Laŭ la ĵus liberigita Industria AI kaj AI-Merkata Raporto 2021-2026, la adopta indico de AI en industriaj agordoj pliiĝis de 19 procentoj al 31 procentoj en iom pli ol du jaroj. Krom 31 procentoj de respondantoj, kiuj plene aŭ parte elpensis AI en siaj operacioj, aliaj 39 procentoj nuntempe testas aŭ pilotas la teknologion.
AI aperas kiel ŝlosila teknologio por fabrikantoj kaj energiaj kompanioj tutmonde, kaj IoT-analizo antaŭdiras, ke la industria AI-solva merkato montros fortan post-pandemian komponaĵon ĉiujaran kreskon (CAGR) de 35% por atingi $ 102,17 miliardojn antaŭ 2026.
La cifereca aĝo 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 iujn el la faktoroj pelantaj la pliiĝon de industria AI kaj AIOT.
Faktoro 1: Pli kaj pli da programaj iloj por industria AIOT
En 2019, kiam IoT -analitiko komencis kovri industrian AI, estis malmultaj dediĉitaj AI -programaj produktoj de Operational Technology (OT) vendistoj. De tiam, multaj OT -vendistoj eniris la AI -merkaton disvolvante kaj provizante AI -programajn solvojn en la formo de AI -platformoj por la fabrika planko.
Laŭ datumoj, preskaŭ 400 vendistoj ofertas AIOT -programaron. La nombro de vendistoj de programaro aliĝanta al la industria AI -merkato kreskis draste en la pasintaj du jaroj. Dum la studo, IoT -analitiko identigis 634 provizantojn de AI -teknologio al fabrikantoj/industriaj klientoj. El ĉi tiuj kompanioj, 389 (61,4%) ofertas AI -programon.
La nova AI -programplatformo temigas industriajn mediojn. Preter konsumado, Braincube, aŭ C3 AI, kreskanta nombro de Operaciaj Teknologiaj (OT) vendistoj ofertas dediĉitajn AI -programajn platformojn. Ekzemploj inkluzivas Genix Industrial Analytics kaj AI Suite de ABB, FactoryTalk Innovation Suite de Rockwell Automation, la propran fabrikan konsultan platformon de Schneider Electric, kaj pli lastatempe, specifajn aldonaĵojn. Iuj el ĉi tiuj platformoj celas larĝan uzokazoj. Ekzemple, Genix-platformo de ABB provizas altnivelajn analizojn, inkluzive de antaŭkonstruitaj aplikoj kaj servoj por operacia agado-administrado, akcia integreco, daŭripovo kaj provizo-ĉena efikeco.
Grandaj kompanioj metas siajn AI -programajn ilojn sur la butikon.
La havebleco de AI-programaj iloj ankaŭ estas pelita de novaj uzokazaj specifaj programaj iloj disvolvitaj de AWS, grandaj kompanioj kiel Microsoft kaj Google. Ekzemple, en decembro 2020, AWS liberigis Amazon Sagemaker JumpStart, ĉefaĵon de Amazon Sagemaker kiu provizas aron da antaŭkonstruitaj kaj agordeblaj solvoj por la plej oftaj industriaj uzokazoj, kiel PDM, komputila vidado kaj aŭtonoma veturado, deplojo kun nur kelkaj klakoj.
Uz-kazoj-specifaj programaj solvoj pelas uzeblajn plibonigojn.
Uz-kazoj-specifaj programaj apartamentoj, kiel tiuj enfokusigitaj pri prognoza bontenado, fariĝas pli oftaj. IoT Analytics observis, ke la nombro de provizantoj uzantaj programajn solvojn de AI-bazita produkta datuma administrado (PDM) altiĝis al 73 komence de 2021 pro pliigo de la vario de datumfontoj kaj la uzo de antaŭ-trejnaj modeloj, same kiel la vasta adopto de teknologioj pri plibonigo de datumoj.
Faktoro 2: La disvolviĝo kaj bontenado de AI -solvoj estas simpligitaj
Aŭtomata Maŝina Lernado (AUTOML) fariĝas norma produkto.
Pro la komplekseco de la taskoj asociitaj kun maŝina lernado (ML), la rapida kresko de maŝinlernaj aplikoj kreis bezonon de ekster-breta maŝinlernado-metodoj uzeblaj sen kompetenteco. La rezulta kampo de esplorado, progresiva aŭtomatigo por maŝina lernado, nomiĝas AUTOML. Vario de 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 aŭtomatan produkton, kiu kombinas maŝinajn procezajn datumojn kun vibrado kaj temperaturaj datumoj por redukti kostojn kaj ebligi novajn komercajn modelojn por klientoj.
Maŝina Lernado -Operacioj (ML OPS) Simpligas modelan administradon kaj bontenadon.
La nova disciplino de maŝinlernadaj operacioj celas simpligi la konservadon de AI -modeloj en fabrikaj medioj. La agado de AI -modelo tipe degelas kun la tempo, ĉar ĝi estas tuŝita de pluraj faktoroj ene de la planto (ekzemple, ŝanĝoj en datumdistribuado kaj kvalitaj normoj). Rezulte, modelaj prizorgaj kaj maŝinlernadaj operacioj fariĝis necesaj por plenumi la altkvalitajn postulojn de industriaj medioj (ekzemple, modeloj kun agado sub 99% eble malsukcesos identigi konduton, kiu endanĝerigas sekurecon de laboristoj).
