Ayon sa kamakailang inilabas na Industrial AI at AI Market Report 2021-2026, ang adoption rate ng AI sa mga Industrial Settings ay tumaas mula 19 porsiyento hanggang 31 porsiyento sa loob lamang ng dalawang taon. Bilang karagdagan sa 31 porsyento ng mga respondent na ganap o bahagyang naglunsad ng AI sa kanilang mga operasyon, isa pang 39 porsyento ang kasalukuyang sumusubok o nagpi-pilot sa teknolohiya.
Ang AI ay umuusbong bilang isang pangunahing teknolohiya para sa mga tagagawa at kumpanya ng enerhiya sa buong mundo, at ang pagtatasa ng IoT ay hinuhulaan na ang pang-industriyang AI solutions market ay magpapakita ng isang malakas na post-pandemic compound annual growth rate (CAGR) na 35% upang maabot ang $102.17 bilyon sa 2026.
Ang digital age ay nagsilang sa Internet of Things. Makikita na ang paglitaw ng artificial intelligence ay nagpabilis sa bilis ng pag-unlad ng Internet of Things.
Tingnan natin ang ilan sa mga salik na nagtutulak sa pagtaas ng pang-industriyang AI at AIoT.
Factor 1: Parami nang parami ang software tool para sa pang-industriyang AIoT
Noong 2019, nang magsimulang saklawin ng Iot analytics ang pang-industriyang AI, kakaunti ang nakalaang produkto ng software ng AI mula sa mga vendor ng operational technology (OT). Simula noon, maraming OT vendor ang pumasok sa AI market sa pamamagitan ng pagbuo at pagbibigay ng AI software solutions sa anyo ng AI platforms para sa factory floor.
Ayon sa data, halos 400 vendor ang nag-aalok ng AIoT software. Ang bilang ng mga nagtitinda ng software na sumali sa industriyal na merkado ng AI ay tumaas nang husto sa nakalipas na dalawang taon. Sa panahon ng pag-aaral, tinukoy ng IoT Analytics ang 634 na mga supplier ng AI technology sa mga manufacturer/industrial na customer. Sa mga kumpanyang ito, 389 (61.4%) ang nag-aalok ng AI software.
Ang bagong platform ng software ng AI ay nakatuon sa mga pang-industriyang kapaligiran. Higit pa sa Uptake, Braincube, o C3 AI, dumaraming bilang ng mga vendor ng operational technology (OT) ang nag-aalok ng mga nakalaang AI software platform. Kasama sa mga halimbawa ang Genix Industrial analytics at AI suite ng ABB, ang FactoryTalk Innovation suite ng Rockwell Automation, ang sariling manufacturing consulting platform ng Schneider Electric, at mas kamakailan, mga partikular na add-on. Ang ilan sa mga platform na ito ay nagta-target ng malawak na hanay ng mga kaso ng paggamit. Halimbawa, ang Genix platform ng ABB ay nagbibigay ng advanced na analytics, kabilang ang mga pre-built na application at serbisyo para sa operational performance management, asset integrity, sustainability at supply chain efficiency.
Inilalagay ng malalaking kumpanya ang kanilang mga tool sa software ng ai sa sahig ng tindahan.
Ang pagkakaroon ng mga tool sa software ng ai ay hinihimok din ng mga bagong tool sa software na partikular sa paggamit na binuo ng AWS, malalaking kumpanya tulad ng Microsoft at Google. Halimbawa, noong Disyembre 2020, inilabas ng AWS ang Amazon SageMaker JumpStart, isang feature ng Amazon SageMaker na nagbibigay ng isang set ng mga pre-built at customizable na solusyon para sa mga pinakakaraniwang pang-industriyang kaso ng paggamit, gaya ng PdM, computer vision, at autonomous na pagmamaneho, I-deploy gamit ang ilang clicks lang.
Ang mga solusyon sa software na partikular sa use-case ay nagtutulak ng mga pagpapabuti sa kakayahang magamit.
Ang mga suite ng software na partikular sa use-case, gaya ng mga nakatuon sa predictive na pagpapanatili, ay nagiging mas karaniwan. Napansin ng IoT Analytics na ang bilang ng mga provider na gumagamit ng AI-based product data management (PdM) software solutions ay tumaas sa 73 noong unang bahagi ng 2021 dahil sa pagtaas ng iba't ibang data source at ang paggamit ng mga pre-training na modelo, gayundin ang malawakang pagpapatibay ng mga teknolohiya sa pagpapahusay ng data.
