I følge den nylig utgitte Industrial AI og AI Market Report 2021-2026, økte adopsjonsraten for AI i industrielle innstillinger fra 19 prosent til 31 prosent på litt over to år.I tillegg til 31 prosent av respondentene som helt eller delvis har rullet ut AI i sine operasjoner, tester eller piloterer ytterligere 39 prosent teknologien.
AI dukker opp som en nøkkelteknologi for produsenter og energiselskaper over hele verden, og IoT-analyse spår at markedet for industrielle AI-løsninger vil vise en sterk post-pandemisk sammensatt årlig vekstrate (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 ta en titt 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-analyse begynte å dekke industriell AI, var det få dedikerte AI-programvareprodukter fra leverandører av operasjonell teknologi (OT).Siden den gang har mange OT-leverandører gått inn i AI-markedet ved å utvikle og tilby AI-programvareløsninger i form av AI-plattformer for fabrikkgulvet.
Ifølge data tilbyr nesten 400 leverandører AIoT-programvare.Antall programvareleverandører som slutter seg til det industrielle AI-markedet har økt dramatisk de siste to årene.I løpet av 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 Uptake, Braincube eller C3 AI, tilbyr et økende antall leverandører av operasjonell teknologi (OT) dedikerte AI-programvareplattformer.Eksempler inkluderer ABBs Genix Industrial analytics and AI-suite, Rockwell Automations FactoryTalk Innovation-suite, Schneider Electrics egen produksjonskonsulentplattform og mer nylig spesifikke tillegg.Noen av disse plattformene retter seg mot et bredt spekter av brukstilfeller.For eksempel gir ABBs Genix-plattform avanserte analyser, inkludert forhåndsbygde applikasjoner og tjenester for operasjonell ytelsesstyring, integritet av eiendeler, bærekraft og forsyningskjedeeffektivitet.
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.For eksempel, i desember 2020, ga AWS ut Amazon SageMaker JumpStart, en funksjon i Amazon SageMaker som gir et sett med forhåndsbygde og tilpassbare løsninger for de vanligste industrielle brukssakene, som PdM, datasyn og autonom kjøring, Deploy med bare noen få klikk.
Bruksspesifikke programvareløsninger driver brukervennlighetsforbedringer.
Bruk-tilfelle-spesifikke programvarepakker, for eksempel de som er fokusert på prediktivt vedlikehold, blir mer vanlig.IoT Analytics observerte at antallet leverandører som bruker AI-baserte produktdataadministrasjon (PdM) programvareløsninger steg til 73 tidlig i 2021 på grunn av en økning i variasjonen av datakilder og bruken av forhåndsopplæringsmodeller, samt den utbredte ta i bruk dataforbedringsteknologier.
Faktor 2: Utvikling og vedlikehold av AI-løsninger forenkles
Automatisert maskinlæring (AutoML) er i ferd med å bli et standardprodukt.
På grunn av kompleksiteten i oppgavene knyttet til maskinlæring (ML), har den raske veksten av maskinlæringsapplikasjoner skapt et behov for hyllevare maskinlæringsmetoder som kan brukes uten ekspertise.Det resulterende forskningsfeltet, progressiv automatisering for maskinlæring, kalles AutoML.En rekke selskaper utnytter denne teknologien som en del av deres AI-tilbud for å hjelpe kunder med å utvikle ML-modeller og implementere industrielle brukstilfeller raskere.I november 2020 annonserte for eksempel SKF et automL-basert produkt som kombinerer maskinprosessdata med vibrasjons- og temperaturdata for å redusere kostnadene og muliggjøre nye forretningsmodeller for kundene.
Maskinlæringsoperasjoner (ML Ops) forenkler modelladministrasjon og vedlikehold.
Den nye disiplinen for maskinlæringsoperasjoner har som mål å forenkle vedlikeholdet av AI-modeller i produksjonsmiljøer.Ytelsen til en AI-modell reduseres vanligvis over tid ettersom den påvirkes av flere faktorer i anlegget (for eksempel endringer i datadistribusjon og kvalitetsstandarder).Som et resultat har modellvedlikehold og maskinlæringsoperasjoner blitt nødvendig for å oppfylle de høye kvalitetskravene til industrielle miljøer (for eksempel kan modeller med ytelse under 99 % mislykkes i å identifisere atferd som setter arbeidernes sikkerhet i fare).
