Prema nedavno objavljenom izvješću o tržištu industrijskog AI i AI 2021-2026, stopa usvajanja AI u industrijskim okruženjima porasla je sa 19 posto na 31 posto u nešto više od dvije godine. Pored 31 posto ispitanika koji su u potpunosti ili djelomično izveli AI u svom poslovanju, još 39 posto trenutno testira ili pilotira tehnologiju.
AI se pojavljuje kao ključna tehnologija za proizvođače i energetske kompanije širom svijeta, a IoT analiza predviđa da će tržište industrijskih AI rješenja pokazati snažnu godišnju stopu rasta nakon pandemije (CAGR) od 35% do dosega 102,17 milijardi USD 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 pokreću porast industrijskog AI i AIOT.
Faktor 1: Sve više i više softverskih alata za industrijski AIOT
U 2019. godini, kada je IoT Analytics počeo pokrivati industrijski AI, bilo je malo namjenskih AI softverskih proizvoda od dobavljača operativne tehnologije (OT). Od tada, mnogi OT dobavljači ušli su na tržište AI razvijajući i pružajući AI softverska rješenja u obliku AI platformi za tvornički kat.
Prema podacima, gotovo 400 dobavljača nudi AIOT softver. Broj dobavljača softvera koji se pridružuju tržištu industrijskog AI 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 usredotočena je na industrijska okruženja. Osim unosa, BrainCube ili C3 AI, sve veći broj dobavljača operativne tehnologije (OT) nudi namjenske AI softverske platforme. Primjeri uključuju ABB-ov Genix Industrial Analytics i AI Suite, Rockwell Automation's FactoryTalk Innovation Suite, Schneider Electric's vlastitu konzultantsku platformu za proizvodnju, a u novije vrijeme i specifične dodatke. Neke od ovih platformi ciljaju širok raspon slučajeva upotrebe. Na primjer, ABB-ova Genix platforma pruža naprednu analitiku, uključujući unaprijed izgrađene aplikacije i usluge za upravljanje operativnim performansama, integritet imovine, održivost i učinkovitost lanca opskrbe.
Velike tvrtke stavljaju svoje AI softverske alate na prodavaonicu.
Dostupnost AI softverskih alata također je vođena novim softverskim alatima za upotrebu koje su razvili AWS, velike tvrtke poput Microsofta i Googlea. Na primjer, u prosincu 2020. AWS je objavio Amazon Sagemaker Jumpstart, značajku Amazon Sagemaker-a koji pruža skup unaprijed ugrađenih i prilagodljivih rješenja za najčešće slučajeve industrijske uporabe, poput PDM-a, računalnog vida i autonomne vožnje, raspoređuju se sa samo nekoliko klikova.
Softverska rješenja specifična za upotrebu pokreću poboljšanja upotrebljivosti.
Softverski apartmani specifični za upotrebu, poput onih usredotočenih 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) porastao na 73 početkom 2021. zbog povećanja raznolikosti izvora podataka i korištenja modela pred-treninga, kao i širokog prihvaćanja tehnologija za poboljšanje podataka.
Faktor 2: Pojednostavljen je razvoj i održavanje AI rješenja
Automatizirano strojno učenje (AutoML) postaje standardni proizvod.
Zbog složenosti zadataka povezanih s strojnim učenjem (ML), brzi rast aplikacija strojnog učenja stvorio je potrebu za metodama strojnog učenja izvan polica koje se mogu koristiti bez stručnosti. Rezultirajuće polje istraživanja, progresivna automatizacija za strojno učenje, naziva se Autol. Razne tvrtke koriste ovu tehnologiju kao dio svojih AI ponuda kako bi pomogle kupcima da razviju ML modele i brže implementiraju slučajeve industrijske uporabe. U studenom 2020., na primjer, SKF je najavio automatski proizvod koji kombinira podatke o strojnim procesima s podacima o vibracijama i temperaturi kako bi smanjio troškove i omogućio nove poslovne modele 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. Učinkovitost AI modela obično se degradira s vremenom jer na njega utječe nekoliko čimbenika unutar postrojenja (na primjer, promjene u raspodjeli podataka i standardima kvalitete). Kao rezultat, postale su potrebne modele održavanja i strojnog učenja kako bi se zadovoljile visoke zahtjeve kvalitete industrijskog okruženja (na primjer, modeli s performansama ispod 99% možda ne mogu identificirati ponašanje koje ugrožava sigurnost radnika).
Posljednjih godina mnogi su se startupi pridružili ML OPS prostoru, uključujući Datarobot, Grid.ai, Pinecone/Zilliz, Seldon i utez i pristranosti. Osnovane tvrtke dodale su operacije strojnog učenja u svoju postojeću ponudu AI softvera, uključujući Microsoft, koji je u Azure ML Studio uveo otkrivanje podataka. Ova nova značajka omogućuje korisnicima otkrivanje promjena u raspodjeli ulaznih podataka koji degradiraju performanse modela.
