Podle nedávno vydané zprávy o průmyslovém trhu AI a AI 2021-2026 se míra adopce AI v průmyslových prostředích zvýšila z 19 procent na 31 procent za něco přes dva roky. Kromě 31 procent respondentů, kteří ve svých operacích plně nebo částečně zavedli AI, v současné době testuje nebo pilotuje další 39 procent.
AI se objevuje jako klíčová technologie pro výrobce a energetické společnosti po celém světě a analýza IoT předpovídá, že trh s průmyslovými AI řešeními bude vykazovat silnou postpandemickou složenou roční míru růstu (CAGR) 35% na dosažení 102,17 miliard USD do roku 2026.
Digitální věk porodil internet věcí. Je vidět, že vznik umělé inteligence zrychlil tempo vývoje internetu věcí.
Pojďme se podívat na některé z faktorů, které řídí vzestup průmyslové AI a AIOT.
Faktor 1: Stále více softwarových nástrojů pro průmyslovou AIOT
V roce 2019, kdy Analytics IoT začala pokrývat průmyslovou umělou inteligenci, bylo jen málo vyhrazených softwarových produktů AI z dodavatelů operační technologie (OT). Od té doby mnoho prodejců OT vstoupilo na trh AI vývojem a poskytováním softwarových řešení AI ve formě platforem AI pro tovární podlahu.
Podle dat nabízí téměř 400 dodavatelů software AIOT. Počet prodejců softwaru, který se připojuje na průmyslový trh AI, se v posledních dvou letech dramaticky zvýšil. Během studie IoT Analytics identifikoval 634 dodavatelů technologie AI pro výrobce/průmyslové zákazníky. Z těchto společností nabízí 389 (61,4%) software AI.
Nová softwarová platforma AI se zaměřuje na průmyslová prostředí. Kromě absorpce, BrainCube nebo C3 AI nabízí rostoucí počet dodavatelů operačních technologií (OT) vyhrazených softwarových platforem AI. Mezi příklady patří ABB Genix Industrial Analytics a AI Suite, FactoryTalk Innovation Suite společnosti Rockwell Automation, vlastní výrobní konzultační platforma Schneider Electric a v poslední době specifické doplňky. Některé z těchto platforem se zaměřují na širokou škálu případů použití. Například platforma ABB Genix poskytuje pokročilé analytiky, včetně předem vytvořených aplikací a služeb pro řízení provozního výkonu, integritu aktiv, udržitelnosti a efektivitu dodavatelského řetězce.
Velké společnosti uvádějí své softwarové nástroje AI do obchodu.
Dostupnost softwarových nástrojů AI je také poháněna novými softwarovými nástroji specifickými pro použití AWS, velkými společnostmi, jako jsou Microsoft a Google. Například v prosinci 2020 vydala AWS Amazon SageMaker Jumpstart, funkce Amazon SageMaker, která poskytuje sadu předem vytvořených a přizpůsobitelných řešení pro nejběžnější případy průmyslového použití, jako je PDM, počítačová vidění a autonomní jízda, nasazení s několika kliknutími.
Softwarová řešení specifická pro použití v oblasti použití řídí zlepšení použitelnosti.
Softwarová sada specifická pro použití, jako jsou například ty, které se zaměřují na prediktivní údržbu, se stávají běžnějšími. Analytika IoT pozorovala, že počet poskytovatelů využívajících softwarová řešení pro správu dat založených na AI (PDM) se na začátku roku 2021 zvýšil na 73 v důsledku zvýšení různých zdrojů dat a používání předškolních modelů, jakož i rozšířené přijetí technologií zvyšování dat.
Faktor 2: Vývoj a údržba řešení AI je zjednodušena
Automatizované strojové učení (AUTALL) se stává standardním produktem.
Vzhledem ke složitosti úkolů spojených s strojovým učením (ML) vytvořil rychlý růst aplikací strojového učení potřebu metod strojového učení, které lze použít bez odborných znalostí. Výsledná oblast výzkumu, progresivní automatizace pro strojové učení, se nazývá AUTALL. Řada společností využívá tuto technologii v rámci svých nabídek AI, aby pomohly zákazníkům vyvíjet modely ML a rychleji implementovat případy průmyslového použití. V listopadu 2020 například SKF oznámila produkt založený na automobilu, který kombinuje data strojového procesu s údaji o vibracích a teplotě, aby se snížily náklady a umožnily nové obchodní modely pro zákazníky.
Operace strojového učení (ML OPS) zjednoduší správu a údržbu modelu.
Cílem nové disciplíny operací strojového učení je zjednodušit údržbu modelů AI ve výrobním prostředí. Výkon AI modelu se obvykle postupem času degraduje, protože je ovlivněn několika faktory v závodě (například změny v distribuci dat a standardech kvality). V důsledku toho se staly nezbytné pro splnění vysoce kvalitních požadavků průmyslového prostředí (například modely s výkonem pod 99% mohou selhat při identifikaci chování, které ohrožuje bezpečnost pracovníků).
