Laŭ la lastatempe publikigita Industria AI kaj AI-Merkata Raporto 2021-2026, la adoptoprocento de AI en industriaj Agordoj pliiĝis de 19 procento al 31 procento en iom pli ol du jaroj. Aldone al 31 procentoj de respondantoj, kiuj plene aŭ parte lanĉis AI en siaj operacioj, aliaj 39 procentoj nuntempe testas aŭ pilotas la teknologion.
AI aperas kiel ŝlosila teknologio por produktantoj kaj energiaj kompanioj tutmonde, kaj IoT-analizo antaŭdiras, ke la merkato de industriaj solvoj de AI montros fortan post-pandemian kunmetitan jaran kreskorapidecon (CAGR) de 35% por atingi 102,17 miliardojn USD antaŭ 2026.
La cifereca epoko naskis la Interreton de Aĵoj. Oni povas vidi, ke la apero de artefarita inteligenteco akcelis la ritmon de la disvolviĝo de la Interreto de Aĵoj.
Ni rigardu kelkajn el la faktoroj pelantaj la pliiĝon de industria AI kaj AIoT.
Faktoro 1: Pli kaj pli da programaraj iloj por industria AIoT
En 2019, kiam Iot-analitiko komencis kovri industrian AI, estis malmultaj diligentaj AI-programaroj de vendistoj de operacia teknologio (OT). Ekde tiam, multaj OT-vendistoj eniris la AI-merkaton disvolvante kaj disponigante AI-softvarajn solvojn en la formo de AI-platformoj por la fabriko.
Laŭ datumoj, preskaŭ 400 vendistoj ofertas AIoT-programaron. La nombro da softvarvendistoj aliĝantaj al la industria AI-merkato kreskis draste en la lastaj du jaroj. Dum la studo, IoT Analytics identigis 634 provizantojn de AI-teknologio al fabrikistoj/industriaj klientoj. El ĉi tiuj kompanioj, 389 (61,4%) ofertas AI-programaron.
La nova AI-programa platformo temigas industriajn mediojn. Preter Uptake, Braincube aŭ C3 AI, kreskanta nombro da operaciaj teknologioj (OT) vendistoj ofertas dediĉitajn AI-programajn platformojn. Ekzemploj inkluzivas la Genix Industrial-analitiko kaj AI-serio de ABB, la FactoryTalk Innovation-serio de Rockwell Automation, la propra fabrikada konsultplatformo de Schneider Electric kaj pli lastatempe specifaj aldonaĵoj. Iuj el ĉi tiuj platformoj celas larĝan gamon de uzkazoj. Ekzemple, la platformo Genix de ABB disponigas altnivelajn analizojn, inkluzive de antaŭkonstruitaj aplikoj kaj servoj por funkcia administrado de agado, integreco de aktivaĵoj, daŭripovo kaj efikeco de provizoĉeno.
Grandaj kompanioj metas siajn ai-programajn ilojn sur la butikon.
La havebleco de ai-programaraj iloj ankaŭ estas movita de novaj uzkazaj specifaj programaroj evoluigitaj de AWS, grandaj kompanioj kiel Microsoft kaj Google. Ekzemple, en decembro 2020, AWS publikigis Amazon SageMaker JumpStart, funkcion de Amazon SageMaker, kiu disponigas aron da antaŭkonstruitaj kaj agordeblaj solvoj por la plej oftaj industriaj uzkazoj, kiel ekzemple PdM, komputila vizio kaj aŭtonomia veturado, Deploy with nur kelkajn klakojn.
Uzkazaj specifaj softvarsolvoj kondukas uzebloplibonigojn.
Uzkaz-specifaj programaroj, kiel tiuj temigis prognozan prizorgadon, iĝas pli oftaj. IoT Analytics observis, ke la nombro da provizantoj uzantaj softvarajn solvojn pri produkta administrado de datumoj (PdM) bazitaj en AI pliiĝis al 73 komence de 2021 pro pliiĝo en la vario de datumfontoj kaj la uzo de antaŭtrejnaj modeloj, same kiel la disvastigita. adopto de datumaj plibonigaj teknologioj.
