Äskettäin julkaistun Industrial AI and AI Market Report 2021-2026 -raportin mukaan tekoälyn käyttöönottoaste teollisissa ympäristöissä nousi 19 prosentista 31 prosenttiin hieman yli kahdessa vuodessa. Sen lisäksi, että 31 prosenttia vastaajista on ottanut tekoälyn kokonaan tai osittain käyttöön toiminnassaan, toiset 39 prosenttia testaa tai pilotoi parhaillaan teknologiaa.
Tekoälystä on tulossa keskeinen teknologia valmistajille ja energiayhtiöille maailmanlaajuisesti, ja IoT-analyysi ennustaa, että teollisten tekoälyratkaisujen markkinat kasvavat pandemian jälkeen vahvasti 35 prosentin vuotuisella yhdistetyllä vuotuisella kasvuvauhdilla (CAGR) ja saavuttavat 102,17 miljardia dollaria vuoteen 2026 mennessä.
Digitaalinen aikakausi on synnyttänyt esineiden internetin. Voidaan nähdä, että tekoälyn esiinmarssi on kiihdyttänyt esineiden internetin kehitystä.
Tarkastellaanpa joitakin teollisen tekoälyn ja AIoT:n nousun taustalla olevia tekijöitä.
Tekijä 1: Yhä enemmän ohjelmistotyökaluja teolliseen tekoälyyn ja esineiden internetiin
Vuonna 2019, kun IoT-analytiikka alkoi kattaa teollista tekoälyä, operatiivisen teknologian (OT) toimittajilta oli saatavilla vain vähän erillisiä tekoälyohjelmistotuotteita. Sittemmin monet OT-toimittajat ovat tulleet tekoälymarkkinoille kehittämällä ja tarjoamalla tekoälyohjelmistoratkaisuja tekoälyalustojen muodossa tehdasympäristöihin.
Tietojen mukaan lähes 400 toimittajaa tarjoaa tekoälyohjelmistoja. Teollisuuden tekoälymarkkinoille tulevien ohjelmistotoimittajien määrä on kasvanut dramaattisesti kahden viime vuoden aikana. Tutkimuksen aikana IoT Analytics tunnisti 634 tekoälyteknologian toimittajaa valmistajille/teollisuusasiakkaille. Näistä yrityksistä 389 (61,4 %) tarjoaa tekoälyohjelmistoja.
Uusi tekoälyohjelmistoalusta keskittyy teollisuusympäristöihin. Uptaken, Braincuben ja C3 AI:n lisäksi yhä useammat operatiivisen teknologian (OT) toimittajat tarjoavat erillisiä tekoälyohjelmistoalustoja. Esimerkkejä ovat ABB:n Genix Industrial -analytiikka- ja tekoälypaketti, Rockwell Automationin FactoryTalk Innovation -paketti, Schneider Electricin oma valmistuskonsultointialusta ja viime aikoina myös tietyt lisäosat. Jotkut näistä alustoista on suunnattu laajalle joukolle käyttötapauksia. Esimerkiksi ABB:n Genix-alusta tarjoaa edistynyttä analytiikkaa, mukaan lukien valmiita sovelluksia ja palveluita operatiivisen suorituskyvyn hallintaan, omaisuuden eheyteen, kestävään kehitykseen ja toimitusketjun tehokkuuteen.
Suuret yritykset laittavat tekoälyohjelmistonsa tuotantotiloihin.
Tekoälyohjelmistotyökalujen saatavuutta vauhdittavat myös AWS:n sekä suurten yritysten, kuten Microsoftin ja Googlen, kehittämät uudet käyttötapauskohtaiset ohjelmistotyökalut. Esimerkiksi joulukuussa 2020 AWS julkaisi Amazon SageMaker JumpStartin, Amazon SageMakerin ominaisuuden, joka tarjoaa joukon valmiita ja mukautettavia ratkaisuja yleisimpiin teollisiin käyttötapauksiin, kuten PdM:ään, konenäköön ja autonomiseen ajamiseen. Käyttöönotto onnistuu muutamalla napsautuksella.
Käyttötapauskohtaiset ohjelmistoratkaisut parantavat käytettävyyttä.
Käyttötapauskohtaiset ohjelmistopaketit, kuten ennakoivaan kunnossapitoon keskittyvät, ovat yleistymässä. IoT Analytics havaitsi, että tekoälypohjaisia tuotetiedonhallintaohjelmistoratkaisuja (PdM) käyttävien palveluntarjoajien määrä nousi 73:een vuoden 2021 alussa tietolähteiden monimuotoisuuden ja esikoulutusmallien käytön lisääntymisen sekä tiedonparannusteknologioiden laajan käyttöönoton ansiosta.