V posledních letech se mnoho startupů připojilo k prostoru ML OPS, včetně Datarobot, Grid.ai, Pinecone/Zilliz, Seldon a Weights & Biases. Zavedené společnosti přidaly do svých stávajících softwarových nabídek AI operace strojového učení, včetně společnosti Microsoft, který zavedl detekci driftu dat v Azure ML Studio. Tato nová funkce umožňuje uživatelům detekovat změny v distribuci vstupních dat, které zhoršují výkon modelu.
Faktor 3: Umělá inteligence aplikovaná na stávající případy aplikací a použití
Tradiční poskytovatelé softwaru přidávají schopnosti AI.
Kromě existujících velkých horizontálních softwarových nástrojů AI, jako jsou MS Azure ML, AWS SageMaker a Google Cloud Vertex AI, lze nyní tradiční softwarové sady, jako jsou počítačové systémy pro správu údržby (CAMM), výrobní systémy (MES) nebo plánování podnikových zdrojů (ERP) významně vylepšeny injekcí kapacit AI. Například software poskytovatele ERP poskytovatele ERP přidává do svých existujících produktů schopnosti AI prostřednictvím svého virtuálního asistenta Epicor (EVA). Inteligentní agenti EVA se používají k automatizaci procesů ERP, jako je přeplánování výrobních operací nebo provádění jednoduchých dotazů (například získávání podrobností o cenách produktu nebo počtu dostupných dílů).
Případy průmyslového použití jsou upgradovány pomocí AIOT.
Několik případů průmyslového použití se zvyšuje přidáním schopností AI do stávající hardwarové/softwarové infrastruktury. Živým příkladem je strojová vidění v aplikacích pro kontrolu kvality. Tradiční systémy strojového vidění zpracovávají obrázky prostřednictvím integrovaných nebo diskrétních počítačů vybavených specializovaným softwarem, který vyhodnocuje předem stanovené parametry a prahy (např. Vysoký kontrast), aby se určilo, zda objekty vykazují defekty. V mnoha případech (například elektronické komponenty s různými tvary zapojení) je počet falešných pozitiv velmi vysoký.
Tyto systémy jsou však oživeny prostřednictvím umělé inteligence. Například poskytovatel vidění průmyslových strojů Cognex vydal v červenci 2021 nový nástroj Deep Learning (Vision Pro Deep Learning 2.0). Nové nástroje se integrují s tradičními systémy vidění, což umožňuje koncovým uživatelům kombinovat hluboké učení s tradičními nástroji ve stejné aplikaci, aby splňovaly náročné lékařské a elektronické prostředí, které vyžadují přesné měření škrábanců, kontaminace a další defekty.
Faktor 4: Vylepšení průmyslového hardwaru AIOT
AI čipy se rychle zlepšují.
Embedded hardware AI čipy rychle rostou a dostupná řada možností na podporu vývoje a nasazení modelů AI. Příklady zahrnují nejnovější jednotky grafického zpracování NVIDIA (GPU), A30 a A10, které byly zavedeny v březnu 2021 a jsou vhodné pro případy použití AI, jako jsou systémy doporučení a systémy počítačového vidění. Dalším příkladem jsou jednotky zpracování tenzorů čtvrté generace Google (TPUS), které jsou výkonné integrované obvody (ASIC), které mohou dosáhnout až 1 000krát větší účinnost a rychlost při vývoji modelu a nasazení pro specifická pracovní zátěž AI (např., Detekce objektů, klasifikace obrázků a reák pro doporučení). Použití vyhrazeného hardwaru AI snižuje doba výpočtu modelu od dnů na minuty a v mnoha případech se ukázalo jako měnič her.
Výkonný hardware AI je okamžitě k dispozici prostřednictvím modelu placení za použití.
Superscale podniky neustále upgradují své servery tak, aby v cloudu zpřístupňovaly výpočetní zdroje, aby mohli koncoví uživatelé implementovat průmyslové aplikace AI. Například v listopadu 2021 oznámila AWS oficiální vydání svých nejnovějších instancí založených na GPU, Amazon EC2 G5, poháněné GPU jádro GPU NVIDIA A10G, pro řadu aplikací ML, včetně počítačového vidění a motorů doporučení. Například poskytovatel detekčních systémů Nanotronics používá příklady Amazon EC2 příklady svého řešení pro kontrolu kvality založené na AI k urychlení úsilí o zpracování a dosažení přesnějších míry detekce při výrobě mikročipů a nanotrubic.
Závěr a vyhlídka
AI vychází z továrny a bude všudypřítomná v nových aplikacích, jako je PDM založená na AI, a jako vylepšení stávajících případů softwaru a použití. Velké podniky zavádějí několik případů použití AI a úspěch vykazování a většina projektů má vysokou návratnost investic. Celkově vzato, vzestup cloudu, platformy IoT a výkonných AI čipů poskytuje platformu pro novou generaci softwaru a optimalizace.
Čas příspěvku: leden-12-2022