Ifølge den nyligt udgivne rapport om industriel kunstig intelligens og kunstig intelligens-marked 2021-2026 steg adoptionsraten for kunstig intelligens i industrielle miljøer fra 19 procent til 31 procent på lidt over to år. Ud over de 31 procent af respondenterne, der helt eller delvist har implementeret kunstig intelligens i deres drift, tester eller afprøver yderligere 39 procent i øjeblikket teknologien.
AI er ved at blive en nøgleteknologi for producenter og energiselskaber verden over, og IoT-analyse forudsiger, at markedet for industrielle AI-løsninger vil vise en stærk sammensat årlig vækstrate (CAGR) på 35 % efter pandemien og nå 102,17 milliarder dollars i 2026.
Den digitale tidsalder har født Tingenes Internet. Det kan ses, at fremkomsten af kunstig intelligens har accelereret tempoet i udviklingen af Tingenes Internet.
Lad os se på nogle af de faktorer, der driver fremkomsten af industriel AI og AIoT.
Faktor 1: Flere og flere softwareværktøjer til industriel AIoT
I 2019, da IoT-analyser begyndte at dække industriel AI, var der få dedikerede AI-softwareprodukter fra leverandører af operationel teknologi (OT). Siden da er mange OT-leverandører kommet ind på AI-markedet ved at udvikle og levere AI-softwareløsninger i form af AI-platforme til fabriksgulvet.
Ifølge data tilbyder næsten 400 leverandører AIoT-software. Antallet af softwareleverandører, der er kommet ind på det industrielle AI-marked, er steget dramatisk i de seneste to år. I løbet af undersøgelsen identificerede IoT Analytics 634 leverandører af AI-teknologi til producenter/industrielle kunder. Af disse virksomheder tilbyder 389 (61,4%) AI-software.
Den nye AI-softwareplatform fokuserer på industrielle miljøer. Ud over Uptake, Braincube eller C3 AI tilbyder et stigende antal leverandører af driftsteknologi (OT) dedikerede AI-softwareplatforme. Eksempler inkluderer ABB's Genix Industrial analytics and AI suite, Rockwell Automations FactoryTalk Innovation suite, Schneider Electrics egen produktionsrådgivningsplatform og for nylig specifikke tilføjelser. Nogle af disse platforme er rettet mod en bred vifte af use cases. For eksempel leverer ABB's Genix-platform avanceret analyse, herunder præbyggede applikationer og tjenester til driftsmæssig performance management, aktivintegritet, bæredygtighed og effektivitet i forsyningskæden.
Store virksomheder sætter deres AI-softwareværktøjer i produktion.
Tilgængeligheden af AI-softwareværktøjer er også drevet af nye use-case-specifikke softwareværktøjer udviklet af AWS og store virksomheder som Microsoft og Google. For eksempel udgav AWS i december 2020 Amazon SageMaker JumpStart, en funktion i Amazon SageMaker, der leverer et sæt præbyggede og brugerdefinerbare løsninger til de mest almindelige industrielle use-cases, såsom PdM, computer vision og autonom kørsel. Implementeres med blot et par klik.
Use-case-specifikke softwareløsninger driver forbedringer af brugervenligheden.
Use-case-specifikke softwarepakker, såsom dem der fokuserer på prædiktiv vedligeholdelse, bliver mere almindelige. IoT Analytics observerede, at antallet af udbydere, der bruger AI-baserede softwareløsninger til produktdatahåndtering (PdM), steg til 73 i begyndelsen af 2021 på grund af en stigning i udvalget af datakilder og brugen af foruddannelsesmodeller samt den udbredte anvendelse af dataforbedringsteknologier.
Faktor 2: Udvikling og vedligeholdelse af AI-løsninger forenkles
Automatiseret maskinlæring (AutoML) er ved at blive et standardprodukt.
På grund af kompleksiteten af de opgaver, der er forbundet med maskinlæring (ML), har den hurtige vækst inden for maskinlæringsapplikationer skabt et behov for standard maskinlæringsmetoder, der kan bruges uden ekspertise. Det resulterende forskningsfelt, progressiv automatisering til maskinlæring, kaldes AutoML. En række virksomheder udnytter denne teknologi som en del af deres AI-tilbud for at hjælpe kunder med at udvikle ML-modeller og implementere industrielle use cases hurtigere. I november 2020 annoncerede SKF for eksempel et AUTOML-baseret produkt, der kombinerer maskinprocesdata med vibrations- og temperaturdata for at reducere omkostninger og muliggøre nye forretningsmodeller for kunderne.
Maskinlæringsoperationer (ML Ops) forenkler modelstyring og -vedligeholdelse.
Den nye disciplin inden for maskinlæringsoperationer sigter mod at forenkle vedligeholdelsen af AI-modeller i produktionsmiljøer. En AI-models ydeevne forringes typisk over tid, da den påvirkes af flere faktorer i anlægget (f.eks. ændringer i datadistribution og kvalitetsstandarder). Som følge heraf er modelvedligeholdelse og maskinlæringsoperationer blevet nødvendige for at opfylde de høje kvalitetskrav i industrielle miljøer (f.eks. kan modeller med en ydeevne under 99 % muligvis ikke identificere adfærd, der bringer medarbejdernes sikkerhed i fare).
