Saskaņā ar nesen publicēto rūpniecisko AI un AI tirgus ziņojumu 2021.–2026. gadam, AI ieviešanas līmenis rūpnieciskajos iestatījumos nedaudz vairāk kā divu gadu laikā palielinājās no 19 procentiem līdz 31 procentam. Papildus 31 procentam respondentu, kuri ir pilnībā vai daļēji ieviesuši AI savās darbībās, vēl 39 procenti pašlaik testē vai izmēģina šo tehnoloģiju.
AI kļūst par galveno tehnoloģiju ražotājiem un enerģētikas uzņēmumiem visā pasaulē, un IoT analīze paredz, ka rūpnieciskā AI risinājumu tirgus uzrādīs spēcīgu pēcpandēmijas salikto ikgadējo pieauguma tempu (CAGR) par 35%, līdz 2026. gadam sasniedzot 102,17 miljardus ASV dolāru.
Digitālais laikmets ir radījis lietu internetu. Var redzēt, ka mākslīgā intelekta parādīšanās ir paātrinājusi lietiskā interneta attīstības tempus.
Apskatīsim dažus faktorus, kas veicina rūpnieciskā AI un AIoT pieaugumu.
1. faktors: arvien vairāk programmatūras rīku rūpnieciskajam AIoT
2019. gadā, kad Iot analytics sāka aptvert rūpniecisko AI, bija maz specializētu AI programmatūras produktu no operatīvo tehnoloģiju (OT) pārdevējiem. Kopš tā laika daudzi OT pārdevēji ir ienākuši AI tirgū, izstrādājot un nodrošinot AI programmatūras risinājumus AI platformu veidā rūpnīcas grīdai.
Saskaņā ar datiem gandrīz 400 pārdevēji piedāvā AIoT programmatūru. Programmatūras pārdevēju skaits, kas pievienojas industriālajam AI tirgum, pēdējo divu gadu laikā ir dramatiski pieaudzis. Pētījuma laikā IoT Analytics identificēja 634 AI tehnoloģiju piegādātājus ražotājiem/rūpnieciskajiem klientiem. No šiem uzņēmumiem 389 (61,4%) piedāvā AI programmatūru.
Jaunā AI programmatūras platforma koncentrējas uz industriālo vidi. Papildus Uptake, Braincube vai C3 AI arvien lielāks skaits operatīvo tehnoloģiju (OT) pārdevēju piedāvā īpašas AI programmatūras platformas. Piemēri ietver ABB Genix Industrial analytics un AI komplektu, Rockwell Automation FactoryTalk Innovation komplektu, Schneider Electric ražošanas konsultāciju platformu un nesen īpašus papildinājumus. Dažas no šīm platformām ir paredzētas plašam lietojuma gadījumu lokam. Piemēram, ABB Genix platforma nodrošina progresīvu analīzi, tostarp iepriekš izveidotas lietojumprogrammas un pakalpojumus darbības veiktspējas pārvaldībai, aktīvu integritātei, ilgtspējībai un piegādes ķēdes efektivitātei.
Lielie uzņēmumi ievieš savus AI programmatūras rīkus veikalā.
AI programmatūras rīku pieejamību veicina arī jauni lietošanas gadījumiem specifiski programmatūras rīki, ko izstrādājuši AWS, lieli uzņēmumi, piemēram, Microsoft un Google. Piemēram, 2020. gada decembrī AWS izlaida Amazon SageMaker JumpStart — Amazon SageMaker līdzekli, kas nodrošina iepriekš izveidotu un pielāgojamu risinājumu kopumu visbiežāk sastopamajiem rūpnieciskās lietošanas gadījumiem, piemēram, PdM, datorredzei un autonomai braukšanai. tikai daži klikšķi.
Lietošanas gadījumam specifiski programmatūras risinājumi veicina lietojamības uzlabojumus.
