面试
Yasser Khan，ONE Tech 首席执行官 – 访谈系列
亚西尔·汗 (Yasser Khan) 是 一科技 一家人工智能驱动的技术公司，为 OEM、网络运营商和企业设计、开发和部署下一代物联网解决方案。
人工智能最初吸引您的是什么？
几年前，我们部署了工业物联网 (IIoT) 解决方案，该解决方案连接了广泛地理位置的许多资产。 生成的数据量是巨大的。 我们以 50 毫秒的采样率汇总来自 PLC 的数据和每秒几次的外部传感器值。 在一分钟的时间内，我们为我们连接的每个资产生成了数千个数据点。 我们知道，将这些数据传输到服务器并让人评估数据的标准方法是不现实的，对业务也没有好处。 因此，我们着手创建一种产品，可以处理数据并生成可使用的输出，从而大大减少组织获得数字化转型部署的好处所需的监督量 - 重点关注资产性能管理和预测性维护。
您能谈谈 ONE Tech 的 MicroAI 解决方案是什么吗？
MicroAI™ 是一个机器学习平台，可以更深入地了解资产（设备或机器）性能、利用率和整体行为。这种优势涵盖了从寻求提高整体设备效率的方法的制造工厂经理到希望更好地了解其设备在现场运行情况的硬件原始设备制造商。我们通过将一个小（小至 70kb）数据包部署到资产的微控制器 (MCU) 或微处理器 (MPU) 上来实现此目的。一个关键的区别在于 MicroAI 的训练和形成模型的过程是独一无二的。我们直接在资产本身上训练模型。这不仅可以使数据保留在本地，从而降低部署成本和时间，而且还可以提高人工智能输出的准确性和精度。 MicroAI 具有三个主要层：
- 数据提取 – MicroAI 与数据输入无关。 我们可以使用任何传感器值，并且 MicroAI 平台允许在第一层内对输入进行特征工程和加权。
- 培训实施 – 我们直接在当地环境中进行培训。 用户可以根据资产的正常周期来设置训练持续时间。 通常，我们喜欢捕获 25-45 个正常周期，但这在很大程度上取决于捕获的每个周期的变化/波动性。
- 输出 – MicroAI 根据检测到的异常的严重程度生成通知和警报。 用户可以调整这些阈值。 MicroAI 生成的其他输出包括预测下次维护天数（用于优化服务计划）、健康评分和剩余资产寿命。 这些输出可以发送到客户现有的 IT 系统（产品生命周期管理工具、支持/票务管理、维护等）
您能讨论一下 MicroAI 背后的一些机器学习技术吗？
MicroAI 具有封装在递归算法中的多维行为分析。 进入 AI 引擎的每个输入都会影响 AI 模型设置的阈值（上限和下限）。 我们通过提供一步预测来做到这一点。 例如，如果一个输入是 RPM，并且 RPM 增加，则轴承温度的上限阈值可能会由于机器运动加快而略有上升。 这使得模型能够继续发展和学习。
MicroAI不依赖接入云端，这样做的优势是什么？
我们有一种独特的方法可以直接在端点（生成数据的地方）上形成模型。 这为部署带来了数据隐私和安全性，因为数据不需要离开本地环境。 这对于强制执行数据隐私的部署尤其重要。 此外，在云中训练数据的过程非常耗时。 其他人如何处理这个领域的时间消耗是由于需要聚合历史数据、将数据传输到云、形成模型并最终将该模型推送到终端资产而造成的。 MicroAI可以100%在本地环境中训练和生活。
MicroAI技术的特点之一是加速异常检测，您能详细介绍一下这一功能吗？
由于我们的行为分析方法，我们可以部署 MicroAI 并立即开始学习资产的行为。 我们可以开始看到行为中的模式。 同样，这不需要加载任何历史数据。 一旦我们捕获了足够的资产周期，我们就可以开始从人工智能模型生成准确的输出。 这对于该领域来说是开创性的。 过去需要数周或数月才能形成准确模型的事情现在只需几小时甚至几分钟即可完成。
