Според наскоро публикувания Индустриален ИИ и пазарен доклад за ИИ за 2021-2026 г. степента на внедряване на ИИ в индустриални настройки се е увеличила от 19 процента на 31 процента за малко повече от две години.В допълнение към 31 процента от респондентите, които са въвели напълно или частично AI в своите операции, други 39 процента в момента тестват или пилотират технологията.
AI се очертава като ключова технология за производителите и енергийните компании по целия свят и анализът на IoT прогнозира, че пазарът на индустриални AI решения ще покаже силен годишен темп на растеж след пандемията (CAGR) от 35%, за да достигне 102,17 милиарда долара до 2026 г.
Дигиталната ера роди Интернет на нещата.Вижда се, че появата на изкуствения интелект ускори темпото на развитие на Интернет на нещата.
Нека да разгледаме някои от факторите, движещи възхода на индустриалния AI и AIoT.
Фактор 1: Все повече софтуерни инструменти за индустриален AIoT
През 2019 г., когато анализите на Iot започнаха да обхващат индустриалния AI, имаше малко специализирани софтуерни продукти за AI от доставчици на оперативни технологии (OT).Оттогава много доставчици на OT навлязоха на пазара на AI чрез разработване и предоставяне на софтуерни решения за 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 увеличи драстично през последните две години.По време на проучването IoT Analytics идентифицира 634 доставчици на AI технология за производители/промишлени клиенти.От тези компании 389 (61,4%) предлагат AI софтуер.
Новата софтуерна платформа за AI се фокусира върху индустриални среди.Освен Uptake, Braincube или C3 AI, нарастващ брой доставчици на оперативни технологии (OT) предлагат специализирани софтуерни платформи за AI.Примерите включват пакета Genix за промишлени анализи и изкуствен интелект на ABB, пакета FactoryTalk Innovation на Rockwell Automation, собствената платформа за консултации на производството на Schneider Electric и отскоро специфични добавки.Някои от тези платформи са насочени към широк спектър от случаи на употреба.Например, платформата Genix на АББ предоставя усъвършенствани анализи, включително предварително изградени приложения и услуги за управление на оперативната ефективност, интегритет на активите, устойчивост и ефективност на веригата за доставки.
Големите компании пускат своите софтуерни инструменти за изкуствен интелект в магазините.
Наличието на софтуерни инструменти за изкуствен интелект също се ръководи 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 адаптивни решения за най-често срещаните случаи на индустриална употреба, като PdM, компютърно зрение и автономно шофиране, Разполагане с само с няколко щраквания.
Софтуерните решения, специфични за конкретния случай на употреба, водят до подобрения в използваемостта.
Софтуерните пакети, специфични за конкретния случай на употреба, като тези, фокусирани върху предсказуема поддръжка, стават все по-често срещани.IoT Analytics отбеляза, че броят на доставчиците, използващи базирани на изкуствен интелект софтуерни решения за управление на данни за продукти (PdM), е нараснал до 73 в началото на 2021 г. поради увеличаването на разнообразието от източници на данни и използването на модели за предварително обучение, както и широко разпространеното приемане на технологии за подобряване на данните.
Фактор 2: Разработката и поддръжката 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 необходимост от готови методи за машинно обучение, които могат да се използват без опит.Получената област на изследване, прогресивна автоматизация за машинно обучение, се нарича AutoML.Различни компании използват тази технология като част от своите AI предложения, за да помогнат на клиентите да разработят ML модели и да внедрят по-бързо случаи на промишлена употреба.През ноември 2020 г., например, SKF обяви базиран на automL продукт, 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 модела.
Новата дисциплина на операциите за машинно обучение има за цел да опрости поддръжката на AI модели в производствени среди.Производителността на AI модел обикновено се влошава с течение на времето, тъй като се влияе от няколко фактора в завода (например промени в разпространението на данни и стандартите за качество).В резултат на това поддръжката на модела и операциите по машинно обучение станаха необходими, за да се отговори на изискванията за високо качество на индустриалната среда (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 са добавили операции за машинно обучение към своите съществуващи софтуерни предложения за AI, включително Microsoft, която въведе откриване на отклонение 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 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 пакети като Computerized Maintenance Management Systems (CAMMS), Manufacturing Execution Systems (MES) или Enterprise Resource Planning (ERP) вече могат да бъдат значително подобрени чрез инжектиране на AI способности.Например доставчикът на ERP софтуер Epicor Software добавя AI възможности към своите съществуващи продукти чрез своя виртуален асистент Epicor (EVA).Интелигентните EVA агенти се използват за автоматизиране на ERP процеси, като пренасрочване 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 чрез използване 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 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 голям.
Тези системи обаче се възраждат чрез изкуствен интелект.Например, доставчикът на индустриални машини Vision Cognex пусна нов инструмент за задълбочено обучение (Vision Pro Deep Learning 2.0) през юли 2021 г. Новите инструменти се интегрират с традиционни системи за зрение, което позволява на крайните потребители да комбинират задълбочено обучение с традиционни инструменти за зрение в едно и също 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 се разрастват бързо, с различни налични опции за подпомагане на разработването и внедряването на AI модели.Примерите включват най-новите графични процесори (Gpus) на NVIDIA, A30 и A10, които бяха представени през март 2021 г. и са подходящи за случаи на използване на AI, като системи за препоръки и системи за компютърно зрение.Друг пример са четвъртото поколение модули за обработка на тензори (TPus) на Google, които са мощни интегрални схеми със специално предназначение (ASics), които могат да постигнат до 1000 пъти по-голяма ефективност и скорост при разработването и внедряването на модели за специфични натоварвания на AI (напр. откриване на обекти , класификация на изображенията и показатели за препоръки).Използването на специален хардуер с изкуствен интелект намалява времето за изчисление на модела от дни до минути и в много случаи се оказа, че променя играта.
Мощен AI хардуер е незабавно достъпен чрез модел за плащане при използване.
Супермащабните предприятия непрекъснато надграждат своите сървъри, за да направят изчислителните ресурси достъпни в облака, така че крайните потребители да могат да внедряват индустриални AI приложения.През ноември 2021 г., например, AWS обяви официалното пускане на своите най-нови GPU-базирани копия, Amazon EC2 G5, захранвани от NVIDIA A10G Tensor Core GPU, за различни ML приложения, включително компютърно зрение и двигатели за препоръки.Например, доставчикът на системи за откриване Nanotronics използва примери от Amazon EC2 за своето базирано на AI решение за контрол на качеството, за да ускори усилията за обработка и да постигне по-точни нива на откриване при производството на микрочипове и нанотръби.
Заключение и перспектива
AI излиза от фабриката и ще бъде повсеместен в нови приложения, като например базиран на AI PdM, и като подобрения на съществуващ софтуер и случаи на употреба.Големите предприятия пускат няколко случая на използване на AI и отчитат успех, а повечето проекти имат висока възвръщаемост на инвестициите.Като цяло възходът на облака, iot платформите и мощните AI чипове предоставя платформа за ново поколение софтуер и оптимизация.
Време на публикуване: 12 януари 2022 г