Według niedawno opublikowanego raportu dotyczącego sztucznej inteligencji i rynku sztucznej inteligencji na lata 2021–2026 wskaźnik wdrożenia sztucznej inteligencji w środowiskach przemysłowych wzrósł z 19% do 31% w ciągu nieco ponad dwóch lat.Oprócz 31 procent respondentów, którzy w pełni lub częściowo wdrożyli sztuczną inteligencję w swoich operacjach, kolejne 39 procent obecnie testuje lub pilotażuje tę technologię.
Sztuczna inteligencja staje się kluczową technologią dla producentów i firm energetycznych na całym świecie, a analiza IoT przewiduje, że rynek przemysłowych rozwiązań AI wykaże silną po pandemii złożoną roczną stopę wzrostu (CAGR) na poziomie 35%, która do 2026 r. osiągnie 102,17 miliardów dolarów.
Era cyfrowa zrodziła Internet Rzeczy.Można zauważyć, że pojawienie się sztucznej inteligencji przyspieszyło tempo rozwoju Internetu Rzeczy.
Przyjrzyjmy się niektórym czynnikom napędzającym rozwój przemysłowej sztucznej inteligencji i AIoT.
Czynnik 1: Coraz więcej narzędzi programowych dla przemysłowego AIoT
W 2019 r., kiedy analityka IoT zaczęła obejmować przemysłową sztuczną inteligencję, było kilka dedykowanych produktów oprogramowania AI od dostawców technologii operacyjnych (OT).Od tego czasu wielu dostawców OT weszło na rynek sztucznej inteligencji, opracowując i dostarczając rozwiązania w zakresie oprogramowania AI w postaci platform AI dla hali produkcyjnej.
Według danych prawie 400 dostawców oferuje oprogramowanie AIoT.W ciągu ostatnich dwóch lat liczba dostawców oprogramowania dołączających do rynku przemysłowej sztucznej inteligencji dramatycznie wzrosła.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 czy C3 AI coraz większa liczba dostawców technologii operacyjnych (OT) oferuje dedykowane platformy oprogramowania AI.Przykłady obejmują pakiet rozwiązań analitycznych i sztucznej inteligencji Genix Industrial firmy ABB, pakiet FactoryTalk Innovation firmy Rockwell Automation, własną platformę doradztwa produkcyjnego firmy Schneider Electric, a ostatnio także określone dodatki.Niektóre z tych platform są przeznaczone dla szerokiego zakresu przypadków użycia.Na przykład platforma Genix firmy ABB zapewnia zaawansowaną analitykę, w tym gotowe aplikacje i usługi do zarządzania wydajnością operacyjną, integralnością aktywów, zrównoważonym rozwojem i wydajnością łańcucha dostaw.
Duże firmy umieszczają swoje narzędzia oprogramowania AI w hali produkcyjnej.
Dostępność narzędzi programowych AI jest również napędzana przez nowe narzędzia programowe dostosowane do konkretnych przypadków użycia, opracowane przez AWS, duże firmy, takie jak Microsoft i Google.Na przykład w grudniu 2020 r. firma AWS wypuściła Amazon SageMaker JumpStart, funkcję Amazon SageMaker, która zapewnia zestaw gotowych i konfigurowalnych rozwiązań dla najpopularniejszych zastosowań przemysłowych, takich jak PdM, wizja komputerowa i jazda autonomiczna. wystarczy kilka kliknięć.
Rozwiązania programowe dostosowane do konkretnych przypadków użycia przyczyniają się do poprawy użyteczności.
Coraz popularniejsze stają się pakiety oprogramowania dostosowane do konkretnych przypadków użycia, takie jak te skupiające się na konserwacji predykcyjnej.IoT Analytics zaobserwowało, że na początku 2021 r. liczba dostawców korzystających z oprogramowania do zarządzania danymi produktów (PdM) opartego na sztucznej inteligencji wzrosła do 73 ze względu na wzrost różnorodności źródeł danych i wykorzystanie modeli przedszkoleniowych, a także powszechne przyjęcie technologii ulepszania danych.
Czynnik 2: Tworzenie i utrzymanie rozwiązań AI ulega uproszczeniu
Zautomatyzowane uczenie maszynowe (AutoML) staje się produktem standardowym.
Ze względu na złożoność zadań związanych z uczeniem maszynowym (ML) szybki rozwój aplikacji do uczenia maszynowego stworzył zapotrzebowanie na gotowe metody uczenia maszynowego, z których można korzystać bez specjalistycznej wiedzy.Powstały obszar badań, postępowa automatyzacja uczenia maszynowego, nosi nazwę AutoML.Wiele firm wykorzystuje tę technologię w ramach swojej oferty AI, aby pomóc klientom w opracowywaniu modeli uczenia maszynowego i szybszym wdrażaniu zastosowań przemysłowych.Na przykład w listopadzie 2020 r. SKF ogłosiło wprowadzenie produktu opartego na automatyce, który łączy dane dotyczące procesów maszynowych z danymi dotyczącymi wibracji i temperatury, aby obniżyć koszty i umożliwić klientom nowe modele biznesowe.
Operacje uczenia maszynowego (ML Ops) upraszczają zarządzanie modelami i konserwację.
Nowa dyscyplina operacji uczenia maszynowego ma na celu uproszczenie utrzymania modeli AI w środowiskach produkcyjnych.Wydajność modelu sztucznej inteligencji zwykle pogarsza się z biegiem czasu, ponieważ wpływa na nią kilka czynników występujących w zakładzie (na przykład zmiany w dystrybucji danych i standardach jakości).W rezultacie operacje konserwacji modeli i uczenia maszynowego stały się konieczne, aby spełnić wysokie wymagania jakościowe środowisk przemysłowych (na przykład modele o wydajności poniżej 99% mogą nie identyfikować zachowań zagrażających bezpieczeństwu pracowników).
