A közelmúltban kiadott Industrial AI és AI Market Report 2021-2026 szerint az AI alkalmazási aránya az ipari környezetben 19 százalékról 31 százalékra nőtt alig több mint két év alatt. A válaszadók 31 százaléka mellett, akik részben vagy teljesen bevezették a mesterséges intelligencia működését, további 39 százalékuk teszteli vagy teszteli a technológiát.
A mesterséges intelligencia kulcsfontosságú technológiává válik a gyártók és az energiavállalatok számára világszerte, és az IoT elemzése azt jósolja, hogy az ipari mesterséges intelligencia megoldások piaca erőteljes, 35%-os, a világjárvány utáni összetett éves növekedési rátát (CAGR) fog mutatni, és 2026-ra eléri a 102,17 milliárd dollárt.
A digitális kor megszületett a dolgok internete. Látható, hogy a mesterséges intelligencia megjelenése felgyorsította a tárgyak internete fejlődésének ütemét.
Vessünk egy pillantást néhány olyan tényezőre, amelyek az ipari AI és az AIoT térnyerését ösztönzik.
1. faktor: Egyre több szoftvereszköz az ipari AIoT-hez
2019-ben, amikor az Iot analytics elkezdte lefedni az ipari mesterséges intelligenciát, kevés dedikált mesterségesintelligencia-szoftver készült az operatív technológia (OT) gyártóitól. Azóta sok OT-szállító lépett be a mesterséges intelligencia piacára azáltal, hogy mesterséges intelligencia szoftvermegoldásokat fejlesztett ki és bocsát rendelkezésre mesterséges intelligencia platformok formájában a gyárban.
Az adatok szerint közel 400 gyártó kínál AIoT-szoftvert. Az elmúlt két évben drámaian megnőtt az ipari mesterséges intelligencia piacához csatlakozó szoftvergyártók száma. A tanulmány során az IoT Analytics 634 mesterséges intelligencia-technológia szállítót azonosított a gyártók/ipari ügyfelek számára. E cégek közül 389 (61,4%) kínál AI szoftvert.
Az új AI szoftverplatform az ipari környezetekre összpontosít. Az Uptake, a Braincube vagy a C3 AI mellett egyre több operációs technológia (OT) szállító kínál dedikált AI szoftverplatformokat. Ilyen például az ABB Genix Industrial analytics és AI programcsomagja, a Rockwell Automation FactoryTalk Innovation programcsomagja, a Schneider Electric saját gyártási tanácsadó platformja, valamint újabban speciális kiegészítők. Ezen platformok némelyike a felhasználási esetek széles körét célozza meg. Az ABB Genix platformja például fejlett analitikát kínál, beleértve az előre beépített alkalmazásokat és szolgáltatásokat a működési teljesítménymenedzsmenthez, az eszközök integritásához, a fenntarthatósághoz és az ellátási lánc hatékonyságához.
A nagy cégek a műhelyben helyezik el mesterséges intelligencia szoftver eszközeiket.
Az AI szoftvereszközök elérhetőségét az AWS, olyan nagyvállalatok, mint a Microsoft és a Google által kifejlesztett új, használati eset-specifikus szoftvereszközök is elősegítik. Például 2020 decemberében az AWS kiadta az Amazon SageMaker JumpStart, az Amazon SageMaker egyik funkcióját, amely előre elkészített és testreszabható megoldásokat kínál a leggyakoribb ipari felhasználási esetekre, mint például a PdM, a számítógépes látás és az autonóm vezetés. csak néhány kattintás.
A használati eset-specifikus szoftvermegoldások a használhatóság javítását szolgálják.
Egyre gyakoribbak a használati esetspecifikus szoftvercsomagok, például azok, amelyek a prediktív karbantartásra összpontosítanak. Az IoT Analytics megfigyelése szerint az AI-alapú termékadat-kezelő (PdM) szoftvermegoldásokat használó szolgáltatók száma 2021 elején 73-ra emelkedett az adatforrások sokféleségének és az előképzési modellek használatának növekedése, valamint a széles körű elterjedése miatt. adatbővítő technológiák elfogadása.
