Remiantis neseniai paskelbta pramonės dirbtinio intelekto ir dirbtinio intelekto rinkos ataskaita 2021–2026 m., dirbtinio intelekto diegimo pramonės aplinkoje rodiklis per kiek daugiau nei dvejus metus išaugo nuo 19 proc. iki 31 proc. Be 31 proc. respondentų, kurie visiškai arba iš dalies įdiegė dirbtinį intelektą savo veikloje, dar 39 proc. šiuo metu testuoja arba bando šią technologiją.
Dirbtinis intelektas tampa pagrindine technologija gamintojams ir energetikos įmonėms visame pasaulyje, o daiktų interneto analizė prognozuoja, kad pramoninių dirbtinio intelekto sprendimų rinka po pandemijos pasižymės stipriu 35 % metiniu augimo tempu (CAGR) ir iki 2026 m. pasieks 102,17 mlrd. JAV dolerių.
Skaitmeninis amžius pagimdė daiktų internetą. Galima pastebėti, kad dirbtinio intelekto atsiradimas paspartino daiktų interneto plėtros tempą.
Pažvelkime į kai kuriuos veiksnius, skatinančius pramoninio dirbtinio intelekto ir dirbtinio intelekto daiktų interneto (AIoT) augimą.
1 veiksnys: Vis daugiau programinės įrangos įrankių pramoniniam dirbtiniam intelektui daiktų internetui (DIoT)
2019 m., kai daiktų interneto analizė pradėjo apimti pramoninį dirbtinį intelektą, operacinių technologijų (OT) tiekėjai siūlė nedaug specializuotų dirbtinio intelekto programinės įrangos produktų. Nuo to laiko daugelis OT tiekėjų įžengė į dirbtinio intelekto rinką kurdami ir teikdami dirbtinio intelekto programinės įrangos sprendimus dirbtinio intelekto platformų pavidalu gamyklų cechams.
Remiantis duomenimis, beveik 400 tiekėjų siūlo dirbtinio intelekto daiktų interneto (DIoT) programinę įrangą. Per pastaruosius dvejus metus prie pramoninio DI rinkos prisijungiančių programinės įrangos tiekėjų skaičius smarkiai išaugo. Tyrimo metu „IoT Analytics“ nustatė 634 DI technologijų tiekėjus gamintojams / pramonės klientams. Iš šių įmonių 389 (61,4 %) siūlo DI programinę įrangą.
Naujoji dirbtinio intelekto programinės įrangos platforma orientuota į pramoninę aplinką. Be „Uptake“, „Braincube“ ar „C3 AI“, vis daugiau operacinių technologijų (OT) tiekėjų siūlo specializuotas dirbtinio intelekto programinės įrangos platformas. Pavyzdžiui, ABB „Genix“ pramonės analitikos ir dirbtinio intelekto programų paketas, „Rockwell Automation“ „FactoryTalk Innovation“ programų paketas, „Schneider Electric“ gamybos konsultavimo platforma ir, pastaruoju metu, specialūs priedai. Kai kurios iš šių platformų skirtos įvairiems naudojimo atvejams. Pavyzdžiui, ABB „Genix“ platforma teikia pažangią analitiką, įskaitant iš anksto sukurtas programas ir paslaugas, skirtas operacinio efektyvumo valdymui, turto vientisumui, tvarumui ir tiekimo grandinės efektyvumui.
Didelės įmonės diegia savo dirbtinio intelekto programinės įrangos įrankius gamybos ceche.
Dirbtinio intelekto programinės įrangos įrankių prieinamumą taip pat skatina naujos, konkrečiam naudojimo atvejui skirtos programinės įrangos priemonės, kurias kuria AWS ir didelės įmonės, tokios kaip „Microsoft“ ir „Google“. Pavyzdžiui, 2020 m. gruodžio mėn. AWS išleido „Amazon SageMaker JumpStart“ – „Amazon SageMaker“ funkciją, kuri teikia iš anksto sukurtų ir pritaikomų sprendimų rinkinį dažniausiai pasitaikantiems pramoniniams atvejams, pvz., PdM, kompiuterinei regai ir autonominiam vairavimui. Įdiekite ją vos keliais paspaudimais.
Konkrečiam naudojimo atvejui skirti programinės įrangos sprendimai skatina naudojimo patogumo gerinimą.