W ostatnich latach do przestrzeni ML Ops dołączyło wiele startupów, w tym DataRobot, Grid.AI, Pinecone/Zilliz, Seldon i Weights & Biases.Uznane firmy dodały operacje uczenia maszynowego do swojej istniejącej oferty oprogramowania AI, w tym Microsoft, który wprowadził wykrywanie dryftu danych w Azure ML Studio.Ta nowa funkcja umożliwia użytkownikom wykrywanie zmian w rozkładzie danych wejściowych, które pogarszają wydajność modelu.
Czynnik 3: Sztuczna inteligencja zastosowana w istniejących aplikacjach i przypadkach użycia
Tradycyjni dostawcy oprogramowania dodają możliwości 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 komputerowe systemy zarządzania konserwacją (CAMMS), systemy realizacji produkcji (MES) lub planowanie zasobów przedsiębiorstwa (ERP) można teraz znacznie ulepszyć poprzez wprowadzenie możliwości sztucznej inteligencji.Na przykład dostawca rozwiązań ERP, firma Epicor Software, dodaje możliwości sztucznej inteligencji do swoich istniejących produktów za pośrednictwem wirtualnego asystenta Epicor (EVA).Inteligentni agenci EVA służą do automatyzacji procesów ERP, takich jak przesunięcie harmonogramu operacji produkcyjnych czy wykonywanie prostych zapytań (np. uzyskanie szczegółowych informacji o cenie produktu czy liczbie dostępnych części).
Przypadki zastosowań przemysłowych są unowocześniane przy użyciu sztucznej inteligencji.
Kilka zastosowań przemysłowych jest ulepszanych poprzez dodanie możliwości sztucznej inteligencji do istniejącej infrastruktury sprzętowej/oprogramowania.Żywym przykładem jest widzenie maszynowe w zastosowaniach związanych z kontrolą jakości.Tradycyjne systemy widzenia maszynowego przetwarzają obrazy za pomocą zintegrowanych lub oddzielnych komputerów wyposażonych w specjalistyczne oprogramowanie, które ocenia wcześniej określone parametry i progi (np. wysoki kontrast) w celu ustalenia, czy obiekty wykazują defekty.W wielu przypadkach (na przykład elementy elektroniczne o różnych kształtach okablowania) liczba fałszywych alarmów jest bardzo wysoka.
Jednak systemy te są przywracane do życia dzięki sztucznej inteligencji.Na przykład dostawca systemów wizyjnych do maszyn przemysłowych, firma Cognex, wypuścił 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 spełniają wymagające środowiska medyczne i elektroniczne, które wymagają dokładnego pomiaru zadrapań, zanieczyszczeń i innych defektów.
Czynnik 4: Ulepszanie sprzętu przemysłowego AIoT
Chipy AI szybko się udoskonalają.
Wbudowany sprzętowy chip AI szybko się rozwija, a dostępnych jest wiele opcji wspierających rozwój i wdrażanie modeli AI.Przykładami są najnowsze procesory graficzne (Gpus) firmy NVIDIA, A30 i A10, które zostały wprowadzone na rynek w marcu 2021 r. i są odpowiednie do zastosowań związanych ze sztuczną inteligencją, takich jak systemy rekomendacji i komputerowe systemy wizyjne.Innym przykładem są jednostki przetwarzające Tensors Processing Units (TPus) firmy Google czwartej generacji, które są potężnymi układami scalonymi specjalnego przeznaczenia (ASics), które mogą osiągnąć nawet 1000 razy większą wydajność i szybkość w opracowywaniu i wdrażaniu modeli dla określonych obciążeń AI (np. wykrywanie obiektów , klasyfikacja obrazów i punkty odniesienia rekomendacji).Korzystanie z dedykowanego sprzętu AI skraca czas obliczeń modelu z dni do minut i w wielu przypadkach okazało się rewolucyjne.
Potężny sprzęt AI jest natychmiast dostępny w modelu płatności za użycie.
Przedsiębiorstwa Superscale stale unowocześniają swoje serwery, aby udostępnić zasoby obliczeniowe w chmurze, aby użytkownicy końcowi mogli wdrażać przemysłowe aplikacje AI.Na przykład w listopadzie 2021 r. firma AWS ogłosiła oficjalne wydanie swoich najnowszych instancji opartych na procesorach graficznych, Amazon EC2 G5, napędzanych procesorem graficznym NVIDIA A10G Tensor Core, dla różnych aplikacji ML, w tym systemów wizji komputerowej i silników rekomendacji.Na przykład dostawca systemów wykrywania Nanotronics wykorzystuje przykłady Amazon EC2 swojego rozwiązania do kontroli jakości opartego na sztucznej inteligencji, aby przyspieszyć przetwarzanie i uzyskać dokładniejsze wskaźniki wykrywania przy produkcji mikrochipów i nanorurek.
Wnioski i perspektywy
Sztuczna inteligencja wychodzi z fabryki i będzie wszechobecna w nowych aplikacjach, takich jak PdM oparta na sztucznej inteligencji, a także jako ulepszenia istniejącego oprogramowania i przypadków użycia.Duże przedsiębiorstwa wdrażają kilka przypadków użycia sztucznej inteligencji i zgłaszają sukcesy, a większość projektów charakteryzuje się wysokim zwrotem z inwestycji.Podsumowując, rozwój chmury, platform IOT i potężnych chipów AI zapewnia platformę dla nowej generacji oprogramowania i optymalizacji.
Czas publikacji: 12 stycznia 2022 r