Conform raportului de piață industrial AI și AI 2021-2026 lansat recent, rata de adoptare a AI în setările industriale a crescut de la 19% la 31% în puțin peste doi ani. Pe lângă 31% dintre respondenți care au implementat integral sau parțial AI în operațiunile lor, alți 39% testează sau pilotează în prezent tehnologia.
Inteligența artificială devine o tehnologie cheie pentru producătorii și companiile energetice din întreaga lume, iar analiza IoT prezice că piața soluțiilor industriale de inteligență artificială va arăta o rată de creștere anuală compusă post-pandemie (CAGR) puternică de 35%, pentru a ajunge la 102,17 miliarde USD până în 2026.
Era digitală a dat naștere internetului obiectelor. Se poate observa că apariția inteligenței artificiale a accelerat ritmul de dezvoltare a internetului obiectelor.
Să aruncăm o privire la câțiva dintre factorii care conduc la creșterea IA industrială și AIoT.
Factorul 1: Din ce în ce mai multe instrumente software pentru AIoT industrial
În 2019, când Iot analytics a început să acopere IA industrială, existau puține produse software AI dedicate de la furnizorii de tehnologie operațională (OT). De atunci, mulți furnizori de OT au intrat pe piața AI prin dezvoltarea și furnizarea de soluții software AI sub formă de platforme AI pentru fabrica.
Conform datelor, aproape 400 de furnizori oferă software AIoT. Numărul furnizorilor de software care se alătură pieței industriale de inteligență artificială a crescut dramatic în ultimii doi ani. În timpul studiului, IoT Analytics a identificat 634 de furnizori de tehnologie AI pentru producători/clienți industriali. Dintre aceste companii, 389 (61,4%) oferă software AI.
Noua platformă software AI se concentrează pe mediile industriale. Dincolo de Uptake, Braincube sau C3 AI, un număr tot mai mare de furnizori de tehnologie operațională (OT) oferă platforme dedicate de software AI. Exemplele includ suita ABB de analiză industrială Genix și AI, suita FactoryTalk Innovation de la Rockwell Automation, platforma de consultanță de producție proprie a Schneider Electric și, mai recent, suplimente specifice. Unele dintre aceste platforme vizează o gamă largă de cazuri de utilizare. De exemplu, platforma Genix a ABB oferă analize avansate, inclusiv aplicații și servicii prefabricate pentru managementul performanței operaționale, integritatea activelor, sustenabilitatea și eficiența lanțului de aprovizionare.
Companiile mari își pun instrumentele software IA la atelier.
Disponibilitatea instrumentelor software ai este determinată și de noile instrumente software specifice cazului de utilizare dezvoltate de AWS, companii mari precum Microsoft și Google. De exemplu, în decembrie 2020, AWS a lansat Amazon SageMaker JumpStart, o caracteristică a Amazon SageMaker care oferă un set de soluții pre-construite și personalizabile pentru cele mai comune cazuri de utilizare industrială, cum ar fi PdM, viziunea computerizată și conducerea autonomă. doar câteva clicuri.
Soluțiile software specifice cazului de utilizare conduc la îmbunătățirea gradului de utilizare.
Suitele de software specifice cazurilor de utilizare, cum ar fi cele axate pe întreținerea predictivă, devin din ce în ce mai frecvente. IoT Analytics a observat că numărul furnizorilor care utilizează soluții software de management al datelor de produs (PdM) bazate pe inteligență artificială a crescut la 73 la începutul anului 2021, din cauza creșterii varietății surselor de date și a utilizării modelelor de pre-instruire, precum și a răspândirii adoptarea tehnologiilor de îmbunătățire a datelor.
Factorul 2: Dezvoltarea și întreținerea soluțiilor AI sunt simplificate
Învățarea automată a mașinilor (AutoML) devine un produs standard.
Datorită complexității sarcinilor asociate cu învățarea automată (ML), creșterea rapidă a aplicațiilor de învățare automată a creat nevoia de metode de învățare automată standard care să poată fi utilizate fără expertiză. Domeniul de cercetare rezultat, automatizarea progresivă pentru învățarea automată, se numește AutoML. O varietate de companii folosesc această tehnologie ca parte a ofertelor lor de inteligență artificială pentru a ajuta clienții să dezvolte modele ML și să implementeze mai rapid cazurile de utilizare industrială. În noiembrie 2020, de exemplu, SKF a anunțat un produs bazat pe automL care combină datele de proces ale mașinii cu datele de vibrație și temperatură pentru a reduce costurile și a permite clienților noi modele de afaceri.
Operațiunile de învățare automată (ML Ops) simplifică gestionarea și întreținerea modelelor.
Noua disciplină a operațiunilor de învățare automată își propune să simplifice întreținerea modelelor AI în mediile de producție. Performanța unui model AI se degradează de obicei în timp, deoarece este afectată de mai mulți factori din cadrul fabricii (de exemplu, modificări în distribuția datelor și standardele de calitate). Ca urmare, operațiunile de întreținere a modelelor și de învățare automată au devenit necesare pentru a îndeplini cerințele de înaltă calitate ale mediilor industriale (de exemplu, modelele cu performanță sub 99% pot să nu identifice comportamentul care pune în pericol siguranța lucrătorilor).
