Според наскоро издадения доклад за индустриалния AI и AI пазар 2021-2026, процентът на приемане на AI в индустриалните настройки се е увеличил от 19 процента на 31 процента за малко повече от две години. В допълнение към 31 процента от анкетираните, които напълно или частично са разгърнали AI в своите операции, в момента още 39 процента тестват или пилотират технологията.
AI се очертава като ключова технология за производителите и енергийните компании по целия свят, а IoT анализът прогнозира, че пазарът на индустриални AI решения ще покаже силен годишен темп на растеж след пандемични съединения (CAGR) от 35%, за да достигне 102,17 милиарда долара до 2026 г.
Дигиталната епоха е родила Интернет на нещата. Вижда се, че появата на изкуствен интелект ускори темпото на развитието на Интернет на нещата.
Нека да разгледаме някои от факторите, движещи възхода на индустриалния AI и Aiot.
Фактор 1: Все повече и повече софтуерни инструменти за индустриален Aiot
През 2019 г., когато IoT Analytics започна да обхваща индустриалния AI, имаше малко специализирани софтуерни продукти на AI от доставчици на оперативни технологии (OT). Оттогава много доставчици на ОТ навлизат на пазара на AI, като разработват и предоставят софтуерни решения на AI под формата на AI платформи за фабричния етаж.
Според данни близо 400 доставчици предлагат AIOT софтуер. Броят на доставчиците на софтуер, които се присъединяват към индустриалния AI пазар, се е увеличил драстично през последните две години. По време на проучването IoT Analytics идентифицира 634 доставчици на AI технология на производители/индустриални клиенти. От тези компании 389 (61,4%) предлагат AI софтуер.
Новата софтуерна платформа AI се фокусира върху индустриалната среда. Отвъд поглъщането, Braincube или C3 AI, все по -голям брой доставчици на оперативна технология (OT) предлагат специални софтуерни платформи AI. Примерите включват индустриалната анализа на ABB Genix и AI Suite, FactoryTalk Innovation Suite на Rockwell Automation, собствената платформа за консултантски производствен консултант на Schneider Electric и по-скоро специфични добавки. Някои от тези платформи са насочени към широк спектър от случаи на използване. Например платформата Genix на ABB предоставя усъвършенствана анализа, включително предварително изградени приложения и услуги за управление на оперативни резултати, цялост на активите, устойчивост и ефективност на веригата на доставки.
Големите компании поставят своите софтуерни инструменти на AI на магазина.
Наличието на софтуерни инструменти на AI се ръководи и от нови софтуерни инструменти, специфични за използването, разработени от AWS, големи компании като Microsoft и Google. Например през декември 2020 г. AWS пусна Amazon Sagemaker Jumpstart, характеристика на Amazon Sagemaker, която предоставя набор от предварително изградени и персонализирани решения за най-често срещаните случаи на индустриална употреба, като PDM, компютърно зрение и автономно шофиране, разгърнете само с няколко кликвания.
Специфичните за използването софтуерни решения стимулират подобренията на използваемостта.
Специфичните за използването софтуерни апартаменти, като тези, фокусирани върху прогнозната поддръжка, стават все по-често срещани. IoT Analytics отбеляза, че броят на доставчиците, използващи софтуерни решения за управление на данни, базирани на AI (PDM), нараства до 73 в началото на 2021 г. поради увеличаване на разнообразието от източници на данни и използването на модели за предварително обучение, както и широкото приемане на технологии за подобряване на данните.
Фактор 2: Разработването и поддържането на AI решения се опростяват
Автоматизираното машинно обучение (Automl) се превръща в стандартен продукт.
Поради сложността на задачите, свързани с машинното обучение (ML), бързият растеж на приложенията за машинно обучение създаде нужда от методи за машинно обучение извън рафта, които могат да се използват без опит. Получената област на изследване, прогресивна автоматизация за машинно обучение, се нарича Automl. Разнообразие от компании използват тази технология като част от своите AI предложения, за да помогнат на клиентите да разработят ML модели и да прилагат по -бързо случаи на индустриална употреба. През ноември 2020 г., например, SKF обяви продукт, базиран на Automl, който комбинира данни за машинните процеси с данни за вибрации и температура, за да намали разходите и да даде възможност на нови бизнес модели за клиентите.
Операциите за машинно обучение (ML OPS) опростяват управлението и поддръжката на модела.
Новата дисциплина на операциите по машинно обучение има за цел да опрости поддържането на AI модели в производствената среда. Производителността на AI модел обикновено се разгражда с течение на времето, тъй като се влияе от няколко фактора в растението (например промени в разпределението на данните и стандартите за качество). В резултат на това са необходими операции за поддръжка на модела и машинно обучение, за да се отговори на висококачествените изисквания на индустриалната среда (например модели с производителност под 99% могат да не идентифицират поведението, което застрашава безопасността на работниците).