Salik 2: Ang pagbuo at pagpapanatili ng mga solusyon sa AI ay pinasimple
Ang automated machine learning (AutoML) ay nagiging isang karaniwang produkto.
Dahil sa pagiging kumplikado ng mga gawaing nauugnay sa machine learning (ML), ang mabilis na paglaki ng mga application ng machine learning ay lumikha ng pangangailangan para sa mga off-the-shelf na pamamaraan ng machine learning na magagamit nang walang kadalubhasaan. Ang resultang larangan ng pananaliksik, ang progresibong automation para sa machine learning, ay tinatawag na AutoML. Ginagamit ng iba't ibang kumpanya ang teknolohiyang ito bilang bahagi ng kanilang mga alok sa AI para tulungan ang mga customer na bumuo ng mga modelo ng ML at mas mabilis na maipatupad ang mga pang-industriyang kaso ng paggamit. Noong Nobyembre 2020, halimbawa, inanunsyo ng SKF ang isang produktong nakabatay sa automL na pinagsasama ang data ng proseso ng makina sa data ng vibration at temperatura upang bawasan ang mga gastos at paganahin ang mga bagong modelo ng negosyo para sa mga customer.
Pinapasimple ng mga machine learning operation (ML Ops) ang pamamahala at pagpapanatili ng modelo.
Ang bagong disiplina ng mga pagpapatakbo ng machine learning ay naglalayong pasimplehin ang pagpapanatili ng mga modelo ng AI sa mga kapaligiran ng pagmamanupaktura. Karaniwang bumababa ang performance ng isang modelo ng AI sa paglipas ng panahon dahil naaapektuhan ito ng ilang salik sa loob ng planta (halimbawa, mga pagbabago sa pamamahagi ng data at mga pamantayan ng kalidad). Bilang resulta, ang mga pagpapatakbo ng pagpapanatili ng modelo at machine learning ay naging kinakailangan upang matugunan ang mataas na kalidad na mga kinakailangan ng mga pang-industriyang kapaligiran (halimbawa, ang mga modelong may performance na mas mababa sa 99% Maaaring mabigong matukoy ang gawi na nagsasapanganib sa kaligtasan ng manggagawa).
Sa mga nakalipas na taon, maraming mga startup ang sumali sa ML Ops space, kabilang ang DataRobot, Grid.AI, Pinecone/Zilliz, Seldon, at Weights & Biases. Ang mga itinatag na kumpanya ay nagdagdag ng mga pagpapatakbo sa pag-aaral ng makina sa kanilang mga kasalukuyang inaalok na AI software, kabilang ang Microsoft, na nagpakilala ng data drift detection sa Azure ML Studio. Ang bagong feature na ito ay nagbibigay-daan sa mga user na makakita ng mga pagbabago sa pamamahagi ng input data na nagpapababa sa performance ng modelo.
Salik 3: Inilapat ang artificial intelligence sa mga umiiral nang application at use case
Ang mga tradisyunal na software provider ay nagdaragdag ng mga kakayahan sa AI.
Bilang karagdagan sa mga umiiral nang malalaking pahalang na tool ng software ng AI gaya ng MS Azure ML, AWS SageMaker, at Google Cloud Vertex AI, mga tradisyonal na software suite gaya ng Computerized Maintenance Management Systems (CAMMS), Manufacturing execution system (MES) o enterprise resource planning (ERP) maaari na ngayong makabuluhang mapabuti sa pamamagitan ng pag-iniksyon ng mga kakayahan ng AI. Halimbawa, ang ERP provider na Epicor Software ay nagdaragdag ng mga kakayahan ng AI sa mga umiiral na produkto nito sa pamamagitan ng Epicor Virtual Assistant (EVA) nito. Ang mga intelihente na ahente ng EVA ay ginagamit upang i-automate ang mga proseso ng ERP, tulad ng muling pag-iskedyul ng mga operasyon sa pagmamanupaktura o pagsasagawa ng mga simpleng query (halimbawa, pagkuha ng mga detalye tungkol sa pagpepresyo ng produkto o ang bilang ng mga available na bahagi).
Ang mga kaso ng pang-industriya na paggamit ay ina-upgrade sa pamamagitan ng paggamit ng AIoT.
