Prema nedavno objavljenom Izvješću o industrijskoj umjetnoj inteligenciji i tržištu umjetne inteligencije 2021.-2026., stopa usvajanja umjetne inteligencije u industrijskim postavkama 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 AI u svoje operacije, još 39 posto trenutno testira ili pilotira tehnologiju.
AI se pojavljuje kao ključna tehnologija za proizvođače i energetske tvrtke širom svijeta, a IoT analiza predviđa da će tržište industrijskih AI rješenja pokazati snažnu postpandemijsku složenu godišnju stopu rasta (CAGR) od 35% kako bi dosegnulo 102,17 milijardi dolara do 2026. godine.
Digitalno doba rodilo je Internet of Things. Vidljivo je da je pojava umjetne inteligencije ubrzala tempo razvoja Interneta stvari.
Pogledajmo neke od čimbenika koji pokreću uspon industrijske umjetne inteligencije i AIoT-a.
Faktor 1: Sve više softverskih alata za industrijski AIoT
U 2019., kada je Iot analitika počela pokrivati industrijsku umjetnu inteligenciju, bilo je nekoliko namjenskih 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 platformi umjetne inteligencije za tvornička postrojenja.
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 softverska platforma umjetne inteligencije usmjerena je na industrijska okruženja. Osim Uptakea, Braincubea ili C3 AI, sve veći broj prodavača operativne tehnologije (OT) nudi namjenske softverske platforme AI. Primjeri uključuju ABB-ov paket za industrijsku analitiku i umjetnu inteligenciju Genix, paket FactoryTalk Innovation tvrtke Rockwell Automation, vlastitu platformu za savjetovanje o proizvodnji tvrtke Schneider Electric, au novije vrijeme i specifične dodatke. Neke od ovih platformi ciljaju na širok raspon slučajeva upotrebe. Na primjer, ABB-ova platforma Genix pruža naprednu analitiku, uključujući unaprijed izgrađene aplikacije i usluge za upravljanje operativnim učinkom, integritet imovine, održivost i učinkovitost opskrbnog lanca.
Velike tvrtke stavljaju svoje softverske alate za umjetnu inteligenciju u radnju.
Dostupnost softverskih alata umjetne inteligencije također je potaknuta novim softverskim alatima specifičnim za slučajeve upotrebe koje su razvili AWS, velike tvrtke kao što su Microsoft i Google. Na primjer, u prosincu 2020. AWS je izdao Amazon SageMaker JumpStart, značajku Amazon SageMakera koja pruža skup unaprijed izgrađenih i prilagodljivih rješenja za najčešće slučajeve industrijske upotrebe, kao što su PdM, računalni vid i autonomna vožnja, implementacija s samo nekoliko klikova.
Softverska rješenja specifična za slučajeve uporabe pokreću poboljšanja upotrebljivosti.
Softverski paketi specifični za slučajeve uporabe, 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 upotrebe modela prije obuke, kao i raširenog usvajanje tehnologija poboljšanja 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 strojnog učenja stvorio je potrebu za gotovim metodama strojnog učenja koje se mogu koristiti bez stručnosti. Polje istraživanja koje je rezultiralo, progresivna automatizacija za strojno učenje, zove se AutoML. Razne tvrtke koriste ovu tehnologiju kao dio svoje ponude umjetne inteligencije kako bi pomogle korisnicima da razviju ML modele i brže implementiraju slučajeve industrijske upotrebe. Na primjer, u studenom 2020. SKF je najavio proizvod temeljen na automL-u koji kombinira podatke o strojnom procesu 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. Učinkovitost modela umjetne inteligencije obično opada tijekom vremena jer je pod utjecajem nekoliko čimbenika unutar postrojenja (na primjer, promjene u distribuciji podataka i standardima kvalitete). Kao rezultat toga, održavanje modela i operacije strojnog učenja postale su neophodne kako bi se ispunili zahtjevi visoke kvalitete industrijskih okruženja (na primjer, modeli s izvedbom ispod 99% možda neće uspjeti prepoznati ponašanje koje ugrožava sigurnost radnika).
Posljednjih su se godina mnogi startupi pridružili prostoru ML Ops, uključujući DataRobot, Grid.AI, Pinecone/Zilliz, Seldon i Weights & Biases. Etablirane tvrtke dodale su operacije strojnog učenja svojoj postojećoj ponudi softvera za umjetnu inteligenciju, uključujući Microsoft, koji je u Azure ML Studio uveo otkrivanje pomicanja podataka. 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 korištenja
Tradicionalni dobavljači softvera dodaju AI mogućnosti.
