Podle nedávno zveřejněné zprávy o průmyslové umělé inteligenci a trhu s umělou inteligencí za období 2021–2026 se míra přijetí umělé inteligence v průmyslovém prostředí za něco málo přes dva roky zvýšila z 19 procent na 31 procent. Kromě 31 procent respondentů, kteří umělou inteligenci ve svých provozech plně nebo částečně zavedli, dalších 39 procent v současné době tuto technologii testuje nebo pilotně využívá.
Umělá inteligence se stává klíčovou technologií pro výrobce a energetické společnosti po celém světě a analýzy IoT předpovídají, že trh s průmyslovými řešeními umělé inteligence vykáže po pandemii silnou složenou roční míru růstu (CAGR) ve výši 35 % a do roku 2026 dosáhne 102,17 miliardy dolarů.
Digitální věk dal vzniknout internetu věcí. Je vidět, že vznik umělé inteligence urychlil tempo rozvoje internetu věcí.
Pojďme se podívat na některé faktory, které ovlivňují vzestup průmyslové umělé inteligence a AIoT.
Faktor 1: Stále více softwarových nástrojů pro průmyslový AIoT
V roce 2019, kdy se analýza internetu věcí (IoT) začala zabývat průmyslovou umělou inteligencí, existovalo jen málo specializovaných softwarových produktů pro umělou inteligenci od dodavatelů provozních technologií (OT). Od té doby vstoupilo na trh s umělou inteligencí mnoho dodavatelů OT tím, že vyvíjeli a poskytovali softwarová řešení umělé inteligence ve formě platforem umělé inteligence pro výrobní haly.
Podle údajů nabízí software pro AIoT téměř 400 dodavatelů. Počet dodavatelů softwaru, kteří se připojili na trh s průmyslovou umělou inteligencí, se v posledních dvou letech dramaticky zvýšil. Během studie společnost IoT Analytics identifikovala 634 dodavatelů technologií umělé inteligence pro výrobce/průmyslové zákazníky. Z těchto společností 389 (61,4 %) nabízí software pro AI.
Nová softwarová platforma pro umělou inteligenci se zaměřuje na průmyslové prostředí. Kromě Uptake, Braincube nebo C3 AI nabízí stále více dodavatelů provozních technologií (OT) specializované softwarové platformy pro umělou inteligenci. Mezi příklady patří sada Genix Industrial analytics and AI Suite od ABB, sada FactoryTalk Innovation Suite od Rockwell Automation, vlastní platforma pro výrobní poradenství od Schneider Electric a v poslední době i specifické doplňky. Některé z těchto platforem se zaměřují na širokou škálu případů použití. Například platforma Genix od ABB poskytuje pokročilou analytiku, včetně předpřipravených aplikací a služeb pro řízení provozní výkonnosti, integritu aktiv, udržitelnost a efektivitu dodavatelského řetězce.
Velké společnosti umisťují své softwarové nástroje pro umělou inteligenci přímo do výrobních závodů.
Dostupnost softwarových nástrojů pro umělou inteligenci je také poháněna novými softwarovými nástroji specifickými pro konkrétní případy použití, které vyvinula společnost AWS a velké společnosti jako Microsoft a Google. Například v prosinci 2020 společnost AWS vydala Amazon SageMaker JumpStart, funkci platformy Amazon SageMaker, která poskytuje sadu předpřipravených a přizpůsobitelných řešení pro nejběžnější průmyslové případy použití, jako je PdM, počítačové vidění a autonomní řízení. Nasazení je možné jen několika kliknutími.
Softwarová řešení specifická pro daný případ užití vedou ke zlepšení použitelnosti.
Softwarové sady specifické pro konkrétní případy užití, jako jsou ty zaměřené na prediktivní údržbu, se stávají stále běžnějšími. Společnost IoT Analytics pozorovala, že počet poskytovatelů využívajících softwarová řešení pro správu produktových dat (PdM) založená na umělé inteligenci vzrostl na začátku roku 2021 na 73 díky nárůstu rozmanitosti zdrojů dat a používání modelů předběžného školení, jakož i širokému zavádění technologií pro vylepšení dat.
Faktor 2: Vývoj a údržba řešení umělé inteligence se zjednodušují
Automatizované strojové učení (AutoML) se stává standardním produktem.
Vzhledem ke složitosti úkolů spojených se strojovým učením (ML) vytvořil rychlý růst aplikací strojového učení potřebu běžně dostupných metod strojového učení, které lze používat bez odborných znalostí. Výsledná oblast výzkumu, progresivní automatizace pro strojové učení, se nazývá AutoML. Řada společností využívá tuto technologii jako součást svých nabídek umělé inteligence, aby pomohla zákazníkům vyvíjet modely ML a rychleji implementovat průmyslové případy použití. Například v listopadu 2020 společnost SKF oznámila produkt založený na automL, který kombinuje data o strojních procesech s daty o vibracích a teplotě, aby se snížily náklady a umožnily zákazníkům nové obchodní modely.
Operace strojového učení (ML Ops) zjednodušují správu a údržbu modelů.
Nová disciplína strojového učení si klade za cíl zjednodušit údržbu modelů umělé inteligence ve výrobním prostředí. Výkon modelu umělé inteligence se obvykle časem snižuje, protože je ovlivněn několika faktory v rámci závodu (například změnami v distribuci dat a standardech kvality). V důsledku toho se údržba modelu a operace strojového učení staly nezbytnými pro splnění vysokých požadavků na kvalitu v průmyslovém prostředí (například modely s výkonem pod 99 % nemusí identifikovat chování, které ohrožuje bezpečnost pracovníků).
