A 2021-2026-os nemrégiben kiadott ipari AI és AI piaci jelentés szerint az ipari környezetben az AI elfogadási aránya 19 % -ról 31 % -ra nőtt, alig több mint két év alatt. A válaszadók 31 százaléka mellett, akik teljes vagy részben bevezetik az AI -t működésük során, további 39 % -uk jelenleg teszteli vagy pilótázza a technológiát.
Az AI világszerte a gyártók és az energiavállalatok kulcsfontosságú technológiájaként jelenik meg, és az IoT elemzése azt jósolja, hogy az ipari AI megoldások piacán a pandéma utáni összetett éves növekedési ráta (CAGR) 35% -os erős éves növekedési rátát (CAGR) mutat, hogy 2026-ra elérje a 102,17 milliárd dollárt.
A digitális életkor a tárgyak internete szült. Látható, hogy a mesterséges intelligencia megjelenése felgyorsította a tárgyak internete fejlődésének ütemét.
Vessen egy pillantást néhány tényezőre, amelyek az ipari AI és AIOT emelkedését befolyásolják.
1. tényező: Egyre több szoftver eszköz az ipari aiot számára
2019 -ben, amikor az IoT Analytics elkezdett lefedni az ipari AI -t, kevés volt a dedikált AI szoftvertermék az operatív technológiák (OT) gyártóitól. Azóta sok OT -gyártó belépett az AI piacra azáltal, hogy AI szoftvermegoldásokat fejlesztett ki és nyújtott AI platformok formájában a gyárpadló számára.
Az adatok szerint közel 400 eladó kínál AIOT szoftvert. Az ipari AI -piachoz csatlakozó szoftvergyártók száma drámaian megnőtt az elmúlt két évben. A tanulmány során az IoT Analytics az AI technológia 634 beszállítóját azonosította a gyártók/ipari ügyfelek számára. E társaságok közül 389 (61,4%) kínál AI szoftvert.
Az új AI szoftverplatform az ipari környezetre összpontosít. A felvétel, a BrainCube vagy a C3 AI mellett egyre növekvő számú operatív technológiai (OT) gyártó kínál külön AI szoftverplatformokat. Példa erre az ABB Genix Industrial Analytics és az AI Suite, a Rockwell Automation FactoryTalk Innovation Suite, a Schneider Electric saját gyártási tanácsadói platformja, és a közelmúltban a konkrét kiegészítők. Ezen platformok némelyike széles körű felhasználási eseteket céloz meg. Például az ABB Genix platformja fejlett elemzést nyújt, ideértve az előre gyártott alkalmazásokat és szolgáltatásokat az operatív teljesítménymenedzsmenthez, az eszköz integritásához, a fenntarthatósághoz és az ellátási lánc hatékonyságához.
A nagyvállalatok az AI szoftver eszközeiket a bolt padlójára helyezik.
Az AI szoftveres eszközök rendelkezésre állását az AWS, a nagyvállalatok, például a Microsoft és a Google által kifejlesztett új felhasználási eset-specifikus szoftver eszközök is vezérlik. Például, 2020 decemberében az AWS kiadta az Amazon Sagemaker Jumpstart-ot, az Amazon Sagemaker egyik jellemzőjét, amely előzetesen beépített és testreszabható megoldásokat kínál a leggyakoribb ipari felhasználási esetekhez, mint például a PDM, a számítógépes látás és az autonóm vezetés, csak néhány kattintással telepít.
A felhasználás-specifikus szoftvermegoldások a felhasználhatóság javítását eredményezik.
Egyre gyakoribbak egyre gyakoriak egyre gyakoriak egyre gyakoriak egyre gyakoriak egyre gyakoriak a felhasználási eset-specifikus szoftvercsomagok. Az IoT Analytics megfigyelte, hogy az AI-alapú termékadatkezelő (PDM) szoftvermegoldásokkal rendelkező szolgáltatók száma 2021 elején 73-ra emelkedett, mivel az adatforrások sokfélesége és az előzetes képzésű modellek használata, valamint az adatjavító technológiák széles körű elfogadása miatt.