Faktor 3: Umjetna inteligencija primijenjena na postojeće primjene i slučajeve upotrebe
Tradicionalni davatelji softvera dodaju AI mogućnosti.
Pored postojećih velikih vodoravnih AI softverskih alata kao što su MS Azure ML, AWS Sagemaker i Google Cloud Vertex AI, tradicionalni softverski apartmani, kao što su sustavi upravljanja računalnim održavanjem (CAMMS), proizvodni sustavi izvršenja (MES) ili planiranje resursa za poduzeća (ERP) sada mogu značajno poboljšati ubrizgavanje AI ograničenja. Na primjer, ERP pružatelj Epicor Software dodaje AI mogućnosti postojećim proizvodima putem svog Epicor Virtual Assistant (EVA). Inteligentni Agenti EVA koriste se za automatizaciju ERP procesa, poput odgoja proizvodnih operacija ili obavljanja jednostavnih upita (na primjer, dobivanje detalja o cijenama proizvoda ili broju dostupnih dijelova).
Slučajevi industrijske uporabe nadograđuju se pomoću AIOT -a.
Nekoliko slučajeva industrijske uporabe poboljšava se dodavanjem AI mogućnosti postojećoj hardverskoj/softverskoj infrastrukturi. Živi primjer je strojni vid u aplikacijama za kontrolu kvalitete. Tradicionalni sustavi strojnog vida obrađuju slike kroz integrirana ili diskretna računala opremljena specijaliziranim softverom koji procjenjuju unaprijed određene parametre i pragove (npr. Visoki kontrast) kako bi utvrdili da li predmeti pokazuju nedostatke. U mnogim slučajevima (na primjer, elektroničke komponente s različitim oblicima ožičenja), broj lažnih pozitivnih rezultata je vrlo visok.
Međutim, ti se sustavi oživljavaju umjetnom inteligencijom. Na primjer, davatelj industrijskog strojnog vida Cognex objavio je novi alat za duboko učenje (Vision Pro Deep Learning 2.0) u srpnju 2021. godine. Novi se alati integriraju s tradicionalnim sustavima vida, omogućujući krajnjim korisnicima da kombiniraju duboko učenje s tradicionalnim alatima za vid u istoj primjeni kako bi ispunili zahtjevna medicinska i elektronička okruženja koja zahtijevaju točno mjerenje ogrebotina, kontaminacije i drugih oštećenja.
Faktor 4: Poboljšanje industrijskog AIOT hardvera
AI čipovi se brzo poboljšavaju.
Ugrađeni hardver AI čipovi brzo rastu, s različitim opcijama koje su dostupne za podršku razvoju i implementaciji AI modela. Primjeri uključuju najnovije grafičke jedinice za obradu NVIDIA -e (GPU), A30 i A10, koje su uvedene u ožujku 2021. i prikladne su za slučajeve uporabe AI kao što su sustavi preporuka i sustavi računalnog vida. Drugi primjer su Googleove jedinice za obradu tenzora četvrte generacije (TPU), koje su moćni integrirani krugovi posebne namjene (ASIC-ovi) koji mogu postići do 1000 puta veću učinkovitost i brzinu u razvoju i implementaciji modela za specifična opterećenja AI (npr. Detekcija objekata, klasifikacija slike i referentna sredstva). Korištenje namjenskog AI hardvera smanjuje vrijeme izračunavanja modela iz dana do minuta, a pokazalo se da je izmjenjivač igara u mnogim slučajevima.
Snažni AI hardver odmah je dostupan putem modela plaćanja po uporabi.
SuperScale Enterprises neprestano nadograđuju svoje poslužitelje kako bi računalni resursi bili dostupni u oblaku kako bi krajnji korisnici mogli implementirati industrijske AI aplikacije. U studenom 2021., na primjer, AWS je najavio službeno izdanje svojih najnovijih instanci sa sjedištem u GPU-u, Amazon EC2 G5, koje je pokrenuo NVIDIA A10G Tensor Core GPU, za razne ML aplikacije, uključujući računalni vid i preporuke motora. Na primjer, davatelj sustava za otkrivanje nanotronika koristi Amazon EC2 primjere svog rješenja za kontrolu kvalitete temeljenog na AI kako bi ubrzao napore u obradi i postigao preciznije stope otkrivanja u proizvodnji mikročipova i nanocjevčica.
Zaključak i perspektiva
AI izlazi iz tvornice, a bit će sveprisutna u novim aplikacijama, kao što je PDM temeljen na AI, i kao poboljšanja postojećih softvera i slučajeva upotrebe. Velika poduzeća uvode nekoliko slučajeva uporabe AI i izvještavaju o uspjehu, a većina projekata ima visok povrat ulaganja. Sve u svemu, uspon oblaka, IoT platforme i moćni AI čipovi pruža platformu za novu generaciju softvera i optimizacije.
Post Vrijeme: Jan-12-2022