Glede na nedavno objavljeno industrijsko poročilo o trgu AI in AI 2021-2026 se je stopnja sprejetja AI v industrijskih okoljih v nekaj več kot dveh letih povečala z 19 odstotkov na 31 odstotkov. Poleg 31 odstotkov anketirancev, ki so v celoti ali delno uvedli AI v svojem poslovanju, še 39 odstotkov trenutno testira ali pilotira tehnologijo.
AI se pojavlja kot ključna tehnologija za proizvajalce in energetska podjetja po vsem svetu, IoT analiza pa napoveduje, da bo trg Industrial AI Solutions pokazal močno postpandemično letno stopnjo rasti (CAGR) v višini 35%, da bi do leta 2026 dosegel 102,17 milijarde dolarjev.
Digitalna doba je rodila internet stvari. Vidimo, da je pojav umetne inteligence pospešil tempo razvoja interneta stvari.
Oglejmo si nekaj dejavnikov, ki poganjajo porast industrijskih AI in AIOT.
Faktor 1: Vedno več programskih orodij za industrijski AIOT
Leta 2019, ko je IoT Analytics začela zajemati Industrial AI, je bilo malo namenjenih programskih izdelkov AI pri prodajalcih Operativne tehnologije (OT). Od takrat je veliko prodajalcev OT vstopilo na trg AI z razvojem in zagotavljanjem programskih rešitev AI v obliki AI platform za tovarniško dno.
Po podatkih skoraj 400 prodajalcev ponuja programsko opremo AIOT. Število prodajalcev programske opreme, ki se pridružujejo industrijskemu trgu AI, se je v zadnjih dveh letih močno povečalo. Med študijo je IoT Analytics za proizvajalce/industrijske kupce opredelila 634 dobaviteljev tehnologije AI. Od teh podjetij 389 (61,4%) ponuja programsko opremo AI.
Nova programska platforma AI se osredotoča na industrijska okolja. Poleg tega, da se vse več prodajalcev operativne tehnologije (OT) ponujajo namenske programske platforme AI, vse več prodajalcev operativne tehnologije (OT). Primeri vključujejo ABB's Genix Industrial Analytics in AI Suite, Rockwell Automation's FactoryTalk Innovation Suite, Schneider Electric lastni proizvodni svetovalni platformi in v zadnjem času posebne dodatke. Nekatere od teh platform ciljajo na široko paleto primerov uporabe. Na primer, ABB-jeva platforma Genix ponuja napredno analitiko, vključno z vnaprej vgrajenimi aplikacijami in storitvami za upravljanje operativnih uspešnosti, celovitost sredstev, trajnostjo in učinkovitostjo dobavne verige.
Velika podjetja postavljajo svoja programska orodja AI na trgovino.
Razpoložljivost programskih orodij AI vodijo tudi z novimi programskimi orodji, ki jih razvijajo AWS, velika podjetja, kot sta Microsoft in Google. Decembra 2020 je na primer AWS izdal Amazon SageMaker Jumpstart, funkcijo Amazon SageMaker, ki ponuja nabor vnaprej vgrajenih in prilagodljivih rešitev za najpogostejše primere industrijske uporabe, kot so PDM, računalniški vid in avtonomna vožnja, nameščena z le nekaj klikov.
Programske rešitve, ki so specifične za uporabo, spodbujajo izboljšave uporabnosti.
Programske pakete, ki so specifične za uporabo, kot so tisti, ki so osredotočeni na napovedno vzdrževanje, postajajo pogostejši. IoT Analytics je opazila, da se je število ponudnikov, ki uporabljajo programske rešitve za upravljanje podatkov na osnovi AI (PDM), v začetku leta 2021 povečalo na 73 zaradi povečanja različnih virov podatkov in uporabe modelov pred usposabljanjem, pa tudi širokega sprejemanja tehnologij za izboljšanje podatkov.
Faktor 2: Razvoj in vzdrževanje rešitev AI se poenostavljata
Samodejno strojno učenje (Automa) postaja standardni izdelek.
Zaradi zapletenosti nalog, povezanih s strojnim učenjem (ML), je hitra rast aplikacij za strojno učenje ustvarila potrebo po metodah strojnega učenja, ki jih je mogoče uporabiti brez strokovnega znanja. Nastalo področje raziskovanja, Progressive Automation for Scragn Learning, se imenuje Automal. Različna podjetja to tehnologijo izkoriščajo kot del svoje ponudbe AI, da bi strankam pomagala razvijati modele ML in hitrejše izvajanje primerov industrijske uporabe. Novembra 2020 je na primer SKF napovedal izdelek, ki temelji na AUTMEL, ki združuje podatke o strojnem procesu z vibracijami in temperaturnimi podatki, da bi zmanjšali stroške in omogočili nove poslovne modele za stranke.
Operacije strojnega učenja (ML OPS) poenostavijo upravljanje in vzdrževanje modelov.
Nova disciplina operacij strojnega učenja je poenostaviti vzdrževanje modelov AI v proizvodnih okoljih. Učinkovitost modela AI se običajno sčasoma poslabša, saj nanj vpliva več dejavnikov v rastlini (na primer spremembe v porazdelitvi podatkov in standardov kakovosti). Kot rezultat, so vzdrževanje modelov in strojnega učenja postale potrebne za izpolnjevanje visoko kakovostnih zahtev industrijskega okolja (na primer modeli z zmogljivostjo pod 99% morda ne bodo ugotovili vedenja, ki ogroža varnost delavcev).
