Laŭ la ĵus publikigita Industria AI kaj AI Merkata Raporto 2021-2026, la adoptofteco de AI en industriaj medioj pliiĝis de 19 procentoj ĝis 31 procentoj en iom pli ol du jaroj. Aldone al 31 procentoj de respondintoj, kiuj plene aŭ parte enkondukis AI en siajn operaciojn, pliaj 39 procentoj nuntempe testas aŭ pilotas la teknologion.
AI aperas kiel ŝlosila teknologio por fabrikantoj kaj energiaj kompanioj tutmonde, kaj analizo de IoT antaŭdiras, ke la merkato por industriaj AI-solvoj montros fortan post-pandemian kunmetitan jaran kreskorapidecon (CAGR) de 35% por atingi 102.17 miliardojn da dolaroj antaŭ 2026.
La cifereca epoko naskis la Interreton de Aĵoj. Videblas, ke la apero de artefarita inteligenteco akcelis la ritmon de la disvolviĝo de la Interreto de Aĵoj.
Ni rigardu kelkajn el la faktoroj, kiuj pelas la kreskon de industria AI kaj AIoT.
Faktoro 1: Pli kaj pli da programaraj iloj por industria AIoT
En 2019, kiam IoT-analitiko komencis ampleksi industrian artefaritan inteligentecon (AI), ekzistis malmultaj dediĉitaj AI-programaraj produktoj de vendistoj de operaciaj teknologioj (OT). Ekde tiam, multaj OT-vendistoj eniris la AI-merkaton per disvolvado kaj provizado de AI-programaraj solvoj en la formo de AI-platformoj por la fabrikejo.
Laŭ datumoj, preskaŭ 400 vendistoj ofertas AIoT-programaron. La nombro da programarvendistoj aliĝantaj al la industria AI-merkato rimarkinde kreskis en la pasintaj du jaroj. Dum la studo, IoT Analytics identigis 634 provizantojn de AI-teknologio al fabrikantoj/industriaj klientoj. El ĉi tiuj kompanioj, 389 (61.4%) ofertas AI-programaron.
La nova AI-programara platformo fokusiĝas al industriaj medioj. Krom Uptake, Braincube, aŭ C3 AI, kreskanta nombro da vendistoj de funkcia teknologio (OT) ofertas dediĉitajn AI-programarajn platformojn. Ekzemploj inkluzivas la Genix Industrial analytics kaj AI-programaron de ABB, la FactoryTalk Innovation-programaron de Rockwell Automation, la propran fabrikadan konsultan platformon de Schneider Electric, kaj pli lastatempe, specifajn aldonaĵojn. Kelkaj el ĉi tiuj platformoj celas vastan gamon da uzkazoj. Ekzemple, la Genix-platformo de ABB provizas altnivelajn analitikojn, inkluzive de antaŭkonstruitaj aplikaĵoj kaj servoj por funkcia rendimenta administrado, aktivaĵa integreco, daŭripovo kaj provizoĉena efikeco.
Grandaj kompanioj metas siajn intelektajn artefaritajn programarajn ilojn en la fabrikejon.
La havebleco de AI-programaraj iloj ankaŭ estas pelita de novaj uzkazo-specifaj programaraj iloj evoluigitaj de AWS, grandaj kompanioj kiel Microsoft kaj Google. Ekzemple, en decembro 2020, AWS publikigis Amazon SageMaker JumpStart, funkcion de Amazon SageMaker, kiu provizas aron da antaŭkonstruitaj kaj personigeblaj solvoj por la plej oftaj industriaj uzkazoj, kiel PdM, komputila vido kaj aŭtonoma veturado. Deplojebla per nur kelkaj klakoj.
Uzkaz-specifaj programaraj solvoj pelas plibonigojn de uzebleco.
