Podle nedávno vydané zprávy Industrial AI and AI Market Report 2021-2026 se míra přijetí AI v průmyslových nastaveních zvýšila z 19 procent na 31 procent za něco málo přes dva roky.Kromě 31 procent respondentů, kteří plně nebo částečně zavedli AI ve svých provozech, dalších 39 procent v současnosti technologii testuje nebo pilotuje.
Umělá inteligence se objevuje jako klíčová technologie pro výrobce a energetické společnosti po celém světě a analýza IoT předpovídá, že trh s průmyslovými řešeními AI vykáže silnou postpandemickou složenou roční míru růstu (CAGR) o 35 % a do roku 2026 dosáhne 102,17 miliardy dolarů.
Digitální věk zrodil internet věcí.Je vidět, že nástup umělé inteligence zrychlil tempo rozvoje internetu věcí.
Pojďme se podívat na některé faktory, které stojí za vzestupem průmyslové AI a AIoT.
Faktor 1: Stále více softwarových nástrojů pro průmyslovou AIoT
V roce 2019, kdy Iot analytics začala pokrývat průmyslovou AI, existovalo jen málo specializovaných softwarových produktů AI od dodavatelů provozních technologií (OT).Od té doby mnoho prodejců OT vstoupilo na trh AI vývojem a poskytováním softwarových řešení AI ve formě platforem AI pro továrnu.
Podle údajů nabízí software AIoT téměř 400 prodejců.Počet dodavatelů softwaru, kteří se připojují na trh průmyslové umělé inteligence, za poslední dva roky dramaticky vzrostl.Během studie IoT Analytics identifikovala 634 dodavatelů technologií AI výrobcům/průmyslovým zákazníkům.Z těchto společností nabízí AI software 389 (61,4 %).
Nová softwarová platforma AI se zaměřuje na průmyslová prostředí.Kromě Uptake, Braincube nebo C3 AI stále větší počet prodejců operačních technologií (OT) nabízí specializované softwarové platformy AI.Příklady zahrnují sadu Genix Industrial analytics a AI od ABB, sadu FactoryTalk Innovation společnosti Rockwell Automation, vlastní výrobní konzultační platformu Schneider Electric a v poslední době i specifické doplňky.Některé z těchto platforem se zaměřují na širokou škálu případů použití.Platforma Genix od ABB například poskytuje pokročilé analýzy, včetně předpřipravených aplikací a služeb pro řízení provozní výkonnosti, integritu aktiv, udržitelnost a efektivitu dodavatelského řetězce.
Velké společnosti umisťují své softwarové nástroje pro letectví do výroby.
Dostupnost softwarových nástrojů pro AI je také řízena novými softwarovými nástroji pro konkrétní případy, které vyvinuly AWS, velké společnosti jako Microsoft a Google.Například v prosinci 2020 společnost AWS vydala Amazon SageMaker JumpStart, funkci Amazon SageMaker, která poskytuje sadu předpřipravených a přizpůsobitelných řešení pro nejběžnější případy průmyslového použití, jako je PdM, počítačové vidění a autonomní řízení, Deploy with stačí pár kliknutí.
Softwarová řešení specifická pro konkrétní případy použití jsou hnací silou zlepšení použitelnosti.
Softwarové sady specifické pro konkrétní případy použití, jako jsou ty zaměřené na prediktivní údržbu, jsou stále běžnější.IoT Analytics zjistila, že počet poskytovatelů, kteří používají softwarová řešení pro správu produktových dat (PdM) založená na umělé inteligenci, se na začátku roku 2021 zvýšil na 73 v důsledku nárůstu rozmanitosti zdrojů dat a používání předtréninkových modelů a také rozšířeného přijetí technologií pro vylepšení dat.
Faktor 2: Vývoj a údržba řešení AI se zjednodušují
Automatizované strojové učení (AutoML) se stává standardním produktem.
Kvůli složitosti úkolů spojených se strojovým učením (ML) vyvolal rychlý růst aplikací strojového učení potřebu standardních metod strojového učení, které lze používat bez odborných znalostí.Výsledná oblast výzkumu, progresivní automatizace pro strojové učení, se nazývá AutoML.Různé společnosti využívají tuto technologii jako součást svých nabídek AI, aby pomohly zákazníkům vyvíjet modely ML a rychleji implementovat případy průmyslového použití.V listopadu 2020 například SKF oznámila produkt založený na automatL, který kombinuje procesní data stroje s údaji o vibracích a teplotě, aby snížila náklady a umožnila zákazníkům nové obchodní modely.
Operace strojového učení (ML Ops) zjednodušují správu a údržbu modelu.
Nová disciplína operací strojového učení si klade za cíl zjednodušit údržbu modelů umělé inteligence ve výrobních prostředích.Výkon modelu AI se v průběhu času obvykle 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 průmyslových prostředí (například modely s výkonem nižším než 99 % nemusí identifikovat chování, které ohrožuje bezpečnost pracovníků).