V zadnjih letih se je veliko startupov pridružilo prostoru ML OPS, vključno z DataRobot, Grid.ai, Pinecone/Zilliz, Seldon ter uteži in pristranskosti. Uveljavljena podjetja so v svoje obstoječe ponudbe programske opreme AI dodala operacije strojnega učenja, vključno z Microsoftom, ki je v Azure ML Studio uvedla odkrivanje podatkovnih sistemov. Ta nova funkcija uporabnikom omogoča zaznavanje sprememb v porazdelitvi vhodnih podatkov, ki poslabšajo zmogljivost modela.
Faktor 3: Umetna inteligenca, ki se uporablja za obstoječe aplikacije in primere uporabe
Tradicionalni ponudniki programske opreme dodajajo zmogljivosti AI.
Poleg obstoječih velikih horizontalnih programskih orodij AI, kot so MS Azure ML, AWS SageMaker in Google Cloud Vertex AI, tradicionalni programski apartmaji, kot so računalniški sistemi za upravljanje vzdrževanja (CAMMS), proizvodni sistemi za izvajanje (MES) ali načrtovanje podjetniških virov (ERP), zdaj lahko bistveno izboljšajo z injiciranjem AI zmogljivosti. Na primer, ponudnik ERP Epicor Software dodaja zmogljivosti AI svojim obstoječim izdelkom prek svojega virtualnega asistenta Epicor (EVA). Inteligentni agenti EVA se uporabljajo za avtomatizacijo procesov ERP, kot so prerazporeditev proizvodnih operacij ali izvajanje preprostih poizvedb (na primer pridobivanje podrobnosti o cenah izdelka ali številu razpoložljivih delov).
Primeri industrijske uporabe se nadgrajujejo z uporabo AIOT.
Več primerov industrijske uporabe se izboljša z dodajanjem zmogljivosti AI obstoječi strojni/programski infrastrukturi. Živahni primer je strojni vid v aplikacijah za nadzor kakovosti. Tradicionalni sistemi strojnega vida obdelujejo slike prek integriranih ali diskretnih računalnikov, opremljenih s specializirano programsko opremo, ki ocenjuje vnaprej določene parametre in pragove (npr. Visok kontrast), da ugotovi, ali imajo predmeti napake. V mnogih primerih (na primer elektronske komponente z različnimi oblikami ožičenja) je število lažnih pozitivnih rezultatov zelo veliko.
Vendar se ti sistemi oživljajo z umetno inteligenco. Na primer, ponudnik industrijskega stroja Cognex je julija 2021 objavil novo orodje za globoko učenje (Vision Pro Deep Learning 2.0). Nova orodja se vključujejo s tradicionalnimi vidnimi sistemi, ki končnim uporabnikom omogočajo, da v isti aplikaciji združijo globoko učenje s tradicionalnimi orodji za vizijo, da bi ustrezali zahtevnim medicinskim in elektronskim okoljem, ki zahtevajo natančno merjenje prask, kontaminacije in drugih napak.
Faktor 4: Izboljšana strojna oprema Industrial AIOT
AI čipi se hitro izboljšujejo.
Vgrajeni čipi strojne opreme AI hitro rastejo, na voljo so različne možnosti za podporo razvoju in uvajanju modelov AI. Primeri vključujejo najnovejše enote za grafično obdelavo NVIDIA (GPU), A30 in A10, ki sta bili predstavljeni marca 2021 in so primerni za primere uporabe AI, kot so priporočilni sistemi in računalniški vid. Drug primer so Googlove enote za obdelavo tenzorjev četrte generacije (TPU), ki so močna integrirana vezja (ASIC), ki lahko dosežejo do 1000-krat večjo učinkovitost in hitrost pri razvoju modela in uvajanju modelov za določene delovne obremenitve AI (npr. Zaznavanje predmetov, klasifikacija slik in priporočila Benchmarks). Uporaba namenske strojne opreme AI skrajša čas računanja modela iz dni na minute in se je v mnogih primerih izkazala za menjavo iger.
Zmogljiva strojna oprema AI je takoj na voljo z modelom plačila na uporabo.
SuperScale Enterprises nenehno nadgrajujejo svoje strežnike, da bi računalniški viri na voljo v oblaku, tako da lahko končni uporabniki izvajajo industrijske aplikacije AI. Novembra 2021 je na primer AWS napovedal uradno izdajo svojih najnovejših primerov, ki temeljijo na GPU, Amazon EC2 G5, ki jih poganja NVIDIA A10G Tensor Core GPU, za različne aplikacije ML, vključno z računalniškim vidom in priporočili. Na primer, ponudnik sistemov za odkrivanje Nanotronics uporablja primere Amazon EC2 svoje rešitve za nadzor kakovosti, ki temelji na AI, za pospešitev prizadevanj za obdelavo in doseganje natančnejših stopenj odkrivanja pri proizvodnji mikročipov in nanocevk.
Zaključek in perspektiva
AI prihaja iz tovarne in bo vseprisotna v novih aplikacijah, kot je PDM na osnovi AI, in kot izboljšave obstoječih primerov programske opreme in uporabe. Velika podjetja uvajajo več primerov uporabe AI in poročajo o uspehu, večina projektov pa ima velik donosnost naložbe. Na splošno vzpon oblaka, platforme IoT in zmogljivi AI čipi ponuja platformo za novo generacijo programske opreme in optimizacije.
Čas objave: januar-12-2022