Według niedawno opublikowanego raportu Industrial AI and AI Market Report 2021-2026 wskaźnik adopcji AI w środowiskach przemysłowych wzrósł z 19 procent do 31 procent w ciągu zaledwie dwóch lat. Oprócz 31 procent respondentów, którzy w pełni lub częściowo wdrożyli AI w swoich operacjach, kolejne 39 procent obecnie testuje lub pilotuje tę technologię.
Sztuczna inteligencja staje się kluczową technologią dla producentów i firm energetycznych na całym świecie, a analiza IoT przewiduje, że rynek rozwiązań z zakresu sztucznej inteligencji dla przemysłu będzie charakteryzował się silną średnioroczną stopą wzrostu (CAGR) po pandemii na poziomie 35% i do 2026 r. osiągnie wartość 102,17 mld dolarów.
Era cyfrowa dała początek Internetowi Rzeczy. Można zauważyć, że pojawienie się sztucznej inteligencji przyspieszyło tempo rozwoju Internetu Rzeczy.
Przyjrzyjmy się czynnikom wpływającym na rozwój przemysłowej sztucznej inteligencji i AIoT.
Czynnik 1: Coraz więcej narzędzi programowych dla przemysłowego AIoT
W 2019 r., gdy analityka IoT zaczęła obejmować przemysłową AI, istniało niewiele dedykowanych produktów oprogramowania AI od dostawców technologii operacyjnych (OT). Od tego czasu wielu dostawców OT weszło na rynek AI, opracowując i dostarczając rozwiązania oprogramowania AI w formie platform AI dla hali fabrycznej.
Według danych, oprogramowanie AIoT oferuje prawie 400 dostawców. Liczba dostawców oprogramowania dołączających do rynku przemysłowej AI dramatycznie wzrosła w ciągu ostatnich dwóch lat. Podczas badania IoT Analytics zidentyfikowało 634 dostawców technologii AI dla producentów/klientów przemysłowych. Spośród tych firm 389 (61,4%) oferuje oprogramowanie AI.
Nowa platforma oprogramowania AI koncentruje się na środowiskach przemysłowych. Oprócz Uptake, Braincube lub C3 AI, coraz większa liczba dostawców technologii operacyjnych (OT) oferuje dedykowane platformy oprogramowania AI. Przykłady obejmują pakiet Genix Industrial Analytics and AI firmy ABB, pakiet FactoryTalk Innovation firmy Rockwell Automation, własną platformę konsultingową Schneider Electric do spraw produkcji, a ostatnio także konkretne dodatki. Niektóre z tych platform są przeznaczone do szerokiego zakresu przypadków użycia. Na przykład platforma Genix firmy ABB zapewnia zaawansowaną analizę, w tym wstępnie zbudowane aplikacje i usługi do zarządzania wydajnością operacyjną, integralnością aktywów, zrównoważonym rozwojem i wydajnością łańcucha dostaw.
Duże firmy wprowadzają swoje narzędzia programowe oparte na sztucznej inteligencji na rynek.
Dostępność narzędzi oprogramowania AI jest również napędzana przez nowe narzędzia oprogramowania specyficzne dla przypadków użycia opracowane przez AWS, duże firmy, takie jak Microsoft i Google. Na przykład w grudniu 2020 r. AWS wydało Amazon SageMaker JumpStart, funkcję Amazon SageMaker, która zapewnia zestaw wstępnie zbudowanych i konfigurowalnych rozwiązań dla najczęstszych przypadków użycia przemysłowego, takich jak PdM, widzenie komputerowe i autonomiczna jazda. Wdrażaj za pomocą zaledwie kilku kliknięć.
Rozwiązania programowe dostosowane do konkretnych przypadków użycia przyczyniają się do poprawy użyteczności.
