Äskettäin julkaistun Industrial AI and AI Market Report 2021-2026 mukaan tekoälyn käyttöönottoaste teollisuusympäristöissä kasvoi 19 prosentista 31 prosenttiin hieman yli kahdessa vuodessa. Sen lisäksi, että 31 prosenttia vastaajista, jotka ovat ottaneet tekoälyn käyttöön kokonaan tai osittain toiminnassaan, 39 prosenttia testaa tai pilotoi tällä hetkellä teknologiaa.
Tekoäly on nousemassa avainteknologiaksi valmistajille ja energiayhtiöille maailmanlaajuisesti, ja IoT-analyysi ennustaa, että teollisten tekoälyratkaisujen markkinat osoittavat vahvan pandemian jälkeisen 35 prosentin yhdistetyn vuosikasvun (CAGR) 102,17 miljardiin dollariin vuoteen 2026 mennessä.
Digiaika on synnyttänyt esineiden internetin. Voidaan nähdä, että tekoälyn ilmaantuminen on nopeuttanut esineiden internetin kehitystä.
Katsotaanpa joitain tekijöitä, jotka johtavat teollisen tekoälyn ja AIoT:n nousuun.
Tekijä 1: Yhä enemmän ohjelmistotyökaluja teolliseen AIoT:hen
Vuonna 2019, kun Iot-analytiikka alkoi kattaa teollista tekoälyä, operatiivisen teknologian (OT) toimittajilta oli vain vähän omistettuja tekoälyohjelmistotuotteita. Sittemmin monet OT-toimittajat ovat tulleet tekoälymarkkinoille kehittämällä ja tarjoamalla tekoälyohjelmistoratkaisuja tekoälyalustojen muodossa tehdaslattialle.
Tietojen mukaan lähes 400 toimittajaa tarjoaa AIoT-ohjelmistoja. Teollisille tekoälymarkkinoille tulevien ohjelmistotoimittajien määrä on kasvanut dramaattisesti viimeisen kahden 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 tai C3 AI:n lisäksi yhä useammat operatiivisen teknologian (OT) toimittajat tarjoavat omia tekoälyohjelmistoalustoja. Esimerkkejä ovat ABB:n Genix Industrial analytics ja AI -ohjelmisto, Rockwell Automationin FactoryTalk Innovation -ohjelmisto, Schneider Electricin oma valmistuksen konsultointialusta ja viime aikoina erityiset lisäosat. Jotkut näistä alustoista kohdistavat laajan valikoiman käyttötapauksia. Esimerkiksi ABB:n Genix-alusta tarjoaa edistynyttä analytiikkaa, mukaan lukien valmiiksi rakennetut sovellukset ja palvelut toiminnan suorituskyvyn hallintaan, omaisuuden eheyteen, kestävyyteen ja toimitusketjun tehokkuuteen.
Suuret yritykset laittavat ai-ohjelmistotyökalunsa myymälään.
Ai-ohjelmistotyökalujen saatavuutta ohjaavat myös uudet käyttötapauskohtaiset ohjelmistotyökalut, jotka ovat kehittäneet AWS, suuryritykset, kuten Microsoft ja Google. Esimerkiksi joulukuussa 2020 AWS julkaisi Amazon SageMaker JumpStartin, Amazon SageMakerin ominaisuuden, joka tarjoaa joukon valmiita ja mukautettavia ratkaisuja yleisimpiin teollisiin käyttötapauksiin, kuten PdM, tietokonenäkö ja autonominen ajo. Deploy with vain muutamalla napsautuksella.
Käyttötapauskohtaiset ohjelmistoratkaisut parantavat käytettävyyttä.
Käyttötapauskohtaiset ohjelmistot, kuten ennakoivaan ylläpitoon keskittyvät, yleistyvät. IoT Analytics havaitsi, että tekoälypohjaisia tuotetiedonhallinnan (PdM) ohjelmistoratkaisuja käyttävien palveluntarjoajien määrä nousi 73:een vuoden 2021 alussa johtuen tietolähteiden monipuolisuuden ja esikoulutusmallien käytön lisääntymisestä sekä yleistymisestä. tiedon parannustekniikoiden käyttöönotto.
