụ: thiết lập tất cả các cơ sở của khách hàng trên toàn cầu, các cơ sở và phần cụ thể trong mỗi cơ sở, các trạm riêng lẻ, xuống từng tài sản trong mỗi trạm). Hơn nữa, các tài sản có thể được thiết lập để thực hiện các công việc khác nhau với các tốc độ chu kỳ khác nhau; điều này có thể được cấu hình trong các công việc này. Ngoài ra là khả năng quản lý vé / đơn đặt hàng, điều này cũng là một phần của môi trường Máy chủ Helio.
Phân tích và quản lý dữ liệu – Trong phần này của Helio, người dùng có thể chạy phân tích thêm về đầu ra AI, cùng với bất kỳ bản chụp dữ liệu thô nào (ví dụ: giá trị dữ liệu tối đa, tối thiểu và trung bình trên cơ sở hàng giờ hoặc dữ liệu chữ ký đã kích hoạt một cảnh báo hoặc báo động). Những điều này có thể là các truy vấn được cấu hình trong Thiết kế phân tích Helio hoặc các phân tích tiên tiến hơn được đưa vào từ các công cụ như R, một ngôn ngữ lập trình. Lớp quản lý dữ liệu là nơi người dùng có thể sử dụng cổng quản lý API cho các kết nối của bên thứ ba đang tiêu thụ và / hoặc gửi dữ liệu phối hợp với môi trường Helio.
Trực quan hóa dữ liệu – Helio cung cấp các mẫu cho các báo cáo cụ thể của ngành, cho phép người dùng tiêu thụ các视图 Quản lý Tài sản Doanh nghiệp và Quản lý Hiệu suất Tài sản của các tài sản được kết nối của họ từ cả ứng dụng máy tính để bàn và di động Helio.
MicroAI Atom:
MicroAI Atom là một nền tảng Học máy được thiết kế để nhúng vào môi trường MCU. Điều này bao gồm đào tạo phân tích hành vi đa chiều đệ quy trực tiếp trong kiến trúc MCU địa phương – không trong đám mây và sau đó được đẩy xuống MCU. Điều này cho phép tăng tốc xây dựng và triển khai mô hình ML thông qua việc tự động tạo các ngưỡng trên và dưới dựa trên mô hình đa biến được tạo trực tiếp trên điểm cuối. Chúng tôi đã tạo ra MicroAI để trở thành một cách hiệu quả hơn để tiêu thụ và xử lý dữ liệu tín hiệu để đào tạo mô hình so với các phương pháp truyền thống. Điều này không chỉ mang lại một mức độ chính xác cao hơn cho mô hình được tạo ra mà còn sử dụng ít tài nguyên hơn trên phần cứng chủ (ví dụ: sử dụng bộ nhớ và CPU thấp hơn), cho phép chúng tôi chạy trong các môi trường như MCU.
Chúng tôi có một đề xuất cốt lõi khác được gọi là MicroAI Network.
MicroAI Network – Cho phép một mạng của các Atom được hợp nhất và trộn với các nguồn dữ liệu bên ngoài để tạo ra nhiều mô hình trực tiếp tại cạnh. Điều này cho phép phân tích ngang và dọc được chạy trên các tài sản khác nhau đang chạy Atom. MicroAI Network cho phép một mức độ hiểu biết sâu sắc hơn về cách một thiết bị / tài sản hoạt động so với các tài sản tương tự được triển khai. Điều này lại do cách tiếp cận duy nhất của chúng tôi để tạo mô hình trực tiếp tại cạnh, các mô hình học máy tiêu thụ rất ít bộ nhớ và CPU của phần cứng chủ.
ONE Tech cũng cung cấp tư vấn bảo mật IoT. Quá trình mô hình hóa mối đe dọa và thử nghiệm thâm nhập IoT là gì?
Do khả năng hiểu cách tài sản hoạt động, chúng tôi có thể tiêu thụ dữ liệu liên quan đến các nội bộ của thiết bị được kết nối (ví dụ: CPU, Sử dụng Bộ nhớ, kích thước gói dữ liệu / tần suất). Các thiết bị IoT có, phần lớn, một mẫu hoạt động thường xuyên – bao nhiêu lần nó truyền dữ liệu, nơi nó gửi dữ liệu và kích thước của gói dữ liệu đó. Chúng tôi áp dụng MicroAI để tiêu thụ các thông số dữ liệu nội bộ này để tạo ra một baseline của những gì là bình thường cho thiết bị được kết nối. Nếu một hành động bất thường xảy ra trên thiết bị, chúng tôi có thể kích hoạt một phản hồi. Điều này có thể bao gồm từ việc khởi động lại thiết bị hoặc mở một vé trong công cụ quản lý đơn đặt hàng, đến việc cắt hoàn toàn lưu lượng mạng đến thiết bị. Đội ngũ bảo mật của chúng tôi đã phát triển các cuộc tấn công thử nghiệm và chúng tôi đã phát hiện thành công các nỗ lực tấn công Zero-Day bằng cách sử dụng MicroAI trong khả năng này.
Có gì khác mà bạn muốn chia sẻ về ONE Tech, Inc?
Dưới đây là một sơ đồ về cách MicroAI Atom hoạt động. Bắt đầu từ việc thu thập dữ liệu thô, đào tạo và xử lý trong môi trường địa phương, suy luận dữ liệu và cung cấp đầu ra.
Dưới đây là một sơ đồ về cách MicroAI Network hoạt động. Nhiều MicroAI Atoms cung cấp dữ liệu vào MicroAI Network. Cùng với dữ liệu Atom, các nguồn dữ liệu bổ sung có thể được hợp nhất vào mô hình để có một hiểu biết sâu sắc hơn về cách tài sản hoạt động. Hơn nữa, trong MicroAI Network nhiều mô hình được tạo ra cho phép các bên liên quan chạy phân tích ngang về cách tài sản hoạt động ở các khu vực khác nhau, giữa các khách hàng, trước và sau khi cập nhật, v.v.
Cảm ơn bạn đã phỏng vấn và những phản hồi chi tiết, những người đọc muốn tìm hiểu thêm nên truy cập ONE Tech.
