I henhold til den nyligt frigivne industrielle AI og AI-markedsrapport 2021-2026 steg AI's vedtagelsesgrad i industrielle omgivelser fra 19 procent til 31 procent på lidt over to år. Ud over 31 procent af de adspurgte, der fuldt ud eller delvist har rullet AI ud i deres operationer, tester eller piloterer yderligere 39 procent teknologien.
AI fremstår som en nøgleteknologi for producenter og energiselskaber over hele verden, 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 se på nogle af de faktorer, der driver stigningen i industriel AI og Aiot.
Faktor 1: Flere og flere softwareværktøjer til industriel aiot
I 2019, da IoT Analytics begyndte at dække industriel AI, var der få dedikerede AI -softwareprodukter fra Operational Technology (OT) leverandører. 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 slutter sig til det industrielle AI -marked, er steget dramatisk i de sidste to år. Under 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 optagelse, Braincube eller C3 AI tilbyder et voksende antal operationelle teknologi (OT) -leverandører dedikerede AI -softwareplatforme. Eksempler inkluderer ABBs Genix Industrial Analytics og AI Suite, Rockwell Automation's FactoryTalk Innovation Suite, Schneider Electric's egen produktionskonsulentplatform og for nylig specifikke tilføjelser. Nogle af disse platforme er målrettet mod en bred vifte af brugssager. For eksempel leverer ABBs Genix-platform avanceret analyse, herunder forudbyggede applikationer og tjenester til operationel præstationsstyring, aktivintegritet, bæredygtighed og forsyningskædeeffektivitet.
Store virksomheder lægger deres AI -softwareværktøjer på butiksgulvet.
Tilgængeligheden af AI-softwareværktøjer er også drevet af nye brugscase-specifikke softwareværktøjer udviklet af AWS, store virksomheder som Microsoft og Google. I december 2020 frigav AWS for eksempel Amazon Sagemaker Jumpstart, et træk ved Amazon Sagemaker, der giver et sæt forudbyggede og tilpassede løsninger til de mest almindelige industrielle anvendelsessager, såsom PDM, computervision og autonom kørsel, implementerer med blot et par klik.
Brug af software-softwareløsninger driver brugbarhedsforbedringer.
Brug af brugsspecifikke software-suiter, såsom dem, der er fokuseret på forudsigelig vedligeholdelse, bliver mere almindelige. IoT Analytics observerede, at antallet af udbydere, der bruger AI-baserede produktdatastyring (PDM) softwareløsninger, steg til 73 i begyndelsen af 2021 på grund af en stigning i forskellige datakilder og brugen af for-træningsmodeller samt den udbredte vedtagelse af dataforbedringsteknologier.
Faktor 2: Udvikling og vedligeholdelse af AI -løsninger forenkles
Automated Machine Learning (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 off-the-shelf-maskinlæringsmetoder, der kan bruges uden ekspertise. Det resulterende forskningsområde, progressiv automatisering til maskinlæring, kaldes Automl. En række virksomheder udnytter denne teknologi som en del af deres AI -tilbud for at hjælpe kunderne med at udvikle ML -modeller og implementere sager om industrielle brug hurtigere. I november 2020 annoncerede SKF for eksempel et bilbaseret produkt, der kombinerer maskinprocesdata med vibration og temperaturdata for at reducere omkostningerne og muliggøre nye forretningsmodeller for kunder.
Machine Learning Operations (ML OPS) forenkler modelstyring og vedligeholdelse.
Den nye disciplin ved maskinlæringsoperationer sigter mod at forenkle vedligeholdelsen af AI -modeller i fremstillingsmiljøer. Udførelsen af en AI -model forringes typisk over tid, da den påvirkes af flere faktorer inden for anlægget (for eksempel ændringer i datafordeling og kvalitetsstandarder). Som et resultat er modelvedligeholdelses- og maskinlæringsoperationer blevet nødvendige for at imødekomme de høje kvalitetskrav i industrielle miljøer (for eksempel modeller med ydeevne under 99% kan muligvis ikke identificere adfærd, der bringer arbejdstageres sikkerhed).
