Remiantis neseniai paskelbta pramoninio AI ir AI rinkos ataskaita 2021–2026 m., AI pritaikymo pramonėje lygis per kiek daugiau nei dvejus metus išaugo nuo 19 procentų iki 31 procento.Be 31 procento respondentų, kurie visiškai arba iš dalies įdiegė dirbtinį intelektą savo veikloje, dar 39 procentai šiuo metu bando arba bando technologiją.
AI tampa pagrindine gamintojų ir energetikos įmonių technologija visame pasaulyje, o IoT analizė prognozuoja, kad pramoninė AI sprendimų rinka pasieks stiprų 35 % metinį augimo tempą po pandemijos (CAGR) ir iki 2026 m. pasieks 102,17 mlrd.
Skaitmeninis amžius pagimdė daiktų internetą.Matyti, kad dirbtinio intelekto atsiradimas paspartino daiktų interneto plėtros tempus.
Pažvelkime į kai kuriuos veiksnius, skatinančius pramoninio AI ir AIoT augimą.
1 veiksnys: vis daugiau programinės įrangos įrankių pramoniniam AIoT
2019 m., kai Iot analytics pradėjo aprėpti pramoninį dirbtinį intelektą, operacinių technologijų (OT) pardavėjų buvo keletas specialių AI programinės įrangos produktų.Nuo tada daugelis OT pardavėjų pateko į AI rinką kurdami ir teikdami AI programinės įrangos sprendimus DI platformų pavidalu gamykloms.
Remiantis duomenimis, beveik 400 pardavėjų siūlo AIoT programinę įrangą.Per pastaruosius dvejus metus prie pramoninės dirbtinio intelekto rinkos prisijungiančių programinės įrangos pardavėjų skaičius smarkiai išaugo.Tyrimo metu IoT Analytics nustatė 634 AI technologijos tiekėjus gamintojams/pramoniniams klientams.Iš šių įmonių 389 (61,4 %) siūlo dirbtinio intelekto programinę įrangą.
Naujoji AI programinės įrangos platforma orientuota į pramoninę aplinką.Be Uptake, Braincube ar C3 AI, vis daugiau operacinių technologijų (OT) pardavėjų siūlo specialias AI programinės įrangos platformas.Pavyzdžiui, ABB Genix Industrial analytics ir AI rinkinys, Rockwell Automation FactoryTalk Innovation rinkinys, Schneider Electric gamybos konsultavimo platforma ir visai neseniai konkretūs priedai.Kai kurios iš šių platformų skirtos įvairiems naudojimo atvejams.Pavyzdžiui, ABB Genix platforma teikia pažangią analizę, įskaitant iš anksto sukurtas programas ir paslaugas, skirtas veiklos našumo valdymui, turto vientisumui, tvarumui ir tiekimo grandinės efektyvumui.
Didelės įmonės savo AI programinės įrangos įrankius pristato parduotuvėse.
AI programinės įrangos įrankių prieinamumą taip pat skatina nauji konkrečių naudojimo atvejų programinės įrangos įrankiai, kuriuos sukūrė AWS, didelės įmonės, tokios kaip „Microsoft“ ir „Google“.Pavyzdžiui, 2020 m. gruodžio mėn. AWS išleido „Amazon SageMaker JumpStart“, „Amazon SageMaker“ funkciją, kuri suteikia iš anksto sukurtų ir pritaikomų sprendimų rinkinį, skirtą dažniausiai naudojamiems pramoniniams atvejams, pvz., PdM, kompiuterinė vizija ir autonominis vairavimas. vos keli paspaudimai.
Naudojimo atvejams pritaikyti programinės įrangos sprendimai skatina naudingumą.
Naudojimo atvejams taikomi programinės įrangos rinkiniai, pvz., skirti nuspėjamai priežiūrai, tampa vis dažnesni.„IoT Analytics“ pastebėjo, kad 2021 m. pradžioje paslaugų teikėjų, naudojančių dirbtiniu intelektu pagrįstus produktų duomenų valdymo (PdM) programinės įrangos sprendimus, skaičius išaugo iki 73 dėl padidėjusio duomenų šaltinių įvairovės ir išankstinio mokymo modelių naudojimo bei plačiai paplitusių duomenų tobulinimo technologijų pritaikymas.
