I følge den nylig utgitte industrielle AI- og AI-markedsrapporten 2021-2026 økte adopsjonsraten for AI i industrielle omgivelser fra 19 prosent til 31 prosent på litt over to år. I tillegg til 31 prosent av de spurte som har fullt ut eller delvis rullet ut AI i sin virksomhet, tester eller piloterer for øyeblikket teknologien.
AI fremstår som en nøkkelteknologi for produsenter og energiselskaper over hele verden, og IoT-analyse spår at det industrielle AI-løsningsmarkedet vil vise en sterk post-pandemisk sammensatt årlig veksthastighet (CAGR) på 35% for å nå 102,17 milliarder dollar innen 2026.
Den digitale tidsalderen har født tingenes internett. Det kan sees at fremveksten av kunstig intelligens har akselerert tempoet i utviklingen av tingenes internett.
La oss se på noen av faktorene som driver fremveksten av industriell AI og AIOT.
Faktor 1: Flere og flere programvareverktøy for industriell AIOT
I 2019, da IoT Analytics begynte å dekke industriell AI, var det få dedikerte AI -programvareprodukter fra Operational Technology (OT) leverandører. Siden den gang har mange OT -leverandører kommet inn i AI -markedet ved å utvikle og tilby AI -programvareløsninger i form av AI -plattformer for fabrikkgulvet.
I følge data tilbyr nesten 400 leverandører AIOT -programvare. Antall programvareleverandører som melder seg inn i det industrielle AI -markedet har økt dramatisk de siste to årene. Under studien identifiserte IoT Analytics 634 leverandører av AI -teknologi til produsenter/industrikunder. Av disse selskapene tilbyr 389 (61,4%) AI -programvare.
Den nye AI -programvareplattformen fokuserer på industrielle miljøer. Utover opptak, BrainCube eller C3 AI, tilbyr et økende antall leverandører av operasjonell teknologi (OT) dedikerte AI -programvareplattformer. Eksempler inkluderer ABBs Genix Industrial Analytics og AI Suite, Rockwell Automation's FactoryTalk Innovation Suite, Schneider Electrics egen produksjonsplattform for produksjon og mer nylig, spesifikke tillegg. Noen av disse plattformene retter seg mot et bredt spekter av brukssaker. For eksempel gir ABBs Genix-plattform avansert analyse, inkludert forhåndsbygde applikasjoner og tjenester for operasjonell resultatstyring, aktivitetsintegritet, bærekraft og effektivitet i forsyningskjeden.
Store selskaper legger sine AI -programvareverktøy på butikkgulvet.
Tilgjengeligheten av AI-programvareverktøy er også drevet av nye bruksspesifikke programvareverktøy utviklet av AWS, store selskaper som Microsoft og Google. I desember 2020 ga AWS for eksempel ut Amazon Sagemaker Jumpstart, en funksjon av Amazon Sagemaker som gir et sett med forhåndsbygde og tilpassbare løsninger for de vanligste industrielle brukssaker, som PDM, datamaskinvisjon og autonom kjøring, distribuerer med bare noen få klikk.
Bruksspesifikke programvareløsninger driver forbedringer av brukervennlighet.
Bruk-saksspesifikke programvaresuiter, for eksempel de som er fokusert på prediktivt vedlikehold, blir mer vanlig. IoT Analytics observerte at antallet leverandører som bruker AI-basert produktdatadestyring (PDM) programvareløsninger steg til 73 tidlig i 2021 på grunn av en økning i mangfoldet av datakilder og bruk av pre-treningsmodeller, samt den utbredte adopsjonen av dataforbedringsteknologier.
Faktor 2: Utvikling og vedlikehold av AI -løsninger blir forenklet
Automated Machine Learning (Automl) blir et standardprodukt.
På grunn av kompleksiteten i oppgavene forbundet med maskinlæring (ML), har den raske veksten av maskinlæringsprogrammer skapt et behov for metoder for læring av maskiner som kan brukes uten kompetanse. Det resulterende forskningsfeltet, progressiv automatisering for maskinlæring, kalles Automl. En rekke selskaper utnytter denne teknologien som en del av AI -tilbudene sine for å hjelpe kunder med å utvikle ML -modeller og implementere industrielle brukssaker raskere. I november 2020 kunngjorde for eksempel SKF et automisk-basert produkt som kombinerer maskinprosessdata med vibrasjoner og temperaturdata for å redusere kostnadene og muliggjøre nye forretningsmodeller for kunder.
Machine Learning Operations (ML OPS) Forenkle modellstyring og vedlikehold.
Den nye disiplinen for maskinlæringsoperasjoner har som mål å forenkle vedlikeholdet av AI -modeller i produksjonsmiljøer. Ytelsen til en AI -modell degraderer vanligvis over tid, da den påvirkes av flere faktorer i anlegget (for eksempel endringer i datadistribusjon og kvalitetsstandarder). Som et resultat har modellvedlikehold og maskinlæringsoperasjoner blitt nødvendige for å oppfylle kravene til høy kvalitet i industrielle miljøer (for eksempel kan modeller med ytelse under 99% ikke identifisere atferd som setter arbeidstakers sikkerhet).
