Prema nedavno objavljenom Izvještaju o industrijskoj umjetnoj inteligenciji i AI tržištu 2021-2026, stopa usvajanja AI u industrijskim postavkama 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 AI u svojim operacijama, još 39 posto trenutno testira ili pilotira tehnologiju.
AI se pojavljuje kao ključna tehnologija za proizvođače i energetske kompanije širom svijeta, a IoT analiza predviđa da će tržište industrijskih AI rješenja pokazati snažnu godišnju stopu rasta nakon pandemije (CAGR) od 35% i dostići 102,17 milijardi dolara do 2026.
Digitalno doba je rodilo internet stvari.Može se vidjeti da je pojava umjetne inteligencije ubrzala tempo razvoja Interneta stvari.
Pogledajmo neke od faktora koji pokreću uspon industrijske AI i AIoT-a.
Faktor 1: Sve više softverskih alata za industrijski AIoT
U 2019., kada je Iot analitika počela pokrivati industrijsku umjetnu inteligenciju, postojalo je nekoliko namjenskih softverskih proizvoda AI proizvođača operativnih tehnologija (OT).Od tada su mnogi OT dobavljači ušli na tržište umjetne inteligencije razvijajući i obezbjeđujući AI softverska rješenja u obliku AI platformi za fabričke pogone.
Prema podacima, skoro 400 dobavljača nudi AIoT softver.Broj dobavljača softvera koji se pridružuju industrijskom AI tržištu dramatično se povećao u posljednje dvije godine.Tokom studije, IoT Analytics identifikovala je 634 dobavljača AI tehnologije za proizvođače/industrijske kupce.Od ovih kompanija, 389 (61,4%) nudi softver za veštačku inteligenciju.
Nova softverska platforma AI fokusira se na industrijska okruženja.Osim Uptake, Braincube ili C3 AI, sve veći broj dobavljača operativnih tehnologija (OT) nudi namjenske softverske platforme AI.Primjeri uključuju ABB-ov Genix Industrial analytics i AI paket, Rockwell Automation FactoryTalk Innovation paket, Schneider Electric-ovu vlastitu platformu za konsalting u proizvodnji i odnedavno specifične dodatke.Neke od ovih platformi ciljaju širok spektar slučajeva upotrebe.Na primjer, ABB-ova Genix platforma pruža naprednu analitiku, uključujući unaprijed izgrađene aplikacije i usluge za upravljanje operativnim performansama, integritet imovine, održivost i efikasnost lanca nabavke.
Velike kompanije stavljaju svoje AI softverske alate u pogon.
Dostupnost AI softverskih alata je također vođena novim softverskim alatima specifičnim za slučajeve upotrebe koje je razvio AWS, velike kompanije kao što su Microsoft i Google.Na primjer, u decembru 2020. godine, AWS je objavio Amazon SageMaker JumpStart, značajku Amazon SageMaker-a koja pruža skup unaprijed izgrađenih i prilagodljivih rješenja za najčešće slučajeve industrijske upotrebe, kao što su PdM, kompjuterski vid i autonomna vožnja, Deploy with samo nekoliko klikova.
Softverska rješenja specifična za slučajeve upotrebe pokreću poboljšanja upotrebljivosti.
Softverski paketi specifični za slučajeve upotrebe, kao što su oni fokusirani na prediktivno održavanje, postaju sve češći.IoT Analytics je uočio da je broj provajdera koji koriste softverska rješenja za upravljanje podacima o proizvodima (PdM) zasnovana na umjetnoj inteligenciji porastao na 73 početkom 2021. zbog povećanja raznovrsnosti izvora podataka i upotrebe modela prije obuke, kao i široko rasprostranjenosti usvajanje tehnologija za poboljšanje podataka.
Faktor 2: Razvoj i održavanje AI rješenja se pojednostavljuje
Automatsko mašinsko učenje (AutoML) postaje standardni proizvod.
Zbog složenosti zadataka povezanih s strojnim učenjem (ML), brzi rast aplikacija za strojno učenje stvorio je potrebu za gotovim metodama strojnog učenja koje se mogu koristiti bez stručnosti.Rezultirajuća oblast istraživanja, progresivna automatizacija za mašinsko učenje, zove se AutoML.Različite kompanije koriste ovu tehnologiju kao dio svojih AI ponuda kako bi pomogli klijentima da razviju ML modele i brže implementiraju slučajeve industrijske upotrebe.U novembru 2020., na primjer, SKF je najavio proizvod zasnovan na automL-u koji kombinuje podatke o mašinskom procesu sa podacima o vibracijama i temperaturi kako bi smanjio troškove i omogućio nove poslovne modele za korisnike.
Operacije mašinskog učenja (ML Ops) pojednostavljuju upravljanje i održavanje modela.
Nova disciplina operacija mašinskog učenja ima za cilj da pojednostavi održavanje AI modela u proizvodnim okruženjima.Performanse AI modela se obično degradiraju tokom vremena jer na njega utječe nekoliko faktora unutar postrojenja (na primjer, promjene u distribuciji podataka i standardima kvaliteta).Kao rezultat toga, održavanje modela i operacije mašinskog učenja postali su neophodni da bi se ispunili zahtevi visokog kvaliteta u industrijskim okruženjima (na primer, modeli sa performansama ispod 99% možda neće uspeti da identifikuju ponašanje koje ugrožava bezbednost radnika).