2. tényező: Az AI megoldások fejlesztése és karbantartása egyszerűsül
Az automatizált gépi tanulás (AUTML) standard termékré válik.
A gépi tanulással (ML) kapcsolódó feladatok bonyolultsága miatt a gépi tanulási alkalmazások gyors növekedése szükségességet teremtett a házon kívüli gépi tanulási módszerekre, amelyek szakértelem nélkül használhatók. Az ebből következő kutatási területet, a gépi tanulás progresszív automatizálását Automl -nek hívják. Számos vállalat kihasználja ezt a technológiát az AI -kínálatuk részeként, hogy segítse az ügyfeleket az ML modellek kidolgozásában és az ipari felhasználási esetek gyorsabb megvalósításában. Például 2020 novemberében az SKF bejelentette egy Automl-alapú terméket, amely a gépi folyamat adatait kombinálja a rezgés és a hőmérsékleti adatokkal a költségek csökkentése és az ügyfelek új üzleti modelljeinek lehetővé tétele érdekében.
A gépi tanulási műveletek (ML OPS) egyszerűsítik a modellkezelést és karbantartást.
A gépi tanulási műveletek új tudományága célja az AI modellek karbantartásának egyszerűsítése a gyártási környezetben. Az AI modell teljesítménye általában az idő múlásával romlik, mivel azt a növényen belül számos tényező befolyásolja (például az adateloszlás és a minőségi szabványok változásai). Ennek eredményeként a modell karbantartási és gépi tanulási műveletei szükségesek az ipari környezet magas színvonalú követelményeinek való megfeleléshez (például a 99% alatti teljesítményű modellek nem azonosíthatják a viselkedést, amely veszélyezteti a munkavállalók biztonságát).
Az utóbbi években sok induló vállalkozás csatlakozott az ML OPS térhöz, beleértve a Datarobot, a Grid.ai, a Pinecone/Zilliz, a Seldon, valamint a súlyok és torzítások. A megalapozott vállalatok gépi tanulási műveleteket adtak hozzá a meglévő AI szoftverkínálatukhoz, beleértve a Microsoft -ot, amely az Azure ML Studio -ban az adatok sodródásának észlelését vezette be. Ez az új szolgáltatás lehetővé teszi a felhasználók számára, hogy felismerjék a modell teljesítményének lebontó bemeneti adatok eloszlásának változásait.
3. tényező: A meglévő alkalmazásokra és a felhasználási esetekre alkalmazott mesterséges intelligencia
A hagyományos szoftverszolgáltatók hozzáadják az AI képességeket.
A meglévő nagy vízszintes AI szoftveres eszközök mellett, mint például az MS Azure ML, az AWS Sagemaker és a Google Cloud Vertex AI, a hagyományos szoftvercsomagok, például a számítógépes karbantartási kezelő rendszerek (CAMM), a gyártási végrehajtási rendszerek (MES) vagy a vállalati erőforrás -tervezés (ERP), az AI -alapanyagok befecskendezésével jelentősen javíthatók. Például az ERP szolgáltató Epicor szoftver AI képességeket ad hozzá meglévő termékeihez az Epicor virtuális asszisztense (EVA) révén. Az intelligens EVA -ügynököket használják az ERP folyamatok automatizálására, például a gyártási műveletek átütemezésére vagy az egyszerű lekérdezések végrehajtására (például a termék árazásáról vagy a rendelkezésre álló alkatrészek számáról).
Az ipari felhasználási eseteket az AIOT használatával korszerűsítik.