Konkretiems atvejams skirti programinės įrangos paketai, pavyzdžiui, skirti nuspėjamajai priežiūrai, tampa vis dažnesni. „IoT Analytics“ pastebėjo, kad dėl padidėjusios duomenų šaltinių įvairovės ir išankstinio mokymo modelių naudojimo, taip pat dėl plačiai paplitusio duomenų gerinimo technologijų taikymo, 2021 m. pradžioje paslaugų teikėjų, naudojančių dirbtiniu intelektu pagrįstus produktų duomenų valdymo (PdM) programinės įrangos sprendimus, skaičius išaugo iki 73.
2 veiksnys: Dirbtinio intelekto sprendimų kūrimas ir priežiūra yra supaprastinami
Automatinis mašininis mokymasis (AutoML) tampa standartiniu produktu.
Dėl mašininio mokymosi (MM) užduočių sudėtingumo, spartus mašininio mokymosi programų augimas sukūrė poreikį standartiniams mašininio mokymosi metodams, kuriuos galima naudoti be specialių žinių. Iš to kylanti tyrimų sritis – progresyvus mašininio mokymosi automatizavimas – vadinama „AutoML“. Įvairios įmonės naudoja šią technologiją kaip savo dirbtinio intelekto pasiūlymų dalį, kad padėtų klientams kurti MM modelius ir greičiau įgyvendinti pramoninio naudojimo atvejus. Pavyzdžiui, 2020 m. lapkritį „SKF“ paskelbė apie „automL“ pagrindu sukurtą produktą, kuris sujungia mašinų procesų duomenis su vibracijos ir temperatūros duomenimis, siekiant sumažinti išlaidas ir sudaryti sąlygas klientams kurti naujus verslo modelius.
Mašininio mokymosi operacijos (ML Ops) supaprastina modelių valdymą ir priežiūrą.
Naujoji mašininio mokymosi operacijų disciplina siekia supaprastinti dirbtinio intelekto modelių priežiūrą gamybos aplinkoje. Dirbtinio intelekto modelio našumas laikui bėgant paprastai blogėja, nes jį veikia keli gamyklos veiksniai (pavyzdžiui, duomenų platinimo ir kokybės standartų pokyčiai). Dėl to modelių priežiūra ir mašininio mokymosi operacijos tapo būtinos siekiant atitikti aukštus pramoninės aplinkos kokybės reikalavimus (pavyzdžiui, modeliai, kurių našumas mažesnis nei 99 %, gali neatpažinti elgesio, kuris kelia pavojų darbuotojų saugumui).
Pastaraisiais metais prie ML Ops srities prisijungė daug startuolių, įskaitant „DataRobot“, „Grid.AI“, „Pinecone/Zilliz“, „Seldon“ ir „Weights & Biases“. Įsitvirtinusios įmonės į savo esamus dirbtinio intelekto programinės įrangos pasiūlymus įtraukė mašininio mokymosi operacijas, įskaitant „Microsoft“, kuri „Azure ML Studio“ įdiegė duomenų dreifo aptikimą. Ši nauja funkcija leidžia vartotojams aptikti įvesties duomenų pasiskirstymo pokyčius, kurie mažina modelio našumą.
3 veiksnys: dirbtinio intelekto taikymas esamose programose ir naudojimo atvejuose
Tradiciniai programinės įrangos tiekėjai prideda dirbtinio intelekto galimybes.
Be esamų didelių horizontalių dirbtinio intelekto programinės įrangos įrankių, tokių kaip „MS Azure ML“, „AWS SageMaker“ ir „Google Cloud Vertex AI“, tradicinius programinės įrangos paketus, tokius kaip kompiuterizuotos techninės priežiūros valdymo sistemos (CAMMS), gamybos vykdymo sistemos (MES) arba įmonės išteklių planavimas (ERP), dabar galima gerokai patobulinti įdiegiant dirbtinio intelekto galimybes. Pavyzdžiui, ERP teikėja „Epicor Software“ prideda dirbtinio intelekto galimybes prie savo esamų produktų per savo „Epicor Virtual Assistant“ (EVA). Išmanieji EVA agentai naudojami ERP procesams automatizuoti, pvz., gamybos operacijų perplanavimui arba paprastų užklausų atlikimui (pavyzdžiui, norint gauti informaciją apie produkto kainą arba turimų dalių skaičių).
Pramoninio naudojimo atvejai atnaujinami naudojant dirbtinį intelektą (DIoT).
