Според неодамна објавениот Извештај за пазарот за индустриска вештачка интелигенција и вештачка интелигенција 2021-2026 година, стапката на усвојување на вештачката интелигенција во индустриските поставки се зголеми од 19 отсто на 31 отсто за нешто повеќе од две години. Покрај 31 процент од испитаниците кои целосно или делумно ја искористиле вештачката интелигенција во нивните операции, уште 39 проценти моментално ја тестираат или пилотираат технологијата.
Вештачката интелигенција се појавува како клучна технологија за производителите и енергетските компании ширум светот, а IoT анализата предвидува дека пазарот на индустриски решенија за вештачка интелигенција ќе покаже силна постпандемична годишна стапка на раст (CAGR) од 35% за да достигне 102,17 милијарди долари до 2026 година.
Дигиталната ера го роди Интернетот на нештата. Може да се види дека појавата на вештачката интелигенција го забрза темпото на развој на Интернет на нештата.
Ајде да погледнеме во некои од факторите кои го поттикнуваат порастот на индустриската вештачка интелигенција и AIoT.
Фактор 1: Се повеќе софтверски алатки за индустриски AIoT
Во 2019 година, кога аналитиката на Iot почна да покрива индустриска вештачка интелигенција, имаше неколку посветени софтверски производи за вештачка интелигенција од продавачи на оперативна технологија (ОТ). Оттогаш, многу продавачи на ОТ влегоа на пазарот на вештачка интелигенција со развивање и обезбедување софтверски решенија за вештачка интелигенција во форма на платформи за вештачка интелигенција за фабричките подови.
Според податоците, речиси 400 продавачи нудат AIoT софтвер. Бројот на продавачи на софтвер кои се приклучија на пазарот на индустриска вештачка интелигенција драстично се зголеми во изминатите две години. За време на студијата, IoT Analytics идентификуваше 634 добавувачи на технологија за вештачка интелигенција на 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. Надвор од Uptake, Braincube или C3 AI, се поголем број продавачи на оперативна технологија (OT) нудат наменски софтверски платформи за вештачка интелигенција. Примерите вклучуваат Genix Industrial Analytics and AI пакет на ABB, пакетот FactoryTalk Innovation на Rockwell Automation, сопствената консултантска платформа за производство на Schneider Electric и од неодамна специфични додатоци. Некои од овие платформи се насочени кон широк опсег 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 средства, одржливост и ефикасност на синџирот на снабдување.
Големите компании ги ставаат своите софтверски алатки за ai на пазарот.
Достапноста на софтверските алатки на ai е исто така поттикната од новите софтверски алатки специфични за случаи на употреба развиени од AWS, големи компании како Microsoft и Google. На пример, во декември 2020 година, AWS го објави Amazon SageMaker JumpStart, карактеристика на Amazon SageMaker која обезбедува збир на претходно изградени и приспособливи решенија за најчестите случаи за индустриска употреба, како што се PdM, компјутерска визија и автономно возење, распоредете со само неколку кликања.
Софтверските решенија специфични за секој случај предизвикуваат подобрувања на употребливоста.
Софтверските пакети специфични за секој случај, како што се оние фокусирани на предвидливо одржување, стануваат се почести. IoT Analytics забележа дека бројот на провајдери кои користат софтверски решенија за управување со податоци за производи базирани на вештачка интелигенција (PdM) се искачи на 73 на почетокот на 2021 година поради зголемувањето на разновидноста на изворите на податоци и употребата на модели пред обука, како и широко распространетата усвојување на технологии за подобрување на податоците.
Фактор 2: Развојот и одржувањето на решенијата за вештачка интелигенција се поедноставуваат
Автоматското машинско учење (AutoML) станува стандарден производ.
Поради сложеноста на задачите поврзани со машинското учење (ML), брзиот раст на апликациите за машинско учење создаде потреба за методи за машинско учење што може да се користат без експертиза. Резултирачкото поле на истражување, прогресивната 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 развијат ML модели и побрзо да ги имплементираат случаите за индустриска употреба. Во ноември 2020 година, на пример, SKF објави производ базиран на автоматско производство што ги комбинира податоците од машинскиот процес со податоците за вибрациите и температурата за да ги намали трошоците и да овозможи нови деловни модели за клиентите.
Операциите за машинско учење (ML Ops) го поедноставуваат управувањето и одржувањето на моделот.