Posljednjih godina, mnogi startupi su se pridružili prostoru ML Ops, uključujući DataRobot, Grid.AI, Pinecone/Zilliz, Seldon i Weights & Biases.Poznate kompanije dodale su operacije mašinskog učenja u svoju postojeću ponudu softvera za veštačku inteligenciju, uključujući Microsoft, koji je uveo detekciju pomeranja podataka u Azure ML Studio.Ova nova karakteristika omogućava korisnicima da otkriju promjene u distribuciji ulaznih podataka koje degradiraju performanse modela.
Faktor 3: Umjetna inteligencija primijenjena na postojeće aplikacije i slučajeve upotrebe
Tradicionalni dobavljači softvera dodaju AI mogućnosti.
Pored postojećih velikih horizontalnih AI softverskih alata kao što su MS Azure ML, AWS SageMaker i Google Cloud Vertex AI, tradicionalni softverski paketi kao što su kompjuterizovani sistemi za upravljanje održavanjem (CAMMS), sistemi za izvršavanje proizvodnje (MES) ili planiranje resursa preduzeća (ERP) sada se može značajno poboljšati uvođenjem AI sposobnosti.Na primjer, ERP provajder Epicor Software dodaje AI mogućnosti svojim postojećim proizvodima putem svog Epicor Virtual Assistant-a (EVA).Inteligentni EVA agenti se koriste za automatizaciju ERP procesa, kao što je reprogramiranje proizvodnih operacija ili izvođenje jednostavnih upita (na primjer, dobivanje detalja o cijenama proizvoda ili broju dostupnih dijelova).
Slučajevi industrijske upotrebe se nadograđuju korištenjem AIoT-a.
Nekoliko slučajeva industrijske upotrebe se unapređuje dodavanjem AI mogućnosti postojećoj hardverskoj/softverskoj infrastrukturi.Živopisan primjer je mašinski vid u aplikacijama kontrole kvaliteta.Tradicionalni sistemi mašinskog vida obrađuju slike putem integrisanih ili diskretnih računara opremljenih specijalizovanim softverom koji procenjuje unapred određene parametre i pragove (npr. visok kontrast) da bi utvrdio da li objekti pokazuju defekte.U mnogim slučajevima (na primjer, elektronske komponente s različitim oblicima ožičenja), broj lažnih pozitivnih rezultata je vrlo visok.
Međutim, ovi sistemi se oživljavaju putem vještačke inteligencije.Na primjer, dobavljač industrijskih mašina Vision Cognex objavio je novi alat za duboko učenje (Vision Pro Deep Learning 2.0) u julu 2021. Novi alati se integriraju sa tradicionalnim sistemima vizije, omogućavajući krajnjim korisnicima da kombinuju duboko učenje sa tradicionalnim alatima za vid u istoj aplikaciji kako bi zadovoljavaju zahtjevna medicinska i elektronska okruženja koja zahtijevaju precizno mjerenje ogrebotina, kontaminacije i drugih nedostataka.
Faktor 4: Industrijski AIoT hardver se poboljšava
AI čipovi se brzo poboljšavaju.
Ugrađeni hardverski AI čipovi brzo rastu, s različitim dostupnim opcijama za podršku razvoju i implementaciji AI modela.Primeri uključuju najnovije NVIDIA grafičke procesorske jedinice (Gpus), A30 i A10, koje su predstavljene u martu 2021. i pogodne su za slučajeve upotrebe veštačke inteligencije kao što su sistemi preporuka i sistemi kompjuterskog vida.Drugi primjer su Googleove četvrte generacije Tensor Processing Units (TPus), koje su moćna integrirana kola posebne namjene (ASics) koja mogu postići do 1000 puta veću efikasnost i brzinu u razvoju i implementaciji modela za specifična AI radna opterećenja (npr. detekcija objekata , klasifikaciju slika i referentne vrijednosti za preporuke).Korištenje namjenskog AI hardvera smanjuje vrijeme izračunavanja modela sa dana na minute i pokazalo se da mijenja igru u mnogim slučajevima.
Moćan AI hardver je odmah dostupan kroz model plaćanja po upotrebi.
Superscale preduzeća neprestano nadograđuju svoje servere kako bi računarske resurse učinila dostupnim u oblaku kako bi krajnji korisnici mogli implementirati industrijske AI aplikacije.U novembru 2021., na primjer, AWS je najavio službeno izdanje svojih najnovijih instanci baziranih na GPU-u, Amazon EC2 G5, koje pokreće NVIDIA A10G Tensor Core GPU, za razne ML aplikacije, uključujući kompjuterski vid i mašine za preporuke.Na primjer, dobavljač sistema za detekciju Nanotronics koristi Amazon EC2 primjere svog rješenja za kontrolu kvaliteta zasnovanog na umjetnoj inteligenciji kako bi ubrzao napore obrade i postigao preciznije stope detekcije u proizvodnji mikročipova i nanocijevi.
Zaključak i izgledi
AI izlazi iz tvornice i bit će sveprisutan u novim aplikacijama, kao što je PdM baziran na umjetnoj inteligenciji, te kao poboljšanja postojećeg softvera i slučajeva korištenja.Velika preduzeća uvode nekoliko slučajeva upotrebe AI i prijavljuju uspjeh, a većina projekata ima visok povrat ulaganja.Sve u svemu, uspon oblaka, iot platformi i moćnih AI čipova pruža platformu za novu generaciju softvera i optimizaciju.
Vrijeme objave: Jan-12-2022