Saskaņā ar nesen atbrīvoto rūpniecisko AI un AI tirgus pārskatu 2021-2026, AI adopcijas līmenis rūpniecības apstākļos palielinājās no 19 procentiem līdz 31 procentiem nedaudz vairāk kā divu gadu laikā. Papildus 31 procentam respondentu, kuri savā darbībā ir pilnībā vai daļēji ieviesuši AI, vēl 39 procenti šobrīd pārbauda vai izmēģina tehnoloģiju.
AI parādās kā galvenā tehnoloģija ražotājiem un enerģētikas uzņēmumiem visā pasaulē, un IoT analīze prognozē, ka rūpniecības AI risinājumu tirgus parādīs spēcīgu post pandēmisko savienojumu gada pieauguma tempu (CAGR) 35%, lai līdz 2026. gadam sasniegtu 102,17 miljardus USD.
Digitālais laikmets ir dzemdējis lietu internetu. Var redzēt, ka mākslīgā intelekta parādīšanās ir paātrinājusi lietu interneta attīstības tempu.
Apskatīsim dažus faktorus, kas veicina rūpniecisko AI un AIOT pieaugumu.
1. faktors: arvien vairāk programmatūras rīku rūpnieciskajam AIOT
2019. gadā, kad IoT Analytics sāka aptvert rūpniecisko AI, no operatīvo tehnoloģiju (OT) pārdevēju bija maz speciālu AI programmatūras produktu. Kopš tā laika daudzi OT pārdevēji ir ienākuši AI tirgū, izstrādājot un nodrošinot AI programmatūras risinājumus rūpnīcas grīdas AI platformu veidā.
Saskaņā ar datiem gandrīz 400 pārdevēju piedāvā AIOT programmatūru. Pēdējo divu gadu laikā ir dramatiski palielinājies programmatūras pārdevēju skaits, kas pievienojas rūpniecības AI tirgum. Pētījuma laikā IoT Analytics ražotājiem/rūpnieciskajiem klientiem identificēja 634 AI tehnoloģijas piegādātājus. No šiem uzņēmumiem 389 (61,4%) piedāvā AI programmatūru.
Jaunā AI programmatūras platforma koncentrējas uz rūpniecisko vidi. Papildus uzņemšanai, BrainCube vai C3 AI, arvien vairāk operatīvo tehnoloģiju (OT) pārdevēju piedāvā īpašas AI programmatūras platformas. Kā piemērus var minēt ABB Genix Industrial Analytics un AI Suite, Rockwell Automation's FactoryTalk Innovation Suite, Schneider Electric ražošanas konsultāciju platformu un nesen arī konkrētus papildinājumus. Dažas no šīm platformām ir vērsta uz plašu lietošanas gadījumu klāstu. Piemēram, ABB Genix platforma nodrošina progresīvu analītiku, ieskaitot iepriekš izveidotas lietojumprogrammas un pakalpojumus operatīvās veiktspējas pārvaldībai, aktīvu integritātei, ilgtspējībai un piegādes ķēdes efektivitātei.
Lielie uzņēmumi izliek savus AI programmatūras rīkus uz veikala grīdas.
AI programmatūras rīku pieejamību nosaka arī jauni lietošanas gadījumi specifiski programmatūras rīki, ko izstrādājuši AWS, lieli uzņēmumi, piemēram, Microsoft un Google. Piemēram, 2020. gada decembrī AWS izlaida Amazon Sagemaker Jumpstart, Amazon Sagemaker iezīmi, kas nodrošina iepriekš izveidotu un pielāgojamu risinājumu komplektu visbiežāk sastopamajiem rūpniecības lietošanas gadījumiem, piemēram, PDM, datora redzamību un autonomu braukšanu, izvieto tikai ar dažiem klikšķiem.
Lietošanas gadījumi specifiski programmatūras risinājumi veicina lietojamības uzlabojumus.
Izmantojot Case specifiskus programmatūras komplektus, piemēram, tie, kas koncentrējas uz paredzamo uzturēšanu, kļūst arvien izplatītāki. IoT Analytics novēroja, ka pakalpojumu sniedzēju skaits, kas izmantoja AI balstītu produktu datu pārvaldības (PDM) programmatūras risinājumus, 2021. gada sākumā pieauga līdz 73, pateicoties datu avotu dažādības palielināšanai un pirms apmācības modeļu izmantošanu, kā arī plaši izplatīto datu uzlabošanas tehnoloģiju ieviešanu.
