A nemrégiben közzétett, a 2021-2026 közötti ipari mesterséges intelligencia és mesterséges intelligencia piacról szóló jelentés szerint a mesterséges intelligencia ipari környezetben való alkalmazásának aránya alig több mint két év alatt 19 százalékról 31 százalékra nőtt. A válaszadók 31 százaléka mellett, akik teljes mértékben vagy részben bevezették a mesterséges intelligenciát a működésükben, további 39 százalékuk jelenleg teszteli vagy kísérleti jelleggel fejleszti a technológiát.
A mesterséges intelligencia világszerte kulcsfontosságú technológiává válik a gyártók és az energiaipari vállalatok számára, és az IoT elemzések azt jósolják, hogy az ipari mesterséges intelligencia megoldások piaca a világjárvány utáni időszakban erős, 35%-os összetett éves növekedési ütemet (CAGR) fog mutatni, és 2026-ra eléri a 102,17 milliárd dollárt.
A digitális kor hozta létre a dolgok internetét (IoT). Látható, hogy a mesterséges intelligencia megjelenése felgyorsította a dolgok internetének fejlődését.
Vessünk egy pillantást az ipari mesterséges intelligencia és az AIoT térnyerésének néhány tényezőjére.
1. tényező: Egyre több szoftvereszköz az ipari mesterséges intelligencia és dolgok internetéhez
2019-ben, amikor az IoT-analitika elkezdte lefedni az ipari mesterséges intelligenciát, kevés dedikált MI-szoftvertermék volt elérhető az operatív technológiai (OT) gyártóktól. Azóta számos OT-gyártó lépett be a MI-piacra MI-szoftvermegoldások fejlesztésével és biztosításával MI-platformok formájában a gyártóüzemek számára.
Az adatok szerint közel 400 gyártó kínál MI-szoftvereket. Az ipari MI-piacra belépő szoftvergyártók száma az elmúlt két évben drámaian megnőtt. A tanulmány során az IoT Analytics 634 MI-technológiát szállító céget azonosított gyártók/ipari ügyfelek számára. Ezen vállalatok közül 389 (61,4%) kínál MI-szoftvereket.
Az új MI szoftverplatform az ipari környezetekre összpontosít. Az Uptake, a Braincube vagy a C3 AI mellett egyre több operatív technológiai (OT) szállító kínál dedikált MI szoftverplatformokat. Ilyen például az ABB Genix ipari analitikai és MI csomagja, a Rockwell Automation FactoryTalk Innovation csomagja, a Schneider Electric saját gyártási tanácsadó platformja, és újabban specifikus kiegészítők. Ezen platformok némelyike a felhasználási esetek széles skáláját célozza meg. Például az ABB Genix platformja fejlett analitikát biztosít, beleértve az előre elkészített alkalmazásokat és szolgáltatásokat az operatív teljesítménymenedzsment, az eszközök integritása, a fenntarthatóság és az ellátási lánc hatékonysága számára.
A nagyvállalatok a gyártósorra helyezik mesterséges intelligencia szoftvereszközeiket.
A mesterséges intelligencia szoftvereszközök elérhetőségét az AWS, valamint olyan nagyvállalatok által fejlesztett új, felhasználási esetekre szabott szoftvereszközök is elősegítik, mint a Microsoft és a Google. Például 2020 decemberében az AWS kiadta az Amazon SageMaker JumpStart funkcióját, amely előre elkészített és testreszabható megoldásokat kínál a leggyakoribb ipari felhasználási esetekre, mint például a PdM, a számítógépes látás és az önvezető rendszerek. Ezek mindössze néhány kattintással telepíthetők.
A felhasználási esetre szabott szoftvermegoldások a használhatóság fejlesztését segítik elő.
Egyre gyakoribbak a használati esetekre szabott szoftvercsomagok, mint például a prediktív karbantartásra összpontosítók. Az IoT Analytics megfigyelése szerint a mesterséges intelligencia alapú termékadat-kezelő (PdM) szoftvermegoldásokat használó szolgáltatók száma 2021 elején 73-ra emelkedett az adatforrások változatosságának és az előképzési modellek használatának növekedése, valamint az adatjavító technológiák széles körű elterjedése miatt.