I de senere år er mange startups blevet en del af ML Ops-området, herunder DataRobot, Grid.AI, Pinecone/Zilliz, Seldon og Weights & Biases. Etablerede virksomheder har tilføjet maskinlæringsoperationer til deres eksisterende AI-softwaretilbud, herunder Microsoft, som introducerede datadriftdetektion i Azure ML Studio. Denne nye funktion gør det muligt for brugerne at registrere ændringer i fordelingen af inputdata, der forringer modellens ydeevne.
Faktor 3: Kunstig intelligens anvendt på eksisterende applikationer og use cases
Traditionelle softwareudbydere tilføjer AI-funktioner.
Ud over eksisterende store horisontale AI-softwareværktøjer som MS Azure ML, AWS SageMaker og Google Cloud Vertex AI, kan traditionelle softwarepakker som Computerized Maintenance Management Systems (CAMMS), Manufacturing Execution Systems (MES) eller Enterprise Resource Planning (ERP) nu forbedres betydeligt ved at tilføje AI-funktioner. For eksempel tilføjer ERP-udbyderen Epicor Software AI-funktioner til sine eksisterende produkter gennem sin Epicor Virtual Assistant (EVA). Intelligente EVA-agenter bruges til at automatisere ERP-processer, såsom omplanlægning af produktionsoperationer eller udførelse af simple forespørgsler (for eksempel at indhente oplysninger om produktpriser eller antallet af tilgængelige dele).
Industrielle anvendelsesscenarier opgraderes ved hjælp af AIoT.
Adskillige industrielle anvendelsesscenarier forbedres ved at tilføje AI-funktioner til eksisterende hardware-/softwareinfrastruktur. Et levende eksempel er maskinsyn i kvalitetskontrolapplikationer. Traditionelle maskinsynssystemer behandler billeder via integrerede eller diskrete computere udstyret med specialiseret software, der evaluerer forudbestemte parametre og tærskler (f.eks. høj kontrast) for at bestemme, om objekter udviser defekter. I mange tilfælde (for eksempel elektroniske komponenter med forskellige ledningsformer) er antallet af falske positiver meget højt.
Disse systemer bliver dog genoplivet gennem kunstig intelligens. For eksempel udgav Cognex, leverandør af industriel maskinsyn, et nyt Deep Learning-værktøj (Vision Pro Deep Learning 2.0) i juli 2021. De nye værktøjer integreres med traditionelle visionssystemer, hvilket gør det muligt for slutbrugere at kombinere deep learning med traditionelle visionsværktøjer i samme applikation for at imødekomme krævende medicinske og elektroniske miljøer, der kræver nøjagtig måling af ridser, kontaminering og andre defekter.
Faktor 4: Industriel AIoT-hardware forbedres
AI-chips forbedres hurtigt.
Indlejrede hardware-AI-chips vokser hurtigt, og der findes en række muligheder for at understøtte udvikling og implementering af AI-modeller. Eksempler inkluderer NVIDIAs nyeste grafikprocessorer (Gpu'er), A30 og A10, som blev introduceret i marts 2021 og er velegnede til AI-anvendelsesscenarier såsom anbefalingssystemer og computervisionssystemer. Et andet eksempel er Googles fjerde generation af Tensors Processing Units (TPu'er), som er kraftfulde specialformålsintegrerede kredsløb (ASics), der kan opnå op til 1.000 gange mere effektivitet og hastighed i modeludvikling og implementering til specifikke AI-arbejdsbelastninger (f.eks. objektdetektion, billedklassificering og anbefalingsbenchmarks). Brug af dedikeret AI-hardware reducerer modelberegningstiden fra dage til minutter og har vist sig at være banebrydende i mange tilfælde.
Kraftfuld AI-hardware er øjeblikkeligt tilgængelig via en pay-per-use-model.
Superstore virksomheder opgraderer konstant deres servere for at gøre computerressourcer tilgængelige i skyen, så slutbrugere kan implementere industrielle AI-applikationer. I november 2021 annoncerede AWS for eksempel den officielle udgivelse af sine nyeste GPU-baserede instanser, Amazon EC2 G5, drevet af NVIDIA A10G Tensor Core GPU, til en række forskellige ML-applikationer, herunder computer vision og anbefalingsmotorer. For eksempel bruger leverandøren af detektionssystemer, Nanotronics, Amazon EC2-eksempler på sin AI-baserede kvalitetskontrolløsning til at fremskynde behandlingsindsatsen og opnå mere præcise detektionsrater i fremstillingen af mikrochips og nanorør.
Konklusion og fremtidsudsigter
AI kommer ud af fabrikken, og den vil være allestedsnærværende i nye applikationer, såsom AI-baseret PdM, og som forbedringer af eksisterende software og use cases. Store virksomheder ruller adskillige AI use cases ud og rapporterer succes, og de fleste projekter har et højt investeringsafkast. Alt i alt giver fremkomsten af cloud-teknologi, IoT-platforme og kraftfulde AI-chips en platform for en ny generation af software og optimering.
Opslagstidspunkt: 12. januar 2022