Saskaņā ar nesen publicēto rūpnieciskā mākslīgā intelekta un mākslīgā intelekta tirgus ziņojumu 2021.–2026. gadam, mākslīgā intelekta ieviešanas līmenis rūpnieciskajā vidē nedaudz vairāk kā divu gadu laikā ir pieaudzis no 19 % līdz 31 %. Papildus 31 % respondentu, kuri ir pilnībā vai daļēji ieviesuši mākslīgo intelektu savā darbībā, vēl 39 % pašlaik testē vai izmēģina šo tehnoloģiju.
Mākslīgais intelekts kļūst par galveno tehnoloģiju ražotājiem un enerģētikas uzņēmumiem visā pasaulē, un lietu interneta (IoT) analīze prognozē, ka rūpniecisko mākslīgā intelekta risinājumu tirgus pēc pandēmijas uzrādīs spēcīgu salikto gada pieauguma tempu (CAGR) 35% apmērā, sasniedzot 102,17 miljardus ASV dolāru līdz 2026. gadam.
Digitālais laikmets ir radījis lietu internetu. Var redzēt, ka mākslīgā intelekta parādīšanās ir paātrinājusi lietu interneta attīstības tempu.
Apskatīsim dažus faktorus, kas veicina rūpnieciskā mākslīgā intelekta un mākslīgā intelekta lietu interneta (AIoT) pieaugumu.
1. faktors: Arvien vairāk programmatūras rīku rūpnieciskajam mākslīgajam intelektam lietu internetam (AIoT).
2019. gadā, kad lietu interneta analītika sāka aptvert rūpniecisko mākslīgo intelektu, operacionālo tehnoloģiju (OT) pārdevēji piedāvāja maz specializētu mākslīgā intelekta programmatūras produktu. Kopš tā laika daudzi OT pārdevēji ir ienākuši mākslīgā intelekta tirgū, izstrādājot un nodrošinot mākslīgā intelekta programmatūras risinājumus mākslīgā intelekta platformu veidā ražošanas telpām.
Saskaņā ar datiem, gandrīz 400 pārdevēju piedāvā mākslīgā intelekta lietu interneta (AIoT) programmatūru. Pēdējo divu gadu laikā ir ievērojami pieaudzis programmatūras pārdevēju skaits, kas pievienojas rūpnieciskajam AI tirgum. Pētījuma laikā IoT Analytics identificēja 634 AI tehnoloģiju piegādātājus ražotājiem/rūpnieciskajiem klientiem. No šiem uzņēmumiem 389 (61,4%) piedāvā AI programmatūru.
Jaunā mākslīgā intelekta programmatūras platforma ir vērsta uz rūpniecisko vidi. Papildus Uptake, Braincube vai C3 AI, arvien vairāk operacionālo tehnoloģiju (OT) pārdevēju piedāvā specializētas mākslīgā intelekta programmatūras platformas. Piemēri ir ABB Genix rūpnieciskās analīzes un mākslīgā intelekta komplekts, Rockwell Automation FactoryTalk Innovation komplekts, Schneider Electric ražošanas konsultāciju platforma un nesen arī specifiski papildinājumi. Dažas no šīm platformām ir paredzētas plašam lietošanas gadījumu klāstam. Piemēram, ABB Genix platforma nodrošina uzlabotu analītiku, tostarp iepriekš izstrādātas lietojumprogrammas un pakalpojumus darbības veiktspējas pārvaldībai, aktīvu integritātei, ilgtspējībai un piegādes ķēdes efektivitātei.
Lielie uzņēmumi savus mākslīgā intelekta programmatūras rīkus ievieš darba telpās.
Mākslīgā intelekta programmatūras rīku pieejamību veicina arī jauni, konkrētam lietošanas gadījumam paredzēti programmatūras rīki, ko izstrādā AWS, lieli uzņēmumi, piemēram, Microsoft un Google. Piemēram, 2020. gada decembrī AWS izlaida Amazon SageMaker JumpStart — Amazon SageMaker funkciju, kas nodrošina iepriekš izveidotu un pielāgojamu risinājumu kopumu visizplatītākajiem rūpnieciskajiem lietošanas gadījumiem, piemēram, PdM, datorredzei un autonomai braukšanai, un to var izvietot tikai ar dažiem klikšķiem.
Lietošanas gadījumam pielāgoti programmatūras risinājumi veicina lietojamības uzlabojumus.
