Според неодамна објавениот Извештај за индустриска вештачка интелигенција и пазар на вештачка интелигенција 2021-2026, стапката на усвојување на вештачката интелигенција во индустриските услови се зголемила од 19 проценти на 31 процент за нешто повеќе од две години. Покрај 31 процент од испитаниците кои целосно или делумно ја вовеле вештачката интелигенција во своето работење, уште 39 проценти моментално ја тестираат или пилотираат технологијата.
Вештачката интелигенција се појавува како клучна технологија за производителите и енергетските компании ширум светот, а анализата на IoT предвидува дека пазарот на индустриски решенија за вештачка интелигенција ќе покаже силна постпандемиска сложена годишна стапка на раст (CAGR) од 35%, достигнувајќи 102,17 милијарди долари до 2026 година.
Дигиталното доба го роди Интернетот на нештата. Може да се види дека појавата на вештачката интелигенција го забрза темпото на развој на Интернетот на нештата.
Да разгледаме некои од факторите што го поттикнуваат подемот на индустриската вештачка интелигенција и вештачката интелигенција (AIoT).
Фактор 1: Сè повеќе софтверски алатки за индустриски AIoT
Во 2019 година, кога IoT аналитиката почна да ја опфаќа индустриската вештачка интелигенција, имаше малку наменски софтверски производи за вештачка интелигенција од добавувачи на оперативна технологија (OT). Оттогаш, многу добавувачи на OT влегоа на пазарот на вештачка интелигенција преку развивање и обезбедување софтверски решенија за вештачка интелигенција во форма на платформи за вештачка интелигенција за фабричкиот под.
Според податоците, речиси 400 добавувачи нудат софтвер за AIoT. Бројот на добавувачи на софтвер кои се приклучуваат на индустрискиот пазар на вештачка интелигенција драматично се зголеми во последните две години. За време на студијата, IoT Analytics идентификуваше 634 добавувачи на технологија за вештачка интелигенција за производители/индустриски клиенти. Од овие компании, 389 (61,4%) нудат софтвер за вештачка интелигенција.
Новата софтверска платформа за вештачка интелигенција се фокусира на индустриски средини. Освен Uptake, Braincube или C3 AI, сè поголем број добавувачи на оперативна технологија (OT) нудат наменски софтверски платформи за вештачка интелигенција. Примерите вклучуваат Genix Industrial Analytics и AI пакет на ABB, FactoryTalk Innovation пакет на Rockwell Automation, сопствената платформа за консултации за производство на Schneider Electric и, поново време, специфични додатоци. Некои од овие платформи се насочени кон широк спектар на случаи на употреба. На пример, платформата Genix на ABB обезбедува напредна аналитика, вклучувајќи однапред изградени апликации и услуги за управување со оперативните перформанси, интегритет на средствата, одржливост и ефикасност на синџирот на снабдување.
Големите компании ги ставаат своите софтверски алатки за вештачка интелигенција во фабриките.
Достапноста на софтверски алатки за вештачка интелигенција е исто така водена од нови софтверски алатки специфични за случаите на употреба развиени од AWS, големи компании како што се Microsoft и Google. На пример, во декември 2020 година, AWS го објави Amazon SageMaker JumpStart, функција на Amazon SageMaker која обезбедува сет на однапред изградени и прилагодливи решенија за најчестите индустриски случаи на употреба, како што се PdM, компјутерски вид и автономно возење, Deploy со само неколку кликања.
Софтверските решенија специфични за случаи на употреба го поттикнуваат подобрувањето на употребливоста.
Софтверските пакети специфични за случаите на употреба, како оние фокусирани на предвидливо одржување, стануваат сè почести. IoT Analytics забележа дека бројот на добавувачи кои користат софтверски решенија за управување со податоци за производи (PdM) базирани на вештачка интелигенција се зголемил на 73 на почетокот на 2021 година, поради зголемувањето на разновидноста на изворите на податоци и употребата на модели за претходна обука, како и широкото усвојување на технологии за подобрување на податоците.
Фактор 2: Развојот и одржувањето на решенијата за вештачка интелигенција се поедноставуваат
Автоматизираното машинско учење (AutoML) станува стандарден производ.
Поради сложеноста на задачите поврзани со машинското учење (ML), брзиот раст на апликациите за машинско учење создаде потреба од готови методи за машинско учење кои можат да се користат без експертиза. Резултирачката област на истражување, прогресивна автоматизација за машинско учење, се нарекува AutoML. Различни компании ја користат оваа технологија како дел од нивните понуди за вештачка интелигенција за да им помогнат на клиентите да развиваат модели за ML и побрзо да имплементираат случаи на индустриска употреба. На пример, во ноември 2020 година, SKF објави производ базиран на automL кој комбинира податоци за машински процеси со податоци за вибрации и температура за да ги намали трошоците и да овозможи нови бизнис модели за клиентите.
Операциите за машинско учење (ML Ops) го поедноставуваат управувањето и одржувањето на моделите.
Новата дисциплина на операциите за машинско учење има за цел да го поедностави одржувањето на моделите со вештачка интелигенција во производствените средини. Перформансите на моделот со вештачка интелигенција обично се влошуваат со текот на времето бидејќи се под влијание на неколку фактори во фабриката (на пример, промени во дистрибуцијата на податоци и стандардите за квалитет). Како резултат на тоа, одржувањето на моделите и операциите за машинско учење станаа неопходни за да се исполнат високите барања за квалитет на индустриските средини (на пример, моделите со перформанси под 99% може да не успеат да идентификуваат однесување што ја загрозува безбедноста на работниците).