Новата дисциплина на операции за машинско учење има за цел да го поедностави одржувањето на моделите со вештачка интелигенција во производните средини. Перформансите на моделот со вештачка интелигенција обично се деградираат со текот на времето бидејќи на него влијаат неколку фактори во фабриката (на пример, промени во дистрибуцијата на податоците и стандардите за квалитет). Како резултат на тоа, операциите за одржување на модели и машинско учење станаа неопходни за да се исполнат барањата за висок квалитет 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 и Weights & Biases. Етаблираните компании додадоа операции за машинско учење на нивните постоечки софтверски понуди за вештачка интелигенција, вклучително и Мајкрософт, кој воведе откривање на поместување податоци во Azure ML Studio. Оваа нова функција им овозможува на корисниците да детектираат промени во дистрибуцијата на влезните податоци што ги влошуваат перформансите на моделот.
Фактор 3: Вештачка интелигенција применета на постоечки апликации и случаи на употреба
Традиционалните провајдери на софтвер додаваат способности за вештачка интелигенција.
Покрај постоечките 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 системи за управување со компјутеризирано одржување (CAMMS), системи за извршување на производството (MES) или планирање на ресурси на претпријатието (ERP) сега може значително да се подобри со инјектирање на способности за вештачка интелигенција. На пример, провајдерот ERP, Epicor Software, додава способности за вештачка интелигенција на своите постоечки производи преку својот виртуелен асистент Epicor (EVA). Интелигентните EVA агенти се користат за автоматизирање на процесите на ERP, како што се презакажување производствени операции или извршување едноставни прашања (на пример, добивање детали за цените на производот или бројот на достапни делови).
Случаите за индустриска употреба се надградуваат со користење на AIoT.
Неколку случаи на индустриска употреба се подобруваат со додавање на способности за вештачка интелигенција на постојната хардверска/софтверска инфраструктура. Жив пример е машинската визија во апликациите за контрола на квалитетот. Традиционалните системи за машинско гледање обработуваат слики преку интегрирани или дискретни компјутери опремени со специјализиран софтвер кој проценува однапред одредени параметри и прагови (на пр. висок контраст) за да одреди дали предметите 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 оживуваат преку вештачката интелигенција. На пример, провајдерот на индустриски машини Vision 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 вид, овозможувајќи им на крајните корисници да комбинираат длабоко учење со традиционални алатки за видување во истата апликација за задоволете барајќи медицински и електронски средини кои бараат точно мерење на гребнатини, контаминација и други дефекти.
Фактор 4: Се подобрува индустрискиот AIoT хардвер
Чиповите со вештачка интелигенција брзо се подобруваат.
Вградените хардверски чипови со вештачка интелигенција рапидно растат, со различни опции достапни за поддршка на развојот и распоредувањето на модели со вештачка интелигенција. Примерите ги вклучуваат најновите единици за графичка обработка на NVIDIA (Gpus), A30 и A10, кои беа претставени 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 единиците за обработка на тензори (TPus) на Google од четвртата генерација, кои се моќни интегрирани кола за специјална намена (ASics) кои можат да постигнат до 1.000 пати поголема ефикасност и брзина во развојот и распоредувањето на моделот за специфични оптоварувања со вештачка интелигенција (на пример, откривање објекти , класификација на слики и репери за препораки). Користењето на посветен хардвер со вештачка интелигенција го намалува времето за пресметување на моделот од денови на минути и се покажа дека ја менува играта во многу случаи.
Моќниот хардвер со вештачка интелигенција е веднаш достапен преку моделот плаќање по употреба.
Претпријатијата во суперскале постојано ги надградуваат своите сервери за да ги направат компјутерските ресурси достапни во облакот за крајните корисници да можат да имплементираат индустриски апликации за вештачка интелигенција. Во ноември 2021 година, на пример, AWS го објави официјалното објавување на своите најнови примероци базирани на графички процесор, Amazon EC2 G5, напојуван од NVIDIA A10G Tensor Core GPU, за различни ML апликации, вклучително и мотори за компјутерска визија и препораки. На пример, снабдувачот на системи за откривање Nanotronics користи Amazon EC2 примери на неговото решение за контрола на квалитет базирано на вештачка интелигенција за да ги забрза напорите за обработка и да постигне попрецизни стапки на откривање во производството на микрочипови и наноцевки.
Заклучок и перспектива
Вештачката интелигенција излегува од фабриката и ќе биде сеприсутна во новите апликации, како што е PdM базирана на вештачка интелигенција, и како подобрувања на постоечкиот софтвер и случаи за употреба. Големите претпријатија развиваат неколку случаи на употреба на вештачка интелигенција и известуваат за успех, а повеќето проекти имаат висок поврат на инвестицијата. Сè на сè, подемот на облакот, iot платформите и моќните чипови за вештачка интелигенција обезбедуваат платформа за нова генерација на софтвер и оптимизација.
Време на објавување: Јан-12-2022 година