2. faktors: AI risinājumu izstrāde un uzturēšana tiek vienkāršota
Automatizēta mašīnu apguve (AutORL) kļūst par standarta produktu.
Sakarā ar ar mašīnmācību saistīto uzdevumu sarežģītību (ML), straujā mašīnmācīšanās lietojumprogrammu pieaugums ir radījis nepieciešamību pēc plaukta mašīnu apguves metodēm, kuras var izmantot bez kompetences. Iegūto pētījumu jomu, progresīvo automatizāciju mašīnu apguvei, sauc par Automl. Dažādi uzņēmumi izmanto šo tehnoloģiju kā daļu no saviem AI piedāvājumiem, lai palīdzētu klientiem attīstīt ML modeļus un ātrāk ieviest rūpniecības lietošanas gadījumus. Piemēram, 2020. gada novembrī SKF paziņoja par AutORL balstītu produktu, kas apvieno mašīnu procesa datus ar vibrācijas un temperatūras datiem, lai samazinātu izmaksas un nodrošinātu jaunus biznesa modeļus klientiem.
Mašīnmācīšanās operācijas (ML OPS) vienkāršojiet modeļa pārvaldību un uzturēšanu.
Jaunās mašīnmācīšanās operāciju disciplīnas mērķis ir vienkāršot AI modeļu uzturēšanu ražošanas vidē. AI modeļa veiktspēja parasti noārdās laika gaitā, jo to ietekmē vairāki auga faktori (piemēram, datu izplatīšanas un kvalitātes standartu izmaiņas). Rezultātā ir vajadzīgas modeļa uzturēšanas un mašīnmācīšanās operācijas, lai izpildītu rūpnieciskās vides augstas kvalitātes prasības (piemēram, modeļi ar veiktspēju zem 99% var neidentificēt uzvedību, kas apdraud darbinieku drošību).
Pēdējos gados daudzi jaunuzņēmumi ir pievienojušies ML OPS telpai, ieskaitot Datarobot, Grid.ai, Pinecone/Zilliz, Seldon un svaru un aizspriedumus. Izveidoti uzņēmumi ir pievienojuši mašīnmācīšanās operācijas esošajiem AI programmatūras piedāvājumiem, ieskaitot Microsoft, kas ieviesa datu dreifēšanas noteikšanu Azure ML Studio. Šī jaunā funkcija ļauj lietotājiem noteikt izmaiņas ievades datu sadalījumā, kas pasliktina modeļa veiktspēju.
3. faktors: mākslīgais intelekts, ko piemēro esošajiem lietojumprogrammām un lietošanas gadījumiem
Tradicionālie programmatūras pakalpojumu sniedzēji pievieno AI iespējas.
Papildus esošajiem lielajiem horizontālajiem AI programmatūras rīkiem, piemēram, MS Azure ML, AWS Sagemaker un Google Cloud Vertex AI, tradicionālie programmatūras komplekti, piemēram, datorizētas tehniskās apkopes pārvaldības sistēmas (CAMM), ražošanas izpildes sistēmas (MES) vai uzņēmuma resursu plānošana (ERP) tagad var būt ievērojami uzlabotas, injicējot AI iespējas. Piemēram, ERP nodrošinātāja Epicor programmatūra pievieno AI iespējas esošajiem produktiem, izmantojot savu Epicor virtuālo palīgu (EVA). Intelligent EVA aģenti tiek izmantoti, lai automatizētu ERP procesus, piemēram, ražošanas operāciju pārplānošanu vai vienkāršu vaicājumu veikšanu (piemēram, iegūt informāciju par produktu cenu vai pieejamo daļu skaitu).
Rūpnieciskās lietošanas gadījumi tiek modernizēti, izmantojot AIOT.
