Ayon sa kamakailang inilabas na Industrial AI and AI Market Report 2021-2026, ang antas ng pag-aampon ng AI sa mga industriyal na setting ay tumaas mula 19 porsyento hanggang 31 porsyento sa loob lamang ng mahigit dalawang taon. Bukod sa 31 porsyento ng mga respondent na ganap o bahagyang naglunsad ng AI sa kanilang mga operasyon, 39 porsyento pa ang kasalukuyang sumusubok o nagpipiloto sa teknolohiya.
Ang AI ay umuusbong bilang isang mahalagang teknolohiya para sa mga tagagawa at mga kumpanya ng enerhiya sa buong mundo, at hinuhulaan ng pagsusuri ng IoT na ang merkado ng mga solusyon sa industriyal na AI ay magpapakita ng isang malakas na post-pandemic compound annual growth rate (CAGR) na 35% upang umabot sa $102.17 bilyon pagsapit ng 2026.
Ang digital na panahon ang nagbigay-daan sa pagsilang ng Internet of Things. Makikita na ang paglitaw ng artificial intelligence ay nagpabilis sa pag-unlad ng Internet of Things.
Tingnan natin ang ilan sa mga salik na nagtutulak sa pag-usbong ng industrial AI at AIoT.
Salik 1: Parami nang parami ang mga software tool para sa industrial AIoT
Noong 2019, nang magsimulang saklawin ng Iot analytics ang industrial AI, kakaunti ang mga nakalaang produkto ng AI software mula sa mga vendor ng operational technology (OT). Simula noon, maraming vendor ng OT ang pumasok sa merkado ng AI sa pamamagitan ng pagbuo at pagbibigay ng mga solusyon sa AI software sa anyo ng mga AI platform para sa factory floor.
Ayon sa datos, halos 400 na vendor ang nag-aalok ng AIoT software. Ang bilang ng mga vendor ng software na sumali sa industriyal na merkado ng AI ay tumaas nang malaki sa nakalipas na dalawang taon. Sa panahon ng pag-aaral, natukoy ng IoT Analytics ang 634 na supplier ng teknolohiyang AI sa mga tagagawa/mga industriyal na customer. Sa mga kumpanyang ito, 389 (61.4%) ang nag-aalok ng AI software.
Ang bagong AI software platform ay nakatuon sa mga industriyal na kapaligiran. Bukod sa Uptake, Braincube, o C3 AI, dumaraming bilang ng mga vendor ng operational technology (OT) ang nag-aalok ng mga nakalaang AI software platform. Kabilang 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 kamakailan lamang, ang mga partikular na add-on. Ang ilan sa mga platform na ito ay nagta-target ng malawak na hanay ng mga use case. Halimbawa, ang Genix platform ng ABB ay nagbibigay ng advanced analytics, kabilang ang mga pre-built na application at serbisyo para sa operational performance management, asset integrity, sustainability at supply chain efficiency.
Inilalagay na ng malalaking kumpanya ang kanilang mga tool sa AI software sa pagawaan.
Ang pagkakaroon ng mga tool sa ai software 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 tampok ng Amazon SageMaker na nagbibigay ng isang hanay ng mga pre-built at napapasadyang solusyon para sa mga pinakakaraniwang pang-industriyang gamit, tulad ng PdM, computer vision, at autonomous driving, ang Deploy sa ilang pag-click lamang.
Ang mga solusyon sa software na partikular sa paggamit ay nagtutulak ng mga pagpapabuti sa usability.
Ang mga use-case-specific software suite, tulad ng mga nakatuon sa predictive maintenance, ay nagiging mas karaniwan. Naobserbahan ng IoT Analytics na ang bilang ng mga provider na gumagamit ng mga solusyon sa AI-based product data management (PdM) software ay tumaas sa 73 noong unang bahagi ng 2021 dahil sa pagtaas ng iba't ibang mapagkukunan ng data at paggamit ng mga pre-training model, pati na rin ang malawakang pag-aampon ng mga teknolohiya sa pagpapahusay ng data.