Pakiety oprogramowania specyficzne dla przypadków użycia, takie jak te skoncentrowane na konserwacji predykcyjnej, stają się coraz powszechniejsze. IoT Analytics zauważyło, że liczba dostawców korzystających z rozwiązań oprogramowania do zarządzania danymi o produktach (PdM) opartych na sztucznej inteligencji wzrosła do 73 na początku 2021 r. ze względu na wzrost różnorodności źródeł danych i wykorzystanie modeli wstępnego szkolenia, a także powszechne przyjęcie technologii ulepszania danych.
Czynnik 2: Rozwój i utrzymanie rozwiązań AI są uproszczone
Automatyczne uczenie maszynowe (AutoML) staje się produktem standardowym.
Ze względu na złożoność zadań związanych z uczeniem maszynowym (ML), szybki wzrost zastosowań uczenia maszynowego stworzył potrzebę gotowych metod uczenia maszynowego, których można używać bez specjalistycznej wiedzy. Powstały w ten sposób obszar badań, progresywna automatyzacja uczenia maszynowego, nazywa się AutoML. Różne firmy wykorzystują tę technologię jako część swoich ofert AI, aby pomóc klientom w opracowywaniu modeli ML i szybszym wdrażaniu przypadków zastosowań przemysłowych. Na przykład w listopadzie 2020 r. firma SKF ogłosiła produkt oparty na automL, który łączy dane dotyczące procesów maszynowych z danymi dotyczącymi drgań i temperatury, aby obniżyć koszty i umożliwić klientom nowe modele biznesowe.
Operacje uczenia maszynowego (ML Ops) upraszczają zarządzanie modelami i ich konserwację.
Nowa dyscyplina operacji uczenia maszynowego ma na celu uproszczenie konserwacji modeli AI w środowiskach produkcyjnych. Wydajność modelu AI zazwyczaj pogarsza się z czasem, ponieważ wpływa na nią kilka czynników w zakładzie (na przykład zmiany w dystrybucji danych i standardach jakości). W rezultacie konserwacja modelu i operacje uczenia maszynowego stały się konieczne, aby spełnić wysokie wymagania jakościowe środowisk przemysłowych (na przykład modele o wydajności poniżej 99% mogą nie być w stanie zidentyfikować zachowań zagrażających bezpieczeństwu pracowników).
W ostatnich latach wiele startupów dołączyło do przestrzeni ML Ops, w tym DataRobot, Grid.AI, Pinecone/Zilliz, Seldon i Weights & Biases. Ugruntowane firmy dodały operacje uczenia maszynowego do swoich istniejących ofert oprogramowania AI, w tym Microsoft, który wprowadził wykrywanie dryfu danych w Azure ML Studio. Ta nowa funkcja umożliwia użytkownikom wykrywanie zmian w dystrybucji danych wejściowych, które pogarszają wydajność modelu.
Czynnik 3: Sztuczna inteligencja stosowana w istniejących aplikacjach i przypadkach użycia
Tradycyjni dostawcy oprogramowania dodają funkcje sztucznej inteligencji.
Oprócz istniejących dużych poziomych narzędzi programowych AI, takich jak MS Azure ML, AWS SageMaker i Google Cloud Vertex AI, tradycyjne pakiety oprogramowania, takie jak Computerized Maintenance Management Systems (CAMMS), Manufacturing Execution Systems (MES) lub Enterprise Resource Planning (ERP), można teraz znacznie ulepszyć, wstrzykując możliwości AI. Na przykład dostawca ERP Epicor Software dodaje możliwości AI do swoich istniejących produktów za pośrednictwem Epicor Virtual Assistant (EVA). Inteligentni agenci EVA są wykorzystywani do automatyzacji procesów ERP, takich jak ponowne planowanie operacji produkcyjnych lub wykonywanie prostych zapytań (na przykład uzyskiwanie szczegółów na temat cen produktów lub liczby dostępnych części).
Zastosowania przemysłowe są ulepszane dzięki wykorzystaniu AIoT.