Tekijä 2: Tekoälyratkaisujen kehittämistä ja ylläpitoa yksinkertaistetaan
Automatisoidusta koneoppimisesta (AutoML) on tulossa standardituote.
Koneoppimiseen (ML) liittyvien tehtävien monimutkaisuuden vuoksi koneoppimissovellusten nopea kasvu on luonut tarpeen valmiille koneoppimismenetelmille, joita voidaan käyttää ilman asiantuntemusta. Tuloksena oleva tutkimusalue, koneoppimisen progressiivinen automaatio, on nimeltään AutoML. Useat yritykset hyödyntävät tätä teknologiaa osana tekoälytarjontaansa auttaakseen asiakkaita kehittämään koneoppimismalleja ja toteuttamaan teollisia käyttötapauksia nopeammin. Esimerkiksi marraskuussa 2020 SKF julkisti automL-pohjaisen tuotteen, joka yhdistää koneprosessidatan värähtely- ja lämpötiladataan kustannusten vähentämiseksi ja uusien liiketoimintamallien mahdollistamiseksi asiakkaille.
Koneoppimistoiminnot (ML Ops) yksinkertaistavat mallien hallintaa ja ylläpitoa.
Koneoppimisoperaatioiden uusi ala pyrkii yksinkertaistamaan tekoälymallien ylläpitoa valmistusympäristöissä. Tekoälymallin suorituskyky heikkenee tyypillisesti ajan myötä, koska siihen vaikuttavat useat tehtaan sisäiset tekijät (esimerkiksi muutokset tiedonjakelussa ja laatustandardeissa). Tämän seurauksena mallin ylläpito ja koneoppimisoperaatiot ovat tulleet välttämättömiksi teollisuusympäristöjen korkeiden laatuvaatimusten täyttämiseksi (esimerkiksi mallit, joiden suorituskyky on alle 99 %, eivät välttämättä tunnista työntekijöiden turvallisuutta vaarantavaa toimintaa).
Viime vuosina monet startup-yritykset ovat liittyneet koneoppimisoperaatioiden tilaan, mukaan lukien DataRobot, Grid.AI, Pinecone/Zilliz, Seldon ja Weights & Biases. Vakiintuneet yritykset ovat lisänneet koneoppimistoimintoja olemassa oleviin tekoälyohjelmistotarjontaansa, mukaan lukien Microsoft, joka otti käyttöön datan ajautumisen tunnistuksen Azure ML Studiossa. Tämä uusi ominaisuus mahdollistaa käyttäjien havaita syöttödatan jakautumisessa muutoksia, jotka heikentävät mallin suorituskykyä.
Tekijä 3: Tekoälyn soveltaminen olemassa oleviin sovelluksiin ja käyttötapauksiin
Perinteiset ohjelmistotoimittajat lisäävät tekoälyominaisuuksia.
Olemassa olevien laajojen horisontaalisten tekoälyohjelmistotyökalujen, kuten MS Azure ML:n, AWS SageMakerin ja Google Cloud Vertex AI:n, lisäksi perinteisiä ohjelmistopaketteja, kuten tietokoneistettuja kunnossapidon hallintajärjestelmiä (CAMMS), valmistuksenohjausjärjestelmiä (MES) tai toiminnanohjausjärjestelmiä (ERP), voidaan nyt parantaa merkittävästi lisäämällä tekoälyominaisuuksia. Esimerkiksi ERP-toimittaja Epicor Software lisää tekoälyominaisuuksia olemassa oleviin tuotteisiinsa Epicor Virtual Assistant (EVA) -ratkaisunsa kautta. Älykkäitä EVA-agentteja käytetään ERP-prosessien automatisointiin, kuten valmistustoimintojen uudelleenaikataulutukseen tai yksinkertaisten kyselyiden suorittamiseen (esimerkiksi tuotehinnoittelun tai saatavilla olevien osien lukumäärän tietojen hankkimiseen).
Teollisuuden käyttötapauksia päivitetään tekoälyn esineiden internetin avulla.