De siste årene har mange startups sluttet seg til ML Ops-området, 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 deteksjon av datadrift i Azure ML Studio.Denne nye funksjonen gjør det mulig for brukere å oppdage endringer i distribusjonen av inngangsdata som forringer modellens ytelse.
Faktor 3: Kunstig intelligens brukt på eksisterende applikasjoner og brukstilfeller
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, tradisjonelle programvarepakker som Computerized Maintenance Management Systems (CAMMS), Manufacturing execution systems (MES) eller enterprise resource planning (ERP) kan nå forbedres betydelig ved å injisere AI-evner.For eksempel legger ERP-leverandøren Epicor Software til AI-funksjoner til sine eksisterende produkter gjennom sin Epicor Virtual Assistant (EVA).Intelligente EVA-agenter brukes til å automatisere ERP-prosesser, for eksempel omplanlegging av produksjonsoperasjoner eller utføre enkle spørsmål (for eksempel innhenting av detaljer om produktpriser eller antall tilgjengelige deler).
Industrielle brukstilfeller oppgraderes ved å bruke AIoT.
Flere industrielle brukstilfeller blir forbedret ved å legge til AI-funksjoner til eksisterende maskinvare-/programvareinfrastruktur.Et levende eksempel er maskinsyn i kvalitetskontrollapplikasjoner.Tradisjonelle maskinsynssystemer 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 svært høyt.
Imidlertid gjenopplives disse systemene gjennom kunstig intelligens.For eksempel lanserte industrimaskin Vision-leverandøren Cognex et nytt Deep Learning-verktøy (Vision Pro Deep Learning 2.0) i juli 2021. De nye verktøyene integreres med tradisjonelle visjonssystemer, og gjør det mulig for sluttbrukere å kombinere dyp læring med tradisjonelle visjonsverktøy i samme applikasjon for å møte krevende medisinske og elektroniske miljøer som krever nøyaktig måling av riper, kontaminering og andre defekter.
Faktor 4: Industriell AIoT-maskinvare blir forbedret
AI-brikker forbedres raskt.
Innebygde maskinvare AI-brikker vokser raskt, med en rekke tilgjengelige alternativer for å støtte utvikling og distribusjon av AI-modeller.Eksempler inkluderer NVIDIAs nyeste grafikkbehandlingsenheter (Gpus), A30 og A10, som ble introdusert i mars 2021 og er egnet for AI-brukstilfeller som anbefalingssystemer og datasynssystemer.Et annet eksempel er Googles fjerde generasjons Tensors Processing Units (TPus), som er kraftige integrerte kretser med spesialformål (ASics) som kan oppnå opptil 1000 ganger mer effektivitet og hastighet i modellutvikling og distribusjon for spesifikke AI-arbeidsbelastninger (f.eks. objektdeteksjon , bildeklassifisering og anbefaling).Bruk av dedikert AI-maskinvare reduserer modellberegningstiden fra dager til minutter, og har vist seg å være en game changer i mange tilfeller.
Kraftig AI-maskinvare er umiddelbart tilgjengelig gjennom en betal-per-bruk-modell.
Superskalabedrifter oppgraderer stadig serverne sine for å gjøre dataressurser tilgjengelig i skyen slik at sluttbrukere kan implementere industrielle AI-applikasjoner.I november 2021 kunngjorde for eksempel AWS den offisielle utgivelsen av sine siste GPU-baserte instanser, Amazon EC2 G5, drevet av NVIDIA A10G Tensor Core GPU, for en rekke ML-applikasjoner, inkludert datasyn og anbefalingsmotorer.For eksempel bruker deteksjonssystemleverandøren Nanotronics Amazon EC2-eksempler på sin AI-baserte kvalitetskontrollløsning for å øke hastigheten på prosesseringsarbeidet og oppnå mer nøyaktige deteksjonshastigheter ved produksjon av mikrobrikker og nanorør.
Konklusjon og prospekt
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 brukstilfeller.Store bedrifter ruller ut flere AI-brukstilfeller og rapporterer suksess, og de fleste prosjekter har høy avkastning på investeringen.Alt i alt gir fremveksten av skyen, iot-plattformer og kraftige AI-brikker en plattform for en ny generasjon programvare og optimalisering.
Innleggstid: Jan-12-2022