En la lastaj jaroj, multaj startoj aliĝis al la ML Ops -spaco, inkluzive de DataRobot, Grid.ai, Pinecone/Zilliz, Seldon, kaj Pezoj kaj Biasoj. Establitaj kompanioj aldonis maŝinajn lernadajn operaciojn al siaj ekzistantaj AI -programaj ofertoj, inkluzive de Microsoft, kiu enkondukis datuman detekton en Azure ML Studio. Ĉi tiu nova funkcio ebligas al uzantoj detekti ŝanĝojn en la distribuo de enigaj datumoj, kiuj degradas modelan rendimenton.
Faktoro 3: Artefarita inteligenteco aplikita al ekzistantaj aplikoj kaj uzokazoj
Tradiciaj programaj provizantoj aldonas AI -kapablojn.
Krom ekzistantaj grandaj horizontalaj AI -programaj iloj kiel MS Azure ML, AWS Sagemaker, kaj Google Cloud Vertex AI, tradiciaj programaj apartamentoj kiel komputiligitaj prizorgaj sistemoj (CAMMS), fabrikado de ekzekutaj sistemoj (MES) aŭ entreprenaj rimedoj (ERP) nun povas esti plibonigitaj per injektado de AI -kapabloj. Ekzemple, ERP -provizanto Epicor Programaro aldonas AI -kapablojn al siaj ekzistantaj produktoj per sia Epicor Virtuala Asistanto (EVA). Inteligentaj EVA -agentoj estas uzataj por aŭtomatigi ERP -procezojn, kiel reprogramado de fabrikaj operacioj aŭ plenumado de simplaj demandoj (ekzemple, akiri detalojn pri produkta prezado aŭ la nombro de disponeblaj partoj).
Industriaj uzokazoj estas altgradigitaj per AIOT.
Pluraj industriaj uzokazoj estas plibonigitaj aldonante AI -kapablojn al ekzistanta aparataro/program -infrastrukturo. Viva ekzemplo estas maŝina vizio en kvalitkontrolaj aplikoj. Tradiciaj maŝinaj sistemaj sistemoj procesas bildojn per integraj aŭ diskretaj komputiloj ekipitaj per specialigita programaro, kiu taksas antaŭdifinitajn parametrojn kaj sojlojn (ekz. Alta kontrasto) por determini ĉu objektoj montras difektojn. En multaj kazoj (ekzemple, elektronikaj komponentoj kun malsamaj kabligaj formoj), la nombro de falsaj pozitivoj estas tre alta.
Tamen ĉi tiuj sistemoj reviviĝas per artefarita inteligenteco. Ekzemple, Industria Maŝina Vizia Provizanto Cognex publikigis novan profundan lernadon (Vision Pro Deep Learning 2.0) en julio 2021. La novaj iloj integriĝas kun tradiciaj viziaj sistemoj, ebligante finajn uzantojn kombini profundan lernadon kun tradiciaj vidaj iloj en la sama apliko por renkonti postulantajn medicinajn kaj elektronikajn mediojn, kiuj postulas precizan mezuradon de skrapoj, poluado kaj aliaj difektoj.
Faktoro 4: Industria AIOT -Aparataro Plibonigita
AI -blatoj pliboniĝas rapide.
Enkonstruitaj aparatoj AI -blatoj kreskas rapide, kun diversaj ebloj por subteni la disvolviĝon kaj disfaldiĝon de AI -modeloj. Ekzemploj inkluzivas la plej novajn grafikajn pretigajn unuojn de NVIDIA (GPUoj), la A30 kaj A10, kiuj estis enkondukitaj en marto 2021 kaj taŭgas por AI -uzokazoj kiel rekomendaj sistemoj kaj komputilaj vidaj sistemoj. Alia ekzemplo estas la kvara generaciaj tensoroj pri prilaborado de Google (TPUoj), kiuj estas potencaj specialaj celaj integraj cirkvitoj (ASICoj), kiuj povas atingi ĝis 1,000 fojojn pli da efikeco kaj rapideco en modelaj disvolvoj kaj disfaldiĝoj por specifaj AI-ŝarĝoj (ekz., Detekto de objektoj, bilda klasifiko kaj rekomendaj benchmarkoj). Uzi dediĉitan AI -aparataron reduktas modelan komputan tempon de tagoj al minutoj, kaj pruvis esti ludŝanĝilo en multaj kazoj.
Potenca AI-aparataro estas tuj havebla per salajro-uz-modelo.
Superskalaj entreprenoj konstante ĝisdatigas siajn servilojn por disponigi komputilajn rimedojn en la nubo, por ke finaj uzantoj povu efektivigi industriajn AI -aplikojn. En novembro 2021, ekzemple, AWS anoncis la oficialan liberigon de ĝiaj plej novaj GPU-bazitaj instancoj, Amazon EC2 G5, funkciigita de la NVIDIA A10G Tensor Core GPU, por diversaj ML-aplikoj, inkluzive de komputila vidado kaj rekomendaj motoroj. Ekzemple, Nanotronics-provizanto de detektaj sistemoj uzas ekzemplojn de Amazon EC2 de ĝia AI-bazita kvalito-kontrolo-solvo por rapidigi pretigajn klopodojn kaj atingi pli precizajn detektajn indicojn en la fabrikado de mikroŝipoj kaj nanotuboj.
Konkludo kaj perspektivo
AI eliras el la fabriko, kaj ĝi estos ĉiopova en novaj aplikoj, kiel AI-bazita PDM, kaj kiel plibonigoj al ekzistantaj programoj kaj uzokazoj. Grandaj entreprenoj elpensas plurajn AI -uzokazojn kaj raportas sukceson, kaj plej multaj projektoj havas altan revenon de investo. En ĉio, la pliiĝo de la nubo, IoT -platformoj kaj potencaj AI -blatoj provizas platformon por nova generacio de programaro kaj optimumigo.
Afiŝotempo: Jan-12-2022