Ifølge den nyligt udgivne Industrial AI og AI Market Report 2021-2026 steg adoptionsraten for AI i industrielle omgivelser fra 19 procent til 31 procent på lidt over to år. Ud over 31 procent af de adspurgte, der helt eller delvist har udrullet AI i deres operationer, tester eller afprøver yderligere 39 procent i øjeblikket teknologien.
AI er ved at dukke op som en nøgleteknologi for producenter og energiselskaber verden over, og IoT-analyse forudsiger, at markedet for industrielle AI-løsninger vil vise en stærk post-pandemisk sammensat årlig vækstrate (CAGR) på 35% for at nå $102,17 milliarder i 2026.
Den digitale tidsalder har født tingenes internet. Det kan ses, at fremkomsten af kunstig intelligens har fremskyndet tempoet i udviklingen af Internet of Things.
Lad os tage et kig 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-analyse 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 tilslutter sig 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/industrikunder. 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 voksende antal leverandører af operationel teknologi (OT) dedikerede AI-softwareplatforme. Eksempler inkluderer ABB's Genix Industrial analytics og AI-suite, Rockwell Automations FactoryTalk Innovation-pakke, Schneider Electrics egen produktionskonsulentplatform og for nylig specifikke tilføjelser. Nogle af disse platforme er rettet mod en bred vifte af use cases. F.eks. leverer ABB's Genix-platform avancerede analyser, herunder forudbyggede applikationer og tjenester til operationel præstationsstyring, aktivintegritet, bæredygtighed og forsyningskædeeffektivitet.
Store virksomheder sætter deres ai-softwareværktøjer på værkstedet.
Tilgængeligheden af ai-softwareværktøjer er også drevet af nye use-case-specifikke softwareværktøjer udviklet af AWS, store virksomheder som Microsoft og Google. For eksempel frigav AWS i december 2020 Amazon SageMaker JumpStart, en funktion i Amazon SageMaker, der giver et sæt præbyggede og tilpassede løsninger til de mest almindelige industrielle brugssager, såsom PdM, computersyn og autonom kørsel, Implementer med blot et par klik.
Use-case-specifikke softwareløsninger driver brugervenlighedsforbedringer.
Use-case-specifikke softwarepakker, såsom dem, der fokuserer på forudsigelig vedligeholdelse, bliver mere almindelige. IoT Analytics observerede, at antallet af udbydere, der bruger AI-baserede produktdatastyringssoftwareløsninger (PdM) steg til 73 i begyndelsen af 2021 på grund af en stigning i mangfoldigheden af datakilder og brugen af præ-træningsmodeller samt den udbredte indførelse af dataforbedrende teknologier.
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 af maskinlæringsapplikationer skabt et behov for hyldevare maskinlæringsmetoder, som 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 omkostningerne og muliggøre nye forretningsmodeller for kunderne.
Maskinlæringsoperationer (ML Ops) forenkler modelstyring og vedligeholdelse.
Den nye disciplin maskinlæringsoperationer har til formål at forenkle vedligeholdelsen af AI-modeller i produktionsmiljøer. Ydeevnen af en AI-model 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 maskinlæring blevet nødvendige for at opfylde de høje kvalitetskrav i industrielle miljøer (for eksempel kan modeller med ydeevne under 99 % ikke identificere adfærd, der bringer arbejdernes sikkerhed i fare).
I de seneste år har mange startups sluttet sig til ML Ops-området, herunder DataRobot, Grid.AI, Pinecone/Zilliz, Seldon og Weights & Biases. Etablerede virksomheder har tilføjet maskinlæringsoperationer til deres eksisterende AI-softwaretilbud, inklusive Microsoft, som introducerede registrering af datadrift i Azure ML Studio. Denne nye funktion gør det muligt for brugere at opdage ændringer i distributionen 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 såsom MS Azure ML, AWS SageMaker og Google Cloud Vertex AI, traditionelle softwarepakker såsom Computerized Maintenance Management Systems (CAMMS), Manufacturing execution systems (MES) eller enterprise resource planning (ERP) kan nu forbedres væsentligt ved at injicere AI-egenskaber. For eksempel tilføjer ERP-udbyderen Epicor Software AI-kapaciteter til sine eksisterende produkter gennem sin Epicor Virtual Assistant (EVA). Intelligente EVA-agenter bruges til at automatisere ERP-processer, såsom omlægning af produktionsoperationer eller udførelse af simple forespørgsler (f.eks. indhentning af detaljer om produktpriser eller antallet af tilgængelige dele).
Industrielle anvendelsestilfælde opgraderes ved at bruge AIoT.
Adskillige industrielle use cases forbedres ved at tilføje AI-kapaciteter til eksisterende hardware/software-infrastruktur. Et levende eksempel er maskinsyn i kvalitetskontrolapplikationer. Traditionelle machine vision-systemer behandler billeder gennem 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 frigav Cognex, udbyder af industrimaskine Vision et nyt Deep Learning-værktøj (Vision Pro Deep Learning 2.0) i juli 2021. De nye værktøjer integreres med traditionelle vision-systemer, hvilket gør det muligt for slutbrugere at kombinere deep learning med traditionelle vision-værktøjer i samme applikation til imødekomme krævende medicinske og elektroniske miljøer, der kræver nøjagtig måling af ridser, forurening og andre defekter.
Faktor 4: Industriel AIoT-hardware bliver forbedret
AI-chips forbedres hurtigt.
Indlejrede hardware AI-chips vokser hurtigt, med en række muligheder tilgængelige for at understøtte udviklingen og implementeringen af AI-modeller. Eksempler inkluderer NVIDIAs seneste grafikbehandlingsenheder (Gpus), A30 og A10, som blev introduceret i marts 2021 og er velegnede til AI-brugstilfælde såsom anbefalingssystemer og computervisionssystemer. Et andet eksempel er Googles fjerde generation Tensors Processing Units (TPus), som er kraftfulde integrerede kredsløb til særlige formål (ASics), der kan opnå op til 1.000 gange mere effektivitet og hastighed i modeludvikling og implementering til specifikke AI-arbejdsbelastninger (f.eks. objektdetektering , billedklassificering og anbefalingsbenchmarks). Brug af dedikeret AI-hardware reducerer modelberegningstiden fra dage til minutter og har vist sig at være en game changer i mange tilfælde.
Kraftig AI-hardware er tilgængelig med det samme gennem en betal-per-brug-model.
Superscale 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 seneste GPU-baserede instanser, Amazon EC2 G5, drevet af NVIDIA A10G Tensor Core GPU, til en række ML-applikationer, herunder computervision og anbefalingsmotorer. For eksempel bruger udbyderen af detektionssystem Nanotronics Amazon EC2-eksempler på sin AI-baserede kvalitetskontrolløsning til at fremskynde behandlingsindsatsen og opnå mere nøjagtige detektionshastigheder i fremstillingen af mikrochips og nanorør.
Konklusion og udsigt
AI kommer ud af fabrikken, og det vil være allestedsnærværende i nye applikationer, såsom AI-baseret PdM, og som forbedringer til eksisterende software og use cases. Store virksomheder udruller adskillige AI use cases og rapporterer succes, og de fleste projekter har et højt investeringsafkast. Alt i alt giver fremkomsten af skyen, iot-platforme og kraftfulde AI-chips en platform for en ny generation af software og optimering.
Indlægstid: Jan-12-2022