Lietošanas gadījumam raksturīgi programmatūras komplekti, piemēram, tie, kas vērsti uz paredzamo apkopi, kļūst arvien izplatītāki. IoT Analytics novēroja, ka pakalpojumu sniedzēju skaits, kuri izmanto uz mākslīgo intelektu balstītu produktu datu pārvaldības (PdM) programmatūras risinājumus, 2021. gada sākumā pieauga līdz 73, jo pieauga datu avotu daudzveidība un pirmsapmācības modeļu izmantošana, kā arī plašā izplatība. datu uzlabošanas tehnoloģiju pieņemšana.
2. faktors: AI risinājumu izstrāde un uzturēšana tiek vienkāršota
Automatizētā mašīnmācība (AutoML) kļūst par standarta produktu.
Tā kā ar mašīnmācību (ML) saistītie uzdevumi ir sarežģīti, mašīnmācīšanās lietojumprogrammu straujā izaugsme ir radījusi vajadzību pēc gatavām mašīnmācīšanās metodēm, kuras var izmantot bez zināšanām. Rezultātā iegūtā pētniecības joma, progresīva mašīnmācības automatizācija, tiek saukta par AutoML. Dažādi uzņēmumi izmanto šo tehnoloģiju kā daļu no saviem AI piedāvājumiem, lai palīdzētu klientiem izstrādāt ML modeļus un ātrāk ieviest rūpnieciskās lietošanas gadījumus. Piemēram, 2020. gada novembrī SKF paziņoja par uz automL balstītu produktu, kas apvieno mašīnas procesa datus ar vibrācijas un temperatūras datiem, lai samazinātu izmaksas un nodrošinātu klientiem jaunus biznesa modeļus.
Mašīnmācīšanās operācijas (ML Ops) vienkāršo modeļa pārvaldību un uzturēšanu.
Jaunās mašīnmācīšanās operāciju disciplīnas mērķis ir vienkāršot AI modeļu uzturēšanu ražošanas vidēs. AI modeļa veiktspēja parasti laika gaitā pasliktinās, jo to ietekmē vairāki faktori uzņēmumā (piemēram, izmaiņas datu izplatībā un kvalitātes standartos). Rezultātā modeļu uzturēšana un mašīnmācīšanās darbības ir kļuvušas nepieciešamas, lai izpildītu rūpnieciskās vides augstās kvalitātes prasības (piemēram, modeļi, kuru veiktspēja ir zemāka par 99%, var neatpazīt uzvedību, kas apdraud darbinieku drošību).
Pēdējos gados ML Ops telpai ir pievienojušies daudzi jaunizveidoti uzņēmumi, tostarp DataRobot, Grid.AI, Pinecone/Zilliz, Seldon un Weights & Biases. Pastāvīgi uzņēmumi ir pievienojuši mašīnmācīšanās darbības saviem esošajiem AI 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: mākslīgais intelekts, ko izmanto esošajām lietojumprogrammām un lietošanas gadījumiem
Tradicionālie programmatūras nodrošinātāji 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, datorizētās uzturēšanas pārvaldības sistēmas (CAMMS), ražošanas izpildes sistēmas (MES) vai uzņēmuma resursu plānošana (ERP). tagad var ievērojami uzlabot, injicējot AI iespējas. Piemēram, ERP nodrošinātājs Epicor Software saviem esošajiem produktiem pievieno AI iespējas, izmantojot savu Epicor virtuālo palīgu (EVA). Inteliģentos EVA aģentus izmanto, lai automatizētu ERP procesus, piemēram, pārplānotu ražošanas darbības vai veiktu vienkāršus vaicājumus (piemēram, lai iegūtu informāciju par produktu cenām vai pieejamo daļu skaitu).
Rūpnieciskās lietošanas gadījumi tiek modernizēti, izmantojot AIoT.