Faktoro 2: La disvolviĝo kaj prizorgado de AI-solvoj estas simpligitaj
Aŭtomatigita maŝinlernado (AutoML) fariĝas norma produkto.
Pro la komplekseco de la taskoj asociitaj kun maŝinlernado (ML), la rapida kresko de maŝinlernadaplikoj kreis bezonon de nekomercaj maŝinlernado-metodoj kiuj povas esti uzitaj sen kompetenteco. La rezulta esplorkampo, progresema aŭtomatigo por maŝinlernado, nomiĝas AutoML. Diversaj kompanioj utiligas ĉi tiun teknologion kiel parto de siaj AI-proponoj por helpi klientojn evoluigi ML-modelojn kaj efektivigi industriajn uzkazojn pli rapide. En novembro 2020, ekzemple, SKF anoncis aŭtomL-bazitan produkton kiu kombinas maŝinprocezdatenojn kun vibrado kaj temperaturdatenoj por redukti kostojn kaj ebligi novajn komercajn modelojn por klientoj.
Maŝinlernado operacioj (ML Ops) simpligas modeladministradon kaj prizorgadon.
La nova disciplino de maŝinlernado-operacioj celas simpligi la prizorgadon de AI-modeloj en produktadmedioj. La agado de AI-modelo tipe degradas laŭlonge de la tempo ĉar ĝi estas trafita de pluraj faktoroj ene de la planto (ekzemple, ŝanĝoj en datumdistribuo kaj kvalitnormoj). Kiel rezulto, modelaj prizorgado kaj maŝinlernado operacioj fariĝis necesaj por plenumi la altkvalitajn postulojn de industriaj medioj (ekzemple, modeloj kun rendimento sub 99% Eble malsukcesas identigi konduton kiu endanĝerigas laboristan sekurecon).
En la lastaj jaroj, multaj noventreprenoj aliĝis al la spaco ML Ops, inkluzive de DataRobot, Grid.AI, Pinecone/Zilliz, Seldon kaj Weights & Biases. Establitaj kompanioj aldonis maŝinlernajn operaciojn al siaj ekzistantaj AI-programaraj ofertoj, inkluzive de Mikrosofto, kiu enkondukis datuman detekton en Azure ML Studio. Ĉi tiu nova funkcio ebligas al uzantoj detekti ŝanĝojn en la distribuado de enirdatumoj, kiuj malbonigas modelan rendimenton.
Faktoro 3: Artefarita inteligenteco aplikita al ekzistantaj aplikoj kaj uzkazoj
Tradiciaj softvarprovizantoj aldonas AI-kapablojn.
Krom ekzistantaj grandaj horizontalaj AI-programaraj iloj kiel MS Azure ML, AWS SageMaker kaj Google Cloud Vertex AI, tradiciaj programaroj kiel Komputilaj Prizorgado-Administrado-Sistemoj (CAMMS), Manufacturing-ekzekutsistemoj (MES) aŭ entreprena rimedplanado (ERP) nun povas esti signife plibonigita per injekto de AI-kapabloj. Ekzemple, ERP-provizanto Epicor Software aldonas AI-kapablojn al siaj ekzistantaj produktoj per sia Epicor Virtual Assistant (EVA). Inteligentaj EVA-agentoj estas uzataj por aŭtomatigi ERP-procezojn, kiel replani produktadoperaciojn aŭ plenumi simplajn demandojn (ekzemple, akiri detalojn pri produktoprezoj aŭ la nombro da disponeblaj partoj).
Industriaj uzkazoj estas ĝisdatigitaj uzante AIoT.
