Ifølge den nylig utgitte rapporten Industrial AI and AI Market Report 2021–2026, økte adopsjonsraten for AI i industrielle miljøer 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 virksomheten sin, tester eller piloterer ytterligere 39 prosent teknologien.
AI er i ferd med å bli en nøkkelteknologi for produsenter og energiselskaper over hele verden, og IoT-analyse spår at markedet for industrielle AI-løsninger vil vise en sterk sammensatt årlig vekstrate (CAGR) på 35 % etter pandemien for å nå 102,17 milliarder dollar innen 2026.
Den digitale tidsalderen har gitt opphav til tingenes internett. Man kan se 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, fantes det få dedikerte AI-programvareprodukter fra leverandører av driftsteknologi (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 AI-programvare. Antallet programvareleverandører som har blitt med i 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/industrielle kunder. 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 driftsteknologi (OT) dedikerte AI-programvareplattformer. Eksempler inkluderer ABBs Genix Industrial analytics and AI suite, Rockwell Automations FactoryTalk Innovation suite, Schneider Electrics egen produksjonsrådgivningsplattform og mer nylig spesifikke tillegg. Noen av disse plattformene retter seg mot et bredt spekter av bruksområder. For eksempel tilbyr ABBs Genix-plattform avansert analyse, inkludert forhåndsbygde applikasjoner og tjenester for driftsmessig ytelsesstyring, eiendelsintegritet, bærekraft og effektivitet i forsyningskjeden.
Store selskaper setter AI-programvareverktøyene sine i verkstedet.
Tilgjengeligheten av AI-programvareverktøy er også drevet av nye brukstilfellespesifikke programvareverktøy utviklet av AWS, store selskaper som Microsoft og Google. For eksempel lanserte AWS i desember 2020 Amazon SageMaker JumpStart, en funksjon i Amazon SageMaker som tilbyr et sett med forhåndsbygde og tilpassbare løsninger for de vanligste industrielle brukstilfellene, som PdM, datasyn og autonom kjøring, distribuert med bare noen få klikk.
Brukstilfellespesifikke programvareløsninger driver forbedringer av brukervennlighet.
Brukstilfellespesifikke programvarepakker, som de som fokuserer på prediktivt vedlikehold, blir stadig mer vanlige. IoT Analytics observerte at antallet leverandører som bruker AI-baserte programvareløsninger for produktdatahåndtering (PdM) økte til 73 tidlig i 2021 på grunn av en økning i variasjonen av datakilder og bruken av forhåndsopplæringsmodeller, samt den utbredte bruken av 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 standard 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 sine 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 kostnader og muliggjøre nye forretningsmodeller for kunder.
Maskinlæringsoperasjoner (ML Ops) forenkler modelladministrasjon og vedlikehold.
Den nye disiplinen maskinlæringsoperasjoner tar sikte på å forenkle vedlikeholdet av AI-modeller i produksjonsmiljøer. Ytelsen til en AI-modell forringes 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 nødvendige for å oppfylle de høye kvalitetskravene i industrimiljøer (for eksempel kan modeller med ytelse under 99 % mislykkes i å identifisere atferd som setter arbeidernes sikkerhet i fare).
I de senere årene har mange oppstartsbedrifter blitt en del av ML Ops-området, inkludert DataRobot, Grid.AI, Pinecone/Zilliz, Seldon og Weights & Biases. Etablerte selskaper har lagt til maskinlæringsoperasjoner i sine eksisterende AI-programvaretilbud, inkludert Microsoft, som introduserte datadriftdeteksjon i Azure ML Studio. Denne nye funksjonen lar brukere oppdage endringer i fordelingen av inndata som forringer modellens ytelse.