2 veiksnys: AI sprendimų kūrimas ir priežiūra supaprastinami
Automatinis mašinų mokymasis (AutoML) tampa standartiniu produktu.
Dėl su mašininiu mokymusi (ML) susijusių užduočių sudėtingumo sparčiai augant mašininio mokymosi programoms, atsirado poreikis naudoti mašininio mokymosi metodus, kuriuos būtų galima naudoti be specialių žinių.Gauta tyrimų sritis, progresyvus mašininio mokymosi automatizavimas, vadinamas AutoML.Įvairios įmonės naudoja šią technologiją kaip dalį savo AI pasiūlymų, kad padėtų klientams kurti ML modelius ir greičiau įgyvendinti pramoninio naudojimo atvejus.Pavyzdžiui, 2020 m. lapkritį SKF paskelbė apie automL pagrįstą produktą, kuris sujungia mašinos procesų duomenis su vibracijos ir temperatūros duomenimis, kad sumažintų išlaidas ir įgalintų klientams naujus verslo modelius.
Mašininio mokymosi operacijos (ML Ops) supaprastina modelio valdymą ir priežiūrą.
Nauja mašininio mokymosi operacijų disciplina siekiama supaprastinti AI modelių priežiūrą gamybos aplinkoje.Dirbtinio intelekto modelio veikimas laikui bėgant paprastai blogėja, nes jį veikia keli gamyklos veiksniai (pavyzdžiui, duomenų paskirstymo ir kokybės standartų pokyčiai).Dėl to modelių priežiūros ir mašininio mokymosi operacijos tapo būtinos, kad atitiktų aukštus pramonės aplinkos kokybės reikalavimus (pavyzdžiui, modeliai, kurių našumas mažesnis nei 99 %, gali neatpažinti elgesio, kuris kelia pavojų darbuotojų saugai).
Pastaraisiais metais daug naujų įmonių prisijungė prie ML Ops erdvės, įskaitant DataRobot, Grid.AI, Pinecone/Zilliz, Seldon ir Weights & Biases.Įsikūrusios įmonės prie esamų AI programinės įrangos pasiūlymų pridėjo mašininio mokymosi operacijas, įskaitant „Microsoft“, kuri „Azure ML Studio“ įdiegė duomenų poslinkio aptikimą.Ši nauja funkcija leidžia vartotojams aptikti įvesties duomenų paskirstymo pokyčius, kurie pablogina modelio veikimą.
3 veiksnys: dirbtinis intelektas, taikomas esamoms programoms ir naudojimo atvejams
Tradiciniai programinės įrangos tiekėjai prideda dirbtinio intelekto galimybes.
Be esamų didelių horizontalių AI programinės įrangos įrankių, tokių kaip MS Azure ML, AWS SageMaker ir Google Cloud Vertex AI, tradiciniai programinės įrangos rinkiniai, tokie kaip kompiuterinės priežiūros valdymo sistemos (CAMMS), gamybos vykdymo sistemos (MES) arba įmonės išteklių planavimas (ERP). dabar gali būti gerokai patobulinta įdiegus AI galimybes.Pavyzdžiui, ERP tiekėjas „Epicor Software“ savo esamus produktus prideda dirbtinio intelekto galimybėmis naudodamas „Epicor Virtual Assistant“ (EVA).Išmanieji EVA agentai naudojami automatizuoti ERP procesus, pvz., perplanuoti gamybos operacijas arba atlikti paprastas užklausas (pavyzdžiui, gauti išsamios informacijos apie produkto kainas arba galimų dalių skaičių).
Pramoninio naudojimo atvejai atnaujinami naudojant AIoT.