Tekijä 2: AI-ratkaisujen kehitystä ja ylläpitoa yksinkertaistetaan
Automatisoidusta koneoppimisesta (AutoML) on tulossa vakiotuote.
Koneoppimiseen (ML) liittyvien tehtävien monimutkaisuuden vuoksi koneoppimissovellusten nopea kasvu on luonut tarpeen valmiille koneoppimismenetelmille, joita voidaan käyttää ilman asiantuntemusta. Tuloksena oleva tutkimusala, progressiivinen koneoppimisen automaatio, on nimeltään AutoML. Useat yritykset hyödyntävät tätä teknologiaa osana tekoälytarjontaansa auttaakseen asiakkaita kehittämään ML-malleja ja toteuttamaan teollisia käyttötapauksia nopeammin. Esimerkiksi marraskuussa 2020 SKF julkisti automL-pohjaisen tuotteen, joka yhdistää koneen prosessitiedot tärinä- ja lämpötilatietoihin kustannusten alentamiseksi ja uusien liiketoimintamallien mahdollistamiseksi asiakkaille.
Koneoppimistoiminnot (ML Ops) yksinkertaistavat mallien hallintaa ja ylläpitoa.
Uuden koneoppimistoiminnan tieteenalan tavoitteena on yksinkertaistaa tekoälymallien ylläpitoa valmistusympäristöissä. Tekoälymallin suorituskyky heikkenee tyypillisesti ajan myötä, koska siihen vaikuttavat useat tehtaan sisäiset tekijät (esimerkiksi muutokset tiedon jakelussa ja laatustandardeissa). Tämän seurauksena mallien ylläpito ja koneoppimistoiminnot ovat tulleet välttämättömiksi teollisuusympäristöjen korkeiden laatuvaatimusten täyttämiseksi (esimerkiksi mallit, joiden suorituskyky on alle 99 %, eivät välttämättä tunnista työntekijöiden turvallisuutta vaarantavaa käyttäytymistä).
Viime vuosina monet startupit ovat liittyneet ML Ops -avaruuteen, mukaan lukien DataRobot, Grid.AI, Pinecone/Zilliz, Seldon ja Weights & Biases. Vakiintuneet yritykset ovat lisänneet koneoppimistoimintoja olemassa oleviin tekoälyohjelmistoihinsa, mukaan lukien Microsoft, joka esitteli tiedon ajautumisen havaitsemisen Azure ML Studiossa. Tämän uuden ominaisuuden avulla käyttäjät voivat havaita muutoksia syöttötietojen jakautumisessa, jotka heikentävät mallin suorituskykyä.
Tekijä 3: olemassa oleviin sovelluksiin ja käyttötapauksiin sovellettu tekoäly
Perinteiset ohjelmistotoimittajat lisäävät tekoälyominaisuuksia.
Olemassa olevien suurten horisontaalisten AI-ohjelmistotyökalujen, kuten MS Azure ML, AWS SageMaker ja Google Cloud Vertex AI, lisäksi perinteiset ohjelmistopaketit, kuten tietokoneistetut ylläpidon hallintajärjestelmät (CAMMS), tuotannon suoritusjärjestelmät (MES) tai yrityksen resurssien suunnittelu (ERP) voidaan nyt parantaa merkittävästi lisäämällä tekoälyominaisuuksia. Esimerkiksi ERP-palveluntarjoaja Epicor Software lisää tekoälyominaisuuksia olemassa oleviin tuotteisiinsa Epicor Virtual Assistant (EVA) -avustajan kautta. Älykkäitä EVA-agentteja käytetään ERP-prosessien automatisoimiseen, kuten tuotantotoimintojen uudelleenjärjestelyyn tai yksinkertaisten kyselyjen suorittamiseen (esimerkiksi tuotteiden hinnoittelun tai saatavilla olevien osien määrän hankkimiseen).
Teollisia käyttötapauksia päivitetään AIoT:n avulla.