Uzkaz-specifaj programaraj aroj, kiel tiuj, kiuj celas prognozan prizorgadon, fariĝas pli oftaj. IoT Analytics observis, ke la nombro da provizantoj uzantaj AI-bazitajn programarajn solvojn por produktaj datenadministradoj (PdM) altiĝis al 73 komence de 2021 pro pliiĝo en la diverseco de datenfontoj kaj la uzo de antaŭtrejnaj modeloj, same kiel la ĝeneraligita adopto de datenplibonigaj teknologioj.
Faktoro 2: La disvolviĝo kaj bontenado de AI-solvoj simpliĝas
Aŭtomata maŝinlernado (AutoML) fariĝas norma produkto.
Pro la komplekseco de la taskoj asociitaj kun maŝinlernado (ML), la rapida kresko de maŝinlernadaj aplikoj kreis bezonon de pretaj maŝinlernadaj metodoj, kiuj povas esti uzataj sen sperto. La rezulta esplorkampo, progresema aŭtomatigo por maŝinlernado, nomiĝas AutoML. Diversaj kompanioj utiligas ĉi tiun teknologion kiel parton de siaj AI-ofertoj por helpi klientojn disvolvi ML-modelojn kaj efektivigi industriajn uzokazojn pli rapide. En novembro 2020, ekzemple, SKF anoncis automL-bazitan produkton, kiu kombinas maŝinprocezajn datumojn kun vibradaj kaj temperaturaj datumoj por redukti kostojn kaj ebligi novajn komercajn modelojn por klientoj.
Maŝinlernadaj operacioj (ML Ops) simpligas modeladministradon kaj prizorgadon.
La nova fako de maŝinlernadaj operacioj celas simpligi la prizorgadon de AI-modeloj en fabrikadaj medioj. La rendimento de AI-modelo tipe degradiĝas laŭlonge de la tempo, ĉar ĝin influas pluraj faktoroj ene de la fabriko (ekzemple, ŝanĝoj en datendistribuo kaj kvalitnormoj). Rezulte, modelprizorgado kaj maŝinlernadaj operacioj fariĝis necesaj por plenumi la altkvalitajn postulojn de industriaj medioj (ekzemple, modeloj kun rendimento sub 99% povas malsukcesi identigi konduton, kiu endanĝerigas la sekurecon de laboristoj).
En la lastaj jaroj, multaj noventreprenoj aliĝis al la ML-operacia spaco, inkluzive de DataRobot, Grid.AI, Pinecone/Zilliz, Seldon, kaj Weights & Biases. Establitaj kompanioj aldonis maŝinlernadajn operaciojn al siaj ekzistantaj AI-programaraj ofertoj, inkluzive de Microsoft, kiu enkondukis detekton de datumdrivo en Azure ML Studio. Ĉi tiu nova funkcio ebligas al uzantoj detekti ŝanĝojn en la distribuo de enigaj datumoj, kiuj degradas la modelan rendimenton.
Faktoro 3: Artefarita inteligenteco aplikita al ekzistantaj aplikoj kaj uzkazoj
Tradiciaj programarprovizantoj aldonas AI-kapablojn.
Aldone al ekzistantaj grandaj horizontalaj AI-programaraj iloj kiel MS Azure ML, AWS SageMaker, kaj Google Cloud Vertex AI, tradiciaj programaraj aroj kiel Komputiligitaj Prizorgadaj Administraj Sistemoj (CAMMS), Produktadaj ekzekutsistemoj (MES) aŭ entreprena rimeda planado (ERP) nun povas esti signife plibonigitaj per injektado de AI-kapabloj. Ekzemple, la 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 ekzemple replani fabrikadajn operaciojn aŭ plenumi simplajn demandojn (ekzemple, akiri detalojn pri produktoprezoj aŭ la nombro da disponeblaj partoj).
Industriaj uzkazoj estas ĝisdatigataj per AIoT.
