Hiljuti välja antud tööstusliku AI ja AI turuaruande 2021-2026 andmetel kasvas AI vastuvõtmise määr tööstuskeskkonnas 19 protsendilt 31 protsendini veidi üle kahe aasta. Lisaks 31 protsendile vastanutest, kes on oma operatsioonides AI täielikult või osaliselt kasutusele võtnud, katsetab või katsetab veel 39 protsenti seda tehnoloogiat.
AI on kujunemas tootjate ja energiaettevõtete võtmetehnoloogiaks kogu maailmas ning IoT analüüs ennustab, et tööstuslike AI-lahenduste turg näitab tugevat pandeemilist ühendi aastane kasvutempo (CAGR) 35%, ulatudes 2026. aastaks 102,17 miljardi dollarini.
Digitaalajastu on sünnitanud asjade Interneti. On näha, et tehisintellekti tekkimine on kiirendanud asjade Interneti arengu tempot.
Vaatame mõnda tegurit, mis põhjustab tööstusliku AI ja Aioti tõusu.
1. tegur: üha rohkem tarkvarariistu tööstuslikule Aiotile
Kui 2019. aastal hakkas Interneti -Analüütika kajastama tööstuslikku AI -d, oli operatiivtehnoloogia (OT) müüjatelt vähe spetsiaalseid AI -tarkvaratooteid. Pärast seda on paljud OT -müüjad sisenenud AI -turule, arendades ja pakkudes AI tarkvaralahendusi tehase põranda jaoks AI -platvormide kujul.
Andmete kohaselt pakub Aiot tarkvara ligi 400 müüjat. Tööstusliku AI -turuga liituvate tarkvaramüüjate arv on viimase kahe aasta jooksul dramaatiliselt kasvanud. Uuringu ajal tuvastas IoT Analytics tootjatele/tööstusklientidele 634 AI -tehnoloogia tarnijat. Nendest ettevõtetest pakub 389 (61,4%) AI -tarkvara.
Uus AI tarkvaraplatvorm keskendub tööstuskeskkonnale. Lisaks omastamisele pakub BrainCube või C3 AI, kasvav arv operatiivtehnoloogia (OT) müüjaid pakub spetsiaalseid AI -tarkvaraplatvorme. Näited hõlmavad ABB Genixi tööstusanalüütikat ja AI Suite, Rockwell Automationi FactoryTalk Innovation Suite, Schneider Electricu enda tootmisnõustamisplatvorm ja hiljuti ka konkreetsed lisandmoodulid. Mõned neist platvormidest on suunatud mitmesugustele kasutusjuhtudele. Näiteks pakub ABB Genixi platvorm täiustatud analüütikat, sealhulgas eelnevalt ehitatud rakendusi ja teenuseid operatiivse jõudluse haldamiseks, varade terviklikkuse, jätkusuutlikkuse ja tarneahela tõhususe jaoks.
Suured ettevõtted panevad oma AI -tarkvara tööriistad kaupluse põrandale.
AI tarkvarariistade kättesaadavust juhivad ka uued kasutusjuhtumid, mille on välja töötanud AWS, suured ettevõtted nagu Microsoft ja Google. Näiteks andis AWS 2020. aasta detsembris välja Amazon Sagemaker Jumpstart, mis on Amazon Sagemakeri funktsioon, mis pakub eelnevalt ehitatud ja kohandatavaid lahendusi kõige tavalisemate tööstuslike kasutusjuhtumite jaoks, näiteks PDM, Computer Vision ja autonoomne sõit, juurutage vaid mõne klõpsuga.
USE-CASE-spetsiifilised tarkvaralahendused suurendavad kasutatavuse täiustusi.
Kasutusjuhtumi spetsiifilised tarkvarakomplektid, näiteks ennustatavale hooldusele keskendunud, muutuvad üha tavalisemaks. IoT Analytics täheldas, et AI-põhiste tooteandmete haldamise (PDM) tarkvaralahenduste pakkujate arv tõusis 2021. aasta alguses 73-ni, kuna andmeallikate mitmekesisuse suurenemine ja koolituseelsete mudelite kasutamine, samuti andmete suurendamise tehnoloogiate laialdane kasutuselevõtt.