2. tényező: Az AI-megoldások fejlesztése és karbantartása egyszerűsödik
Az automatizált gépi tanulás (AutoML) egyre inkább szabványos termékké válik.
A gépi tanulással (ML) kapcsolatos feladatok összetettsége miatt a gépi tanulási alkalmazások gyors növekedése miatt szükség van olyan, szakértelem nélkül is használható, kész gépi tanulási módszerekre. Az ebből eredő kutatási területet, a gépi tanulás progresszív automatizálását AutoML-nek nevezik. Számos vállalat használja ki ezt a technológiát mesterséges intelligencia kínálatának részeként, hogy segítsen az ügyfeleknek ML-modellek fejlesztésében és ipari felhasználási esetek gyorsabb megvalósításában. 2020 novemberében például az SKF bejelentett egy automL-alapú terméket, amely a gépi folyamatadatokat rezgési és hőmérsékleti adatokkal kombinálja a költségek csökkentése és az ügyfelek számára új üzleti modellek lehetővé tétele érdekében.
A gépi tanulási műveletek (ML Ops) leegyszerűsítik a modellek kezelését és karbantartását.
A gépi tanulási műveletek új tudományága a mesterséges intelligencia (MI) modellek karbantartásának egyszerűsítését célozza a gyártási környezetekben. Egy MI-modell teljesítménye jellemzően idővel romlik, mivel azt számos tényező befolyásolja az üzemen belül (például az adatelosztás és a minőségi szabványok változásai). Ennek eredményeként a modellkarbantartás és a gépi tanulási műveletek szükségessé váltak az ipari környezetek magas minőségi követelményeinek teljesítéséhez (például a 99% alatti teljesítményű modellek nem feltétlenül azonosítják a munkavállalók biztonságát veszélyeztető viselkedést).
Az elmúlt években számos startup csatlakozott az ML Ops területéhez, köztük a DataRobot, a Grid.AI, a Pinecone/Zilliz, a Seldon és a Weights & Biases. A már meglévő vállalatok gépi tanulási műveletekkel bővítették meglévő MI-szoftverkínálatukat, beleértve a Microsoftot is, amely bevezette az adateltolódás észlelését az Azure ML Studio-ban. Ez az új funkció lehetővé teszi a felhasználók számára, hogy észleljék a bemeneti adatok eloszlásában bekövetkező változásokat, amelyek rontják a modell teljesítményét.
3. tényező: Mesterséges intelligencia alkalmazása meglévő alkalmazásokban és használati esetekben
A hagyományos szoftverszolgáltatók mesterséges intelligencia képességekkel bővítik szolgáltatásaikat.
A meglévő nagyméretű horizontális MI-szoftvereszközök, mint például az MS Azure ML, az AWS SageMaker és a Google Cloud Vertex AI mellett a hagyományos szoftvercsomagok, mint például a számítógépes karbantartás-kezelő rendszerek (CAMMS), a gyártásvégrehajtási rendszerek (MES) vagy a vállalati erőforrás-tervezés (ERP), mostantól jelentősen fejleszthetők MI-képességek beépítésével. Például az ERP-szolgáltató, az Epicor Software MI-képességekkel bővíti meglévő termékeit az Epicor Virtual Assistant (EVA) segítségével. Az intelligens EVA-ügynököket az ERP-folyamatok automatizálására használják, például a gyártási műveletek átütemezésére vagy egyszerű lekérdezések végrehajtására (például a termékárakkal vagy a rendelkezésre álló alkatrészek számával kapcsolatos részletek lekérésére).
Az ipari felhasználási eseteket a mesterséges intelligencia (AIoT) használatával fejlesztik.