Useita teollisia käyttötapauksia parannetaan lisäämällä tekoälyominaisuuksia olemassa olevaan laitteisto-/ohjelmistoinfrastruktuuriin. Elävä esimerkki on konenäkö laadunvalvontasovelluksissa. Perinteiset konenäköjärjestelmät käsittelevät kuvia integroitujen tai erillisten tietokoneiden avulla, jotka on varustettu erikoisohjelmistolla, joka arvioi ennalta määrättyjä parametreja ja kynnysarvoja (esim. korkea kontrasti) sen määrittämiseksi, onko esineissä vikoja. Monissa tapauksissa (esimerkiksi elektronisissa komponenteissa, joissa on eri muotoiset johdotukset) väärien positiivisten määrä on erittäin korkea.
Näitä järjestelmiä kuitenkin elvytetään tekoälyn avulla. Esimerkiksi teollisuuskonenäkölaitteiden toimittaja Cognex julkaisi uuden syväoppimistyökalun (Vision Pro Deep Learning 2.0) heinäkuussa 2021. Uudet työkalut integroituvat perinteisiin konenäköjärjestelmiin, jolloin loppukäyttäjät voivat yhdistää syväoppimisen perinteisiin konenäkötyökaluihin samassa sovelluksessa ja vastata näin vaativiin lääketieteellisiin ja elektronisiin ympäristöihin, jotka edellyttävät naarmujen, kontaminaation ja muiden vikojen tarkkaa mittaamista.
Tekijä 4: Teollisuuden tekoälylaitteiden parannukset
Tekoälysirut kehittyvät nopeasti.
Sulautettujen tekoälylaitteistojen käyttö kasvaa nopeasti, ja tekoälymallien kehittämisen ja käyttöönoton tukemiseksi on saatavilla useita vaihtoehtoja. Esimerkkejä ovat NVIDIAn uusimmat grafiikkasuoritinyksiköt (GPU), A30 ja A10, jotka esiteltiin maaliskuussa 2021 ja jotka soveltuvat tekoälyn käyttötapauksiin, kuten suosittelujärjestelmiin ja konenäköjärjestelmiin. Toinen esimerkki on Googlen neljännen sukupolven Tensors Processing Units (TPus), jotka ovat tehokkaita erikoiskäyttöön tarkoitettuja integroituja piirejä (ASics), jotka voivat saavuttaa jopa 1 000 kertaa suuremman tehokkuuden ja nopeuden mallien kehittämisessä ja käyttöönotossa tietyissä tekoälytyökuormissa (esim. objektien tunnistus, kuvien luokittelu ja suositusten vertailuarvot). Omien tekoälylaitteistojen käyttö lyhentää mallien laskenta-aikaa päivistä minuutteihin ja on osoittautunut monissa tapauksissa mullistavaksi.
Tehokas tekoälylaitteisto on heti saatavilla käyttöperusteisen maksumallin kautta.
Suuryritykset päivittävät jatkuvasti palvelimiaan, jotta laskentaresurssit olisivat saatavilla pilvessä, jotta loppukäyttäjät voivat toteuttaa teollisia tekoälysovelluksia. Esimerkiksi marraskuussa 2021 AWS ilmoitti julkaisevansa virallisesti uusimman GPU-pohjaisen instanssinsa, Amazon EC2 G5:n, jota käyttää NVIDIA A10G Tensor Core -grafiikkasuoritin. Instanssi on tarkoitettu useille koneoppimissovelluksille, mukaan lukien konenäkö ja suosittelumoottorit. Esimerkiksi tunnistusjärjestelmien toimittaja Nanotronics käyttää Amazon EC2 -esimerkkejä tekoälypohjaisesta laadunvalvontaratkaisustaan nopeuttaakseen käsittelytoimia ja saavuttaakseen tarkempia tunnistusasteita mikrosirujen ja nanoputkien valmistuksessa.
Johtopäätös ja tulevaisuudennäkymät
Tekoäly on tulossa ulos tehtaista, ja se on kaikkialla läsnä uusissa sovelluksissa, kuten tekoälypohjaisessa PdM:ssä, sekä olemassa olevien ohjelmistojen ja käyttötapausten parannuksina. Suuret yritykset ottavat käyttöön useita tekoälyn käyttötapauksia ja raportoivat onnistumisista, ja useimmilla projekteilla on korkea sijoitetun pääoman tuotto. Kaiken kaikkiaan pilvipalveluiden, esineiden internetin alustojen ja tehokkaiden tekoälysirujen nousu tarjoaa alustan uuden sukupolven ohjelmistoille ja optimoinnille.
Julkaisun aika: 12. tammikuuta 2022