2. tegur: AI -lahenduste väljatöötamine ja säilitamine on lihtsustatud
Automatiseeritud masinõpe (automaatne) on muutumas tavaliseks tooteks.
Masinaõppega seotud ülesannete keerukuse tõttu on masinõpperakenduste kiire kasv loonud vajaduse riiuliõppe meetodite järele, mida saab kasutada ilma asjatundlikkuseta. Saadud uurimisvaldkonda, masinõppe progressiivset automatiseerimist, nimetatakse Automl. Erinevad ettevõtted võimendavad seda tehnoloogiat osana oma AI -pakkumistest, mis aitavad klientidel arendada ML -mudeleid ja rakendada tööstuslike kasutusjuhtumite kiiremini. Näiteks 2020. aasta novembris kuulutas SKF välja automaatse toote, mis ühendab masinalprotsesside andmed vibratsiooni ja temperatuuri andmetega, et vähendada kulusid ja võimaldada klientidele uusi ärimudeleid.
Masinaõppe toimingud (ML OPS) lihtsustavad mudeli haldamist ja hooldust.
Masinõppetoimingute uue distsipliini eesmärk on lihtsustada AI mudelite hooldust tootmiskeskkonnas. AI -mudeli jõudlus laguneb tavaliselt aja jooksul, kuna seda mõjutavad mitmed taimes olevad tegurid (näiteks muutused andmete jaotuses ja kvaliteedistandardid). Selle tulemusel on mudeli hooldus- ja masinõppetoiminguid osutunud vajalikuks tööstuskeskkonna kõrgete kvaliteetsete nõuete täitmiseks (näiteks mudelid, mille jõudlus alla 99%, ei pruugi tuvastada käitumist, mis ohustab töötajate ohutust).
Viimastel aastatel on ML OPS -i ruumiga liitunud paljud idufirmad, sealhulgas Datarobot, Grid.ai, Pinecone/Zilliz, Seldon ja kaal ja eelarvamused. Asutatud ettevõtted on oma olemasolevatele AI -tarkvarapakkumistele lisanud masinõppetoiminguid, sealhulgas Microsofti, mis tutvustas Azure ML -stuudios andmete triivimise tuvastamist. See uus funktsioon võimaldab kasutajatel tuvastada muudatusi sisendandmete jaotuses, mis halvendavad mudeli jõudlust.
3. tegur: olemasolevate rakenduste ja kasutusjuhtumite jaoks rakendatud tehisintellekt
Traditsioonilised tarkvara pakkujad lisavad AI võimalusi.
Lisaks olemasolevatele suurtele horisontaalsetele AI -tarkvara tööriistadele nagu MS Azure ML, AWS SageMaker ja Google Cloud Vertex AI, saab AI -võimaluste süstimisega märkimisväärselt parandada traditsioonilisi tarkvarakomplekte, näiteks arvutipõhiseid hooldushaldussüsteeme (CAMMS), tootmise täitmissüsteeme (MES) või ettevõtte ressursside kavandamist (ERP). Näiteks ERP pakkuja Epicori tarkvara lisab oma olemasolevatele toodetele AI võimalusi oma Epicori virtuaalse assistendi (EVA) kaudu. Intelligentseid EVA agente kasutatakse ERP -protsesside automatiseerimiseks, näiteks tootmistegevuse ümberkorraldamiseks või lihtsate päringute tegemiseks (näiteks saab üksikasju toote hinnakujunduse või saadaolevate osade arvu kohta).
Tööstuslike kasutamise juhtumeid täiendatakse Aioti abil.
