Według niedawno opublikowanego raportu Industrial AI and AI Market Report 2021-2026, wskaźnik adopcji sztucznej inteligencji w przemyśle wzrósł z 19% do 31% w ciągu nieco ponad dwóch lat. Oprócz 31% respondentów, którzy w pełni lub częściowo wdrożyli sztuczną inteligencję w swoich procesach, kolejne 39% obecnie testuje lub prowadzi pilotaż tej technologii.
Sztuczna inteligencja staje się kluczową technologią dla producentów i firm energetycznych na całym świecie, a analizy dotyczące Internetu rzeczy przewidują, 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. Widać, 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 roku, kiedy analityka Internetu Rzeczy (IoT) zaczęła obejmować przemysłową sztuczną inteligencję (AI), brakowało 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 hal produkcyjnych.
Według danych, oprogramowanie AIoT oferuje prawie 400 dostawców. Liczba dostawców oprogramowania wchodzących na rynek przemysłowej AI gwałtownie wzrosła w ciągu ostatnich dwóch lat. W trakcie 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 więcej dostawców technologii operacyjnych (OT) oferuje dedykowane platformy oprogramowania AI. Przykładami są pakiet Genix Industrial Analytics and AI firmy ABB, pakiet FactoryTalk Innovation firmy Rockwell Automation, platforma konsultingowa Schneider Electric dla sektora produkcyjnego, a ostatnio także dedykowane dodatki. Niektóre z tych platform są przeznaczone do szerokiego zakresu zastosowań. Na przykład platforma Genix firmy ABB oferuje zaawansowaną analitykę, w tym gotowe aplikacje i usługi do zarządzania wydajnością operacyjną, integralnością zasobów, zrównoważonym rozwojem i efektywnością łańcucha dostaw.
Duże firmy wprowadzają na rynek swoje narzędzia programowe oparte na sztucznej inteligencji.
Dostępność narzędzi programowych AI jest również napędzana przez nowe, specyficzne dla konkretnych przypadków użycia narzędzia programowe, opracowane przez AWS oraz duże firmy, takie jak Microsoft i Google. Na przykład, w grudniu 2020 roku AWS udostępnił Amazon SageMaker JumpStart, funkcję Amazon SageMaker, która oferuje zestaw gotowych i konfigurowalnych rozwiązań dla najczęstszych zastosowań przemysłowych, takich jak konserwacja predykcyjna (PdM), widzenie komputerowe i autonomiczne kierowanie pojazdami. Wdrażanie jest możliwe za pomocą zaledwie kilku kliknięć.
Rozwiązania programowe przeznaczone do konkretnych zastosowań przyczyniają się do poprawy użyteczności.
Coraz popularniejsze stają się pakiety oprogramowania dedykowane konkretnym przypadkom użycia, takie jak te skoncentrowane na konserwacji predykcyjnej. Firma IoT Analytics zauważyła, że liczba dostawców korzystających z rozwiązań oprogramowania do zarządzania danymi o produktach (PdM) opartych na sztucznej inteligencji wzrosła do 73 na początku 2021 roku. Przyczyną był wzrost różnorodności źródeł danych i wykorzystanie modeli wstępnego szkolenia, a także powszechne wdrażanie technologii wzbogacania danych.
Czynnik 2: Uproszczenie rozwoju i utrzymania rozwiązań AI
Automatyczne uczenie maszynowe (AutoML) staje się produktem standardowym.
Ze względu na złożoność zadań związanych z uczeniem maszynowym (ML), szybki rozwój zastosowań uczenia maszynowego stworzył zapotrzebowanie na gotowe metody uczenia maszynowego, z których można korzystać bez specjalistycznej wiedzy. Powstała w ten sposób dziedzina badań, progresywna automatyzacja uczenia maszynowego, nosi nazwę AutoML. Wiele firm wykorzystuje tę technologię w ramach swojej oferty rozwiązań AI, aby pomóc klientom w tworzeniu modeli ML i szybszym wdrażaniu zastosowań przemysłowych. Na przykład w listopadzie 2020 roku firma SKF ogłosiła produkt oparty na technologii automL, który łączy dane procesowe maszyn z danymi dotyczącymi drgań i temperatury, aby obniżyć koszty i umożliwić klientom wdrażanie nowych modeli biznesowych.
Operacje uczenia maszynowego (ML Ops) upraszczają zarządzanie modelami i ich konserwację.