Arvien izplatītāki kļūst lietošanas gadījumiem specifiski programmatūras komplekti, piemēram, tie, kas vērsti uz paredzamo apkopi. IoT Analytics novēroja, ka pakalpojumu sniedzēju skaits, kas izmanto mākslīgā intelekta balstītus produktu datu pārvaldības (PdM) programmatūras risinājumus, 2021. gada sākumā pieauga līdz 73, pateicoties datu avotu daudzveidības pieaugumam un iepriekšējas apmācības modeļu izmantošanai, kā arī datu uzlabošanas tehnoloģiju plašajai ieviešanai.
2. faktors: Mākslīgā intelekta risinājumu izstrāde un uzturēšana tiek vienkāršota
Automatizētā mašīnmācīšanās (AutoML) kļūst par standarta produktu.
Ar mašīnmācīšanos (ML) saistīto uzdevumu sarežģītības dēļ mašīnmācīšanās lietojumprogrammu straujā izaugsme ir radījusi nepieciešamību pēc gatavām mašīnmācīšanās metodēm, ko var izmantot bez īpašām zināšanām. Iegūtā pētījumu joma, progresīva mašīnmācīšanās automatizācija, tiek saukta par AutoML. Dažādi uzņēmumi izmanto šo tehnoloģiju kā daļu no saviem mākslīgā intelekta piedāvājumiem, lai palīdzētu klientiem izstrādāt mašīnmācīšanās modeļus un ātrāk ieviest rūpnieciskas lietošanas gadījumus. Piemēram, 2020. gada novembrī SKF paziņoja par uz automL balstītu produktu, kas apvieno mašīnprocesa datus ar vibrācijas un temperatūras datiem, lai samazinātu izmaksas un nodrošinātu jaunus biznesa modeļus klientiem.
Mašīnmācīšanās operācijas (ML Ops) vienkāršo modeļu pārvaldību un uzturēšanu.
Jaunā mašīnmācīšanās operāciju disciplīna ir vērsta uz mākslīgā intelekta modeļu uzturēšanas vienkāršošanu ražošanas vidē. Mākslīgā intelekta modeļa veiktspēja parasti laika gaitā pasliktinās, jo to ietekmē vairāki faktori rūpnīcā (piemēram, izmaiņas datu izplatīšanā un kvalitātes standartos). Tā rezultātā modeļu uzturēšana un mašīnmācīšanās operācijas ir kļuvušas nepieciešamas, lai izpildītu augstās rūpnieciskās vides kvalitātes prasības (piemēram, modeļi ar veiktspēju zem 99% var nespēt identificēt uzvedību, kas apdraud darbinieku drošību).
Pēdējos gados daudzi jaunuzņēmumi ir pievienojušies mašīnmācīšanās (ML Ops) telpai, tostarp DataRobot, Grid.AI, Pinecone/Zilliz, Seldon un Weights & Biases. Jau esoši uzņēmumi ir pievienojuši mašīnmācīšanās operācijas saviem esošajiem mākslīgā intelekta programmatūras piedāvājumiem, tostarp Microsoft, kas ieviesa datu novirzes noteikšanu Azure ML Studio. Šī jaunā funkcija ļauj lietotājiem noteikt izmaiņas ievades datu sadalījumā, kas pasliktina modeļa veiktspēju.
3. faktors: mākslīgā intelekta pielietojums esošajās lietojumprogrammās un lietošanas gadījumos
Tradicionālie programmatūras nodrošinātāji pievieno mākslīgā intelekta iespējas.
Papildus esošajiem lielajiem horizontālajiem mākslīgā intelekta programmatūras rīkiem, piemēram, MS Azure ML, AWS SageMaker un Google Cloud Vertex AI, tradicionālās programmatūras pakotnes, piemēram, datorizētās apkopes pārvaldības sistēmas (CAMMS), ražošanas izpildes sistēmas (MES) vai uzņēmuma resursu plānošanu (ERP), tagad var ievērojami uzlabot, ieviešot mākslīgā intelekta iespējas. Piemēram, ERP pakalpojumu sniedzējs Epicor Software pievieno mākslīgā intelekta iespējas saviem esošajiem produktiem, izmantojot savu Epicor virtuālo palīgu (EVA). Inteliģenti EVA aģenti tiek izmantoti, lai automatizētu ERP procesus, piemēram, ražošanas operāciju pārplānošanu vai vienkāršu vaicājumu veikšanu (piemēram, lai iegūtu informāciju par produktu cenām vai pieejamo detaļu skaitu).
Rūpnieciskās lietošanas gadījumi tiek uzlaboti, izmantojot mākslīgo intelektu lietu internetu (AIoT).