Salik 2: Pinapasimple ang pagbuo at pagpapanatili ng mga solusyon sa AI
Ang automated machine learning (AutoML) ay nagiging isang karaniwang produkto.
Dahil sa kasalimuotan ng mga gawaing nauugnay sa machine learning (ML), ang mabilis na paglago ng mga aplikasyon ng machine learning ay lumikha ng pangangailangan para sa mga available na pamamaraan ng machine learning na maaaring gamitin nang walang kadalubhasaan. Ang nagresultang 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 na AI upang matulungan ang mga customer na bumuo ng mga modelo ng ML at mas mabilis na maipatupad ang mga industrial use case. Halimbawa, noong Nobyembre 2020, inanunsyo ng SKF ang isang produktong nakabatay sa automL na pinagsasama ang data ng proseso ng makina na may data ng vibration at temperatura upang mabawasan ang mga gastos at paganahin ang mga bagong modelo ng negosyo para sa mga customer.
Pinapadali ng mga operasyon sa machine learning (ML Ops) ang pamamahala at pagpapanatili ng modelo.
Ang bagong disiplina ng mga operasyon ng machine learning ay naglalayong gawing simple ang pagpapanatili ng mga modelo ng AI sa mga kapaligiran ng pagmamanupaktura. Ang pagganap ng isang modelo ng AI ay karaniwang bumababa sa paglipas ng panahon dahil naaapektuhan ito ng ilang mga salik sa loob ng planta (halimbawa, mga pagbabago sa pamamahagi ng data at mga pamantayan ng kalidad). Bilang resulta, ang pagpapanatili ng modelo at mga operasyon ng machine learning ay naging kinakailangan upang matugunan ang mga kinakailangan sa mataas na kalidad ng mga kapaligirang pang-industriya (halimbawa, ang mga modelo na may pagganap na mas mababa sa 99% ay maaaring hindi matukoy ang pag-uugali na nagsasapanganib sa kaligtasan ng mga manggagawa).
Sa mga nakaraang taon, maraming startup ang sumali sa larangan ng ML Ops, kabilang ang DataRobot, Grid.AI, Pinecone/Zilliz, Seldon, at Weights & Biases. Nagdagdag ang mga matatag na kumpanya ng mga operasyon sa machine learning sa kanilang mga umiiral na alok ng 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 matukoy ang mga pagbabago sa distribusyon ng input data na nagpapababa sa performance ng modelo.
Salik 3: Artipisyal na katalinuhan na inilapat sa mga umiiral na aplikasyon at mga kaso ng paggamit
Nagdaragdag ang mga tradisyunal na tagapagbigay ng software ng mga kakayahan sa AI.
Bukod sa mga umiiral na malalaking horizontal AI software tools tulad ng MS Azure ML, AWS SageMaker, at Google Cloud Vertex AI, ang mga tradisyonal na software suites tulad ng Computerized Maintenance Management Systems (CAMMS), Manufacturing execution systems (MES) o enterprise resource planning (ERP) ay maaari na ngayong lubos na mapabuti sa pamamagitan ng pagdaragdag ng mga kakayahan sa AI. Halimbawa, ang ERP provider na Epicor Software ay nagdaragdag ng mga kakayahan sa AI sa mga umiiral nitong produkto sa pamamagitan ng Epicor Virtual Assistant (EVA) nito. Ginagamit ang mga intelligent EVA agent upang i-automate ang mga proseso ng ERP, tulad ng muling pag-iiskedyul ng mga operasyon sa pagmamanupaktura o pagsasagawa ng mga simpleng query (halimbawa, pagkuha ng mga detalye tungkol sa presyo ng produkto o ang bilang ng mga magagamit na bahagi).