În ultimii ani, multe startup-uri s-au alăturat spațiului ML Ops, inclusiv DataRobot, Grid.AI, Pinecone/Zilliz, Seldon și Weights & Biases. Companiile consacrate au adăugat operațiuni de învățare automată la ofertele lor existente de software AI, inclusiv Microsoft, care a introdus detectarea derivării datelor în Azure ML Studio. Această nouă caracteristică permite utilizatorilor să detecteze modificări în distribuția datelor de intrare care degradează performanța modelului.
Factorul 3: Inteligența artificială aplicată aplicațiilor și cazurilor de utilizare existente
Furnizorii tradiționali de software adaugă capabilități AI.
În plus față de instrumentele software AI orizontale mari existente, cum ar fi MS Azure ML, AWS SageMaker și Google Cloud Vertex AI, suite de software tradiționale, cum ar fi sistemele computerizate de gestionare a întreținerii (CAMMS), sistemele de execuție a producției (MES) sau planificarea resurselor întreprinderii (ERP) acum poate fi îmbunătățit semnificativ prin injectarea de capabilități AI. De exemplu, furnizorul ERP Epicor Software adaugă capabilități AI la produsele sale existente prin Epicor Virtual Assistant (EVA). Agenții EVA inteligenți sunt utilizați pentru a automatiza procesele ERP, cum ar fi reprogramarea operațiunilor de fabricație sau efectuarea de interogări simple (de exemplu, obținerea de detalii despre prețul produselor sau numărul de piese disponibile).
Cazurile de utilizare industriale sunt actualizate prin utilizarea AIoT.
Mai multe cazuri de utilizare industrială sunt îmbunătățite prin adăugarea de capabilități AI la infrastructura hardware/software existentă. Un exemplu viu este viziunea artificială în aplicațiile de control al calității. Sistemele tradiționale de viziune artificială procesează imagini prin computere integrate sau discrete echipate cu software specializat care evaluează parametrii și praguri predeterminați (de exemplu, contrast ridicat) pentru a determina dacă obiectele prezintă defecte. În multe cazuri (de exemplu, componente electronice cu diferite forme de cablare), numărul de fals pozitive este foarte mare.
Cu toate acestea, aceste sisteme sunt reînviate prin inteligența artificială. De exemplu, furnizorul industrial de viziune artificială Cognex a lansat un nou instrument Deep Learning (Vision Pro Deep Learning 2.0) în iulie 2021. Noile instrumente se integrează cu sistemele tradiționale de viziune, permițând utilizatorilor finali să combine învățarea profundă cu instrumentele tradiționale de viziune în aceeași aplicație pentru satisface medii medicale și electronice solicitante care necesită măsurarea precisă a zgârieturilor, a contaminării și a altor defecte.
Factorul 4: hardware-ul industrial AIoT în curs de îmbunătățire
Cipurile AI se îmbunătățesc rapid.
Cipurile AI hardware încorporate se dezvoltă rapid, cu o varietate de opțiuni disponibile pentru a sprijini dezvoltarea și implementarea modelelor AI. Exemplele includ cele mai recente unități de procesare grafică (Gpus) ale NVIDIA, A30 și A10, care au fost introduse în martie 2021 și sunt potrivite pentru cazurile de utilizare AI, cum ar fi sistemele de recomandare și sistemele de viziune computerizată. Un alt exemplu este unitățile de procesare a tensoarelor (TPus) de a patra generație de la Google, care sunt circuite integrate puternice cu scop special (ASics) care pot obține de până la 1.000 de ori mai multă eficiență și viteză în dezvoltarea și implementarea modelelor pentru sarcini de lucru specifice AI (de exemplu, detectarea obiectelor). , clasificarea imaginilor și repere de recomandare). Utilizarea hardware-ului dedicat AI reduce timpul de calcul al modelului de la zile la minute și s-a dovedit a fi un schimbător de joc în multe cazuri.
Hardware-ul puternic AI este disponibil imediat printr-un model cu plată pe utilizare.
Întreprinderile super-scale își modernizează constant serverele pentru a face resursele de calcul disponibile în cloud, astfel încât utilizatorii finali să poată implementa aplicații industriale AI. În noiembrie 2021, de exemplu, AWS a anunțat lansarea oficială a celor mai recente instanțe bazate pe GPU, Amazon EC2 G5, alimentat de GPU-ul NVIDIA A10G Tensor Core, pentru o varietate de aplicații ML, inclusiv viziune computerizată și motoare de recomandare. De exemplu, furnizorul de sisteme de detectare Nanotronics folosește exemple Amazon EC2 ale soluției sale de control al calității bazate pe inteligență artificială pentru a accelera eforturile de procesare și pentru a obține rate de detecție mai precise în fabricarea de microcipuri și nanotuburi.
Concluzie și Perspectivă
AI iese din fabrică și va fi omniprezent în aplicații noi, cum ar fi PdM bazat pe AI, și ca îmbunătățiri ale software-ului și cazurilor de utilizare existente. Întreprinderile mari lansează mai multe cazuri de utilizare AI și raportează succes, iar majoritatea proiectelor au o rentabilitate ridicată a investiției. Per total, creșterea cloud-ului, a platformelor iot și a cipurilor AI puternice oferă o platformă pentru o nouă generație de software și optimizare.
Ora postării: 12-ian-2022