Nowa dyscyplina, jaką są operacje uczenia maszynowego, ma na celu uproszczenie konserwacji modeli AI w środowiskach produkcyjnych. Wydajność modelu AI zazwyczaj pogarsza się z czasem, ponieważ wpływa na nią wiele czynników wewnątrz zakładu (na przykład zmiany w dystrybucji danych i standardach jakości). W rezultacie konserwacja modeli i operacje uczenia maszynowego stały się niezbędne, aby sprostać wysokim wymaganiom jakościowym w środowiskach 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 obszaru ML Ops, w tym DataRobot, Grid.AI, Pinecone/Zilliz, Seldon i Weights & Biases. Ugruntowane firmy dodały operacje uczenia maszynowego do swojej oferty oprogramowania AI, w tym Microsoft, który wprowadził wykrywanie dryfu danych w Azure ML Studio. Ta nowa funkcja umożliwia użytkownikom wykrywanie zmian w rozkładzie 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, rozbudowanych, horyzontalnych 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) czy planowanie zasobów przedsiębiorstwa (ERP), można teraz znacząco udoskonalić, włączając w nie możliwości AI. Na przykład, dostawca ERP, Epicor Software, dodaje możliwości AI do swoich produktów za pośrednictwem Epicor Virtual Assistant (EVA). Inteligentni agenci EVA służą do automatyzacji procesów ERP, takich jak reharmonogramowanie operacji produkcyjnych czy wykonywanie prostych zapytań (na przykład uzyskiwanie informacji o cenach produktów lub liczbie dostępnych części).
Zastosowania przemysłowe są ulepszane dzięki wykorzystaniu AIoT.
Wiele zastosowań przemysłowych jest udoskonalanych poprzez dodanie funkcji sztucznej inteligencji do istniejącej infrastruktury sprzętowo-programowej. Doskonałym przykładem jest widzenie maszynowe w aplikacjach kontroli jakości. Tradycyjne systemy widzenia maszynowego przetwarzają obrazy za pomocą zintegrowanych lub oddzielnych komputerów wyposażonych w specjalistyczne oprogramowanie, które ocenia z góry określone parametry i progi (np. wysoki kontrast) w celu określenia, czy obiekty wykazują wady. W wielu przypadkach (na przykład w przypadku komponentów elektronicznych o różnych kształtach przewodów) liczba wyników fałszywie dodatnich jest bardzo wysoka.
Jednak systemy te odżywają dzięki sztucznej inteligencji. Na przykład, dostawca przemysłowych systemów wizyjnych Cognex wprowadził w lipcu 2021 roku nowe narzędzie do głębokiego uczenia (Deep Learning – Vision Pro Deep Learning 2.0). Nowe narzędzia integrują się z tradycyjnymi systemami wizyjnymi, umożliwiając użytkownikom końcowym łączenie głębokiego uczenia z tradycyjnymi narzędziami wizyjnymi w tej samej aplikacji, aby sprostać wymagającym warunkom medycznym i elektronicznym, które wymagają dokładnego pomiaru zarysowań, zanieczyszczeń i innych defektów.
Czynnik 4: Ulepszanie sprzętu przemysłowego AIoT
Układy scalone AI szybko się udoskonalają.
Wbudowane układy scalone AI dynamicznie się rozwijają, oferując różnorodne opcje wspierające rozwój i wdrażanie modeli AI. Przykładami są najnowsze procesory graficzne (GPU) firmy NVIDIA – A30 i A10, wprowadzone na rynek w marcu 2021 roku i przeznaczone do zastosowań AI, takich jak systemy rekomendacji i systemy rozpoznawania obrazu. Innym przykładem są jednostki przetwarzania tensorów czwartej generacji (TPus) firmy Google, czyli wydajne układy scalone specjalnego przeznaczenia (ASIC), które mogą osiągnąć nawet 1000-krotnie większą wydajność i szybkość w rozwoju i wdrażaniu modeli dla określonych zadań AI (np. wykrywanie obiektów, klasyfikacja obrazów i testy porównawcze rekomendacji). Wykorzystanie dedykowanego sprzętu AI skraca czas obliczeń modeli z dni do minut i w wielu przypadkach okazało się przełomem.
Wydajny sprzęt oparty na sztucznej inteligencji jest dostępny natychmiast w ramach modelu płatności za użytkowanie.
Przedsiębiorstwa o dużej skali stale modernizują swoje serwery, aby udostępnić zasoby obliczeniowe w chmurze, umożliwiając użytkownikom końcowym wdrażanie przemysłowych aplikacji AI. Na przykład w listopadzie 2021 roku AWS ogłosiło oficjalną premierę swoich najnowszych instancji opartych na GPU – Amazon EC2 G5, napędzanych procesorem graficznym NVIDIA A10G Tensor Core – przeznaczonych do różnorodnych aplikacji ML, w tym systemów rozpoznawania obrazu i silników rekomendacji. Na przykład, dostawca systemów detekcji, Nanotronics, wykorzystuje przykłady Amazon EC2, swojego rozwiązania kontroli jakości opartego na AI, aby przyspieszyć procesy przetwarzania i osiągnąć dokładniejsze wskaźniki detekcji w produkcji mikroprocesorów i nanorurek.
Wnioski i perspektywy
Sztuczna inteligencja wychodzi z fabryk i będzie wszechobecna w nowych aplikacjach, takich jak konserwacja predykcyjna (PdM) oparta na sztucznej inteligencji, a także jako ulepszenia istniejącego oprogramowania i przypadków użycia. Duże przedsiębiorstwa wdrażają wiele przypadków użycia sztucznej inteligencji i odnotowują sukcesy, a większość projektów charakteryzuje się wysokim zwrotem z inwestycji. Podsumowując, rozwój chmury, platform IoT i wydajnych układów AI stwarza platformę dla nowej generacji oprogramowania i optymalizacji.
Czas publikacji: 12 stycznia 2022 r.