През последните години много стартъпи се присъединиха към пространството на ML OPS, включително Datarobot, Grid.ai, Pinecone/Zilliz, Seldon и тежести и пристрастия. Установените компании са добавили операции за машинно обучение към съществуващите си софтуерни предложения на AI, включително Microsoft, които въведоха откриване на Data Drift в Azure ML Studio. Тази нова функция дава възможност на потребителите да открият промени в разпределението на входните данни, които влошават производителността на модела.
Фактор 3: Изкуственият интелект, прилаган за съществуващи приложения и случаи на използване
Традиционните доставчици на софтуер добавят възможности за AI.
В допълнение към съществуващите големи хоризонтални AI софтуерни инструменти като MS Azure ML, AWS Sagemaker и Google Cloud Vertex AI, традиционните софтуерни апартаменти като компютърни системи за управление на поддръжката (CAMM), системите за изпълнение на производството (MES) или планирането на корпоративни ресурси (ERP) вече могат да бъдат подобрени чрез инжектиране на AI възможности. Например, ERP доставчикът Epicor Software добавя възможности за AI към съществуващите си продукти чрез своя Epicor Virtual Assistant (EVA). Интелигентните агенти на EVA се използват за автоматизиране на ERP процеси, като например пренастрояване на производствени операции или извършване на прости заявки (например получаване на подробности за ценообразуването на продукта или броя на наличните части).
Случаите за индустриална употреба се надграждат с помощта на AIOT.
Няколко случая на индустриална употреба се подобряват чрез добавяне на възможности за AI към съществуващата хардуерна/софтуерна инфраструктура. Ярък пример е машинното зрение в приложенията за контрол на качеството. Традиционните системи за машинно виждане обработват изображения чрез интегрирани или дискретни компютри, оборудвани със специализиран софтуер, който оценява предварително определени параметри и прагове (напр. Високи контраст), за да се определи дали обектите проявяват дефекти. В много случаи (например електронните компоненти с различни форми на окабеляване), броят на фалшивите позитиви е много висок.
Тези системи обаче се възраждат чрез изкуствен интелект. Например, доставчикът на индустриално машинно виждане Cognex пусна нов инструмент за дълбоко обучение (Vision Pro Deep Learning 2.0) през юли 2021 г. Новите инструменти се интегрират с традиционните системи за зрение, което позволява на крайните потребители да комбинират дълбоко обучение с традиционните инструменти за зрение в същото приложение, за да отговарят на взискателни медицински и електронни среди, които изискват точно измерване на драскотини, замърсяване и други дефекти.
Фактор 4: Индустриален AIOT хардуер се подобрява
AI чиповете се подобряват бързо.
Вградените хардуерни AI чипове нарастват бързо, с разнообразни опции, които да поддържат разработването и внедряването на AI модели. Примерите включват най -новите графични единици за обработка на графики (GPU), A30 и A10, които бяха въведени през март 2021 г. и са подходящи за случаи на използване на AI, като системи за препоръки и системи за компютърно виждане. Друг пример са тензорите за обработка на тензори от четвърто поколение на Google (TPU), които са мощни интегрални схеми със специално предназначение (ASIC), които могат да постигнат до 1000 пъти повече ефективност и скорост в разработването и разработването на модела за специфични натоварвания на AI (напр. Откриване на обекти, класификация на изображенията и препоръчителни показатели). Използването на специален хардуер на AI намалява времето за изчисляване на модела от дни на минути и се оказа, че в много случаи е смяна на играта.
Мощният AI хардуер е незабавно достъпен чрез модел на плащане за употреба.
SuperScale Enterprises непрекъснато надграждат своите сървъри, за да предоставят компютърните ресурси достъпни в облака, така че крайните потребители да могат да внедряват индустриални AI приложения. През ноември 2021 г., например, AWS обяви официалното издание на най-новите си случаи на GPU, Amazon EC2 G5, захранван от NVIDIA A10G Tensor Core GPU, за различни ML приложения, включително компютърно зрение и препоръчителни двигатели. Например, доставчикът на системи за откриване Nanotronics използва примери на Amazon EC2 за своето решение за контрол на качеството, базирано на AI, за да ускори усилията за обработка и да постигне по-точни проценти на откриване при производството на микрочипове и нанотръби.
Заключение и перспектива
AI излиза от фабриката и ще бъде повсеместно в нови приложения, като AI-базирана PDM, и като подобрения в съществуващите случаи на софтуер и използване. Големите предприятия разгръщат няколко случая на използване на AI и отчитат успех, а повечето проекти имат висока възвръщаемост на инвестициите. Като цяло, издигането на облака, IoT платформи и мощни AI чипове осигурява платформа за ново поколение софтуер и оптимизация.
Време за публикация: януари-12-2022