Keletas pramoninio naudojimo atvejų yra tobulinami pridedant dirbtinio intelekto galimybes prie esamos aparatinės ir programinės įrangos infrastruktūros. Ryškus pavyzdys yra mašininis matymas kokybės kontrolės programose. Tradicinės mašininio matymo sistemos apdoroja vaizdus per integruotus arba atskirus kompiuterius, turinčius specializuotą programinę įrangą, kuri įvertina iš anksto nustatytus parametrus ir ribas (pvz., didelį kontrastą), kad nustatytų, ar objektai turi defektų. Daugeliu atvejų (pavyzdžiui, elektroniniai komponentai su skirtingomis laidų formomis) klaidingai teigiamų rezultatų skaičius yra labai didelis.
Tačiau šios sistemos yra atgaivinamos pasitelkiant dirbtinį intelektą. Pavyzdžiui, pramoninių mašinų regos sistemų tiekėja „Cognex“ 2021 m. liepos mėn. išleido naują gilaus mokymosi įrankį („Vision Pro Deep Learning 2.0“). Nauji įrankiai integruojami su tradicinėmis regos sistemomis, leisdami galutiniams vartotojams derinti gilų mokymąsi su tradiciniais regos įrankiais toje pačioje programoje, kad būtų patenkinti sudėtingos medicinos ir elektronikos aplinkos reikalavimai, reikalaujantys tikslaus įbrėžimų, užterštumo ir kitų defektų matavimo.
4 veiksnys: Pramoninės dirbtinio intelekto daiktų interneto (AIoT) įrangos tobulinimas
Dirbtinio intelekto lustai sparčiai tobulėja.
Įterptųjų aparatinės įrangos dirbtinio intelekto lustų sparčiai daugėja, atsiranda įvairių variantų, skirtų dirbtinio intelekto modelių kūrimui ir diegimui. Pavyzdžiui, naujausi „NVIDIA“ grafikos procesoriai (GPU) A30 ir A10, kurie buvo pristatyti 2021 m. kovo mėn. ir yra tinkami dirbtinio intelekto naudojimo atvejams, tokiems kaip rekomendacijų sistemos ir kompiuterinės regos sistemos. Kitas pavyzdys – „Google“ ketvirtosios kartos tenzorių procesoriai (TPus) – tai galingi specialios paskirties integriniai grandynai (ASics), galintys pasiekti iki 1000 kartų didesnį efektyvumą ir greitį kuriant ir diegiant modelius konkretiems dirbtinio intelekto darbo krūviams (pvz., objektų aptikimui, vaizdų klasifikavimui ir rekomendacijų lyginamiesiems veiksmams). Naudojant specialią dirbtinio intelekto aparatinę įrangą, modelio skaičiavimo laikas sutrumpėja nuo dienų iki minučių ir daugeliu atvejų pasirodė esąs esminis pokytis.
Galinga dirbtinio intelekto įranga yra iš karto prieinama pagal mokėjimo už naudojimą modelį.
Didelės įmonės nuolat atnaujina savo serverius, kad debesyje būtų galima naudotis skaičiavimo ištekliais, jog galutiniai vartotojai galėtų įdiegti pramonines dirbtinio intelekto programas. Pavyzdžiui, 2021 m. lapkritį AWS paskelbė apie oficialų naujausių GPU pagrįstų instancijų „Amazon EC2 G5“, veikiančių su NVIDIA A10G Tensor Core GPU, išleidimą, skirtą įvairioms mašininio mokymosi programoms, įskaitant kompiuterinio matymo ir rekomendacijų variklius. Pavyzdžiui, aptikimo sistemų tiekėja „Nanotronics“ naudoja „Amazon EC2“ savo dirbtiniu intelektu pagrįsto kokybės kontrolės sprendimo pavyzdžius, kad paspartintų apdorojimo pastangas ir pasiektų tikslesnį aptikimo rodiklį gaminant mikroschemas ir nanovamzdelius.
Išvada ir perspektyva
Dirbtinis intelektas ateina iš gamyklų ir bus visur paplitęs naujose programose, tokiose kaip dirbtiniu intelektu pagrįstas produktų valdymas (PdM), ir kaip esamos programinės įrangos bei naudojimo atvejų patobulinimai. Didelės įmonės diegia kelis dirbtinio intelekto naudojimo atvejus ir praneša apie sėkmę, o dauguma projektų pasižymi didele investicijų grąža. Apskritai debesijos, daiktų interneto platformų ir galingų dirbtinio intelekto lustų iškilimas suteikia platformą naujos kartos programinei įrangai ir optimizavimui.
Įrašo laikas: 2022 m. sausio 12 d.