访谈
Yasser Khan，ONE Tech CEO – 采访系列
Yasser Khan 是 ONE Tech 的 CEO，这是一家人工智能驱动的技术公司，设计、开发和部署下一代物联网解决方案，用于 OEM、网络运营商和企业。
您最初为什么对人工智能感兴趣？
几年前，我们部署了一个工业物联网（IIoT）解决方案，将许多资产连接到一个广泛的地理位置。生成的数据量非常大。我们从每 50 毫秒的 PLC 采样率和每秒几次的外部传感器值中聚合数据。在一分钟内，我们为每个连接的资产生成了成千上万的数据点。我们知道将这些数据传输到服务器并让一个人评估数据的标准方法对于业务来说是不现实的，也不具有益处。因此，我们着手创建一个产品来处理数据并生成可消费的输出，大大减少组织需要的监督数量，以便从数字化转型部署中获得益处——重点关注资产性能管理和预测性维护。
您能否讨论 ONE Tech 的 MicroAI 解决方案是什么？
MicroAI 是一个机器学习平台，提供对资产（设备或机器）性能、使用情况和整体行为的更深入的洞察力。这一优势从制造厂的厂长寻找改善整体设备有效性的方法到硬件 OEM 想要更好地了解其设备在现场的性能。我们通过在资产的微控制器（MCU）或微处理器（MPU）上部署一个小包（小至 70kb）来实现这一点。一个关键的区别是 MicroAI 的训练和形成模型的过程是独一无二的。我们直接在资产上训练模型。这样不仅可以让数据保持本地，减少成本和部署时间，还可以提高 AI 输出的准确性和精度。MicroAI 有三个主要层次：
- 数据摄取 – MicroAI 对数据输入是不可知的。我们可以消耗任何传感器值，MicroAI 平台在此第一层中允许特征工程和输入的加权。
- 训练 – 我们直接在本地环境中训练。训练持续时间可以由用户根据资产的正常周期设置。通常，我们喜欢捕获 25-45 个正常周期，但这严重依赖于每个捕获的周期的变化/波动。
- 输出 – 基于检测到的异常的严重程度，MicroAI 生成通知和警报。这些阈值可以由用户调整。MicroAI 生成的其他输出包括预测到下一次维护的天数（用于优化服务计划）、健康评分和资产剩余寿命。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/工单管理、维护等）
您能否讨论一些 MicroAI 背后的机器学习技术？
MicroAI 采用了多维行为分析，封装在递归算法中。输入到 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实现这一点。例如，如果一个输入是 RPM，并且 RPM 增加，轴承温度的上限阈值可能会略微增加，这是由于机器的更快运动。这样可以让模型继续演化和学习。
MicroAI 不依赖于访问云端，什么是这种方法的优势？
我们采用了一种独特的方法，直接在端点（数据生成的地方）上形成模型。这为部署带来了数据隐私和安全，因为数据不需要离开本地环境。这对于数据隐私是强制性的部署尤为重要。另外，训练数据在云端的过程是耗时的。这种耗时是由于需要聚合历史数据、将数据传输到云端、形成模型，然后将模型推送到最终资产。MicroAI 可以在本地环境中训练和运行 100%。
MicroAI 技术的一个特点是其加速的异常检测，您能否详细说明这一功能？
由于我们采用行为分析的方法，我们可以部署 MicroAI 并立即开始学习资产的行为。我们可以在行为中看到模式。同样，这是无需加载任何历史数据的。只要我们捕获到足够的资产周期，我们就可以开始从 AI 模型中生成准确的输出。这对于该领域来说是开创性的。以前需要几周或几个月才能形成一个准确的模型，现在可以在几小时内甚至几分钟内完成。
MicroAI ™ Helio 和 MicroAI ™ Atom 之间有什么区别？
MicroAI ™ Helio 服务器：
我们的 Helio 服务器环境可以在本地服务器（最常见）或云实例中部署。Helio 提供以下功能：（工作流管理、数据分析和管理以及数据可视化）
管理资产的工作流 – 资产的层次结构，包括它们的部署位置和使用方式。（例如，设置所有客户的全球设施、每个设施的特定设施和部分、每个部分的单个站点，直到每个站点的每个资产）。此外，资产可以配置为执行不同的作业，具有不同的循环速率；这可以在这些工作流中配置。还包括工单管理的能力，这也是 Helio 服务器环境的一部分。
数据分析和管理 – 在 Helio 的这个部分，用户可以对 AI 输出运行进一步的分析，以及任何原始数据快照（例如，最大值、最小值和平均值每小时一次，或者触发警报或报警的数据签名）。这些可以是使用 Helio 分析设计器配置的查询，或者从工具如 R 编程语言中引入的更高级的分析。数据管理层是用户可以使用 API 管理网关进行第三方连接的位置，这些连接正在协调地消费和/或向 Helio 环境发送数据。
数据可视化 – Helio 提供行业特定报告模板，允许用户从 Helio 桌面和移动应用程序查看其连接资产的企业资产管理和资产性能管理视图。
MicroAI Atom：
MicroAI Atom 是一种为 MCU 环境设计的机器学习平台。包括直接在本地 MCU 架构中训练多维行为分析递归算法——而不是在云中，然后推送到 MCU。这允许通过在端点上自动生成上限和下限阈值来加快构建和部署机器学习模型。我们已经创建了 MicroAI，使其成为一种比传统方法更高效的消耗和处理信号数据以训练模型的方法。这不仅为形成的模型带来了更高的准确性，还利用了主机硬件的较少资源（即内存和 CPU 使用率较低），从而可以在 MCU 等环境中运行。
我们还有一个名为 MicroAI ™ Network 的核心产品。
MicroAI ™ Network – 允许一组 Atom 被整合并与外部数据源合并，以便直接在边缘创建多个模型。这使得可以对运行 Atom 的各种资产运行水平和垂直分析。MicroAI Network 允许对设备/资产的性能有更深入的了解，尤其是在与其他部署的资产相比。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的内存和 CPU 很少。
ONE Tech 还提供物联网安全咨询。物联网威胁建模和物联网渗透测试的过程是什么？
由于我们能够理解资产的行为，我们可以消耗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）。物联网设备通常具有规律的操作模式——它们多久传输一次数据、发送到哪里以及数据包的大小。我们将 MicroAI 应用于消耗这些内部数据参数，以便为连接设备形成基线。如果设备上发生异常操作，我们可以触发响应。这可以从重新启动设备到在工单管理工具中打开工单，甚至完全断开设备的网络流量。我们的安全团队已经开发了测试黑客，并且我们使用 MicroAI 成功检测了各种零日攻击尝试。
您是否还有其他关于 ONE Tech, Inc 的信息想要分享？
以下是 MicroAI Atom 的工作原理图。从获取原始数据开始，训练和处理在本地环境中进行，推断数据并提供输出。
以下是 MicroAI Network 的工作原理图。许多 MicroAI Atom 输入 MicroAI Network。除了 Atom 数据外，还可以将其他数据源合并到模型中，以便更详细地了解资产的性能。此外，在 MicroAI Network 中形成了多个模型，允许利益相关者运行水平分析，以了解资产在不同地区、客户之间、更新前后等方面的性能。
感谢您的采访和详细的回应，希望了解更多的读者可以访问 ONE Tech。