Ang mga industrial use case ay ina-upgrade gamit ang AIoT.
Maraming mga kaso ng paggamit sa industriya ang pinahuhusay sa pamamagitan ng pagdaragdag ng mga kakayahan ng AI sa mga umiiral na imprastraktura ng hardware/software. Isang malinaw na halimbawa ay ang machine vision sa mga aplikasyon ng quality control. Pinoproseso ng mga tradisyonal na sistema ng machine vision ang mga imahe sa pamamagitan ng integrated o discrete na mga computer na may 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 elektronikong bahagi na may iba't ibang hugis ng mga kable), ang bilang ng mga false positive ay napakataas.
Gayunpaman, ang mga sistemang ito ay binubuhay muli sa pamamagitan ng artificial intelligence. Halimbawa, ang industrial machine Vision provider na Cognex ay naglabas ng isang bagong Deep Learning tool (Vision Pro Deep Learning 2.0) noong Hulyo 2021. Ang mga bagong tool ay isinasama sa mga tradisyonal na vision system, na nagbibigay-daan sa mga end user na pagsamahin ang deep learning sa mga tradisyonal na vision tool sa iisang aplikasyon upang matugunan ang mga mahihirap na medikal at elektronikong kapaligiran na nangangailangan ng tumpak na pagsukat ng mga gasgas, kontaminasyon at iba pang mga depekto.
Salik 4: Pinapabuti ang hardware ng industrial AIoT
Mabilis na umuunlad ang mga AI chips.
Mabilis na lumalaki ang mga naka-embed na hardware AI chip, 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 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 tulad ng mga recommendation system at computer vision system. Ang isa pang halimbawa ay ang ikaapat na henerasyon ng Tensors Processing Units (TPus) ng Google, na mga makapangyarihang special-purpose integrated circuits (ASics) na maaaring makamit ang hanggang 1,000 beses na mas mataas na kahusayan at bilis sa pagbuo at pag-deploy ng modelo para sa mga partikular na workload ng AI (hal., pag-detect ng object, pag-uuri ng imahe, at mga benchmark ng rekomendasyon). Ang paggamit ng nakalaang AI hardware ay binabawasan ang oras ng pagkalkula ng modelo mula araw hanggang minuto, at napatunayang nakapagpabago ng laro sa maraming pagkakataon.
Ang makapangyarihang AI hardware ay agad na makukuha sa pamamagitan ng pay-per-use model.
Patuloy na ina-upgrade ng mga superscale enterprise ang kanilang mga server upang gawing available ang mga computing resources sa cloud upang maipatupad ng mga end user ang mga industrial AI application. Halimbawa, noong Nobyembre 2021, inanunsyo ng AWS ang opisyal na paglabas ng pinakabagong GPU-based instances nito, ang Amazon EC2 G5, na pinapagana ng NVIDIA A10G Tensor Core GPU, para sa iba't ibang ML application, kabilang ang computer vision at recommendation engine. Halimbawa, ginagamit ng detection systems provider na Nanotronics ang mga halimbawa ng Amazon EC2 ng AI-based quality control solution nito upang mapabilis ang mga pagsisikap sa pagproseso at makamit ang mas tumpak na mga detection rate sa paggawa ng mga microchip at nanotube.
Konklusyon at Inaasahan
Lalabas na ang AI sa pabrika, at magiging laganap ito sa mga bagong aplikasyon, tulad ng AI-based PdM, at bilang mga pagpapahusay sa mga umiiral na software at use case. Ang malalaking negosyo ay naglulunsad ng ilang use case ng AI at nag-uulat ng tagumpay, at karamihan sa mga proyekto ay may mataas na return on investment. Sa kabuuan, ang pagsikat ng cloud, mga iot platform, at makapangyarihang AI chips ay nagbibigay ng plataporma para sa isang bagong henerasyon ng software at pag-optimize.
Oras ng pag-post: Enero 12, 2022