Според неодамна објавениот индустриски извештај за пазарот на АИ и АИ 2021-2026, стапката на посвојување на АИ во индустриските поставки се зголеми од 19 проценти на 31 процент за нешто повеќе од две години. Покрај 31 процент од испитаниците кои целосно или делумно го искористија АИ во нивните активности, други 39 проценти во моментов ја тестираат или пилотираат технологијата.
АИ се појавува како клучна технологија за производителите и енергетските компании ширум светот, а IoT анализата предвидува дека индустрискиот пазар на решенија за АИ ќе покаже силна пост-кандидатска соединение годишна стапка на раст (CAGR) од 35% за да достигне 102,17 милијарди американски долари до 2026 година.
Дигиталното доба го роди Интернет на нештата. Може да се види дека појавата на вештачка интелигенција го забрза темпото на развој на Интернет на нештата.
Ајде да ги разгледаме некои од факторите што возат подемот на индустрискиот АИ и АИОТ.
Фактор 1: Се повеќе и повеќе софтверски алатки за индустриски аот
Во 2019 г. Оттогаш, многу продавачи на ОТ влегоа во пазарот на АИ со развивање и обезбедување на софтверски решенија за ВИ во форма на АИ платформи за фабричкиот под.
Според податоците, скоро 400 продавачи нудат софтвер AIOT. Бројот на продавачи на софтвер кои се приклучуваат на индустрискиот пазар на АИ се зголеми драматично во изминатите две години. За време на студијата, IoT Analytics идентификуваше 634 добавувачи на технологија за АИ на производители/индустриски клиенти. Од овие компании, 389 (61,4%) нудат софтвер за АИ.
Новата софтверска платформа за АИ се фокусира на индустриските околини. Надвор од навлегување, BrainCube или C3 AI, поголем број продавачи на оперативна технологија (OT) нудат посветени софтверски платформи за АИ. Примерите вклучуваат ABB Genix Industrial Analytics и AI Suite, Rockwell Automation's FactoryTalk Innovation Suite, сопствената платформа за консултации за производство на Schneider Electric и неодамна, специфични додатоци. Некои од овие платформи се насочени кон широк спектар на случаи на употреба. На пример, платформата ABB Genix обезбедува напредна аналитика, вклучително и претходно изградени апликации и услуги за управување со оперативните перформанси, интегритет на средства, одржливост и ефикасност на синџирот на снабдување.
Големите компании ги ставаат своите софтверски алатки за ВИ на подот на продавницата.
Достапноста на софтверски алатки за АИ е исто така управувана од нови специфични софтверски алатки за употреба, развиени од AWS, големи компании како Microsoft и Google. На пример, во декември 2020 г.
Софтверските решенија специфични за употреба ги зголемуваат подобрувањата во употребливоста.
Софтверски апартмани специфични за употреба, како што се оние што се фокусирани на предвидливо одржување, стануваат се почести. IoT Analytics забележа дека бројот на даватели на услуги кои користат софтверски решенија за управување со податоци засновани на производи (PDM) се зголемија на 73 во почетокот на 2021 година, како резултат на зголемувањето на различните извори на податоци и употребата на модели пред обука, како и широко распространетото усвојување на технологии за подобрување на податоците.
Фактор 2: Развојот и одржувањето на решенијата за ВИ се поедноставени
Автоматизираното учење на машината (Automl) станува стандарден производ.
Поради комплексноста на задачите поврзани со машинско учење (ML), брзиот раст на апликациите за учење машини создаде потреба од методи за учење на машини што не се во полицата што можат да се користат без експертиза. Добиената област на истражување, прогресивна автоматизација за машинско учење, се нарекува Automl. Различни компании ја користат оваа технологија како дел од нивните понуди за АИ за да им помогнат на клиентите да развиваат модели на МЛ и побрзо да спроведуваат случаи на индустриска употреба. Во ноември 2020 година, на пример, SKF објави автоматски базиран производ кој комбинира податоци за машински процеси со податоци за вибрации и температура за да ги намали трошоците и да овозможи нови деловни модели за клиентите.
Операции за машинско учење (ML OPS) го поедноставуваат управувањето и одржувањето на моделот.
Новата дисциплина на операциите за машинско учење има за цел да го поедностави одржувањето на моделите за ВИ во производните околини. Изведбата на моделот АИ обично се деградира со текот на времето, бидејќи е под влијание на неколку фактори во рамките на растението (на пример, промени во дистрибуцијата на податоци и стандардите за квалитет). Како резултат, операциите за одржување на моделот и машинско учење станаа неопходни за да се исполнат високо -квалитетни барања на индустриските средини (на пример, моделите со перформанси под 99% може да не успеат да го идентификуваат однесувањето што ја загрозува безбедноста на работниците).
