Ayon sa kamakailan-lamang na inilabas na pang-industriya na AI at AI Market Report 2021-2026, ang rate ng pag-aampon ng AI sa mga setting ng industriya ay nadagdagan mula 19 porsyento hanggang 31 porsyento sa loob lamang ng dalawang taon. Bilang karagdagan sa 31 porsyento ng mga sumasagot na ganap o bahagyang pinagsama ang AI sa kanilang operasyon, isa pang 39 porsyento ang kasalukuyang sumusubok o piloto ang teknolohiya.
Ang AI ay umuusbong bilang isang pangunahing teknolohiya para sa mga tagagawa at mga kumpanya ng enerhiya sa buong mundo, at hinuhulaan ng pagsusuri ng IoT na ang merkado ng industriya ng AI Solutions ay magpapakita ng isang malakas na post-pandemic compound taunang rate ng paglago (CAGR) na 35% upang maabot ang $ 102.17 bilyon sa pamamagitan ng 2026.
Ang digital na edad ay nagsilang sa internet ng mga bagay. Makikita na ang paglitaw ng artipisyal na katalinuhan ay pinabilis ang bilis ng pag -unlad ng internet ng mga bagay.
Tingnan natin ang ilan sa mga kadahilanan na nagmamaneho ng pagtaas ng pang -industriya na AI at AIOT.
Factor 1: Higit pang mga tool sa software para sa pang -industriya AIOT
Noong 2019, nang magsimulang masakop ng IoT Analytics ang pang -industriya na AI, kakaunti ang nakalaang mga produkto ng software ng AI mula sa mga vendor ng Operational Technology (OT). Simula noon, maraming mga vendor ng OT ang pumasok sa merkado ng AI sa pamamagitan ng pagbuo at pagbibigay ng mga solusyon sa software ng AI sa anyo ng mga platform ng AI para sa sahig ng pabrika.
Ayon sa data, halos 400 vendor ang nag -aalok ng AIOT software. Ang bilang ng mga vendor ng software na sumali sa pang -industriya na merkado ng AI ay tumaas nang malaki sa nakaraang dalawang taon. Sa pag -aaral, kinilala ng IoT Analytics ang 634 na mga supplier ng teknolohiya ng AI sa mga tagagawa/pang -industriya na customer. Sa mga kumpanyang ito, 389 (61.4%) ang nag -aalok ng software ng AI.
Ang bagong platform ng software ng AI ay nakatuon sa mga pang -industriya na kapaligiran. Higit pa sa pag -aalsa, braincube, o C3 AI, isang lumalagong bilang ng mga operasyong teknolohiya (OT) ay nag -aalok ng mga dedikadong platform ng software ng AI. Kasama sa mga halimbawa ang Genix Industrial Analytics ng ABB at AI Suite, FactoryTalk Innovation Suite ng Rockwell Automation, ang sariling platform ng pagkonsulta sa Schneider Electric, at higit pa kamakailan, mga tukoy na add-on. Ang ilan sa mga platform na ito ay nagta -target ng isang malawak na hanay ng mga kaso ng paggamit. Halimbawa, ang platform ng Genix ng ABB ay nagbibigay ng advanced na analytics, kabilang ang mga pre-built application at serbisyo para sa pamamahala ng pagganap ng pagpapatakbo, integridad ng asset, pagpapanatili at kahusayan ng supply chain.
Ang mga malalaking kumpanya ay naglalagay ng kanilang mga tool sa software ng AI sa sahig ng shop.
Ang pagkakaroon ng mga tool ng software ng AI ay hinihimok din ng mga bagong tool sa paggamit ng mga tukoy na software na binuo ng AWS, mga malalaking kumpanya tulad ng Microsoft at Google. Halimbawa, noong Disyembre 2020, pinakawalan ng AWS ang Amazon Sagemaker Jumpstart, isang tampok ng Amazon Sagemaker na nagbibigay ng isang hanay ng mga pre-built at napapasadyang mga solusyon para sa mga pinaka-karaniwang mga kaso ng paggamit ng pang-industriya, tulad ng PDM, Computer Vision, at Autonomous na pagmamaneho, pag-deploy na may ilang mga pag-click lamang.
Ang mga solusyon sa software na gamit-case-tukoy na software ay nagmamaneho ng mga pagpapabuti ng kakayahang magamit.
Ang mga suite ng software na gamit-case-tukoy, tulad ng mga nakatuon sa mahuhulaan na pagpapanatili, ay nagiging mas karaniwan. Napansin ng mga analytics ng IoT na ang bilang ng mga tagapagkaloob na gumagamit ng mga solusyon sa software na batay sa AI-based Data Management (PDM) ay tumaas sa 73 sa unang bahagi ng 2021 dahil sa isang pagtaas sa iba't ibang mga mapagkukunan ng data at ang paggamit ng mga modelo ng pre-pagsasanay, pati na rin ang laganap na pag-ampon ng mga teknolohiya ng pagpapahusay ng data.
