Prema nedavno objavljenom Izvješću o industrijskoj umjetnoj inteligenciji i tržištu umjetne inteligencije za razdoblje 2021.-2026., stopa prihvaćanja umjetne inteligencije u industrijskim okruženjima porasla je s 19 posto na 31 posto u nešto više od dvije godine. Uz 31 posto ispitanika koji su u potpunosti ili djelomično uveli umjetnu inteligenciju u svoje poslovanje, dodatnih 39 posto trenutno testira ili provodi pilot-projekt tehnologije.
Umjetna inteligencija postaje ključna tehnologija za proizvođače i energetske tvrtke diljem svijeta, a analiza interneta stvari predviđa da će tržište industrijskih rješenja umjetne inteligencije pokazati snažnu složenu godišnju stopu rasta (CAGR) nakon pandemije od 35% i dosegnuti 102,17 milijardi dolara do 2026. godine.
Digitalno doba rodilo je Internet stvari. Može se vidjeti da je pojava umjetne inteligencije ubrzala tempo razvoja Interneta stvari.
Pogledajmo neke od čimbenika koji potiču porast industrijske umjetne inteligencije i umjetne inteligencije u vezi s internetom stvari.
Faktor 1: Sve više softverskih alata za industrijski AIoT
U 2019. godini, kada je IoT analitika počela pokrivati industrijsku umjetnu inteligenciju, postojalo je malo specijaliziranih softverskih proizvoda za umjetnu inteligenciju od dobavljača operativne tehnologije (OT). Od tada su mnogi dobavljači OT-a ušli na tržište umjetne inteligencije razvijajući i pružajući softverska rješenja za umjetnu inteligenciju u obliku AI platformi za tvornice.
Prema podacima, gotovo 400 dobavljača nudi AIoT softver. Broj dobavljača softvera koji se pridružuju industrijskom tržištu umjetne inteligencije dramatično se povećao u posljednje dvije godine. Tijekom studije, IoT Analytics identificirao je 634 dobavljača AI tehnologije proizvođačima/industrijskim kupcima. Od tih tvrtki, 389 (61,4%) nudi AI softver.
Nova AI softverska platforma fokusira se na industrijska okruženja. Osim Uptakea, Braincubea ili C3 AI-a, sve veći broj dobavljača operativne tehnologije (OT) nudi namjenske AI softverske platforme. Primjeri uključuju ABB-ov Genix Industrial analytics and AI suite, Rockwell Automation-ov FactoryTalk Innovation suite, Schneider Electric-ovu vlastitu platformu za savjetovanje o proizvodnji i, u novije vrijeme, specifične dodatke. Neke od ovih platformi usmjerene su na širok raspon slučajeva upotrebe. Na primjer, ABB-ova Genix platforma pruža naprednu analitiku, uključujući unaprijed izgrađene aplikacije i usluge za upravljanje operativnim performansama, integritetom imovine, održivošću i učinkovitosti lanca opskrbe.
Velike tvrtke stavljaju svoje softverske alate za umjetnu inteligenciju u pogone.
Dostupnost softverskih alata za umjetnu inteligenciju također je potaknuta novim softverskim alatima specifičnim za određene slučajeve upotrebe koje je razvio AWS, velike tvrtke poput Microsofta i Googlea. Na primjer, u prosincu 2020. AWS je objavio Amazon SageMaker JumpStart, značajku Amazon SageMakera koja pruža skup unaprijed izgrađenih i prilagodljivih rješenja za najčešće industrijske slučajeve upotrebe, kao što su PdM, računalni vid i autonomna vožnja, a implementacija je moguća u samo nekoliko klikova.
Softverska rješenja specifična za slučaj upotrebe potiču poboljšanja upotrebljivosti.
Softverski paketi specifični za slučaj upotrebe, poput onih usmjerenih na prediktivno održavanje, postaju sve češći. IoT Analytics primijetio je da je broj pružatelja usluga koji koriste softverska rješenja za upravljanje podacima o proizvodima (PdM) temeljena na umjetnoj inteligenciji porastao na 73 početkom 2021. zbog povećanja raznolikosti izvora podataka i korištenja modela prije obuke, kao i širokog prihvaćanja tehnologija za poboljšanje podataka.
Faktor 2: Razvoj i održavanje AI rješenja se pojednostavljuju
Automatizirano strojno učenje (AutoML) postaje standardni proizvod.
Zbog složenosti zadataka povezanih sa strojnim učenjem (ML), brzi rast aplikacija za strojno učenje stvorio je potrebu za gotovim metodama strojnog učenja koje se mogu koristiti bez stručnog znanja. Rezultirajuće područje istraživanja, progresivna automatizacija za strojno učenje, naziva se AutoML. Razne tvrtke koriste ovu tehnologiju kao dio svojih AI ponuda kako bi pomogle kupcima u razvoju ML modela i bržoj implementaciji industrijskih slučajeva upotrebe. U studenom 2020., na primjer, SKF je najavio proizvod temeljen na automL-u koji kombinira podatke o strojnim procesima s podacima o vibracijama i temperaturi kako bi se smanjili troškovi i omogućili novi poslovni modeli za kupce.
Operacije strojnog učenja (ML Ops) pojednostavljuju upravljanje i održavanje modela.
Nova disciplina operacija strojnog učenja ima za cilj pojednostaviti održavanje AI modela u proizvodnim okruženjima. Performanse AI modela obično se s vremenom smanjuju jer na njih utječe nekoliko čimbenika unutar postrojenja (na primjer, promjene u distribuciji podataka i standardima kvalitete). Kao rezultat toga, održavanje modela i operacije strojnog učenja postale su nužne kako bi se zadovoljili visoki zahtjevi kvalitete industrijskih okruženja (na primjer, modeli s performansama ispod 99% možda neće uspjeti prepoznati ponašanje koje ugrožava sigurnost radnika).