Maraming mga kaso ng pang-industriya na paggamit ang pinahusay sa pamamagitan ng pagdaragdag ng mga kakayahan ng AI sa kasalukuyang imprastraktura ng hardware/software. Ang isang matingkad na halimbawa ay ang machine vision sa mga application ng kontrol sa kalidad. Ang mga tradisyunal na system ng machine vision ay nagpoproseso ng mga larawan sa pamamagitan ng pinagsama-sama o discrete na mga computer na nilagyan ng espesyal na software na sinusuri ang mga paunang natukoy na parameter at threshold (hal., mataas na contrast) upang matukoy kung ang mga bagay ay nagpapakita ng mga depekto. Sa maraming mga kaso (halimbawa, mga electronic na bahagi na may iba't ibang mga hugis ng mga kable), ang bilang ng mga maling positibo ay napakataas.
Gayunpaman, ang mga sistemang ito ay muling binubuhay sa pamamagitan ng artificial intelligence. Halimbawa, ang industriyal na machine Vision provider na Cognex ay naglabas ng bagong Deep Learning tool (Vision Pro Deep Learning 2.0) noong Hulyo 2021. Ang mga bagong tool ay isinasama sa mga tradisyunal na vision system, na nagbibigay-daan sa mga end user na pagsamahin ang malalim na pag-aaral sa mga tradisyonal na vision tool sa parehong application upang matugunan ang hinihinging medikal at elektronikong kapaligiran na nangangailangan ng tumpak na pagsukat ng mga gasgas, kontaminasyon at iba pang mga depekto.
Salik 4: Pinapabuti ang Industrial AIoT hardware
Ang AI chips ay mabilis na bumubuti.
Ang mga naka-embed na hardware AI chips ay mabilis na lumalaki, na may iba't ibang opsyon na magagamit upang suportahan ang pagbuo at pag-deploy ng mga modelo ng AI. Kabilang sa mga halimbawa ang pinakabagong mga graphics processing unit (Gpus) ng NVIDIA, ang A30 at A10, na ipinakilala noong Marso 2021 at angkop para sa mga kaso ng paggamit ng AI gaya ng mga system ng rekomendasyon at mga computer vision system. Ang isa pang halimbawa ay ang Google's fourth-generation Tensors Processing Units (TPus), na mga makapangyarihang special-purpose integrated circuits (ASics) na makakamit ng hanggang 1,000 beses na mas kahusayan at bilis sa pag-develop at pag-deploy ng modelo para sa mga partikular na workload ng AI (hal, object detection , pag-uuri ng larawan, at mga benchmark ng rekomendasyon). Ang paggamit ng dedikadong AI hardware ay nakakabawas sa oras ng pagkalkula ng modelo mula sa mga araw hanggang minuto, at napatunayang ito ay isang game changer sa maraming kaso.
Ang makapangyarihang AI hardware ay kaagad na magagamit sa pamamagitan ng isang pay-per-use na modelo.
Ang mga superscale na negosyo ay patuloy na nag-a-upgrade ng kanilang mga server upang gawing available ang mga mapagkukunan ng computing sa cloud upang ang mga end user ay makapagpatupad ng mga pang-industriyang AI application. Noong Nobyembre 2021, halimbawa, inanunsyo ng AWS ang opisyal na paglabas ng mga pinakabagong GPU-based nitong instance, ang Amazon EC2 G5, na pinapagana ng NVIDIA A10G Tensor Core GPU, para sa iba't ibang ML application, kabilang ang computer vision at mga engine ng rekomendasyon. Halimbawa, ang provider ng detection system na Nanotronics ay gumagamit ng Amazon EC2 na mga halimbawa ng AI-based na solusyon sa pagkontrol sa kalidad upang pabilisin ang mga pagsisikap sa pagproseso at makamit ang mas tumpak na mga rate ng pagtuklas sa paggawa ng mga microchip at nanotube.
Konklusyon at Prospect
Ang AI ay lalabas sa pabrika, at ito ay magiging ubiquitous sa mga bagong application, tulad ng AI-based na PdM, at bilang mga pagpapahusay sa umiiral na software at mga kaso ng paggamit. Ang malalaking negosyo ay naglulunsad ng ilang kaso ng paggamit ng AI at nag-uulat ng tagumpay, at karamihan sa mga proyekto ay may mataas na return on investment. Sa kabuuan, ang pagtaas ng cloud, iot platform at makapangyarihang AI chips ay nagbibigay ng platform para sa isang bagong henerasyon ng software at pag-optimize.
Oras ng post: Ene-12-2022