Според наскоро публикувания Доклад за индустриалния изкуствен интелект и пазара на изкуствен интелект за периода 2021-2026 г., процентът на внедряване на изкуствен интелект в индустриалните условия се е увеличил от 19% на 31% за малко повече от две години. В допълнение към 31% от анкетираните, които са внедрили изцяло или частично изкуствен интелект в своите операции, други 39% в момента тестват или пилотират технологията.
Изкуственият интелект (ИИ) се очертава като ключова технология за производителите и енергийните компании по целия свят, а анализът на Интернет на нещата (IoT) прогнозира, че пазарът на индустриални ИИ решения ще покаже силен постпандемичен сложен годишен темп на растеж (CAGR) от 35%, за да достигне 102,17 милиарда долара до 2026 г.
Дигиталната ера роди Интернет на нещата. Може да се види, че появата на изкуствен интелект ускори темпото на развитие на Интернет на нещата.
Нека разгледаме някои от факторите, които движат възхода на индустриалния изкуствен интелект и изкуствения интернет на нещата (AIoT).
Фактор 1: Все повече софтуерни инструменти за индустриален ИИоТ
През 2019 г., когато IoT анализите започнаха да обхващат индустриалния ИИ, имаше малко специализирани софтуерни продукти за ИИ от доставчици на оперативни технологии (OT). Оттогава много доставчици на OT навлязоха на пазара на ИИ, като разработиха и предоставиха софтуерни решения за ИИ под формата на ИИ платформи за фабрично производство.
Според данни, близо 400 доставчици предлагат AIoT софтуер. Броят на доставчиците на софтуер, присъединяващи се към пазара на индустриален изкуствен интелект, се е увеличил драстично през последните две години. По време на проучването IoT Analytics идентифицира 634 доставчици на AI технологии за производители/индустриални клиенти. От тези компании 389 (61,4%) предлагат AI софтуер.
Новата софтуерна платформа за изкуствен интелект (ИИ) се фокусира върху индустриални среди. Освен Uptake, Braincube или C3 AI, все по-голям брой доставчици на оперативни технологии (OT) предлагат специализирани софтуерни платформи за ИИ. Примерите включват пакета за анализи и ИИ Genix на ABB, пакета FactoryTalk Innovation на Rockwell Automation, собствената платформа за производствени консултации на Schneider Electric и, напоследък, специфични добавки. Някои от тези платформи са насочени към широк спектър от случаи на употреба. Например, платформата Genix на ABB предоставя разширена аналитика, включително предварително изградени приложения и услуги за управление на оперативната производителност, целостта на активите, устойчивостта и ефективността на веригата за доставки.
Големите компании пускат своите софтуерни инструменти за изкуствен интелект в производствените цехове.
Наличието на софтуерни инструменти за изкуствен интелект се обуславя и от нови софтуерни инструменти, специфични за конкретни случаи на употреба, разработени от AWS, големи компании като Microsoft и Google. Например, през декември 2020 г. AWS пусна Amazon SageMaker JumpStart, функция на Amazon SageMaker, която предоставя набор от предварително изградени и персонализируеми решения за най-често срещаните индустриални случаи на употреба, като PdM, компютърно зрение и автономно шофиране. Разгръщането е възможно само с няколко кликвания.
Софтуерните решения, специфични за конкретния случай на употреба, водят до подобрения в използваемостта.
Специфичните за конкретни случаи на употреба софтуерни пакети, като например тези, фокусирани върху прогнозна поддръжка, стават все по-разпространени. IoT Analytics наблюдава, че броят на доставчиците, използващи софтуерни решения за управление на продуктови данни (PdM), базирани на изкуствен интелект, се е увеличил 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 разпространение на технологии за подобряване на данните.
Фактор 2: Разработването и поддръжката на решения с изкуствен интелект се опростяват
Автоматизираното машинно обучение (AutoML) се превръща в стандартен продукт.
Поради сложността на задачите, свързани с машинното обучение (МО), бързият растеж на приложенията за машинно обучение създаде необходимост от готови методи за машинно обучение, които могат да се използват без експертни познания. Получената област на изследване, прогресивна автоматизация за машинно обучение, се нарича AutoML. Различни компании използват тази технология като част от своите предложения за изкуствен интелект, за да помогнат на клиентите да разработват модели на МО и да внедряват по-бързо индустриални случаи на употреба. През ноември 2020 г. например SKF обяви продукт, базиран на automL, който комбинира данни за машинни процеси с данни за вибрации и температура, за да намали разходите и да даде възможност за нови бизнес модели за клиентите.
Операциите за машинно обучение (ML Ops) опростяват управлението и поддръжката на моделите.
Новата дисциплина на операциите по машинно обучение има за цел да опрости поддръжката на модели с изкуствен интелект в производствени среди. Производителността на един модел с изкуствен интелект обикновено се влошава с времето, тъй като е повлияна от няколко фактора в завода (например промени в разпределението на данните и стандартите за качество). В резултат на това поддръжката на моделите и операциите по машинно обучение са станали необходими, за да се отговорят на високите изисквания за качество в индустриалните среди (например, модели с производителност под 99% може да не успеят да идентифицират поведение, което застрашава безопасността на работниците).