Vairāki rūpniecības lietošanas gadījumi tiek uzlaboti, pievienojot AI iespējas esošajai aparatūras/programmatūras infrastruktūrai. Spilgts piemērs ir mašīnas redze kvalitātes kontroles lietojumos. Tradicionālās mašīnas redzes sistēmas apstrādā attēlus caur integrētiem vai diskrētiem datoriem, kas aprīkoti ar specializētu programmatūru, kas novērtē iepriekš noteiktus parametrus un sliekšņus (piemēram, augstu kontrastu), lai noteiktu, vai objektiem ir defekti. Daudzos gadījumos (piemēram, elektroniskie komponenti ar dažādām elektroinstalācijas formām) viltus pozitīvo rezultātu skaits ir ļoti liels.
Tomēr šīs sistēmas tiek atdzīvinātas, izmantojot mākslīgo intelektu. Piemēram, rūpnieciskās mašīnas redzes nodrošinātājs Cognex 2021. gada jūlijā izlaida jaunu dziļas mācību rīku (Vision Pro Deep Learning 2.0). Jaunie rīki integrējas ar tradicionālajām redzes sistēmām, ļaujot gala lietotājiem apvienot dziļo mācīšanos ar tradicionālajiem redzes rīkiem tajā pašā lietojumā, lai apmierinātu prasīgu medicīnisko un elektronisko vidi, kas prasa precīzu skrāpējumu mērīšanu, piesārņojumu un citiem defektiem.
4. faktors: tiek uzlabota rūpnieciskā AIOT aparatūra
AI mikroshēmas strauji uzlabojas.
Iegultās aparatūras AI mikroshēmas strauji aug, un ir pieejamas dažādas iespējas, lai atbalstītu AI modeļu izstrādi un ieviešanu. Kā piemērus var minēt NVIDIA jaunākās grafikas apstrādes vienības (GPU), A30 un A10, kas tika ieviesti 2021. gada martā un ir piemēroti AI lietošanas gadījumiem, piemēram, ieteikumu sistēmām un datoru redzamības sistēmām. Vēl viens piemērs ir Google ceturtās paaudzes tensoru apstrādes vienības (TPU), kas ir jaudīgas speciālas integrētas shēmas (ASIC), kas var sasniegt pat 1000 reizes lielāku efektivitāti un ātrumu modeļa izstrādē un izvietošanā konkrētām AI darba slodzēm (piemēram, objektu noteikšana, attēla klasifikācija un ieteikumu etalonu ieteikumi). Specializētas AI aparatūras izmantošana samazina modeļa aprēķināšanas laiku no dienām līdz minūtēm, un daudzos gadījumos tā ir izrādījusies spēles mainītāja.
Jaudīga AI aparatūra ir nekavējoties pieejama, izmantojot maksas lietošanas modeli.
SuperScale Enterprises pastāvīgi jaunina savus serverus, lai skaitļošanas resursi būtu pieejami mākonī, lai gala lietotāji varētu ieviest rūpnieciskas AI lietojumprogrammas. Piemēram, 2021. gada novembrī AWS paziņoja par savu jaunāko GPU balstīto gadījumu oficiālo izlaidumu Amazon EC2 G5, kuru darbina NVIDIA A10G Tensor Core GPU, dažādām ML lietojumprogrammām, ieskaitot datoru redzējumu un ieteikumu motorus. Piemēram, atklāšanas sistēmu nodrošinātājs Nanotronika izmanto Amazon EC2 sava uz AI balstīta kvalitātes vadības risinājuma piemērus, lai paātrinātu apstrādes centienus un sasniegtu precīzāku noteikšanas ātrumu mikroshēmu un nanocaurules ražošanā.
Secinājums un izredzes
AI iznāk no rūpnīcas, un tā būs visuresoša jaunās lietojumprogrammās, piemēram, uz AI balstītu PDM, un kā esošo programmatūras un lietošanas gadījumu uzlabojumi. Lieli uzņēmumi ievieš vairākus AI lietošanas gadījumus un ziņo par panākumiem, un lielākajai daļai projektu ir liela ieguldījumu atdeve. Kopumā mākoņa, IoT platformu un jaudīgo AI mikroshēmu pieaugums nodrošina platformu jaunai programmatūras paaudzei un optimizācijai.
Pasta laiks: janvāris-12-2022