2. tényező: Az AI-megoldások fejlesztése és karbantartása egyszerűsödik
Az automatizált gépi tanulás (AutoML) szabványos termékké válik.
A gépi tanulással (ML) kapcsolatos feladatok összetettsége miatt a gépi tanulási alkalmazások rohamos növekedése igényt teremtett a készen kapható gépi tanulási módszerekre, amelyek szakértelem nélkül is használhatók. Az így létrejött kutatási területet, a gépi tanulás progresszív automatizálását AutoML-nek hívják. Számos vállalat alkalmazza ezt a technológiát mesterséges intelligencia kínálata részeként, hogy segítse ügyfeleit az ML modellek fejlesztésében és az ipari felhasználási esetek gyorsabb megvalósításában. 2020 novemberében például az SKF bejelentett egy automL-alapú terméket, amely a gépi folyamatadatokat rezgés- és hőmérsékletadatokkal kombinálja, hogy csökkentse a költségeket és új üzleti modelleket tegyen lehetővé az ügyfelek számára.
A gépi tanulási műveletek (ML Ops) leegyszerűsítik a modellkezelést és -karbantartást.
A gépi tanulási műveletek új tudományága az AI-modellek gyártási környezetekben történő karbantartásának egyszerűsítését célozza. A mesterséges intelligencia modellek teljesítménye általában idővel romlik, mivel az üzemen belül számos tényező befolyásolja (például az adatelosztás és a minőségi szabványok változása). Ennek eredményeként a modellkarbantartás és a gépi tanulási műveletek szükségessé váltak az ipari környezet magas minőségi követelményeinek teljesítéséhez (például a 99% alatti teljesítményű modellek nem képesek azonosítani a munkavállalók biztonságát veszélyeztető viselkedést).
Az elmúlt években számos induló vállalkozás csatlakozott az ML Ops térhez, köztük a DataRobot, a Grid.AI, a Pinecone/Zilliz, a Seldon és a Weights & Biases. A megalapozott vállalatok gépi tanulási műveletekkel egészítették ki meglévő mesterségesintelligencia-szoftver-kínálatukat, beleértve a Microsoftot, amely bevezette az adatsodródás észlelését az Azure ML Studio-ban. Ez az új funkció lehetővé teszi a felhasználók számára, hogy észleljék a bemeneti adatok eloszlásának változásait, amelyek rontják a modell teljesítményét.
3. faktor: Mesterséges intelligencia a meglévő alkalmazásokban és felhasználási esetekben
A hagyományos szoftverszolgáltatók mesterséges intelligencia-képességeket adnak hozzá.
A meglévő nagy vízszintes mesterségesintelligencia-szoftverek mellett, mint például az MS Azure ML, az AWS SageMaker és a Google Cloud Vertex AI, a hagyományos szoftvercsomagok, például a számítógépes karbantartás-menedzsment rendszerek (CAMMS), a gyártási végrehajtási rendszerek (MES) vagy a vállalati erőforrás-tervezés (ERP) mellett. ma már jelentősen javítható mesterséges intelligencia-képességek beiktatásával. Például az ERP-szolgáltató, az Epicor Software mesterséges intelligencia-képességekkel egészíti ki meglévő termékeit az Epicor Virtual Assistant (EVA) segítségével. Az intelligens EVA-ügynökök az ERP-folyamatok automatizálására szolgálnak, például a gyártási műveletek átütemezésére vagy egyszerű lekérdezések végrehajtására (például a termékárakkal vagy a rendelkezésre álló alkatrészek számával kapcsolatos részletek megszerzésére).
Az ipari felhasználási eseteket AIoT használatával frissítik.