Kilka przypadków zastosowań przemysłowych jest ulepszanych poprzez dodawanie możliwości AI do istniejącej infrastruktury sprzętowej/programowej. Żywym przykładem jest widzenie maszynowe w aplikacjach kontroli jakości. Tradycyjne systemy widzenia maszynowego przetwarzają obrazy za pomocą zintegrowanych lub odrębnych komputerów wyposażonych w specjalistyczne oprogramowanie, które ocenia wstępnie określone parametry i progi (np. wysoki kontrast), aby określić, czy obiekty wykazują wady. W wielu przypadkach (na przykład podzespoły elektroniczne o różnych kształtach okablowania) liczba fałszywych wyników pozytywnych jest bardzo wysoka.
Jednak te systemy są ożywiane dzięki sztucznej inteligencji. Na przykład dostawca przemysłowego widzenia maszynowego Cognex wydał nowe narzędzie Deep Learning (Vision Pro Deep Learning 2.0) w lipcu 2021 r. Nowe narzędzia integrują się z tradycyjnymi systemami wizyjnymi, umożliwiając użytkownikom końcowym łączenie głębokiego uczenia się z tradycyjnymi narzędziami wizyjnymi w tej samej aplikacji, aby sprostać wymagającym środowiskom medycznym i elektronicznym, które wymagają dokładnego pomiaru zarysowań, zanieczyszczeń i innych defektów.
Czynnik 4: Udoskonalanie sprzętu przemysłowego AIoT
Układy scalone AI szybko się udoskonalają.
Wbudowane układy scalone AI rozwijają się szybko, a wiele opcji jest dostępnych do obsługi rozwoju i wdrażania modeli AI. Przykłady obejmują najnowsze jednostki przetwarzania grafiki (Gpus) firmy NVIDIA, A30 i A10, które zostały wprowadzone w marcu 2021 r. i nadają się do zastosowań AI, takich jak systemy rekomendacji i systemy wizji komputerowej. Innym przykładem są jednostki przetwarzania Tensors Processing Units (TPus) czwartej generacji firmy Google, które są wydajnymi układami scalonymi specjalnego przeznaczenia (ASics), które mogą osiągnąć nawet 1000 razy większą wydajność i szybkość w rozwoju i wdrażaniu modeli dla określonych obciążeń AI (np. wykrywanie obiektów, klasyfikacja obrazów i testy porównawcze rekomendacji). Korzystanie ze specjalnego sprzętu AI skraca czas obliczeń modelu z dni do minut i w wielu przypadkach okazało się przełomem.
Potężny sprzęt oparty na sztucznej inteligencji jest dostępny natychmiast w ramach modelu płatności za użytkowanie.
Przedsiębiorstwa superskalowe stale modernizują swoje serwery, aby udostępnić zasoby obliczeniowe w chmurze, dzięki czemu użytkownicy końcowi mogą wdrażać przemysłowe aplikacje AI. Na przykład w listopadzie 2021 r. AWS ogłosiło oficjalne wydanie swoich najnowszych instancji opartych na GPU, Amazon EC2 G5, zasilanych przez procesor graficzny NVIDIA A10G Tensor Core, dla różnych aplikacji ML, w tym do komputerowego widzenia i silników rekomendacji. Na przykład dostawca systemów wykrywania Nanotronics wykorzystuje przykłady Amazon EC2 swojego rozwiązania kontroli jakości opartego na AI, aby przyspieszyć działania związane z przetwarzaniem i osiągnąć dokładniejsze wskaźniki wykrywania w produkcji mikroprocesorów i nanorurek.
Wnioski i perspektywy
AI wychodzi z fabryki i będzie wszechobecna w nowych aplikacjach, takich jak PdM oparte na AI, oraz jako ulepszenia istniejącego oprogramowania i przypadków użycia. Duże przedsiębiorstwa wdrażają kilka przypadków użycia AI i zgłaszają sukces, a większość projektów ma wysoki zwrot z inwestycji. Podsumowując, rozwój chmury, platform IoT i wydajnych układów AI zapewnia platformę dla nowej generacji oprogramowania i optymalizacji.
Czas publikacji: 12-01-2022