През последните години много стартиращи компании се присъединиха към пространството на ML Ops, включително DataRobot, Grid.AI, Pinecone/Zilliz, Seldon и Weights & Biases. Утвърдени компании добавиха операции за машинно обучение към съществуващите си предложения за AI софтуер, включително Microsoft, която въведе откриване на дрейф на данни в Azure ML Studio. Тази нова функция позволява на потребителите да откриват промени в разпределението на входните данни, които влошават производителността на модела.
Фактор 3: Изкуствен интелект, приложен към съществуващи приложения и случаи на употреба
Традиционните доставчици на софтуер добавят възможности за изкуствен интелект.
В допълнение към съществуващите големи хоризонтални софтуерни инструменти с изкуствен интелект, като MS Azure ML, AWS SageMaker и Google Cloud Vertex AI, традиционните софтуерни пакети като компютъризирани системи за управление на поддръжката (CAMMS), системи за изпълнение на производството (MES) или планиране на ресурсите на предприятието (ERP) вече могат да бъдат значително подобрени чрез инжектиране на възможности с изкуствен интелект. Например, доставчикът на ERP системи Epicor Software добавя възможности с изкуствен интелект към съществуващите си продукти чрез своя Epicor Virtual Assistant (EVA). Интелигентните EVA агенти се използват за автоматизиране на ERP процесите, като например препланиране на производствените операции или извършване на прости заявки (например получаване на подробности за цените на продуктите или броя на наличните части).
Индустриалните случаи на употреба се надграждат чрез използване на AIoT.
Няколко индустриални случая на употреба се подобряват чрез добавяне на възможности за изкуствен интелект към съществуващата хардуерна/софтуерна инфраструктура. Ярък пример е машинното зрение в приложенията за контрол на качеството. Традиционните системи за машинно зрение обработват изображения чрез интегрирани или дискретни компютри, оборудвани със специализиран софтуер, който оценява предварително определени параметри и прагове (напр. висок контраст), за да определи дали обектите показват дефекти. В много случаи (например електронни компоненти с различни форми на окабеляване) броят на фалшивите положителни резултати е много висок.
Тези системи обаче се възраждат чрез изкуствен интелект. Например, доставчикът на индустриално машинно зрение 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, позволявайки на крайните потребители да комбинират дълбоко обучение с традиционни инструменти за зрение в едно и също приложение, за да отговорят на взискателните медицински и електронни среди, които изискват точно измерване на драскотини, замърсявания и други дефекти.
Фактор 4: Подобряване на индустриалния AIoT хардуер
Чиповете с изкуствен интелект се усъвършенстват бързо.
Вградените хардуерни чипове за изкуствен интелект се разрастват бързо, с разнообразие от опции, налични за поддръжка на разработването и внедряването на модели с изкуствен интелект. Примерите включват най-новите графични процесори (GPU) на NVIDIA, A30 и A10, които бяха представени през март 2021 г. и са подходящи за случаи на употреба на изкуствен интелект, като например системи за препоръки и системи за компютърно зрение. Друг пример са тензорните процесори (TPus) от четвърто поколение на Google, които са мощни интегрални схеми със специално предназначение (ASic), които могат да постигнат до 1000 пъти по-голяма ефективност и скорост при разработването и внедряването на модели за специфични натоварвания с изкуствен интелект (напр. откриване на обекти, класификация на изображения и бенчмаркове за препоръки). Използването на специализиран хардуер за изкуствен интелект намалява времето за изчисляване на модели от дни на минути и в много случаи се е доказало като революционно.
Мощният AI хардуер е незабавно достъпен чрез модел „плащане при употреба“.
Супермащабните предприятия непрекъснато обновяват сървърите си, за да предоставят изчислителни ресурси в облака, така че крайните потребители да могат да внедряват индустриални приложения с изкуствен интелект. През ноември 2021 г. например AWS обяви официалното пускане на най-новите си инстанции, базирани на графичен процесор (GPU), Amazon EC2 G5, захранвани от графичния процесор NVIDIA A10G Tensor Core, за различни приложения за машинно обучение (ML), включително компютърно зрение и двигатели за препоръки. Например, доставчикът на системи за откриване Nanotronics използва примери на Amazon EC2 от своето решение за контрол на качеството, базирано на изкуствен интелект, за да ускори обработката и да постигне по-точни нива на откриване при производството на микрочипове и нанотръби.
Заключение и перспектива
Изкуственият интелект (ИИ) излиза от завода и ще бъде повсеместен в нови приложения, като например PdM, базиран на ИИ, и като подобрения на съществуващ софтуер и сценарии на употреба. Големите предприятия въвеждат няколко сценария на употреба на ИИ и отчитат успех, а повечето проекти имат висока възвръщаемост на инвестициите. Като цяло, възходът на облачните услуги, IoT платформите и мощните ИИ чипове осигурява платформа за ново поколение софтуер и оптимизация.
Време на публикуване: 12 януари 2022 г.