V posledních letech se do prostoru ML Ops zapojilo mnoho startupů, včetně DataRobot, Grid.AI, Pinecone/Zilliz, Seldon a Weights & Biases. Zavedené společnosti přidaly operace strojového učení do svých stávajících nabídek softwaru pro umělou inteligenci, včetně společnosti Microsoft, která v Azure ML Studio zavedla detekci driftu dat. Tato nová funkce umožňuje uživatelům detekovat změny v distribuci vstupních dat, které snižují výkon modelu.
Faktor 3: Umělá inteligence aplikovaná na stávající aplikace a případy užití
Tradiční poskytovatelé softwaru přidávají funkce umělé inteligence.
Kromě stávajících velkých horizontálních softwarových nástrojů pro umělou inteligenci, jako jsou MS Azure ML, AWS SageMaker a Google Cloud Vertex AI, lze nyní výrazně vylepšit tradiční softwarové sady, jako jsou počítačové systémy pro řízení údržby (CAMMS), systémy pro řízení výroby (MES) nebo plánování podnikových zdrojů (ERP), a to začleněním funkcí umělé inteligence. Například poskytovatel ERP systémů Epicor Software přidává funkce umělé inteligence do svých stávajících produktů prostřednictvím svého virtuálního asistenta Epicor (EVA). Inteligentní agenti EVA se používají k automatizaci procesů ERP, jako je například přeplánování výrobních operací nebo provádění jednoduchých dotazů (například získávání podrobností o cenách produktů nebo počtu dostupných dílů).
Průmyslové případy užití jsou modernizovány pomocí AIoT.
Několik průmyslových případů použití je vylepšeno přidáním funkcí umělé inteligence do stávající hardwarové/softwarové infrastruktury. Živým příkladem je strojové vidění v aplikacích kontroly kvality. Tradiční systémy strojového vidění zpracovávají obrazy prostřednictvím integrovaných nebo samostatných počítačů vybavených specializovaným softwarem, který vyhodnocuje předem stanovené parametry a prahové hodnoty (např. vysoký kontrast) za účelem určení, zda objekty vykazují vady. V mnoha případech (například elektronické součástky s různými tvary zapojení) je počet falešně pozitivních výsledků velmi vysoký.
Tyto systémy se však v současnosti oživují díky umělé inteligenci. Například dodavatel průmyslového strojového vidění Cognex vydal v červenci 2021 nový nástroj pro hluboké učení (Vision Pro Deep Learning 2.0). Nové nástroje se integrují s tradičními systémy vidění a umožňují koncovým uživatelům kombinovat hluboké učení s tradičními nástroji vidění v jedné aplikaci a splňují tak požadavky náročného lékařského a elektronického prostředí, které vyžaduje přesné měření škrábanců, kontaminace a dalších vad.
Faktor 4: Vylepšování hardwaru průmyslové umělé inteligence v oblasti internetu věcí
Čipy s umělou inteligencí se rychle zlepšují.
Vestavěné hardwarové čipy pro umělou inteligenci se rychle rozvíjejí a nabízí řadu možností pro podporu vývoje a nasazení modelů umělé inteligence. Mezi příklady patří nejnovější grafické procesory (GPU) od společnosti NVIDIA, A30 a A10, které byly představeny v březnu 2021 a jsou vhodné pro případy použití umělé inteligence, jako jsou doporučovací systémy a systémy počítačového vidění. Dalším příkladem jsou tenzorové procesorové jednotky (TPus) čtvrté generace od společnosti Google, což jsou výkonné speciální integrované obvody (ASIC), které dokáží dosáhnout až 1000krát vyšší efektivity a rychlosti při vývoji a nasazení modelů pro specifické úlohy umělé inteligence (např. detekce objektů, klasifikace obrázků a doporučovací benchmarky). Použití specializovaného hardwaru pro umělou inteligenci zkracuje dobu výpočtu modelu z dnů na minuty a v mnoha případech se ukázalo jako převratné.
Výkonný hardware s umělou inteligencí je okamžitě k dispozici prostřednictvím modelu platby za použití.
Superscale podniky neustále modernizují své servery, aby zpřístupnily výpočetní zdroje v cloudu a umožnily koncovým uživatelům implementovat průmyslové aplikace s umělou inteligencí. Například v listopadu 2021 společnost AWS oznámila oficiální vydání svých nejnovějších instancí založených na GPU, Amazon EC2 G5, poháněných grafickým procesorem NVIDIA A10G Tensor Core, pro řadu aplikací strojového učení, včetně počítačového vidění a doporučovacích systémů. Například poskytovatel detekčních systémů Nanotronics používá příklady Amazon EC2 svého řešení pro kontrolu kvality založeného na umělé inteligenci k urychlení zpracování a dosažení přesnějších detekčních výsledků při výrobě mikročipů a nanotrubic.
Závěr a perspektiva
Umělá inteligence vychází z továrny a bude všudypřítomná v nových aplikacích, jako je PdM založené na umělé inteligenci, a jako vylepšení stávajícího softwaru a případů užití. Velké podniky zavádějí několik případů užití umělé inteligence a hlásí úspěchy a většina projektů má vysokou návratnost investic. Celkově vzato, vzestup cloudu, platforem internetu věcí a výkonných čipů umělé inteligence poskytuje platformu pro novou generaci softwaru a optimalizace.
Čas zveřejnění: 12. ledna 2022