Prema nedavno objavljenom Izvještaju o industrijskoj umjetnoj inteligenciji i tržištu umjetne inteligencije za period 2021-2026, stopa usvajanja umjetne inteligencije u industrijskim okruženjima porasla je sa 19 posto na 31 posto za nešto više od dvije godine. Pored 31 posto ispitanika koji su u potpunosti ili djelimično uveli umjetnu inteligenciju u svoje poslovanje, dodatnih 39 posto trenutno testira ili provodi pilot-projekt tehnologije.
Vještačka inteligencija (AI) se pojavljuje kao ključna tehnologija za proizvođače i energetske kompanije širom svijeta, a analiza IoT-a predviđa da će tržište industrijskih AI rješenja pokazati snažnu složenu godišnju stopu rasta (CAGR) nakon pandemije od 35% i dostići 102,17 milijardi dolara do 2026. godine.
Digitalno doba je iznjedrilo Internet stvari. Može se vidjeti da je pojava umjetne inteligencije ubrzala tempo razvoja Interneta stvari.
Pogledajmo neke od faktora koji potiču porast industrijske umjetne inteligencije i umjetnog interneta stvari.
Faktor 1: Sve više softverskih alata za industrijski AIoT
U 2019. godini, kada je IoT analitika počela pokrivati industrijsku umjetnu inteligenciju, postojalo je malo specijaliziranih softverskih proizvoda za umjetnu inteligenciju od strane dobavljača operativne tehnologije (OT). Od tada su mnogi dobavljači OT-a ušli na tržište umjetne inteligencije razvijajući i pružajući softverska rješenja za umjetnu inteligenciju u obliku AI platformi za fabričke pogone.
Prema podacima, skoro 400 dobavljača nudi AIoT softver. Broj dobavljača softvera koji se pridružuju industrijskom tržištu umjetne inteligencije dramatično se povećao u posljednje dvije godine. Tokom studije, IoT Analytics je identificirao 634 dobavljača AI tehnologije proizvođačima/industrijskim kupcima. Od tih kompanija, 389 (61,4%) nudi AI softver.
Nova AI softverska platforma fokusira se na industrijska okruženja. Pored Uptake-a, Braincube-a ili C3 AI-a, sve veći broj dobavljača operativne tehnologije (OT) nudi namjenske AI softverske platforme. Primjeri uključuju ABB-ov Genix Industrial analytics and AI suite, Rockwell Automation-ov FactoryTalk Innovation suite, Schneider Electric-ovu vlastitu platformu za konsultantske usluge u proizvodnji, a u novije vrijeme i specifične dodatke. Neke od ovih platformi ciljaju širok raspon slučajeva upotrebe. Na primjer, ABB-ova Genix platforma pruža naprednu analitiku, uključujući unaprijed izgrađene aplikacije i usluge za upravljanje operativnim performansama, integritetom imovine, održivošću i efikasnošću lanca snabdijevanja.
Velike kompanije stavljaju svoje softverske alate za umjetnu inteligenciju u pogone.
Dostupnost softverskih alata za umjetnu inteligenciju također je potaknuta novim softverskim alatima specifičnim za određene slučajeve upotrebe koje je razvio AWS, velike kompanije poput Microsofta i Googlea. Na primjer, u decembru 2020. godine, AWS je objavio Amazon SageMaker JumpStart, funkciju Amazon SageMakera koja pruža skup unaprijed izgrađenih i prilagodljivih rješenja za najčešće industrijske slučajeve upotrebe, kao što su PdM, računarski vid i autonomna vožnja, a implementacija se vrši u samo nekoliko klikova.
Softverska rješenja specifična za slučaj upotrebe potiču poboljšanja upotrebljivosti.
Softverski paketi specifični za određene slučajeve upotrebe, poput onih usmjerenih na prediktivno održavanje, postaju sve češći. IoT Analytics je primijetio da je broj dobavljača koji koriste softverska rješenja za upravljanje podacima o proizvodima (PdM) zasnovana na umjetnoj inteligenciji porastao na 73 početkom 2021. godine zbog povećanja raznolikosti izvora podataka i korištenja modela prethodne obuke, kao i široko rasprostranjenog usvajanja tehnologija za poboljšanje podataka.
Faktor 2: Razvoj i održavanje AI rješenja se pojednostavljuju
Automatizirano mašinsko učenje (AutoML) postaje standardni proizvod.
Zbog složenosti zadataka povezanih s mašinskim učenjem (ML), brzi rast aplikacija za mašinsko učenje stvorio je potrebu za gotovim metodama mašinskog učenja koje se mogu koristiti bez stručnog znanja. Rezultirajuće područje istraživanja, progresivna automatizacija za mašinsko učenje, naziva se AutoML. Razne kompanije koriste ovu tehnologiju kao dio svojih AI ponuda kako bi pomogle kupcima da razviju ML modele i brže implementiraju industrijske slučajeve upotrebe. Na primjer, u novembru 2020. godine, SKF je najavio proizvod zasnovan na automL-u koji kombinuje podatke o mašinskim procesima s podacima o vibracijama i temperaturi kako bi se smanjili troškovi i omogućili novi poslovni modeli za kupce.
Operacije mašinskog učenja (ML Ops) pojednostavljuju upravljanje i održavanje modela.
Nova disciplina operacija mašinskog učenja ima za cilj pojednostavljenje održavanja AI modela u proizvodnim okruženjima. Performanse AI modela obično se smanjuju tokom vremena jer na njih utiče nekoliko faktora unutar postrojenja (na primjer, promjene u distribuciji podataka i standardima kvaliteta). Kao rezultat toga, održavanje modela i operacije mašinskog učenja postale su neophodne kako bi se ispunili visoki zahtjevi kvaliteta industrijskih okruženja (na primjer, modeli sa performansama ispod 99% možda neće uspjeti da identifikuju ponašanje koje ugrožava sigurnost radnika).