Mitmeid tööstusliku kasutusjuhtumi suurendatakse, lisades AI võimalused olemasolevasse riistvara/tarkvara infrastruktuurile. Ersutav näide on masina nägemine kvaliteedikontrolli rakendustes. Traditsioonilised masina nägemissüsteemid töötlevad pilte integreeritud või diskreetsete arvutite kaudu, mis on varustatud spetsialiseeritud tarkvaraga, mis hindab etteantud parameetreid ja künniseid (nt kõrge kontrast), et teha kindlaks, kas objektidel on puudused. Paljudel juhtudel (näiteks erineva juhtmestiku kujuga elektroonilised komponendid) on valepositiivsete arvude arv väga kõrge.
Neid süsteeme taaselustatakse aga tehisintellekti kaudu. Näiteks andis tööstusliku masina nägemise pakkuja Cognex välja uue sügavaõppe tööriista (Vision Pro Deep Learning 2.0) juulis 2021. Juulis. Uued tööriistad integreeruvad traditsiooniliste nägemissüsteemidega, võimaldades lõppkasutajatel ühendada sügava õppimise traditsiooniliste nägemisriistadega samas rakenduses, et täita nõudlikke meditsiinilisi ja elektroonilisi keskkondi, mis nõuavad kriimustuste, saastumise ja muude defektide täpset mõõtmist.
4. tegur: tööstuslik aiot riistvara paraneb
AI -kiibid paranevad kiiresti.
Manustatud riistvara AI -kiibid kasvavad kiiresti, AI -mudelite väljatöötamise ja juurutamise toetamiseks on saadaval mitmesuguseid võimalusi. Näited hõlmavad NVIDIA viimaseid graafikatöötluse üksusi (GPU -sid), A30 ja A10, mis võeti kasutusele 2021. aasta märtsis ja mis sobivad AI kasutusjuhtumite jaoks nagu soovitussüsteemid ja arvutinägemissüsteemid. Veel üks näide on Google'i neljanda põlvkonna tensorite töötlemise üksused (TPU-d), mis on võimsad spetsiaalsed integreeritud vooluringid (ASIC), mis suudavad saavutada mudeli väljatöötamise ja juurutamise konkreetsete AI töökoormuste (nt objektide tuvastamise, pildi klassifikatsiooni ja soovituste võrdlusalused) efektiivsuse ja kiiruse. Spetsiaalse AI -riistvara kasutamine vähendab mudeli arvutamise aega päevadest minutitest ja on paljudel juhtudel osutunud mängude vahetajaks.
Võimas AI riistvara on kohe saadaval kasutamise mudeli abil.
Superscale Enterprises täiendavad pidevalt oma serverit, et muuta pilves olevaks arvutusressursid, et lõppkasutajad saaksid rakendada tööstuslikke AI -rakendusi. Näiteks 2021. aasta novembris teatas AWS oma uusimate GPU-põhiste eksemplaride Amazon EC2 G5 ametlikust vabastamisest, mida toidab NVIDIA A10G Tensor Core GPU, mitmesuguste ML-i rakenduste jaoks, sealhulgas arvuti visiooni- ja soovitusmootorid. Näiteks kasutab tuvastussüsteemide pakkuja Nanotronics Amazon EC2 näiteid oma AI-põhise kvaliteedikontrolli lahenduse kohta, et kiirendada töötlemispingutusi ja saavutada täpsemaid tuvastusmäärasid mikrokiipide ja nanotorude valmistamisel.
Järeldus ja väljavaade
AI tuleb tehasest välja ja see on üldlevinud uutes rakendustes, näiteks AI-põhises PDM-is, ning olemasoleva tarkvara ja kasutusjuhtumite täiustustena. Suured ettevõtted pakuvad kasutusele mitmeid AI kasutusjuhtumeid ja aruandlust ning enamikul projektidel on suur investeeringutasuvus. Kokkuvõttes pakuvad pilve, asjade Interneti platvormide ja võimsate AI -kiibid platvormi uue põlvkonna tarkvara ja optimeerimise jaoks.
Postiaeg: 12. jaanuar 201222