De siste årene har mange startups sluttet seg til ML OPS -rommet, inkludert Datarobot, Grid.ai, Pinecone/Zilliz, Seldon og Weights & Biases. Etablerte selskaper har lagt til maskinlæringsoperasjoner til sine eksisterende AI -programvaretilbud, inkludert Microsoft, som introduserte Data Drift -deteksjon i Azure ML Studio. Denne nye funksjonen gjør det mulig for brukere å oppdage endringer i distribusjonen av inngangsdata som nedbryter modellytelsen.
Faktor 3: Kunstig intelligens brukt på eksisterende applikasjoner og brukssaker
Tradisjonelle programvareleverandører legger til AI -funksjoner.
I tillegg til eksisterende store horisontale AI -programvareverktøy som MS Azure ML, AWS Sagemaker og Google Cloud Vertex AI, kan tradisjonelle programvaresuiter som datastyrte vedlikeholdsstyringssystemer (CAMMs), produsere utførelsessystemer (MES) eller Enterprise Resource Planning (ERP) nå forbedres ved å gjøre AI -kapasiteter. For eksempel legger ERP -leverandøren Epicor -programvare til AI -muligheter til sine eksisterende produkter gjennom sin Epicor Virtual Assistant (EVA). Intelligente EVA -agenter brukes til å automatisere ERP -prosesser, for eksempel planlegging av produksjonsoperasjoner eller utføre enkle spørsmål (for eksempel innhenting av detaljer om produktprising eller antall tilgjengelige deler).
Saker industriell bruk blir oppgradert ved å bruke AIOT.
Flere tilfeller av industriell bruk forbedres ved å legge til AI -muligheter til eksisterende maskinvare/programvareinfrastruktur. Et levende eksempel er maskinvisjon i kvalitetskontrollapplikasjoner. Tradisjonelle maskinvisjonssystemer behandler bilder gjennom integrerte eller diskrete datamaskiner utstyrt med spesialisert programvare som evaluerer forhåndsbestemte parametere og terskler (f.eks. Høy kontrast) for å bestemme om objekter viser defekter. I mange tilfeller (for eksempel elektroniske komponenter med forskjellige ledningsformer), er antallet falske positiver veldig høyt.
Imidlertid blir disse systemene gjenopplivet gjennom kunstig intelligens. For eksempel ga industriell maskinvisjonsleverandør Cognex ut et nytt dypt læringsverktøy (Vision Pro Deep Learning 2.0) i juli 2021. De nye verktøyene integreres med tradisjonelle synssystemer, slik at sluttbrukere kan kombinere dyp læring med tradisjonelle synsverktøy i samme applikasjon for å oppfylle krevende medisinske og elektroniske miljøer som krever nøyaktig måling av riper, forurensning og andre defekt.
Faktor 4: Industriell Aiot -maskinvare blir forbedret
AI -brikker forbedrer seg raskt.
Embedded maskinvare AI -brikker vokser raskt, med en rekke alternativer tilgjengelig for å støtte utvikling og distribusjon av AI -modeller. Eksempler inkluderer NVIDIAs nyeste grafikkbehandlingsenheter (GPUer), A30 og A10, som ble introdusert i mars 2021 og er egnet for AI -brukssaker som anbefalingssystemer og datasynssystemer. Et annet eksempel er Googles fjerde generasjons Tensors prosesseringsenheter (TPUer), som er kraftige spesielle formål integrerte kretsløp (ASIC-er) som kan oppnå opptil 1000 ganger mer effektivitet og hastighet i modellutvikling og distribusjon for spesifikke AI-arbeidsmengder (f.eks. Objektdeteksjon, bildeklassifisering og anbefalings benchmarks). Å bruke dedikert AI -maskinvare reduserer modellberegningstid fra dager til minutter, og har vist seg å være en spillveksler i mange tilfeller.
Kraftig AI-maskinvare er umiddelbart tilgjengelig gjennom en betal-per-bruk-modell.
SuperScale Enterprises oppgraderer stadig serverne sine for å gjøre databehandlingsressurser tilgjengelige i skyen slik at sluttbrukere kan implementere industrielle AI -applikasjoner. I november 2021 kunngjorde for eksempel AWS den offisielle utgivelsen av de siste GPU-baserte forekomstene, Amazon EC2 G5, drevet av NVIDIA A10G Tensor Core GPU, for en rekke ML-applikasjoner, inkludert datamaskinvisjon og anbefalingsmotorer. For eksempel bruker deteksjonssystemleverandør Nanotronics Amazon EC2-eksempler på sin AI-baserte kvalitetskontrollløsning for å fremskynde prosesseringsinnsatsen og oppnå mer nøyaktige deteksjonshastigheter i fremstilling av mikrochips og nanorør.
Konklusjon og utsikter
AI kommer ut av fabrikken, og den vil være allestedsnærværende i nye applikasjoner, for eksempel AI-basert PDM, og som forbedringer av eksisterende programvare og brukssaker. Store foretak ruller ut flere AI -brukssaker og rapporterer suksess, og de fleste prosjekter har høy avkastning på investeringen. Alt i alt gir fremveksten av skyen, IoT -plattformene og kraftige AI -brikkene en plattform for en ny generasjon programvare og optimalisering.
Post Time: Jan-12-2022