Posljednjih godina, mnogi startupi su se pridružili ML Ops prostoru, uključujući DataRobot, Grid.AI, Pinecone/Zilliz, Seldon i Weights & Biases. Etablirane kompanije su dodale operacije mašinskog učenja svojim postojećim AI softverskim ponudama, uključujući Microsoft, koji je uveo detekciju pomjeranja podataka u Azure ML Studio. Ova nova funkcija omogućava korisnicima da otkriju promjene u distribuciji ulaznih podataka koje smanjuju performanse modela.
Faktor 3: Umjetna inteligencija primijenjena na postojeće aplikacije i slučajeve upotrebe
Tradicionalni dobavljači softvera dodaju mogućnosti umjetne inteligencije.
Pored postojećih velikih horizontalnih AI softverskih alata kao što su MS Azure ML, AWS SageMaker i Google Cloud Vertex AI, tradicionalni softverski paketi poput kompjuterizovanih sistema za upravljanje održavanjem (CAMMS), sistema za izvršenje proizvodnje (MES) ili planiranja resursa preduzeća (ERP) sada se mogu značajno poboljšati ubrizgavanjem AI mogućnosti. Na primjer, Epicor Software, dobavljač ERP usluga, dodaje AI mogućnosti svojim postojećim proizvodima putem svog Epicor Virtual Assistant (EVA). Inteligentni EVA agenti se koriste za automatizaciju ERP procesa, kao što je replaniranje proizvodnih operacija ili izvršavanje jednostavnih upita (na primjer, dobijanje detalja o cijenama proizvoda ili broju dostupnih dijelova).
Industrijski slučajevi upotrebe se unapređuju korištenjem AIoT-a.
Nekoliko industrijskih slučajeva upotrebe se poboljšava dodavanjem AI mogućnosti postojećoj hardverskoj/softverskoj infrastrukturi. Živopisan primjer je mašinski vid u aplikacijama za kontrolu kvaliteta. Tradicionalni sistemi mašinskog vida obrađuju slike putem integriranih ili diskretnih računara opremljenih specijaliziranim softverom koji procjenjuje unaprijed određene parametre i pragove (npr. visok kontrast) kako bi se utvrdilo da li objekti pokazuju nedostatke. U mnogim slučajevima (na primjer, elektronske komponente s različitim oblicima ožičenja), broj lažno pozitivnih rezultata je vrlo visok.
Međutim, ovi sistemi se oživljavaju zahvaljujući vještačkoj inteligenciji. Na primjer, Cognex, dobavljač industrijskih mašinskih sistema za vid, objavio je novi alat za duboko učenje (Vision Pro Deep Learning 2.0) u julu 2021. Novi alati se integrišu sa tradicionalnim sistemima vida, omogućavajući krajnjim korisnicima da kombinuju duboko učenje sa tradicionalnim alatima za vid u istoj aplikaciji kako bi zadovoljili zahtjevna medicinska i elektronska okruženja koja zahtijevaju precizno mjerenje ogrebotina, kontaminacije i drugih nedostataka.
Faktor 4: Poboljšava se industrijski AIoT hardver
Čipovi umjetne inteligencije se brzo poboljšavaju.
Ugrađeni hardverski AI čipovi brzo rastu, s nizom dostupnih opcija za podršku razvoju i implementaciji AI modela. Primjeri uključuju najnovije NVIDIA-ine grafičke procesorske jedinice (GPU), A30 i A10, koje su predstavljene u martu 2021. godine i pogodne su za slučajeve upotrebe AI-ja kao što su sistemi preporuka i sistemi računarskog vida. Drugi primjer su Google-ove Tensors Processing Units (TPus) četvrte generacije, koje su moćna integrirana kola posebne namjene (ASic) koja mogu postići do 1.000 puta veću efikasnost i brzinu u razvoju i implementaciji modela za specifična AI opterećenja (npr. detekcija objekata, klasifikacija slika i referentne vrijednosti preporuka). Korištenje namjenskog AI hardvera smanjuje vrijeme izračunavanja modela s dana na minute i u mnogim slučajevima se pokazalo kao prekretnica.
Moćan AI hardver je odmah dostupan putem modela plaćanja po korištenju.
Superskalna preduzeća stalno nadograđuju svoje servere kako bi računarske resurse učinila dostupnim u oblaku, što krajnjim korisnicima omogućava implementaciju industrijskih AI aplikacija. Na primjer, u novembru 2021. godine, AWS je najavio službeno izdanje svojih najnovijih instanci zasnovanih na GPU-u, Amazon EC2 G5, pokretanih NVIDIA A10G Tensor Core GPU-om, za razne ML aplikacije, uključujući računarski vid i mehanizme za preporuke. Na primjer, dobavljač sistema za detekciju Nanotronics koristi Amazon EC2 primjere svog rješenja za kontrolu kvaliteta zasnovanog na AI-u kako bi ubrzao procese obrade i postigao tačnije stope detekcije u proizvodnji mikročipova i nanocijevi.
Zaključak i perspektive
Umjetna inteligencija izlazi iz tvornice i bit će sveprisutna u novim aplikacijama, kao što je PdM zasnovan na umjetnoj inteligenciji, te kao poboljšanja postojećeg softvera i slučajeva upotrebe. Velika poduzeća uvode nekoliko slučajeva upotrebe umjetne inteligencije i izvještavaju o uspjehu, a većina projekata ima visok povrat ulaganja. Sve u svemu, porast clouda, IoT platformi i moćnih AI čipova pruža platformu za novu generaciju softvera i optimizaciju.
Vrijeme objave: 12. januar 2022.