Uz postojeće velike horizontalne AI softverske alate kao što su MS Azure ML, AWS SageMaker i Google Cloud Vertex AI, tradicionalni softverski paketi kao što su Computerized Maintenance Management Systems (CAMMS), Manufacturing Execution Systems (MES) ili Enterprise Resource Planning (ERP) sada se može značajno poboljšati uvođenjem AI sposobnosti. Na primjer, ERP pružatelj usluga Epicor Software dodaje AI mogućnosti svojim postojećim proizvodima putem svog Epicor Virtual Assistant (EVA). Inteligentni EVA agenti koriste se za automatizaciju ERP procesa, kao što je ponovno planiranje proizvodnih operacija ili izvođenje jednostavnih upita (na primjer, dobivanje pojedinosti o cijenama proizvoda ili broju dostupnih dijelova).
Slučajevi industrijske uporabe nadograđuju se korištenjem AIoT-a.
Nekoliko slučajeva industrijske uporabe poboljšava se dodavanjem AI mogućnosti postojećoj hardverskoj/softverskoj infrastrukturi. Živopisan primjer je strojni vid u aplikacijama 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 je vrlo velik.
Međutim, ovi sustavi se oživljavaju pomoću umjetne inteligencije. Na primjer, dobavljač industrijskih strojeva Vision Cognex izdao je novi alat za duboko učenje (Vision Pro Deep Learning 2.0) u srpnju 2021. Novi alati integriraju se s tradicionalnim sustavima vida, omogućujući krajnjim korisnicima da kombiniraju dubinsko učenje s tradicionalnim alatima za vid u istoj aplikaciji za zadovoljiti zahtjevna medicinska i elektronička okruženja koja zahtijevaju precizno mjerenje ogrebotina, onečišćenja i drugih nedostataka.
Faktor 4: Industrijski AIoT hardver se poboljšava
AI čipovi se brzo poboljšavaju.
Ugrađeni hardverski AI čipovi ubrzano rastu, s različitim dostupnim opcijama za podršku razvoju i implementaciji AI modela. Primjeri uključuju NVIDIA-ine najnovije grafičke procesorske jedinice (Gpus), A30 i A10, koje su predstavljene u ožujku 2021. i prikladne su za slučajeve upotrebe umjetne inteligencije kao što su sustavi preporuka i sustavi računalnog vida. Drugi primjer su Googleove jedinice za obradu tenzora (TPus) četvrte generacije, koje su moćni integrirani krugovi posebne namjene (ASics) koji mogu postići do 1000 puta veću učinkovitost i brzinu u razvoju modela i implementaciji za određena radna opterećenja umjetne inteligencije (npr. otkrivanje objekata , klasifikacija slika i referentne vrijednosti za preporuke). Korištenje namjenskog hardvera s umjetnom inteligencijom smanjuje vrijeme izračuna modela s dana na minute i pokazalo se kao promjena u mnogim slučajevima.
Snažni AI hardver odmah je dostupan putem modela plaćanja po korištenju.
Superscale poduzeća neprestano nadograđuju svoje poslužitelje kako bi računalni resursi bili dostupni u oblaku kako bi krajnji korisnici mogli implementirati industrijske AI aplikacije. Na primjer, u studenom 2021. AWS je najavio službeno izdanje svojih najnovijih instanci temeljenih na GPU-u, Amazon EC2 G5, koje pokreće NVIDIA A10G Tensor Core GPU, za razne ML aplikacije, uključujući računalni vid i motore za preporuke. Na primjer, pružatelj sustava detekcije Nanotronics koristi Amazon EC2 primjere svog rješenja za kontrolu kvalitete temeljenog na umjetnoj inteligenciji kako bi ubrzao procese i postigao točnije stope detekcije u proizvodnji mikročipova i nanocijevi.
Zaključak i perspektiva
AI izlazi iz tvornice i bit će sveprisutan 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 izvješćuju o uspjehu, a većina projekata ima visok povrat ulaganja. Sve u svemu, uspon oblaka, iot platformi i snažnih AI čipova pruža platformu za novu generaciju softvera i optimizacije.
Vrijeme objave: 12. siječnja 2022