Vairāki rūpnieciskās lietošanas gadījumi tiek uzlaboti, pievienojot mākslīgā intelekta iespējas esošajai aparatūras/programmatūras infrastruktūrai. Spilgts piemērs ir mašīnredze kvalitātes kontroles lietojumprogrammās. Tradicionālās mašīnredzes sistēmas apstrādā attēlus, izmantojot integrētus vai atsevišķus datorus, kas aprīkoti ar specializētu programmatūru, kas novērtē iepriekš noteiktus parametrus un robežvērtības (piemēram, augstu kontrastu), lai noteiktu, vai objektos ir defekti. Daudzos gadījumos (piemēram, elektroniskām sastāvdaļām ar atšķirīgu vadu formu) kļūdaini pozitīvu rezultātu skaits ir ļoti augsts.
Tomēr šīs sistēmas tiek atdzīvinātas, izmantojot mākslīgo intelektu. Piemēram, rūpniecisko mašīnu redzes nodrošinātājs Cognex 2021. gada jūlijā izlaida jaunu dziļās mācīšanās rīku (Vision Pro Deep Learning 2.0). Jaunie rīki integrējas ar tradicionālajām redzes sistēmām, ļaujot gala lietotājiem apvienot dziļo mācīšanos ar tradicionālajiem redzes rīkiem vienā lietojumprogrammā, lai apmierinātu prasības medicīnas un elektronikas vidē, kur nepieciešama precīza skrāpējumu, piesārņojuma un citu defektu mērīšana.
4. faktors: tiek uzlabota rūpnieciskā mākslīgā intelekta lietu interneta (AIoT) aparatūra
Mākslīgā intelekta mikroshēmas strauji uzlabojas.
Iegultās aparatūras mākslīgā intelekta mikroshēmas strauji attīstās, un ir pieejamas dažādas iespējas, lai atbalstītu mākslīgā intelekta modeļu izstrādi un ieviešanu. Piemēri ir NVIDIA jaunākās grafikas apstrādes vienības (GPU) A30 un A10, kas tika ieviestas 2021. gada martā un ir piemērotas mākslīgā intelekta lietošanas gadījumiem, piemēram, ieteikumu sistēmām un datorredzes sistēmām. Vēl viens piemērs ir Google ceturtās paaudzes tenzoru apstrādes vienības (TPu), kas ir jaudīgas īpašam nolūkam paredzētas integrētās shēmas (ASics), kas var sasniegt līdz pat 1000 reizēm lielāku efektivitāti un ātrumu modeļu izstrādē un ieviešanā konkrētām mākslīgā intelekta darba slodzēm (piemēram, objektu noteikšanai, attēlu klasifikācijai un ieteikumu etaloniem). Izmantojot specializētu mākslīgā intelekta aparatūru, modeļa aprēķināšanas laiks tiek samazināts no dienām līdz minūtēm, un daudzos gadījumos tas ir izrādījies revolucionārs.
Jaudīga mākslīgā intelekta aparatūra ir nekavējoties pieejama, izmantojot maksas par lietošanas reizi modeli.
Liela mēroga uzņēmumi pastāvīgi jaunina savus serverus, lai skaitļošanas resursi būtu pieejami mākonī, lai gala lietotāji varētu ieviest rūpnieciskās mākslīgā intelekta lietojumprogrammas. Piemēram, 2021. gada novembrī AWS paziņoja par jaunāko uz GPU balstīto instanču — Amazon EC2 G5 — oficiālu izlaišanu, ko nodrošina NVIDIA A10G Tensor Core GPU, dažādām mašīnmācīšanās lietojumprogrammām, tostarp datorredzei un ieteikumu dzinējiem. Piemēram, noteikšanas sistēmu nodrošinātājs Nanotronics izmanto Amazon EC2 piemērus savam uz mākslīgo intelektu balstītajam kvalitātes kontroles risinājumam, lai paātrinātu apstrādes procesus un sasniegtu precīzākus noteikšanas rādītājus mikroshēmu un nanocaurulīšu ražošanā.
Secinājums un perspektīva
Mākslīgais intelekts (MI) nāk no rūpnīcas un būs visuresošs jaunās lietojumprogrammās, piemēram, uz MI balstītā PdM, kā arī esošās programmatūras un lietošanas gadījumu uzlabojumos. Lielie uzņēmumi ievieš vairākus MI lietošanas gadījumus un ziņo par panākumiem, un lielākajai daļai projektu ir augsta investīciju atdeve. Kopumā mākoņdatošanas, lietu interneta platformu un jaudīgu MI mikroshēmu pieaugums nodrošina platformu jaunas paaudzes programmatūrai un optimizācijai.
Publicēšanas laiks: 2022. gada 12. janvāris