Во последниве години, многу стартапи се приклучија на просторот за ML Ops, вклучувајќи ги DataRobot, Grid.AI, Pinecone/Zilliz, Seldon и Weights & Biases. Воспоставените компании додадоа операции за машинско учење во нивните постоечки понуди на софтвер за вештачка интелигенција, вклучувајќи го и Microsoft, кој воведе откривање на отстапување на податоци во Azure ML Studio. Оваа нова функција им овозможува на корисниците да детектираат промени во дистрибуцијата на влезните податоци што ги деградираат перформансите на моделот.
Фактор 3: Вештачка интелигенција применета во постоечки апликации и случаи на употреба
Традиционалните добавувачи на софтвер додаваат можности за вештачка интелигенција.
Покрај постојните големи хоризонтални софтверски алатки за вештачка интелигенција, како што се MS Azure ML, AWS SageMaker и Google Cloud Vertex AI, традиционалните софтверски пакети како што се компјутеризирани системи за управување со одржување (CAMMS), системи за извршување на производство (MES) или планирање на ресурси на претпријатија (ERP) сега можат значително да се подобрат со вбризгување на можности за вештачка интелигенција. На пример, провајдерот на ERP Epicor Software додава можности за вештачка интелигенција на своите постојни производи преку својот виртуелен асистент Epicor (EVA). Интелигентните EVA агенти се користат за автоматизирање на ERP процесите, како што се презакажување на производствените операции или извршување едноставни барања (на пример, добивање детали за цените на производите или бројот на достапни делови).
Случаите на индустриска употреба се надградуваат со користење на AIoT.
Неколку индустриски случаи на употреба се подобруваат со додавање на можности за вештачка интелигенција во постоечката хардверска/софтверска инфраструктура. Жив пример е машинскиот вид во апликациите за контрола на квалитетот. Традиционалните системи за машински вид обработуваат слики преку интегрирани или дискретни компјутери опремени со специјализиран софтвер кој ги оценува однапред одредени параметри и прагови (на пр., висок контраст) за да утврди дали објектите покажуваат дефекти. Во многу случаи (на пример, електронски компоненти со различни форми на жици), бројот на лажни позитиви е многу висок.
Сепак, овие системи се обновуваат преку вештачка интелигенција. На пример, индустрискиот снабдувач на машински вид Cognex објави нова алатка за длабоко учење (Vision Pro Deep Learning 2.0) во јули 2021 година. Новите алатки се интегрираат со традиционалните системи за визија, овозможувајќи им на крајните корисници да комбинираат длабоко учење со традиционалните алатки за визија во истата апликација за да ги задоволат бараните медицински и електронски средини кои бараат точно мерење на гребнатини, контаминација и други дефекти.
Фактор 4: Подобрување на индустрискиот AIoT хардвер
Чиповите со вештачка интелигенција брзо се подобруваат.
Вградените хардверски чипови со вештачка интелигенција брзо растат, со различни опции достапни за поддршка на развојот и распоредувањето на моделите со вештачка интелигенција. Примерите вклучуваат најновите графички процесорски единици (GPU) на NVIDIA, A30 и A10, кои беа воведени во март 2021 година и се погодни за случаи на употреба на вештачка интелигенција, како што се системи за препораки и системи за компјутерска визија. Друг пример се тензорските процесорски единици (TPus) од четврта генерација на Google, кои се моќни интегрирани кола (ASics) со посебна намена кои можат да постигнат до 1.000 пати поголема ефикасност и брзина во развојот и распоредувањето на модели за специфични работни оптоварувања со вештачка интелигенција (на пр., откривање на објекти, класификација на слики и препораки). Користењето на наменски хардвер со вештачка интелигенција го намалува времето на пресметување на моделот од денови на минути и се покажа како пресвртница во многу случаи.
Моќен хардвер со вештачка интелигенција е веднаш достапен преку моделот „плаќање по употреба“.
Супер-скалните претпријатија постојано ги надградуваат своите сервери за да ги направат достапни компјутерските ресурси во облакот, така што крајните корисници можат да имплементираат индустриски апликации за вештачка интелигенција. На пример, во ноември 2021 година, AWS го објави официјалното објавување на своите најнови инстанци базирани на графички процесор, Amazon EC2 G5, напојувани од NVIDIA A10G Tensor Core GPU, за различни ML апликации, вклучувајќи компјутерски вид и мотори за препораки. На пример, добавувачот на системи за детекција Nanotronics користи примери од Amazon EC2 за своето решение за контрола на квалитет базирано на вештачка интелигенција за да ги забрза напорите за обработка и да постигне попрецизни стапки на детекција во производството на микрочипови и наноцевки.
Заклучок и перспектива
Вештачката интелигенција излегува од фабриката и ќе биде сеприсутна во нови апликации, како што е PdM базиран на вештачка интелигенција, и како подобрувања на постоечкиот софтвер и случаи на употреба. Големите претпријатија воведуваат неколку случаи на употреба на вештачката интелигенција и пријавуваат успех, а повеќето проекти имаат висок поврат на инвестицијата. Сè на сè, подемот на облакот, IoT платформите и моќните чипови со вештачка интелигенција обезбедува платформа за нова генерација софтвер и оптимизација.
Време на објавување: 12 јануари 2022 година