Számos ipari felhasználási esetet fejlesztenek ki mesterséges intelligencia képességekkel a meglévő hardver/szoftver infrastruktúrához. Élénk példa erre a gépi látás a minőségellenőrzési alkalmazásokban. A hagyományos gépi látórendszerek integrált vagy különálló számítógépeken keresztül dolgozzák fel a képeket, amelyek speciális szoftverrel vannak felszerelve, amely előre meghatározott paramétereket és küszöbértékeket (pl. nagy kontraszt) értékel ki annak megállapítására, hogy a tárgyak mutatnak-e hibákat. Sok esetben (például különböző vezetékezési formájú elektronikus alkatrészek esetén) a téves riasztások száma nagyon magas.
Ezeket a rendszereket azonban mesterséges intelligencia segítségével újjáélesztik. Például az ipari gépi látást szállító Cognex 2021 júliusában kiadott egy új mélytanulási eszközt (Vision Pro Deep Learning 2.0). Az új eszközök integrálódnak a hagyományos látásrendszerekkel, lehetővé téve a végfelhasználók számára, hogy a mélytanulást a hagyományos látási eszközökkel kombinálják ugyanabban az alkalmazásban, így megfelelve az igényes orvosi és elektronikai környezeteknek, amelyek a karcolások, szennyeződések és egyéb hibák pontos mérését igénylik.
4. tényező: Fejlődő ipari AIoT hardverek
A mesterséges intelligencia chipek rohamosan fejlődnek.
A beágyazott hardveres MI-chipek gyorsan terjednek, és számos lehetőség áll rendelkezésre a MI-modellek fejlesztésének és telepítésének támogatására. Ilyenek például az NVIDIA legújabb grafikus feldolgozóegységei (GPU-k), az A30 és az A10, amelyeket 2021 márciusában mutattak be, és amelyek alkalmasak olyan MI-felhasználási esetekre, mint az ajánlórendszerek és a számítógépes látásrendszerek. Egy másik példa a Google negyedik generációs Tensors Processing Units (TPus), amelyek nagy teljesítményű, speciális célú integrált áramkörök (ASIC), amelyek akár 1000-szer nagyobb hatékonyságot és sebességet is elérhetnek a modellfejlesztés és -telepítés során meghatározott MI-munkaterhelések esetén (pl. objektumészlelés, képosztályozás és ajánlási referenciaértékek). A dedikált MI-hardver használata napokról percekre csökkenti a modellszámítási időt, és sok esetben gyökeresen megváltoztatónak bizonyult.
A nagy teljesítményű mesterséges intelligencia hardver azonnal elérhető egy használatalapú fizetési modellen keresztül.
A nagyvállalatok folyamatosan frissítik szervereiket, hogy számítási erőforrásokat tegyenek elérhetővé a felhőben, hogy a végfelhasználók ipari MI-alkalmazásokat valósíthassanak meg. 2021 novemberében például az AWS bejelentette legújabb GPU-alapú példányainak, az Amazon EC2 G5-nek a hivatalos megjelenését, amelyet az NVIDIA A10G Tensor Core GPU hajt, különféle gépi tanulási alkalmazásokhoz, beleértve a számítógépes látást és az ajánlómotorokat. Például a Nanotronics érzékelőrendszer-szolgáltató az Amazon EC2 példáit használja MI-alapú minőségellenőrzési megoldására, hogy felgyorsítsa a feldolgozási erőfeszítéseket és pontosabb észlelési arányt érjen el a mikrochipek és nanocsövek gyártása során.
Következtetés és kilátások
A mesterséges intelligencia lassan kijön a gyárból, és mindenütt jelen lesz az új alkalmazásokban, például a mesterséges intelligencia alapú termékmenedzsmentben (PdM), valamint a meglévő szoftverek és használati esetek fejlesztéseiben. A nagyvállalatok számos mesterséges intelligencia használati esetet vezetnek be, és sikerekről számolnak be, a legtöbb projekt pedig magas megtérülést biztosít. Összességében a felhő, az IoT platformok és a nagy teljesítményű mesterséges intelligencia chipek térnyerése platformot biztosít a szoftverek és optimalizálás új generációjához.
Közzététel ideje: 2022. január 12.