Useita teollisia käyttötapauksia parannetaan lisäämällä tekoälyominaisuuksia olemassa olevaan laitteisto-/ohjelmistoinfrastruktuuriin. Elävä esimerkki on konenäkö laadunvalvontasovelluksissa. Perinteiset konenäköjärjestelmät käsittelevät kuvia integroiduilla tai erillisillä tietokoneilla, jotka on varustettu erikoisohjelmistolla, joka arvioi ennalta määrätyt parametrit ja kynnykset (esim. korkea kontrasti) määrittääkseen, onko kohteissa vikoja. Monissa tapauksissa (esimerkiksi elektroniikkakomponentit, joissa on erilainen johdotusmuoto) väärien positiivisten merkkien määrä on erittäin suuri.
Näitä järjestelmiä kuitenkin elvytetään tekoälyn avulla. Esimerkiksi teollisuuskoneen Vision-toimittaja Cognex julkaisi uuden Deep Learning -työkalun (Vision Pro Deep Learning 2.0) heinäkuussa 2021. Uudet työkalut integroituvat perinteisiin visiojärjestelmiin, jolloin loppukäyttäjät voivat yhdistää syväoppimisen perinteisiin visiotyökaluihin samassa sovelluksessa. vastata vaativiin lääketieteellisiin ja elektronisiin ympäristöihin, jotka vaativat naarmujen, kontaminaatioiden ja muiden vikojen tarkkaa mittausta.
Tekijä 4: Teollisuuden AIoT-laitteistoa parannetaan
AI-sirut paranevat nopeasti.
Sulautetut laitteisto-AI-sirut kasvavat nopeasti, ja tarjolla on useita vaihtoehtoja, jotka tukevat tekoälymallien kehitystä ja käyttöönottoa. Esimerkkejä ovat NVIDIAn uusimmat grafiikkaprosessoriyksiköt (Gpus), A30 ja A10, jotka esiteltiin maaliskuussa 2021 ja jotka sopivat tekoälyn käyttötapauksiin, kuten suositusjärjestelmiin ja tietokonenäköjärjestelmiin. Toinen esimerkki on Googlen neljännen sukupolven Tensors Processing Units (TPus), jotka ovat tehokkaita erikoiskäyttöisiä integroituja piirejä (ASics), jotka voivat saavuttaa jopa 1000 kertaa enemmän tehokkuutta ja nopeutta mallinkehityksessä ja käyttöönotossa tietyissä tekoälytyökuormissa (esim. objektien havaitsemisessa). , kuvien luokittelu ja suositusten vertailuarvot). Erillisen tekoälylaitteiston käyttö lyhentää mallin laskenta-aikaa päivistä minuutteihin, ja se on osoittautunut monissa tapauksissa pelin muuttajaksi.
Tehokas tekoälylaitteisto on heti saatavilla pay-per-use -mallin kautta.
Superscale-yritykset päivittävät jatkuvasti palvelimiaan saadakseen laskentaresurssit saataville pilvessä, jotta loppukäyttäjät voivat toteuttaa teollisia tekoälysovelluksia. Marraskuussa 2021 esimerkiksi AWS ilmoitti julkaisevansa virallisesti uusimmat GPU-pohjaiset instanssinsa, Amazon EC2 G5, joka toimii NVIDIA A10G Tensor Core -grafiikkasuorittimella ja joka on tarkoitettu erilaisiin ML-sovelluksiin, mukaan lukien tietokonenäkö- ja suositusmoottorit. Esimerkiksi tunnistusjärjestelmien toimittaja Nanotronics käyttää Amazon EC2 -esimerkkejä tekoälypohjaisesta laadunvalvontaratkaisustaan nopeuttaakseen prosessointia ja saavuttaakseen tarkempia havaitsemisasteita mikrosirujen ja nanoputkien valmistuksessa.
Päätelmä ja tulevaisuus
Tekoäly on tulossa tehtaalta, ja se tulee olemaan kaikkialla uusissa sovelluksissa, kuten tekoälypohjaisessa PdM:ssä, sekä parannuksina olemassa oleviin ohjelmistoihin ja käyttötapauksiin. Suuret yritykset ottavat käyttöön useita tekoälyn käyttötapauksia ja raportoivat menestyksestä, ja useimmilla projekteilla on korkea sijoitetun pääoman tuotto. Kaiken kaikkiaan pilven, iot-alustojen ja tehokkaiden AI-sirujen nousu tarjoaa alustan uuden sukupolven ohjelmistoille ja optimoinnille.
Postitusaika: 12.1.2022