Számos ipari felhasználási esetet továbbfejlesztenek azáltal, hogy mesterséges intelligencia képességekkel egészítik ki a meglévő hardver/szoftver infrastruktúrát. Egy szemléletes példa a gépi látás a minőségellenőrzési alkalmazásokban. A hagyományos gépi látórendszerek integrált vagy különálló számítógépeken dolgozzák fel a képeket, amelyek speciális szoftverrel vannak felszerelve, amely előre meghatározott paramétereket és küszöbértékeket (pl. nagy kontraszt) értékel annak megállapítására, hogy az objektumokon vannak-e hibák. Sok esetben (például különböző huzalozási formájú elektronikai alkatrészeknél) nagyon magas a hamis pozitív üzenetek száma.
Ezeket a rendszereket azonban a mesterséges intelligencia segítségével újjáélesztik. Például az ipari gépek Vision szolgáltatója, a Cognex 2021 júliusában kiadott egy új Deep Learning eszközt (Vision Pro Deep Learning 2.0). Az új eszközök integrálódnak a hagyományos látásrendszerekkel, lehetővé téve a végfelhasználók számára, hogy a mélytanulást a hagyományos vizuális eszközökkel kombinálják ugyanabban az alkalmazásban. megfelel az igényes orvosi és elektronikus környezeteknek, amelyek megkövetelik a karcolások, szennyeződések és egyéb hibák pontos mérését.
4. faktor: Az ipari AIoT hardver fejlesztés alatt áll
Az AI chipek gyorsan fejlődnek.
A beágyazott hardveres mesterséges intelligencia chipek gyorsan növekszenek, és számos lehetőség áll rendelkezésre az AI-modellek fejlesztésének és bevezetésének támogatására. Ilyenek például az NVIDIA legújabb grafikus feldolgozó egységei (Gpus), az A30 és az A10, amelyeket 2021 márciusában mutattak be, és alkalmasak mesterséges intelligencia felhasználási eseteire, például ajánlórendszerekre és számítógépes látásrendszerekre. Egy másik példa a Google negyedik generációs Tensors Processing Unit-ja (TPus), amelyek nagy teljesítményű speciális célú integrált áramkörök (ASics), amelyek akár 1000-szer nagyobb hatékonyságot és sebességet érhetnek el a modellfejlesztésben és -beépítésben bizonyos mesterséges intelligencia-munkaterhelésekhez (pl. objektumészlelés). , képbesorolás és ajánlási referenciaértékek). A dedikált mesterségesintelligencia-hardver használata napokról percekre csökkenti a modell számítási idejét, és sok esetben megváltoztatja a játékot.
A nagy teljesítményű mesterséges intelligencia hardver azonnal elérhető a fizetős modellen keresztül.
A szuperméretű vállalatok folyamatosan frissítik szervereiket, hogy a számítási erőforrásokat elérhetővé tegyék a felhőben, hogy a végfelhasználók ipari mesterséges intelligencia alkalmazásokat implementálhassanak. 2021 novemberében például az AWS bejelentette legújabb GPU-alapú példányainak, az NVIDIA A10G Tensor Core GPU-val hajtott Amazon EC2 G5-nek a hivatalos kiadását számos ML-alkalmazáshoz, beleértve a számítógépes látást és az ajánlómotorokat is. Az észlelési rendszereket szállító Nanotronics például az AI-alapú minőségellenőrzési megoldásának Amazon EC2 példáit használja fel, hogy felgyorsítsa a feldolgozási erőfeszítéseket és pontosabb észlelési arányt érjen el a mikrochipek és nanocsövek gyártása során.
Következtetés és kilátás
Az AI kikerül a gyárból, és mindenütt jelen lesz az új alkalmazásokban, például az AI-alapú PdM-ben, valamint a meglévő szoftverek és használati esetek továbbfejlesztéseként. A nagyvállalatok számos mesterségesintelligencia-használati esetet vezetnek be, és sikerről számolnak be, és a legtöbb projekt magas megtérüléssel rendelkezik. Összességében a felhő, az iot-platformok és a nagy teljesítményű AI-chipek térnyerése platformot biztosít a szoftverek és az optimalizálás új generációjához.
Feladás időpontja: 2022. január 12