MicroAI™ Helio 和 MicroAI™ Atom 有什么区别？
MicroAI™ Helio 服务器：
我们的 Helio Server 环境可以部署在本地服务器（最常见）或云实例中。 Helio 提供以下功能：（工作流管理、数据分析和管理、数据可视化）。
管理资产的工作流程 – 它们的部署位置和使用方式的层次结构。 （例如，全球所有客户设施的设置、每个设施内的特定设施和部分、单个站点、直至每个站点中的每个资产）。 此外，资产可以设置为以不同的周期率执行不同的工作； 这可以在这些工作流程中进行配置。 此外，还具有工单/工单管理功能，这也是 Helio Server 环境的一部分。
数据分析与管理 – 在 Helio 的这一部分中，用户可以对 AI 输出以及任何原始数据快照（即每小时的最大、最小和平均数据值或触发警报或警报的数据签名）进行进一步分析。 这些可以是在 Helio Analytics 设计器中配置的查询，也可以是从 R（一种编程语言）等工具引入的更高级的分析。 在数据管理层，用户可以利用 API 管理网关进行与 Helio 环境协调消费和/或发送数据的第三方连接。
数据图 – Helio 提供各种行业特定报告的模板，允许用户从 Helio 桌面和移动应用程序使用其连接资产的企业资产管理和资产绩效管理视图。
微人工智能原子：
MicroAI Atom 是一个机器学习平台，专为嵌入 MCU 环境而设计。 这包括直接在本地 MCU 架构中（而不是在云端）训练多维行为分析递归算法，然后将其下推到 MCU。 这样可以根据直接在端点上形成的多变量模型自动生成上限和下限阈值，从而加速 ML 模型的构建和部署。 我们创建的 MicroAI 是一种比其他传统方法更有效地使用和处理信号数据来训练模型的方法。 这不仅为所形成的模型带来了更高的准确度，而且在主机硬件上占用了更少的资源（即更低的内存和CPU使用率），这使得我们能够在MCU等环境中运行。
我们还有另一项核心产品，称为 MicroAI™ 网络。
MicroAI™网络 – 允许将 Atom 网络与外部数据源进行整合和混合，以便直接在边缘创建多个模型。 这允许对运行 Atom 的各种资产进行水平和垂直分析。 MicroAI 网络可以更深入地了解设备/资产相对于已部署的类似资产的执行情况。 同样，由于我们直接在边缘形成模型的独特方法，机器学习模型消耗的主机硬件内存和 CPU 非常少。
ONE Tech 还提供物联网安全咨询。威胁建模和物联网渗透测试的流程是怎样的？
由于我们能够了解资产的行为方式，因此我们可以使用与连接设备内部相关的数据（例如，CPU、内存使用情况、数据包大小/频率）。 物联网设备在很大程度上具有常规的操作模式——传输数据的频率、发送数据的位置以及数据包的大小。 我们应用 MicroAI 来使用这些内部数据参数，以形成该连接设备正常情况的基线。 如果设备发生异常动作，我们可以触发响应。 这包括重新启动设备或在工单管理工具中打开工单，到完全切断设备的网络流量。 我们的安全团队开发了测试黑客，并通过使用 MicroAI 成功检测到各种零日攻击尝试。
关于 ONE Tech, Inc. 您还有什么想分享的吗？
下图展示了 MicroAI Atom 的工作原理。 从获取原始数据开始，在本地环境中进行训练和处理，推断数据并提供输出。
下图展示了 MicroAI 网络的运作原理。 许多 MicroAI Atom 都馈入 MicroAI 网络。 除了 Atom 数据之外，还可以将其他数据源合并到模型中，以便更精细地了解资产的运行情况。 此外，在 MicroAI Network 内形成了多个模型，允许利益相关者对资产在不同地区、客户之间、更新前后等的表现进行横向分析。
感谢您的采访和详细回复，想要了解更多信息的读者可以访问 一科技.