Faktor 3: Kunstig intelligens anvendt 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, kan tradisjonelle programvarepakker som Computerized Maintenance Management Systems (CAMMS), Manufacturing Execution Systems (MES) eller Enterprise Resource Planning (ERP) nå forbedres betydelig ved å injisere AI-funksjoner. For eksempel legger ERP-leverandøren Epicor Software til AI-funksjoner i sine eksisterende produkter gjennom sin Epicor Virtual Assistant (EVA). Intelligente EVA-agenter brukes til å automatisere ERP-prosesser, for eksempel å omplanlegge produksjonsoperasjoner eller utføre enkle spørringer (for eksempel å innhente detaljer om produktpriser eller antall tilgjengelige deler).
Industrielle brukstilfeller oppgraderes ved bruk av AIoT.
Flere industrielle bruksområder forbedres ved å legge til AI-funksjoner i eksisterende maskinvare-/programvareinfrastruktur. Et levende eksempel er maskinsyn i kvalitetskontrollapplikasjoner. Tradisjonelle maskinsynssystemer behandler bilder gjennom integrerte eller separate datamaskiner utstyrt med spesialisert programvare som evaluerer forhåndsbestemte parametere og terskler (f.eks. høy kontrast) for å avgjøre om objekter viser defekter. I mange tilfeller (for eksempel elektroniske komponenter med forskjellige ledningsformer) er antallet falske positive svært høyt.
Disse systemene blir imidlertid gjenopplivet gjennom kunstig intelligens. For eksempel lanserte Cognex, leverandør av industriell maskinvisjon, et nytt verktøy for dyp læring (Vision Pro Deep Learning 2.0) i juli 2021. De nye verktøyene integreres med tradisjonelle visjonssystemer, slik at sluttbrukere kan kombinere dyp læring med tradisjonelle visjonsverktøy i samme applikasjon for å møte krevende medisinske og elektroniske miljøer som krever nøyaktig måling av riper, forurensning og andre defekter.
Faktor 4: Industriell AIoT-maskinvare forbedres
AI-brikker forbedres raskt.
Innebygde maskinvarebrikker for KI vokser raskt, med en rekke alternativer tilgjengelig for å støtte utvikling og distribusjon av KI-modeller. Eksempler inkluderer NVIDIAs nyeste grafikkprosessorer (Gpu-er), A30 og A10, som ble introdusert i mars 2021 og er egnet for KI-brukstilfeller som anbefalingssystemer og datasynssystemer. Et annet eksempel er Googles fjerde generasjons Tensors Processing Units (TPu-er), som er kraftige spesialintegrerte kretser (AS-er) som kan oppnå opptil 1000 ganger mer effektivitet og hastighet i modellutvikling og distribusjon for spesifikke KI-arbeidsbelastninger (f.eks. objektdeteksjon, bildeklassifisering og anbefalingsbenchmarks). Bruk av dedikert KI-maskinvare reduserer modellberegningstiden fra dager til minutter, og har vist seg å være banebrytende i mange tilfeller.
Kraftig AI-maskinvare er umiddelbart tilgjengelig gjennom en betal-per-bruk-modell.
Superstore bedrifter oppgraderer stadig serverne sine for å gjøre dataressurser tilgjengelige i skyen, slik at sluttbrukere kan implementere industrielle AI-applikasjoner. I november 2021 annonserte AWS for eksempel den offisielle lanseringen av sine nyeste GPU-baserte instanser, Amazon EC2 G5, drevet av NVIDIA A10G Tensor Core GPU, for en rekke maskinlæringsapplikasjoner, inkludert datasyn og anbefalingsmotorer. For eksempel bruker deteksjonssystemleverandøren Nanotronics Amazon EC2-eksempler på sin AI-baserte kvalitetskontrollløsning for å fremskynde behandlingsarbeidet og oppnå mer nøyaktige deteksjonsrater i produksjonen av mikrobrikker og nanorør.
Konklusjon og utsikter
AI kommer ut av fabrikken, og den vil være allestedsnærværende i nye applikasjoner, som 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, tingenes internett-plattformer og kraftige AI-brikker en plattform for en ny generasjon programvare og optimalisering.
Publisert: 12. januar 2022