I de senere år har mange startups tilsluttet sig ML OPS -rummet, herunder Datarobot, Grid.ai, Pinecone/Zilliz, Seldon og Weights & Biases. Etablerede virksomheder har tilføjet maskinlæringsoperationer til deres eksisterende AI -softwaretilbud, herunder Microsoft, der introducerede detektion af datadrift i Azure ML Studio. Denne nye funktion gør det muligt for brugere at detektere ændringer i fordelingen af inputdata, der forringer modelydelsen.
Faktor 3: Kunstig intelligens anvendt til eksisterende applikationer og brugssager
Traditionelle softwareudbydere tilføjer AI -kapaciteter.
Ud over eksisterende store vandrette AI -softwareværktøjer som MS Azure ML, AWS Sagemaker og Google Cloud Vertex AI, kan traditionelle software -suiter såsom edb -vedligeholdelsesstyringssystemer (CAMMS), produktionsudførelsessystemer (MES) eller Enterprise Resource Planning (ERP) nu forbedres markant ved injektion af AI -kapaciteter. For eksempel tilføjer ERP -udbyder Epicor -software AI -kapaciteter til sine eksisterende produkter gennem sin Epicor Virtual Assistant (EVA). Intelligente EVA -agenter bruges til at automatisere ERP -processer, såsom omplanlægning af produktionsoperationer eller udføre enkle forespørgsler (for eksempel at få detaljer om produktpriser eller antallet af tilgængelige dele).
Sager om industriel brug opgraderes ved hjælp af AIOT.
Flere sager om industriel brug forbedres ved at tilføje AI -kapaciteter til eksisterende hardware/softwareinfrastruktur. Et levende eksempel er maskinvision i kvalitetskontrolapplikationer. Traditionelle Machine Vision Systems processbilleder 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.
Imidlertid genoplives disse systemer gennem kunstig intelligens. For eksempel frigav den industrielle maskinsynsudbyder Cognex et nyt dybt læringsværktøj (Vision Pro Deep Learning 2.0) i juli 2021. De nye værktøjer integreres med traditionelle synssystemer, hvilket gør det muligt for slutbrugere at kombinere dyb læring med traditionelle synsværktøjer i den samme applikation for at imødekomme krævende medicinske og elektroniske miljøer, der kræver nøjagtig måling af ridser, forurening og andre mangler.
Faktor 4: Industriel AIOT -hardware forbedres
AI -chips forbedres hurtigt.
Indlejret hardware AI -chips vokser hurtigt med en række tilgængelige muligheder for at understøtte udviklingen og implementeringen af AI -modeller. Eksempler inkluderer NVIDIAs seneste grafikbehandlingsenheder (GPU'er), A30 og A10, som blev introduceret i marts 2021 og er egnede til AI -brugssager såsom anbefalingssystemer og computervisionssystemer. Et andet eksempel er Googles fjerde generation af tensorer-behandlingsenheder (TPU'er), som er kraftfulde specielle integrerede kredsløb (ASIC'er), 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 anbefaling benchmarks). Brug af dedikeret AI -hardware reducerer modelberegningstiden fra dage til minutter og har vist sig at være en spilskifter i mange tilfælde.
Kraftig AI-hardware er umiddelbart tilgængelig via en betaling pr. Brug model.
Superscale Enterprises opgraderer konstant deres servere for at gøre computerressourcer tilgængelige i skyen, så slutbrugerne kan implementere industrielle AI -applikationer. I november 2021 annoncerede AWS for eksempel den officielle udgivelse af sine seneste GPU-baserede tilfælde, Amazon EC2 G5, drevet af NVIDIA A10G Tensor Core GPU til en række ML-applikationer, herunder computervision og anbefalingsmotorer. F.eks. Bruger detekteringssystemudbyder 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 brugssager. Store virksomheder ruller adskillige AI -brugssager og rapporterer succes, og de fleste projekter har et højt afkast af investeringerne. Alt i alt giver stigningen i skyen, IoT -platforme og kraftfulde AI -chips en platform for en ny generation af software og optimering.
Posttid: Jan-12-2022