Keli pramoninio naudojimo atvejai yra patobulinti pridedant AI galimybes prie esamos aparatinės / 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 slenksčius (pvz., didelį kontrastą), kad nustatytų, ar objektai turi defektų.Daugeliu atvejų (pavyzdžiui, elektroninių komponentų su skirtingomis laidų formomis) klaidingų teigiamų rezultatų skaičius yra labai didelis.
Tačiau šios sistemos atgaivinamos pasitelkus dirbtinį intelektą.Pavyzdžiui, pramoninių mašinų „Vision“ tiekėjas „Cognex“ 2021 m. liepos mėn. išleido naują giluminio mokymosi įrankį („Vision Pro Deep Learning 2.0“). Nauji įrankiai integruojami su tradicinėmis regėjimo sistemomis, todėl galutiniai vartotojai gali derinti giluminį mokymąsi su tradiciniais regėjimo įrankiais toje pačioje programoje. atitinka sudėtingas medicinines ir elektronines aplinkas, kuriose reikia tiksliai išmatuoti įbrėžimus, užterštumą ir kitus defektus.
4 veiksnys: tobulinama pramoninė AIoT aparatinė įranga
AI lustai sparčiai tobulėja.
Įterptosios aparatinės įrangos dirbtinio intelekto lustai sparčiai auga, o dirbtinio intelekto modelių kūrimui ir diegimui palaikyti yra įvairių variantų.Pavyzdžiai apima naujausius NVIDIA grafikos apdorojimo įrenginius (Gpus), A30 ir A10, kurie buvo pristatyti 2021 m. kovo mėn. ir yra tinkami dirbtinio intelekto naudojimo atvejams, pvz., rekomendacijų sistemoms ir kompiuterinio matymo sistemoms.Kitas pavyzdys yra „Google“ ketvirtos kartos tensorų apdorojimo blokai (TPus), kurie yra galingi specialios paskirties integriniai grandynai (ASics), kurie gali pasiekti iki 1000 kartų didesnį modelio kūrimo ir diegimo efektyvumą ir greitį, kai reikia atlikti specifinius AI darbo krūvius (pvz., objektų aptikimą). , vaizdų klasifikacija ir rekomendacijų etalonai).Naudojant specialią AI aparatinę įrangą modelio skaičiavimo laikas sutrumpėja nuo dienų iki minučių ir daugeliu atvejų pasirodė esąs žaidimo keitiklis.
Galinga AI aparatinė įranga iš karto pasiekiama naudojant „mokėjimo už naudojimą“ modelį.
Didelės apimties įmonės nuolat atnaujina savo serverius, kad kompiuteriniai ištekliai būtų pasiekiami debesyje, kad galutiniai vartotojai galėtų įdiegti pramonines AI programas.Pavyzdžiui, 2021 m. lapkritį AWS paskelbė oficialų savo naujausių GPU pagrįstų egzempliorių Amazon EC2 G5, maitinamą NVIDIA A10G Tensor Core GPU, išleidimą, skirtą įvairioms ML programoms, įskaitant kompiuterinės vizijos ir rekomendacijų variklius.Pavyzdžiui, aptikimo sistemų tiekėjas Nanotronics naudoja „Amazon EC2“ savo dirbtiniu intelektu pagrįsto kokybės kontrolės sprendimo pavyzdžius, kad pagreitintų apdorojimo pastangas ir pasiektų tikslesnius aptikimo rodiklius gaminant mikroschemas ir nanovamzdelius.
Išvada ir perspektyva
Dirbtinis intelektas išleidžiamas iš gamyklos ir bus visur naudojamas naujose programose, pvz., AI pagrįstas PdM, ir kaip esamos programinės įrangos ir naudojimo atvejų patobulinimai.Didelės įmonės diegia keletą AI naudojimo atvejų ir praneša apie sėkmę, o dauguma projektų turi didelę investicijų grąžą.Apskritai, debesų, „iot“ platformų ir galingų AI lustų atsiradimas suteikia platformą naujos kartos programinei įrangai ir optimizavimui.
Paskelbimo laikas: 2022-01-12