Pluraj industriaj uzkazoj estas plibonigataj per aldono de artefarita inteligenteco (AI) al ekzistanta aparatara/programara infrastrukturo. Trafa ekzemplo estas maŝinvidado en kvalitkontrolaj aplikoj. Tradiciaj maŝinvidaj sistemoj prilaboras bildojn per integraj aŭ diskretaj komputiloj ekipitaj per specialigita programaro, kiu taksas antaŭdifinitajn parametrojn kaj sojlojn (ekz., altan kontraston) por determini ĉu objektoj montras difektojn. En multaj kazoj (ekzemple, elektronikaj komponantoj kun malsamaj dratarformoj), la nombro de falsaj pozitivoj estas tre alta.
Tamen, ĉi tiuj sistemoj estas revivigataj per artefarita inteligenteco. Ekzemple, la industria maŝinvida provizanto Cognex lanĉis novan ilon por profunda lernado (Vision Pro Deep Learning 2.0) en julio 2021. La novaj iloj integriĝas kun tradiciaj vidsistemoj, ebligante al finuzantoj kombini profundan lernadon kun tradiciaj vidiloj en la sama aplikaĵo por plenumi postulemajn medicinajn kaj elektronikajn mediojn, kiuj postulas precizan mezuradon de gratvundoj, poluado kaj aliaj difektoj.
Faktoro 4: Industria AIoT-aparataro plibonigata
AI-ĉipoj rapide pliboniĝas.
Enkonstruitaj aparataraj AI-blatoj rapide kreskas, kun diversaj ebloj disponeblaj por subteni la disvolviĝon kaj deplojon de AI-modeloj. Ekzemploj inkluzivas la plej novajn grafikajn prilaborilojn (Gpus) de NVIDIA, la A30 kaj A10, kiuj estis lanĉitaj en marto 2021 kaj taŭgas por AI-uzkazoj kiel rekomendsistemoj kaj komputilvidsistemoj. Alia ekzemplo estas la kvarageneraciaj Tensor-Prilaboriloj (TPus) de Google, kiuj estas potencaj specialcelaj integraj cirkvitoj (ASikoj), kiuj povas atingi ĝis 1000-oble pli da efikeco kaj rapideco en modeldisvolviĝo kaj deplojo por specifaj AI-laborkvantoj (ekz., objektodetekto, bildklasifiko kaj rekomendaj komparnormoj). Uzi dediĉitan AI-aparataron reduktas la modelkalkulan tempon de tagoj al minutoj, kaj pruviĝis esti revolucia en multaj kazoj.
Potenca AI-aparataro estas tuj havebla per uzpago-modelo.
Superskalaj entreprenoj konstante ĝisdatigas siajn servilojn por disponigi komputilajn rimedojn en la nubo, por ke finuzantoj povu efektivigi industriajn AI-aplikaĵojn. En novembro 2021, ekzemple, AWS anoncis la oficialan lanĉon de siaj plej novaj GPU-bazitaj instancoj, Amazon EC2 G5, funkciigitaj per la NVIDIA A10G Tensor Core GPU, por diversaj ML-aplikaĵoj, inkluzive de komputila vidado kaj rekomendmotoroj. Ekzemple, la provizanto de detektaj sistemoj Nanotronics uzas Amazon EC2-ekzemplojn de sia AI-bazita kvalitkontrola solvo por rapidigi prilaborajn klopodojn kaj atingi pli precizajn detektotarifojn en la fabrikado de mikroĉipoj kaj nanotuboj.
Konkludo kaj Perspektivo
AI eliras el la fabriko, kaj ĝi estos ĉiea en novaj aplikoj, kiel ekzemple AI-bazita PdM, kaj kiel plibonigoj al ekzistanta programaro kaj uzkazoj. Grandaj entreprenoj lanĉas plurajn AI-uzkazojn kaj raportas sukceson, kaj la plej multaj projektoj havas altan rendimenton de investo. Entute, la kresko de la nubo, IoT-platformoj kaj potencaj AI-ĉipoj provizas platformon por nova generacio de programaro kaj optimumigo.
Afiŝtempo: 12-januaro-2022