Vairāki rūpnieciskās lietošanas gadījumi tiek uzlaboti, esošajai aparatūras/programmatūras infrastruktūrai pievienojot AI iespējas. Spilgts piemērs ir mašīnredze kvalitātes kontroles lietojumos. Tradicionālās mašīnredzes sistēmas apstrādā attēlus, izmantojot integrētus vai diskrētus datorus, kas aprīkoti ar specializētu programmatūru, kas novērtē iepriekš noteiktus parametrus un sliekšņus (piemēram, augstu kontrastu), lai noteiktu, vai objektiem ir defekti. Daudzos gadījumos (piemēram, elektroniski komponenti ar dažādu vadu formu) viltus pozitīvu rezultātu skaits ir ļoti augsts.
Tomēr šīs sistēmas tiek atdzīvinātas, izmantojot mākslīgo intelektu. Piemēram, rūpniecisko iekārtu Vision nodrošinātājs Cognex 2021. gada jūlijā izlaida jaunu dziļās mācīšanās rīku (Vision Pro Deep Learning 2.0). Jaunie rīki ir integrēti ar tradicionālajām redzes sistēmām, ļaujot galalietotājiem apvienot dziļo mācīšanos ar tradicionālajiem redzes rīkiem vienā un tajā pašā lietojumprogrammā, atbilst prasīgām medicīnas un elektroniskām vidēm, kurās nepieciešams precīzi izmērīt skrāpējumus, piesārņojumu un citus defektus.
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 izvietošanu. Piemēri ietver NVIDIA jaunākās grafikas apstrādes vienības (Gpus), A30 un A10, kas tika ieviestas 2021. gada martā un ir piemērotas AI izmantošanas gadījumiem, piemēram, ieteikumu sistēmām un datorredzes sistēmām. Vēl viens piemērs ir Google ceturtās paaudzes Tensors Processing Units (TPus), kas ir jaudīgas īpašam nolūkam paredzētas integrālās shēmas (ASics), kas var sasniegt līdz pat 1000 reižu lielāku efektivitāti un ātrumu modeļu izstrādē un izvietošanā konkrētām AI darba slodzēm (piemēram, objektu noteikšanai). , attēlu klasifikācija un ieteikumu etaloni). Īpašas AI aparatūras izmantošana samazina modeļa aprēķināšanas laiku no dienām līdz minūtēm, un daudzos gadījumos ir izrādījies, ka tas maina spēli.
Jaudīga mākslīgā intelekta aparatūra ir nekavējoties pieejama, izmantojot modeli, kurā jāmaksā par lietošanu.
Liela mēroga uzņēmumi pastāvīgi atjaunina savus serverus, lai padarītu skaitļošanas resursus pieejamus mākonī, lai galalietotāji varētu ieviest rūpnieciskās AI lietojumprogrammas. Piemēram, 2021. gada novembrī AWS paziņoja par savu jaunāko uz GPU balstīto gadījumu Amazon EC2 G5 oficiālo izlaišanu, ko darbina NVIDIA A10G Tensor Core GPU, un tas paredzēts dažādām ML lietojumprogrammām, tostarp datora redzes un ieteikumu dzinējiem. Piemēram, noteikšanas sistēmu nodrošinātājs Nanotronics izmanto Amazon EC2 piemērus savam AI balstītam kvalitātes kontroles risinājumam, lai paātrinātu apstrādes centienus un panāktu precīzākus noteikšanas ātrumus mikroshēmu un nanocauruļu ražošanā.
Secinājums un perspektīva
AI iznāks no rūpnīcas, un tas būs visuresošs jaunās lietojumprogrammās, piemēram, uz AI balstītajā PdM, kā arī kā esošās programmatūras un lietošanas gadījumu uzlabojumi. Lielie uzņēmumi ievieš vairākus AI lietošanas gadījumus un ziņo par panākumiem, un lielākajai daļai projektu ir augsta ieguldījumu atdeve. Kopumā mākoņa, iot platformu un jaudīgu AI mikroshēmu pieaugums nodrošina platformu jaunas paaudzes programmatūrai un optimizācijai.
Publicēšanas laiks: 12. janvāris 2022