Posljednjih godina mnogi startupi pridružili su se ML Ops prostoru, uključujući DataRobot, Grid.AI, Pinecone/Zilliz, Seldon i Weights & Biases. Utvrđene tvrtke dodale su operacije strojnog učenja svojim postojećim ponudama AI softvera, uključujući Microsoft, koji je uveo otkrivanje pomaka podataka u Azure ML Studio. Ova nova značajka omogućuje korisnicima otkrivanje promjena u distribuciji ulaznih podataka koje smanjuju performanse modela.
Faktor 3: Umjetna inteligencija primijenjena na postojeće aplikacije i slučajeve upotrebe
Tradicionalni pružatelji softvera dodaju mogućnosti umjetne inteligencije.
Uz postojeće velike horizontalne AI softverske alate kao što su MS Azure ML, AWS SageMaker i Google Cloud Vertex AI, tradicionalni softverski paketi poput računalnih sustava za upravljanje održavanjem (CAMMS), sustava za izvršavanje proizvodnje (MES) ili planiranja resursa poduzeća (ERP) sada se mogu značajno poboljšati ubrizgavanjem AI mogućnosti. Na primjer, pružatelj ERP usluga Epicor Software dodaje AI mogućnosti svojim postojećim proizvodima putem svog Epicor Virtual Assistanta (EVA). Inteligentni EVA agenti koriste se za automatizaciju ERP procesa, kao što je replaniranje proizvodnih operacija ili izvršavanje jednostavnih upita (na primjer, dobivanje detalja o cijenama proizvoda ili broju dostupnih dijelova).
Industrijski slučajevi upotrebe se nadograđuju korištenjem AIoT-a.
Nekoliko industrijskih slučajeva upotrebe poboljšava se dodavanjem mogućnosti umjetne inteligencije postojećoj hardverskoj/softverskoj infrastrukturi. Živopisan primjer je strojni vid u primjenama kontrole kvalitete. Tradicionalni sustavi strojnog vida obrađuju slike putem integriranih ili diskretnih računala opremljenih specijaliziranim softverom koji procjenjuje unaprijed određene parametre i pragove (npr. visoki kontrast) kako bi se utvrdilo pokazuju li objekti nedostatke. U mnogim slučajevima (na primjer, elektroničke komponente s različitim oblicima ožičenja), broj lažno pozitivnih rezultata je vrlo visok.
Međutim, ovi se sustavi oživljavaju umjetnom inteligencijom. Na primjer, dobavljač industrijskih strojnih sustava za vid Cognex objavio je u srpnju 2021. novi alat za duboko učenje (Vision Pro Deep Learning 2.0). Novi se alati integriraju s tradicionalnim sustavima vida, omogućujući krajnjim korisnicima kombiniranje dubokog učenja s tradicionalnim alatima za vid u istoj aplikaciji kako bi zadovoljili zahtjevna medicinska i elektronička okruženja koja zahtijevaju točno mjerenje ogrebotina, kontaminacije i drugih nedostataka.
Faktor 4: Poboljšava se industrijski AIoT hardver
AI čipovi se brzo poboljšavaju.
Ugrađeni hardverski AI čipovi brzo rastu, s nizom dostupnih opcija za podršku razvoju i implementaciji AI modela. Primjeri uključuju najnovije NVIDIA-ine grafičke procesorske jedinice (GPU), A30 i A10, koje su predstavljene u ožujku 2021. i prikladne su za slučajeve upotrebe AI-a kao što su sustavi preporuka i sustavi računalnog vida. Drugi primjer su Googleove Tensors Processing Units (TPus) četvrte generacije, koji su moćni integrirani krugovi posebne namjene (ASic) koji mogu postići do 1000 puta veću učinkovitost i brzinu u razvoju i implementaciji modela za specifična AI opterećenja (npr. detekcija objekata, klasifikacija slika i referentne vrijednosti preporuka). Korištenje namjenskog AI hardvera smanjuje vrijeme izračuna modela s dana na minute i u mnogim se slučajevima pokazalo prekretnicom.
Moćan AI hardver odmah je dostupan putem modela plaćanja po korištenju.
Superskalna poduzeća neprestano nadograđuju svoje servere kako bi računalne resurse učinila dostupnima u oblaku, što krajnjim korisnicima omogućuje implementaciju industrijskih AI aplikacija. Primjerice, u studenom 2021. AWS je najavio službeno izdanje svojih najnovijih instanci temeljenih na GPU-u, Amazon EC2 G5, pokretanih NVIDIA A10G Tensor Core GPU-om, za razne ML aplikacije, uključujući računalni vid i mehanizme za preporuke. Primjerice, dobavljač sustava za detekciju Nanotronics koristi primjere Amazon EC2 svog rješenja za kontrolu kvalitete temeljenog na AI-u kako bi ubrzao obradu i postigao točnije stope detekcije u proizvodnji mikročipova i nanocjevčica.
Zaključak i izgledi
Umjetna inteligencija izlazi iz tvornice i bit će sveprisutna u novim aplikacijama, kao što je PdM temeljen na umjetnoj inteligenciji, te kao poboljšanja postojećeg softvera i slučajeva upotrebe. Velika poduzeća uvode nekoliko slučajeva upotrebe umjetne inteligencije i izvještavaju o uspjehu, a većina projekata ima visok povrat ulaganja. Sve u svemu, porast clouda, IoT platformi i moćnih AI čipova pruža platformu za novu generaciju softvera i optimizacije.
Vrijeme objave: 12. siječnja 2022.