Во последниве години, многу стартапи се приклучија на просторот ML OPS, вклучувајќи ги DataRobot, Grid.ai, Pinecone/Zilliz, Seldon, and Tightes & Biases. Воспоставените компании додадоа операции за машинско учење во постојните понуди за софтвер за АИ, вклучувајќи го и Мајкрософт, кои воведоа откривање на податоци за наноси на податоци во Azure ML Studio. Оваа нова функција им овозможува на корисниците да откриваат промени во дистрибуцијата на влезни податоци што ги деградираат перформансите на моделот.
Фактор 3: Вештачка интелигенција применета за постојни апликации и случаи на употреба
Традиционалните даватели на софтвер додаваат можности за ВИ.
Покрај постојните големи хоризонтални софтверски алатки за АИ, како што се MS Azure ML, AWS Sagemaker и Google Cloud Vertex AI, традиционалните софтверски апартмани, како што се компјутеризирани системи за управување со одржување (CAMS), системите за производство на извршување (MES) или планирање на ресурси на Enterprise (ERP) сега можат значително да се подобрат со инјектирање на можностите за AI. На пример, ERP -провајдерот Epicor Software додава можности за АИ на постојните производи преку неговиот виртуелен асистент на епикор (ЕВА). Интелигентните агенти на ЕВА се користат за автоматизирање на процесите на ERP, како што се презакажување на операции за производство или извршување на едноставни прашања (на пример, добивање детали за цените на производот или бројот на достапни делови).
Случаите со индустриска употреба се надградуваат со употреба на AIOT.
Неколку случаи на индустриска употреба се подобруваат со додавање на можности за ВИ во постојната хардвер/софтверска инфраструктура. Ivivivivivivide пример е видот на машината во апликациите за контрола на квалитетот. Традиционалните машински визии системи ги обработуваат сликите преку интегрирани или дискретни компјутери опремени со специјализиран софтвер кој ги проценува предодредените параметри и прагови (на пр., Висок контраст) за да се утврди дали предметите покажуваат дефекти. Во многу случаи (на пример, електронски компоненти со различни облици на жици), бројот на лажни позитиви е многу голем.
Сепак, овие системи се оживуваат преку вештачка интелигенција. На пример, давателот на визија за индустриска машина 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 исполнат бараните медицински и електронски околини за кои е потребно точно мерење на гребнатини, загадување и други дефекти.
Фактор 4: Индустрискиот Aiot хардвер се подобрува
АИ чиповите се подобруваат брзо.
Вградените хардверски чипови на АИ рапидно растат, со различни опции на располагање за поддршка на развојот и распоредувањето на моделите на АИ. Примерите вклучуваат најнови единици за обработка на графики на NVIDIA (GPU), A30 и A10, кои беа воведени во март 2021 година и се погодни за случаи на употреба на АИ, како што се системи за препораки и системи за компјутерски визии. Друг пример е единиците за обработка на тресери од четврта генерација на Google (TPU), кои се моќни интегрирани кола со посебна намена (ASIC) кои можат да постигнат до 1.000 пати поголема ефикасност и брзина во развојот на моделот и распоредувањето за специфични оптоварувања на АИ (на пр., Откривање на објекти, класификација на слики и репер за препораки). Користењето на посветен хардвер за АИ го намалува времето за пресметување на моделот од денови во минути и се покажа како менувач на игри во многу случаи.
Моќен хардвер за АИ е веднаш достапен преку модел за плаќање по употреба.
Претпријатијата SuperScale постојано ги надградуваат своите сервери за да ги направат компјутерските ресурси достапни во облакот, така што крајните корисници можат да спроведат индустриски апликации за АИ. Во ноември 2021 година, на пример, AWS го објави официјалното објавување на најновите примери засновани на графички процесор, Amazon EC2 G5, напојуван од NVIDIA A10G Tensor Core GPU, за најразлични апликации ML, вклучувајќи компјутерски визии и препораки. На пример, давателот на системи за откривање Nanotonics користи примери на Amazon EC2 на своето решение за контрола на квалитетот засновано на AI за да ги забрза напорите за обработка и да постигне поточни стапки на откривање во производството на микрочипови и наноцевки.
Заклучок и перспектива
АИ излегува од фабриката и ќе биде сеприсутен во нови апликации, како што е PDM-базиран на АИ, и како додатоци на постојниот софтвер и случаи на употреба. Големите претпријатија испуштаат неколку случаи на употреба на АИ и известуваат за успех, а повеќето проекти имаат голем поврат на инвестицијата. Сè на сè, порастот на платформите за облак, IoT и моќните чипови за АИ обезбедува платформа за нова генерација на софтвер и оптимизација.
Време на објавување: Јануари-12-2022