Factor 2: Ang pag -unlad 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 gawain na nauugnay sa pag-aaral ng makina (ML), ang mabilis na paglaki ng mga aplikasyon ng pag-aaral ng makina ay lumikha ng isang pangangailangan para sa mga pamamaraan ng pagkatuto ng machine ng off-the-shelf na maaaring magamit nang walang kadalubhasaan. Ang nagresultang larangan ng pananaliksik, progresibong automation para sa pag -aaral ng makina, ay tinatawag na automl. Ang iba't ibang mga kumpanya ay gumagamit ng teknolohiyang ito bilang bahagi ng kanilang mga handog sa AI upang matulungan ang mga customer na bumuo ng mga modelo ng ML at mas mabilis na ipatupad ang mga kaso ng pang -industriya. Noong Nobyembre 2020, halimbawa, inihayag ng SKF ang isang produkto na batay sa automl na pinagsasama ang data ng proseso ng makina na may data ng panginginig ng boses at temperatura upang mabawasan ang mga gastos at paganahin ang mga bagong modelo ng negosyo para sa mga customer.
Ang mga operasyon sa pag -aaral ng makina (ML OPS) ay pinasimple ang pamamahala at pagpapanatili ng modelo.
Ang bagong disiplina ng mga operasyon sa pag -aaral ng makina ay naglalayong gawing simple ang pagpapanatili ng mga modelo ng AI sa mga kapaligiran sa pagmamanupaktura. Ang pagganap ng isang modelo ng AI ay karaniwang nagpapahina sa paglipas ng panahon dahil apektado ito ng maraming mga kadahilanan sa loob ng halaman (halimbawa, mga pagbabago sa pamamahagi ng data at mga pamantayan sa kalidad). Bilang isang resulta, ang mga pagpapanatili ng modelo at mga operasyon sa pag -aaral ng makina ay kinakailangan upang matugunan ang mataas na kalidad na mga kinakailangan ng mga pang -industriya na kapaligiran (halimbawa, ang mga modelo na may pagganap sa ibaba 99% ay maaaring mabigo upang makilala ang pag -uugali na nakakaapekto sa kaligtasan ng manggagawa).
Sa mga nagdaang taon, maraming mga startup ang sumali sa puwang ng ML OPS, kabilang ang Datarobot, Grid.ai, Pinecone/Zilliz, Seldon, at Timbang at Biases. Ang mga itinatag na kumpanya ay nagdagdag ng mga operasyon sa pag -aaral ng makina sa kanilang umiiral na mga handog ng software ng AI, kabilang ang Microsoft, na nagpakilala ng data drift detection sa Azure ML Studio. Ang bagong tampok na ito ay nagbibigay -daan sa mga gumagamit upang makita ang mga pagbabago sa pamamahagi ng data ng pag -input na nagpapabagal sa pagganap ng modelo.
Factor 3: Artipisyal na Intelligence na inilalapat sa umiiral na mga aplikasyon at paggamit ng mga kaso
Ang mga tradisyunal na tagapagbigay ng software ay nagdaragdag ng mga kakayahan ng AI.
Bilang karagdagan sa umiiral na malaking pahalang na mga tool ng software ng AI tulad ng MS Azure ML, AWS Sagemaker, at Google Cloud Vertex AI, tradisyonal na software suite tulad ng Computerized Maintenance Management Systems (CAMMS), ang paggawa ng mga sistema ng pagpapatupad (MES) o pagpaplano ng mapagkukunan ng negosyo (ERP) ay maaari na ngayong makabuluhang napabuti sa pamamagitan ng pag -iniksyon ng mga kakayahan ng AI. Halimbawa, ang software ng ERP Provider Epicor ay nagdaragdag ng mga kakayahan ng AI sa umiiral na mga produkto sa pamamagitan ng Epicor Virtual Assistant (EVA). Ang mga ahente ng EVA ay ginagamit upang awtomatiko ang mga proseso ng ERP, tulad ng pag -reschedule 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 magagamit na bahagi).
Ang mga kaso ng paggamit ng pang -industriya ay na -upgrade sa pamamagitan ng paggamit ng AIOT.