Pluraj industriaj uzkazoj estas plibonigitaj aldonante AI-kapablojn al ekzistanta aparataro/programara infrastrukturo. Viva ekzemplo estas maŝina vizio en kvalitkontrolaplikoj. Tradiciaj maŝinviziaj sistemoj prilaboras bildojn per integraj aŭ diskretaj komputiloj ekipitaj per speciala softvaro kiu taksas antaŭdestinitajn parametrojn kaj sojlojn (ekz., altan kontraston) por determini ĉu objektoj elmontras difektojn. En multaj kazoj (ekzemple, elektronikaj komponantoj kun malsamaj kablaj formoj), la nombro da falsaj pozitivoj estas tre alta.
Tamen, ĉi tiuj sistemoj estas revivigitaj per artefarita inteligenteco. Ekzemple, industria maŝina Vision-provizanto Cognex publikigis novan Deep Learning-ilon (Vision Pro Deep Learning 2.0) en julio 2021. La novaj iloj integriĝas kun tradiciaj vizisistemoj, ebligante finajn uzantojn kombini profundan lernadon kun tradiciaj vidaj iloj en la sama aplikaĵo por renkonti postulemajn medicinajn kaj elektronikajn mediojn, kiuj postulas precizan mezuradon de grataĵoj, poluado kaj aliaj difektoj.
Faktoro 4: Industria AIoT-aparataro plibonigita
AI-blatoj rapide pliboniĝas.
Enkorpigita aparataro AI-blatoj kreskas rapide, kun diversaj opcioj disponeblaj por subteni la disvolviĝon kaj disfaldiĝon de AI-modeloj. Ekzemploj inkluzivas la plej novajn grafikajn prilaborajn unuojn (Gpus) de NVIDIA, la A30 kaj A10, kiuj estis lanĉitaj en marto 2021 kaj taŭgas por AI-uzaj kazoj kiel rekomendaj sistemoj kaj komputilvidaj sistemoj. Alia ekzemplo estas la kvarageneraciaj Tensoroj-Procesaj Unuoj (TPus) de Google, kiuj estas potencaj special-celaj integraj cirkvitoj (ASics) kiuj povas atingi ĝis 1,000 fojojn pli da efikeco kaj rapideco en modelevoluo kaj deplojo por specifaj AI-laborkvantoj (ekz., objektodetekto). , bildklasifiko, kaj rekomendaj komparnormoj). Uzado de diligenta AI-aparataro reduktas modelan komputadtempon de tagoj al minutoj, kaj pruvis esti ludŝanĝilo en multaj kazoj.
Potenca AI-aparataro tuj haveblas per pag-po-uzomodelo.
Superskalaj entreprenoj konstante ĝisdatigas siajn servilojn por disponigi komputikajn rimedojn en la nubo por ke finaj uzantoj povu efektivigi industriajn AI-aplikojn. En novembro 2021, ekzemple, AWS anoncis la oficialan liberigon de siaj plej novaj GPU-bazitaj kazoj, Amazon EC2 G5, funkciigita de la NVIDIA A10G Tensor Core GPU, por diversaj ML-aplikoj, inkluzive de komputila vizio kaj rekomendmotoroj. Ekzemple, provizanto de detektaj sistemoj Nanotronics uzas ekzemplojn de Amazon EC2 de sia AI-bazita kvalitkontrola solvo por akceli pretigajn klopodojn kaj atingi pli precizajn detektajn indicojn en la fabrikado de mikroĉipoj kaj nanotuboj.
Konkludo kaj Perspektivo
AI eliras el la fabriko, kaj ĝi estos ĉiea en novaj aplikoj, kiel AI-bazita PdM, kaj kiel plibonigoj al ekzistantaj programoj kaj uzkazoj. Grandaj entreprenoj disvolvas plurajn uzkazojn de AI kaj raportas sukceson, kaj plej multaj projektoj havas altan profiton de investo. Entute, la pliiĝo de la nubo, iot-platformoj kaj potencaj AI-fritoj provizas platformon por nova generacio de programaro kaj optimumigo.
Afiŝtempo: Jan-12-2022