Według niedawno opublikowanego raportu rynku AI i AI 2021-2026, wskaźnik adopcji AI w warunkach przemysłowych wzrósł z 19 do 31 procent w ciągu nieco ponad dwóch lat. Oprócz 31 procent respondentów, którzy w pełni lub częściowo wprowadzili sztuczną inteligencję w swoich operacjach, kolejne 39 procent testuje obecnie lub pilotuje technologię.
AI staje się kluczową technologią dla producentów i firm energetycznych na całym świecie, a analiza IoT przewiduje, że rynek roztworów przemysłowych wykaże silną postpandemiczną roczną stopę wzrostu (CAGR), osiągając 102,17 mld USD do 2026 r.
Wiek cyfrowy urodziła Internet przedmiotów. Można zauważyć, że pojawienie się sztucznej inteligencji przyspieszyło tempo rozwoju Internetu przedmiotów.
Rzućmy okiem na niektóre czynniki napędzające wzrost przemysłowej sztucznej inteligencji i AIOT.
Czynnik 1: Coraz więcej narzędzi programowych dla przemysłowego AIOT
W 2019 r., Kiedy IoT Analytics zaczęła obejmować przemysłową sztuczną inteligencję, było 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 postaci platform AI dla piętra fabrycznego.
Według danych prawie 400 dostawców oferuje oprogramowanie AIOT. Liczba dostawców oprogramowania dołączających do rynku AI przemysłowej dramatycznie wzrosła w ciągu ostatnich dwóch lat. Podczas badania IoT Analytics zidentyfikowało 634 dostawców technologii AI dla producentów/klientów przemysłowych. Z tych firm 389 (61,4%) oferuje oprogramowanie AI.
Nowa platforma oprogramowania AI koncentruje się na środowiskach przemysłowych. Oprócz pobierania, BrainCube lub C3 AI, rosnąca liczba dostawców technologii operacyjnych (OT) oferuje dedykowane platformy oprogramowania AI. Przykłady obejmują ABB Genia Analytics Analytics i AI Suite, FactoryTalk Innovation Suite Rockwell Automation, własna platforma konsultingowa produkcyjna Schneider Electric, a ostatnio konkretne dodatki. Niektóre z tych platform ukierunkowane są na szeroki zakres przypadków użycia. Na przykład platforma ABB Genia zapewnia zaawansowane analityki, w tym wstępnie zbudowane aplikacje i usługi zarządzania wydajnością operacyjną, integralność zasobów, zrównoważony rozwój i wydajność łańcucha dostaw.
Duże firmy umieszczają narzędzia programowe AI na podłodze sklepu.
Dostępność narzędzi programowych AI jest również oparta na nowych narzędziach programowych specyficznych dla użytku opracowanych 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, wizja komputerowa i autonomiczna jazda, rozmieszcza z zaledwie kilkoma kliknięciem.
Rozwiązania oprogramowania specyficzne dla użytku powodują ulepszenia użyteczności.
Sytuały oprogramowania specyficzne dla użytku, takie jak te, które koncentrują się na konserwacji predykcyjnej, stają się coraz bardziej powszechne. IoT Analytics zauważył, że liczba dostawców korzystających z roztworów oprogramowania oparte na AI Product Data Management (PDM) wzrosła do 73 na początku 2021 r. Ze względu na wzrost różnorodności źródeł danych i wykorzystanie modeli przedtreningowych, a także powszechne przyjęcie technologii ulepszania danych.
Współczynnik 2: Uproszczenie jest opracowywania i utrzymania rozwiązań AI
Zautomatyzowane uczenie maszynowe (AUTOML) staje się standardowym produktem.
Ze względu na złożoność zadań związanych z uczeniem maszynowym (ML) szybki rozwój aplikacji uczenia maszynowego stworzył potrzebę metod uczenia maszynowego, które można używać bez wiedzy specjalistycznej. Powstała dziedzina badań, progresywna automatyzacja uczenia maszynowego, nazywa się Automl. Różnorodne firmy wykorzystują tę technologię w ramach oferty AI, aby pomóc klientom opracowywać modele ML i szybciej wdrażać przypadki użycia przemysłowego. Na przykład w listopadzie 2020 r. SKF ogłosił produkt oparty na automL, który łączy dane procesowe z wibracjami i danymi temperaturowymi, aby obniżyć koszty i umożliwić nowe modele biznesowe dla klientów.
Operacje uczenia maszynowego (ML OPS) Upraszcz zarządzanie i konserwacją modelu.
Nowa dyscyplina operacji uczenia maszynowego ma na celu uproszczenie konserwacji modeli AI w środowiskach produkcyjnych. Wydajność modelu AI zwykle degraduje się z czasem, ponieważ wpływa na niego kilka czynników w zakładzie (na przykład zmiany w dystrybucji danych i standardach jakości). W rezultacie konieczne stały się operacje konserwacji modeli i uczenia maszynowego, aby spełnić wysoką jakość wymagań w środowiskach przemysłowych (na przykład modele z wydajnością poniżej 99% mogą nie zidentyfikować zachowania, które ogranicza bezpieczeństwo pracowników).
W ostatnich latach wiele startupów dołączyło do przestrzeni ML Ops, w tym DataRobot, Grid.ai, Pinecone/Zilliz, Seldon oraz wagi i uprzedzenia. Ustanowione firmy dodały operacje uczenia maszynowego do swoich istniejących ofert oprogramowania AI, w tym Microsoft, która wprowadziła wykrywanie dryfu danych w Azure ML Studio. Ta nowa funkcja umożliwia użytkownikom wykrywanie zmian w dystrybucji danych wejściowych, które degradują wydajność modelu.
