Menurut Laporan Pasaran AI Industri dan AI 2021-2026 yang dikeluarkan baru-baru ini, kadar penggunaan AI dalam Tetapan industri meningkat daripada 19 peratus kepada 31 peratus dalam tempoh dua tahun sahaja. Sebagai tambahan kepada 31 peratus responden yang telah melancarkan AI sepenuhnya atau sebahagian dalam operasi mereka, 39 peratus lagi sedang menguji atau merintis teknologi itu.
AI muncul sebagai teknologi utama untuk pengeluar dan syarikat tenaga di seluruh dunia, dan analisis IoT meramalkan bahawa pasaran penyelesaian AI perindustrian akan menunjukkan kadar pertumbuhan tahunan kompaun (CAGR) pasca-pandemi yang kukuh sebanyak 35% untuk mencapai $102.17 bilion menjelang 2026.
Era digital telah melahirkan Internet of Things. Dapat dilihat bahawa kemunculan kecerdasan buatan telah mempercepatkan rentak pembangunan Internet of Things.
Mari kita lihat beberapa faktor yang mendorong peningkatan AI dan AIoT perindustrian.
Faktor 1: Semakin banyak alat perisian untuk AIoT industri
Pada 2019, apabila analitik Iot mula meliputi AI industri, terdapat beberapa produk perisian AI khusus daripada vendor teknologi operasi (OT). Sejak itu, banyak vendor OT telah memasuki pasaran AI dengan membangunkan dan menyediakan penyelesaian perisian AI dalam bentuk platform AI untuk tingkat kilang.
Menurut data, hampir 400 vendor menawarkan perisian AIoT. Bilangan vendor perisian yang menyertai pasaran AI industri telah meningkat secara mendadak dalam tempoh dua tahun yang lalu. Semasa kajian, IoT Analytics mengenal pasti 634 pembekal teknologi AI kepada pengilang/pelanggan industri. Daripada syarikat ini, 389 (61.4%) menawarkan perisian AI.
Platform perisian AI baharu memfokuskan pada persekitaran industri. Beyond Uptake, Braincube, atau C3 AI, semakin banyak vendor teknologi operasi (OT) menawarkan platform perisian AI khusus. Contohnya termasuk analitik Industri Genix ABB dan suite AI, suite Inovasi FactoryTalk Automation Rockwell, platform perundingan pembuatan Schneider Electric sendiri dan lebih baru-baru ini, alat tambah khusus. Sesetengah platform ini menyasarkan pelbagai kes penggunaan. Sebagai contoh, platform Genix ABB menyediakan analisis lanjutan, termasuk aplikasi dan perkhidmatan pra-bina untuk pengurusan prestasi operasi, integriti aset, kemampanan dan kecekapan rantaian bekalan.
Syarikat-syarikat besar meletakkan alat perisian ai mereka di tingkat kedai.
Ketersediaan alatan perisian ai juga didorong oleh alatan perisian khusus kes penggunaan baharu yang dibangunkan oleh AWS, syarikat besar seperti Microsoft dan Google. Contohnya, pada Disember 2020, AWS mengeluarkan Amazon SageMaker JumpStart, ciri Amazon SageMaker yang menyediakan satu set penyelesaian pra-bina dan boleh disesuaikan untuk kes penggunaan industri yang paling biasa, seperti PdM, penglihatan komputer dan pemanduan autonomi, Gunakan dengan hanya beberapa klik.
Penyelesaian perisian khusus kes penggunaan memacu peningkatan kebolehgunaan.
Suite perisian khusus kes penggunaan, seperti yang memfokuskan pada penyelenggaraan ramalan, menjadi lebih biasa. IoT Analytics memerhatikan bahawa bilangan penyedia yang menggunakan penyelesaian perisian pengurusan data produk (PdM) berasaskan AI meningkat kepada 73 pada awal 2021 disebabkan peningkatan dalam pelbagai sumber data dan penggunaan model pra-latihan, serta meluasnya penggunaan teknologi peningkatan data.
Faktor 2: Pembangunan dan penyelenggaraan penyelesaian AI sedang dipermudahkan
Pembelajaran mesin automatik (AutoML) menjadi produk standard.
Disebabkan oleh kerumitan tugas yang berkaitan dengan pembelajaran mesin (ML), pertumbuhan pesat aplikasi pembelajaran mesin telah mewujudkan keperluan untuk kaedah pembelajaran mesin di luar rak yang boleh digunakan tanpa kepakaran. Bidang penyelidikan yang terhasil, automasi progresif untuk pembelajaran mesin, dipanggil AutoML. Pelbagai syarikat memanfaatkan teknologi ini sebagai sebahagian daripada tawaran AI mereka untuk membantu pelanggan membangunkan model ML dan melaksanakan kes penggunaan industri dengan lebih pantas. Pada November 2020, sebagai contoh, SKF mengumumkan produk berasaskan automL yang menggabungkan data proses mesin dengan data getaran dan suhu untuk mengurangkan kos dan membolehkan model perniagaan baharu untuk pelanggan.
Operasi pembelajaran mesin (ML Ops) memudahkan pengurusan dan penyelenggaraan model.
Disiplin baharu operasi pembelajaran mesin bertujuan untuk memudahkan penyelenggaraan model AI dalam persekitaran pembuatan. Prestasi model AI biasanya merosot dari semasa ke semasa kerana ia dipengaruhi oleh beberapa faktor dalam loji (contohnya, perubahan dalam pengedaran data dan standard kualiti). Akibatnya, penyelenggaraan model dan operasi pembelajaran mesin menjadi perlu untuk memenuhi keperluan kualiti tinggi persekitaran industri (contohnya, model dengan prestasi di bawah 99% Mungkin gagal mengenal pasti tingkah laku yang membahayakan keselamatan pekerja).