Maraming mga kaso ng pang -industriya na paggamit ay pinahusay sa pamamagitan ng pagdaragdag ng mga kakayahan ng AI sa umiiral na imprastraktura ng hardware/software. Ang isang matingkad na halimbawa ay ang pangitain ng makina sa mga aplikasyon ng kontrol sa kalidad. Ang mga tradisyunal na sistema ng paningin ng makina ay nagpoproseso ng mga imahe sa pamamagitan ng integrated o discrete computer na nilagyan ng dalubhasang software na sinusuri ang mga paunang natukoy na mga parameter at threshold (halimbawa, mataas na kaibahan) upang matukoy kung ang mga bagay ay nagpapakita ng mga depekto. Sa maraming mga kaso (halimbawa, ang mga elektronikong sangkap na may iba't ibang mga hugis ng mga kable), ang bilang ng mga maling positibo ay napakataas.
Gayunpaman, ang mga sistemang ito ay nabuhay muli sa pamamagitan ng artipisyal na katalinuhan. Halimbawa, ang tagapagbigay ng pangitain ng pang -industriya na makina ng Cognex ay naglabas ng isang bagong malalim na tool sa pag -aaral (Vision Pro Deep Learning 2.0) noong Hulyo 2021. Ang mga bagong tool ay nagsasama sa mga tradisyunal na sistema ng paningin, na nagpapagana ng mga end user na pagsamahin ang malalim na pag -aaral na may tradisyonal na mga tool sa pangitain sa parehong aplikasyon upang matugunan ang hinihingi na mga medikal at elektronikong kapaligiran na nangangailangan ng tumpak na pagsukat ng mga gasgas, kontaminasyon at iba pang mga depekto.
Factor 4: Ang Industrial Aiot Hardware ay napabuti
Ang mga chips ng AI ay mabilis na nagpapabuti.
Ang mga naka -embed na hardware AI chips ay mabilis na lumalaki, na may iba't ibang mga pagpipilian na magagamit upang suportahan ang pag -unlad at paglawak ng mga modelo ng AI. Kasama sa mga halimbawa ang pinakabagong mga yunit ng pagproseso ng graphics ng NVIDIA (GPU), ang A30 at A10, na ipinakilala noong Marso 2021 at angkop para sa mga kaso ng paggamit ng AI tulad ng mga sistema ng rekomendasyon at mga sistema ng paningin ng computer. Ang isa pang halimbawa ay ang pang-apat na henerasyon na tensors na mga yunit ng pagproseso (TPU), na kung saan ay malakas na espesyal na layunin na integrated circuit (ASIC) na maaaring makamit ang hanggang sa 1,000 beses na mas kahusayan at bilis sa pag-unlad ng modelo at paglawak para sa mga tiyak na mga workload ng AI (halimbawa, pagtuklas ng object, pag-uuri ng imahe, at mga benchmark ng rekomendasyon). Ang paggamit ng dedikadong AI hardware ay binabawasan ang oras ng pagkalkula ng modelo mula sa mga araw hanggang minuto, at napatunayan na isang tagapagpalit ng laro sa maraming mga kaso.
Ang makapangyarihang AI hardware ay agad na magagamit sa pamamagitan ng isang modelo ng pay-per-use.
Ang Superscale Enterprises ay patuloy na ina -upgrade ang kanilang mga server upang magamit ang mga mapagkukunan ng computing sa ulap upang ang mga end user ay maaaring magpatupad ng mga pang -industriya na aplikasyon ng AI. Noong Nobyembre 2021, halimbawa, inihayag ng AWS ang opisyal na paglabas ng pinakabagong mga pagkakataon na batay sa GPU, ang Amazon EC2 G5, na pinalakas ng NVIDIA A10G tensor core GPU, para sa iba't ibang mga aplikasyon ng ML, kabilang ang mga pangitain sa computer at mga rekomendasyong makina. Halimbawa, ang provider ng Detection Systems na Nanotronics ay gumagamit ng mga halimbawa ng Amazon EC2 ng solusyon sa kontrol ng kalidad na batay sa AI upang mapabilis ang mga pagsisikap sa pagproseso at makamit ang mas tumpak na mga rate ng pagtuklas sa paggawa ng mga microchips at nanotubes.
Konklusyon at pag -asam
Ang AI ay lumalabas sa pabrika, at magiging nasa lahat ng mga bagong aplikasyon, tulad ng PDM na nakabase sa AI, at bilang mga pagpapahusay sa umiiral na software at paggamit ng mga kaso. Ang mga malalaking negosyo ay lumiligid ng maraming mga kaso ng paggamit ng AI at pag -uulat ng tagumpay, at ang karamihan sa mga proyekto ay may mataas na pagbabalik sa pamumuhunan. Lahat sa lahat, ang pagtaas ng ulap, mga platform ng IoT at malakas na AI chips ay nagbibigay ng isang platform para sa isang bagong henerasyon ng software at pag -optimize.
Oras ng Mag-post: Jan-12-2022