Czynnik 3: Sztuczna inteligencja zastosowana do istniejących aplikacji i przypadków użycia
Tradycyjni dostawcy oprogramowania dodają możliwości sztucznej inteligencji.
Oprócz istniejących dużych poziomych narzędzi oprogramowania AI, takich jak MS Azure ML, AWS Sagemaker i Google Cloud Vertex AI, tradycyjne apartamenty oprogramowania, takie jak komputerowe systemy zarządzania konserwacją (CAMM), systemy wykonania (MES) lub planowanie zasobów korporacyjnych (ERP) mogą być znacznie ulepszone przez możliwości AI. Na przykład oprogramowanie EPICOR dostawcy ERP dodaje możliwości AI do swoich istniejących produktów za pośrednictwem swojego Epicor Virtual Assistant (EVA). Inteligentni agenci EVA są wykorzystywane do automatyzacji procesów ERP, takich jak zmiana operacji produkcyjnych lub wykonywanie prostych zapytań (na przykład uzyskanie szczegółów na temat wyceny produktu lub liczby dostępnych części).
Przyjmują się przypadki użycia przemysłowego przy użyciu AIOT.
Kilka przypadków użycia przemysłowych jest ulepszanych poprzez dodanie możliwości sztucznej inteligencji do istniejącej infrastruktury sprzętu/oprogramowania. Żyjącym przykładem jest wizja maszynowa w aplikacjach kontroli jakości. Tradycyjne systemy wizji maszynowej przetwarzają obrazy poprzez zintegrowane lub dyskretne komputery wyposażone w wyspecjalizowane oprogramowanie, które ocenia z góry określone parametry i progi (np. Wysoki kontrast) w celu ustalenia, czy obiekty wykazują wady. W wielu przypadkach (na przykład elementy elektroniczne o różnych kształtach okablowania) liczba fałszywych pozytywów jest bardzo wysoka.
Systemy te są jednak ożywiane poprzez sztuczną inteligencję. Na przykład, dostawca przemysłowej wizji maszynowej Cognex wydał nowe narzędzie głębokiego uczenia się (Vision Pro Deep Learning 2.0) w lipcu 2021 r. Nowe narzędzia integrują się z tradycyjnymi systemami wizji, umożliwiając użytkownikom końcowym łączenie głębokiego uczenia się z tradycyjnymi narzędziami wizji w tej samej aplikacji w celu spełnienia wymagających środowisk medycznych i elektronicznych, które wymagają dokładnego pomiaru zadrapań, zanieczyszczenia i innych wad.
Czynnik 4: Ulepszany sprzęt przemysłowy AIOT
Chipy AI szybko się poprawiają.
Wbudowane układy AI sprzętu szybko rosną, z różnorodnymi opcjami wspierania rozwoju i wdrażania modeli AI. Przykłady obejmują najnowsze jednostki przetwarzania grafiki NVIDIA (GPU), A30 i A10, które zostały wprowadzone w marcu 2021 r. I są odpowiednie dla przypadków użycia AI, takich jak systemy rekomendacji i systemy wizji komputerowej. Innym przykładem są jednostki przetwarzania czwartej generacji czwartej generacji (TPUS), które są potężnymi obwodami zintegrowanymi specjalnie przeznaczonymi (ASICS), które mogą osiągnąć nawet 1000 razy większą wydajność i szybkość rozwoju i wdrażania modeli dla określonych obciążeń AI (np. Wykrywanie obiektów, klasyfikację obrazu i rekomendację). Korzystanie z dedykowanego sprzętu AI skraca czas obliczania modelu od dni do minut i w wielu przypadkach okazał się zmieniający grę.
Potężny sprzęt AI jest natychmiast dostępny za pośrednictwem modelu wypłaty za użytkowanie.
Superscale Enterprises nieustannie aktualizują swoje serwery, aby udostępnić zasoby obliczeniowe w chmurze, aby użytkownicy końcowi mogli wdrażać przemysłowe aplikacje AI. Na przykład w listopadzie 2021 r. AWS ogłosił oficjalne wydanie swoich najnowszych instancji opartych na GPU, Amazon EC2 G5, zasilany przez NVIDIA A10G Tensor Core GPU, dla różnych aplikacji ML, w tym wizji komputerowej i silników rekomendacyjnych. Na przykład Nanotronics dostawca systemów detekcji wykorzystuje przykłady Amazon EC2 rozwiązania kontroli jakości opartego na sztucznej inteligencji, aby przyspieszyć wysiłki przetwarzania i osiągnąć dokładniejsze wskaźniki wykrywania w produkcji mikroczipów i nanorurków.
Wniosek i perspektywa
AI wychodzi z fabryki i będzie wszechobecna w nowych aplikacjach, takich jak PDM oparty na AI, oraz jako ulepszenia istniejącego oprogramowania i przypadków użycia. Duże przedsiębiorstwa wprowadzają kilka przypadków użycia AI i sukces raportowania, a większość projektów ma wysoki zwrot z inwestycji. Podsumowując, powstanie chmury, platformy IoT i potężne układy AI zapewnia platformę do nowej generacji oprogramowania i optymalizacji.
Czas po: 12-2022