Dalam beberapa tahun kebelakangan ini, banyak syarikat pemula telah menyertai ruang Ops ML, termasuk DataRobot, Grid.AI, Pinecone/Zilliz, Seldon dan Weights & Biases. Syarikat yang ditubuhkan telah menambah operasi pembelajaran mesin pada penawaran perisian AI sedia ada mereka, termasuk Microsoft, yang memperkenalkan pengesanan hanyutan data dalam Azure ML Studio. Ciri baharu ini membolehkan pengguna mengesan perubahan dalam pengedaran data input yang merendahkan prestasi model.
Faktor 3: Kepintaran buatan digunakan pada aplikasi sedia ada dan kes penggunaan
Penyedia perisian tradisional menambah keupayaan AI.
Selain alatan perisian AI mendatar besar sedia ada seperti MS Azure ML, AWS SageMaker dan Google Cloud Vertex AI, suite perisian tradisional seperti Sistem Pengurusan Penyelenggaraan Berkomputer (CAMMS), Sistem pelaksanaan Pembuatan (MES) atau perancangan sumber perusahaan (ERP) kini boleh dipertingkatkan dengan ketara dengan menyuntik keupayaan AI. Sebagai contoh, pembekal ERP Epicor Software menambah keupayaan AI pada produk sedia ada melalui Pembantu Maya Epicor (EVA). Ejen EVA Pintar digunakan untuk mengautomasikan proses ERP, seperti menjadualkan semula operasi pembuatan atau melakukan pertanyaan mudah (contohnya, mendapatkan butiran tentang harga produk atau bilangan bahagian yang tersedia).
Kes penggunaan industri sedang dinaik taraf dengan menggunakan AIoT.
Beberapa kes penggunaan industri sedang dipertingkatkan dengan menambahkan keupayaan AI pada infrastruktur perkakasan/perisian sedia ada. Contoh yang jelas ialah penglihatan mesin dalam aplikasi kawalan kualiti. Sistem penglihatan mesin tradisional memproses imej melalui komputer bersepadu atau diskret yang dilengkapi dengan perisian khusus yang menilai parameter dan ambang yang telah ditetapkan (cth, kontras tinggi) untuk menentukan sama ada objek menunjukkan kecacatan. Dalam banyak kes (contohnya, komponen elektronik dengan bentuk pendawaian yang berbeza), bilangan positif palsu adalah sangat tinggi.
Walau bagaimanapun, sistem ini sedang dihidupkan semula melalui kecerdasan buatan. Sebagai contoh, pembekal Vision mesin industri Cognex mengeluarkan alat Pembelajaran Dalam baharu (Vision Pro Deep Learning 2.0) pada Julai 2021. Alat baharu itu disepadukan dengan sistem penglihatan tradisional, membolehkan pengguna akhir menggabungkan pembelajaran mendalam dengan alat penglihatan tradisional dalam aplikasi yang sama untuk memenuhi permintaan persekitaran perubatan dan elektronik yang memerlukan pengukuran tepat calar, pencemaran dan kecacatan lain.
Faktor 4: Perkakasan AIoT industri sedang ditambah baik
Cip AI bertambah baik dengan pantas.
Cip AI perkakasan terbenam berkembang pesat, dengan pelbagai pilihan tersedia untuk menyokong pembangunan dan penggunaan model AI. Contohnya termasuk unit pemprosesan grafik (Gpus) terbaharu NVIDIA, A30 dan A10, yang diperkenalkan pada Mac 2021 dan sesuai untuk kes penggunaan AI seperti sistem pengesyoran dan sistem penglihatan komputer. Contoh lain ialah Unit Pemprosesan Tensors (TPus) generasi keempat Google, yang merupakan litar bersepadu tujuan khas (ASics) berkuasa yang boleh mencapai kecekapan dan kelajuan sehingga 1,000 kali ganda dalam pembangunan model dan penggunaan untuk beban kerja AI tertentu (cth, pengesanan objek. , pengelasan imej dan tanda aras pengesyoran). Menggunakan perkakasan AI khusus mengurangkan masa pengiraan model dari hari ke minit, dan telah terbukti menjadi pengubah permainan dalam banyak kes.
Perkakasan AI yang berkuasa tersedia serta-merta melalui model bayar setiap penggunaan.
Perusahaan Superscale sentiasa meningkatkan pelayan mereka untuk menyediakan sumber pengkomputeran dalam awan supaya pengguna akhir boleh melaksanakan aplikasi AI industri. Pada November 2021, sebagai contoh, AWS mengumumkan keluaran rasmi contoh berasaskan GPU terbaharunya, Amazon EC2 G5, dikuasakan oleh GPU Tensor Core NVIDIA A10G, untuk pelbagai aplikasi ML, termasuk penglihatan komputer dan enjin pengesyoran. Sebagai contoh, pembekal sistem pengesanan Nanotronics menggunakan contoh Amazon EC2 bagi penyelesaian kawalan kualiti berasaskan AI untuk mempercepatkan usaha pemprosesan dan mencapai kadar pengesanan yang lebih tepat dalam pembuatan mikrocip dan tiub nano.
Kesimpulan dan Prospek
AI akan keluar dari kilang, dan ia akan berada di mana-mana dalam aplikasi baharu, seperti PdM berasaskan AI, dan sebagai penambahbaikan kepada perisian dan kes penggunaan sedia ada. Perusahaan besar sedang melancarkan beberapa kes penggunaan AI dan melaporkan kejayaan, dan kebanyakan projek mempunyai pulangan pelaburan yang tinggi. Secara keseluruhannya, kebangkitan awan, platform iot dan cip AI yang berkuasa menyediakan platform untuk perisian dan pengoptimuman generasi baharu.
Masa siaran: Jan-12-2022