V posledních letech se do prostoru ML Ops připojilo mnoho startupů, včetně DataRobot, Grid.AI, Pinecone/Zilliz, Seldon a Weights & Biases.Zavedené společnosti přidaly do svých stávajících nabídek softwaru AI operace strojového učení, včetně společnosti Microsoft, která zavedla detekci posunu dat v Azure ML Studio.Tato nová funkce umožňuje uživatelům detekovat změny v distribuci vstupních dat, které snižují výkon modelu.
Faktor 3: Umělá inteligence aplikovaná na existující aplikace a případy použití
Tradiční poskytovatelé softwaru přidávají možnosti umělé inteligence.
Kromě stávajících velkých horizontálních softwarových nástrojů AI, jako jsou MS Azure ML, AWS SageMaker a Google Cloud Vertex AI, tradiční softwarové sady, jako jsou Computerized Maintenance Management Systems (CAMMS), Manufacturing Executing Systems (MES) nebo plánování podnikových zdrojů (ERP) lze nyní výrazně zlepšit zavedením schopností AI.Například poskytovatel ERP Epicor Software přidává ke svým stávajícím produktům možnosti umělé inteligence 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 získání podrobností o cenách produktů nebo počtu dostupných dílů).
Případy průmyslového použití se modernizují pomocí AIoT.
Několik případů průmyslového použití je vylepšeno přidáním schopností AI do stávající infrastruktury hardwaru/softwaru.Živým příkladem je strojové vidění v aplikacích kontroly kvality.Tradiční systémy strojového vidění zpracovávají obrazy prostřednictvím integrovaných nebo diskrétních počítačů vybavených specializovaným softwarem, který vyhodnocuje předem stanovené parametry a prahové hodnoty (např. vysoký kontrast), aby určil, zda předměty vykazují vady.V mnoha případech (například elektronické součástky s různými tvary zapojení) je počet falešných poplachů velmi vysoký.
Tyto systémy jsou však oživovány pomocí umělé inteligence.Například poskytovatel průmyslového strojového vidění Cognex vydal v červenci 2021 nový nástroj pro hluboké učení (Vision Pro Deep Learning 2.0). splňují náročné lékařské a elektronické prostředí, které vyžaduje přesné měření škrábanců, znečištění a jiných defektů.
Faktor 4: Průmyslový hardware AIoT se zlepšuje
AI čipy se rychle zlepšují.
Vestavěné hardwarové čipy umělé inteligence rychle rostou a k dispozici je řada možností pro podporu vývoje a nasazení modelů umělé inteligence.Příklady zahrnují nejnovější grafické procesorové jednotky NVIDIA (Gpus), A30 a A10, které byly představeny v březnu 2021 a jsou vhodné pro případy použití AI, jako jsou systémy doporučení a systémy počítačového vidění.Dalším příkladem je čtvrtá generace jednotek Tensor Processing Unit (TPus) společnosti Google, což jsou výkonné speciální integrované obvody (ASics), které mohou dosáhnout až 1000krát vyšší efektivity a rychlosti při vývoji a nasazení modelů pro konkrétní pracovní zátěže AI (např. detekce objektů , klasifikace obrázků a benchmarky doporučení).Použití vyhrazeného hardwaru s umělou inteligencí zkracuje dobu výpočtu modelu ze dnů na minuty a ukázalo se, že v mnoha případech mění hru.
Výkonný hardware umělé inteligence je okamžitě dostupný prostřednictvím modelu platby za použití.
Superscale podniky neustále upgradují své servery, aby zpřístupnily výpočetní zdroje v cloudu, aby koncoví uživatelé mohli implementovat průmyslové aplikace AI.V listopadu 2021 například společnost AWS oznámila oficiální vydání svých nejnovějších instancí založených na GPU, Amazon EC2 G5, poháněných GPU NVIDIA A10G Tensor Core, pro různé aplikace ML, včetně počítačového vidění a doporučovacích motorů.Například poskytovatel detekčních systémů Nanotronics používá příklady Amazon EC2 svého řešení kontroly kvality založené na AI k urychlení zpracování a dosažení přesnějších detekčních rychlostí při výrobě mikročipů a nanotrubiček.
Závěr a výhled
AI vychází z továrny a bude všudypřítomná v nových aplikacích, jako je PdM založená na AI, a jako vylepšení stávajícího softwaru a případů použití.Velké podniky zavádějí několik případů použití AI a hlásí úspěch a většina projektů má vysokou návratnost investic.Celkově vzato, vzestup cloudu, platforem iot a výkonných čipů AI poskytuje platformu pro novou generaci softwaru a optimalizaci.
Čas odeslání: 12. ledna 2022