Számos ipari felhasználási esetet javítanak azáltal, hogy az AI képességeket hozzáadják a meglévő hardver/szoftver infrastruktúrához. Élénk példa a gépi látás a minőség -ellenőrzési alkalmazásokban. A hagyományos gépi látásrendszerek a képeket integrált vagy diszkrét számítógépeken keresztül feldolgozzák, amelyek speciális szoftverrel vannak felszerelve, amely kiértékeli az előre meghatározott paramétereket és küszöbértékeket (pl. Nagy kontraszt) annak meghatározására, hogy az objektumok hibákat mutatnak -e. Sok esetben (például például a különböző huzalozási formákkal rendelkező elektronikus alkatrészek) a hamis pozitív eredmények száma nagyon magas.
Ezeket a rendszereket azonban a mesterséges intelligencia révén újjáélesztik. Például a Cognex ipari gépi látás -szolgáltató 2021 júliusában kiadott egy új Deep Learning eszközt (Vision Pro Deep Learning 2.0). Az új eszközök integrálódnak a hagyományos látási rendszerekbe, lehetővé téve a végfelhasználók számára, hogy a mély tanulást a hagyományos látási eszközökkel kombinálják ugyanabban az alkalmazásban, hogy megfeleljenek az igényes orvosi és elektronikus környezeteknek, amelyek megkövetelik a karcolások, a szennyeződés és az egyéb hibák pontos mérését.
4. faktor: Az ipari aiot hardver javul
Az AI chipek gyorsan javulnak.
A beágyazott hardver AI chipek gyorsan növekednek, és számos lehetőség áll rendelkezésre az AI modellek fejlesztésének és telepítésének támogatására. Példa erre az NVIDIA legújabb grafikus feldolgozó egységei (GPU), az A30 és A10, amelyeket 2021 márciusában vezettek be, és amelyek olyan AI -használati esetekhez alkalmasak, mint például ajánlási rendszerek és számítógépes látásrendszerek. Egy másik példa a Google negyedik generációs tenzorok feldolgozó egységei (TPU-k), amelyek hatékony, speciális célú integrált áramkörök (ASIC), amelyek akár 1000-szer nagyobb hatékonyságot és sebességet tudnak elérni a modellek fejlesztésében és telepítésében az adott AI munkaterheléseknél (pl. Objektum-észlelés, képosztályozás és ajánlási benchmarks). A dedikált AI hardver használata csökkenti a modellszámítási időt napról percre, és sok esetben bebizonyította, hogy játékváltó.
Az erőteljes AI hardver azonnal elérhető a fizetési perfizációs modellen keresztül.
A SuperScale Enterprises folyamatosan frissíti a kiszolgálóikat, hogy a számítógépben elérhetővé tegyék a számítástechnikai erőforrásokat, hogy a végfelhasználók ipari AI alkalmazásokat hajtsanak végre. Például 2021 novemberében az AWS bejelentette legutóbbi GPU-alapú példányai, az Amazon EC2 G5 hivatalos megjelenését, amelyet az NVIDIA A10G Tensor Core GPU táplált, különféle ML alkalmazásokhoz, beleértve a számítógépes látást és az ajánlási motorokat. Például a detektáló rendszerek szolgáltató nanotronika az Amazon EC2 példákat használ az AI-alapú minőség-ellenőrzési megoldásról a feldolgozási erőfeszítések felgyorsításához és a pontosabb kimutatási arányok eléréséhez a mikrochipek és a nanocsövek gyártásában.
Következtetés és kilátás
Az AI kijön a gyárból, és mindenütt jelen lesz az új alkalmazásokban, például az AI-alapú PDM-ben, és a meglévő szoftverek és használati esetek fejlesztéseként. A nagyvállalatok számos AI felhasználási esetet vezetnek be, és a sikert jelentik, és a legtöbb projekt magas megtérülést eredményez a befektetésekhez. Összességében a felhő, az IoT platformok és az erőteljes AI chipek emelkedése platformot biztosít a szoftver új generációjához és az optimalizáláshoz.
A postai idő: január-12-2022