Према недавно објављеном Извештају о индустријској вештачкој интелигенцији и тржишту вештачке интелигенције за период 2021–2026, стопа усвајања вештачке интелигенције у индустријским условима порасла је са 19 на 31 проценат за нешто више од две године. Поред 31 процента испитаника који су у потпуности или делимично имплементирали вештачку интелигенцију у својим операцијама, додатних 39 процената тренутно тестира или пилотира технологију.
Вештачка интелигенција се појављује као кључна технологија за произвођаче и енергетске компаније широм света, а анализа Интернета ствари предвиђа да ће тржиште индустријских решења за вештачку интелигенцију показати снажну постпандемијску сложену годишњу стопу раста (CAGR) од 35% и достићи 102,17 милијарди долара до 2026. године.
Дигитално доба је изнедрило Интернет ствари. Може се видети да је појава вештачке интелигенције убрзала темпо развоја Интернета ствари.
Хајде да погледамо неке од фактора који покрећу успон индустријске вештачке интелигенције и вештачке интелигенције у вези са интернетом ствари.
Фактор 1: Све више софтверских алата за индустријски AIoT
У 2019. години, када је IoT аналитика почела да покрива индустријску вештачку интелигенцију, постојало је мало наменских софтверских производа за вештачку интелигенцију од добављача оперативне технологије (OT). Од тада, многи OT добављачи су ушли на тржиште вештачке интелигенције развијајући и пружајући софтверска решења за вештачку интелигенцију у облику AI платформи за фабричку производњу.
Према подацима, скоро 400 добављача нуди AIoT софтвер. Број добављача софтвера који се придружују тржишту индустријске вештачке интелигенције драматично је порастао у последње две године. Током студије, IoT Analytics је идентификовао 634 добављача AI технологије произвођачима/индустријским купцима. Од ових компанија, 389 (61,4%) нуди AI софтвер.
Нова софтверска платформа за вештачку интелигенцију фокусира се на индустријска окружења. Поред Uptake-а, Braincube-а или C3 AI-а, све већи број добављача оперативне технологије (OT) нуди наменске софтверске платформе за вештачку интелигенцију. Примери укључују ABB-ов Genix Industrial аналитички и AI пакет, Rockwell Automation-ов FactoryTalk Innovation пакет, Schneider Electric-ову сопствену платформу за консалтинг у производњи и, у скорије време, специфичне додатке. Неке од ових платформи циљају широк спектар случајева употребе. На пример, ABB-ова Genix платформа пружа напредну аналитику, укључујући унапред изграђене апликације и услуге за управљање оперативним учинком, интегритетом имовине, одрживошћу и ефикасношћу ланца снабдевања.
Велике компаније постављају своје софтверске алате за вештачку интелигенцију у производне погоне.
Доступност софтверских алата за вештачку интелигенцију такође је подстакнута новим софтверским алатима специфичним за случајеве употребе које је развио AWS, велике компаније попут Microsoft-а и Google-а. На пример, у децембру 2020. године, AWS је објавио Amazon SageMaker JumpStart, функцију Amazon SageMaker-а која пружа скуп унапред изграђених и прилагодљивих решења за најчешће индустријске случајеве употребе, као што су PdM, рачунарски вид и аутономна вожња, а имплементација се врши уз само неколико кликова.
Софтсверска решења специфична за случај употребе покрећу побољшања употребљивости.
Софтверски пакети специфични за случај употребе, као што су они фокусирани на предиктивно одржавање, постају све чешћи. IoT Analytics је приметио да је број добављача који користе софтверска решења за управљање подацима о производима (PdM) заснована на вештачкој интелигенцији порастао на 73 почетком 2021. године због повећања разноврсности извора података и употребе модела пре обуке, као и широког усвајања технологија за побољшање података.
Фактор 2: Развој и одржавање вештачке интелигенције се поједностављују
Аутоматизовано машинско учење (AutoML) постаје стандардни производ.
Због сложености задатака повезаних са машинским учењем (МУ), брзи раст апликација за машинско учење створио је потребу за готовим методама машинског учења које се могу користити без стручног знања. Резултујуће поље истраживања, прогресивна аутоматизација за машинско учење, назива се AutoML. Разне компаније користе ову технологију као део својих вештачких интелигенција како би помогле купцима да развију МУ моделе и брже имплементирају индустријске случајеве употребе. На пример, у новембру 2020. године, SKF је најавио производ заснован на automL-у који комбинује податке о машинском процесу са подацима о вибрацијама и температури како би се смањили трошкови и омогућили нови пословни модели за купце.
Операције машинског учења (ML Ops) поједностављују управљање и одржавање модела.
Нова дисциплина операција машинског учења има за циљ да поједностави одржавање вештачке интелигенције (AI) модела у производним окружењима. Перформансе AI модела се обично временом деградирају, јер на њих утиче неколико фактора унутар постројења (на пример, промене у дистрибуцији података и стандардима квалитета). Као резултат тога, одржавање модела и операције машинског учења постале су неопходне како би се испунили високи захтеви квалитета индустријских окружења (на пример, модели са перформансама испод 99% могу да не успеју да идентификују понашање које угрожава безбедност радника).
Последњих година, многи стартапови су се придружили простору машинског учења, укључујући DataRobot, Grid.AI, Pinecone/Zilliz, Seldon и Weights & Biases. Успостављене компаније су додале операције машинског учења својим постојећим понудама софтвера за вештачку интелигенцију, укључујући Microsoft, који је увео детекцију померања података у Azure ML Studio. Ова нова функција омогућава корисницима да открију промене у дистрибуцији улазних података које деградирају перформансе модела.
Фактор 3: Вештачка интелигенција примењена на постојеће апликације и случајеве употребе
Традиционални добављачи софтвера додају могућности вештачке интелигенције.
Поред постојећих великих хоризонталних софтверских алата за вештачку интелигенцију као што су MS Azure ML, AWS SageMaker и Google Cloud Vertex AI, традиционални софтверски пакети као што су системи за управљање рачунарским одржавањем (CAMMS), системи за извршење производње (MES) или планирање ресурса предузећа (ERP) сада се могу значајно побољшати убризгавањем могућности вештачке интелигенције. На пример, добављач ЕРП система, Epicor Software, додаје могућности вештачке интелигенције својим постојећим производима путем свог Epicor Virtual Assistant (EVA). Интелигентни EVA агенти се користе за аутоматизацију ЕРП процеса, као што је репрограмирање производних операција или обављање једноставних упита (на пример, добијање детаља о ценама производа или броју доступних делова).
Индустријски случајеви употребе се надограђују коришћењем AIoT-а.
Неколико индустријских случајева употребе се побољшава додавањем могућности вештачке интелигенције постојећој хардверској/софтверској инфраструктури. Живописан пример је машински вид у апликацијама за контролу квалитета. Традиционални системи машинског вида обрађују слике путем интегрисаних или дискретних рачунара опремљених специјализованим софтвером који процењује унапред одређене параметре и прагове (нпр. висок контраст) како би се утврдило да ли објекти показују дефекте. У многим случајевима (на пример, електронске компоненте са различитим облицима ожичења), број лажно позитивних резултата је веома висок.
Међутим, ови системи се оживљавају захваљујући вештачкој интелигенцији. На пример, добављач индустријских машинских система за вид Cognex објавио је нови алат за дубоко учење (Vision Pro Deep Learning 2.0) у јулу 2021. Нови алати се интегришу са традиционалним системима вида, омогућавајући крајњим корисницима да комбинују дубоко учење са традиционалним алатима за вид у истој апликацији како би задовољили захтевна медицинска и електронска окружења која захтевају прецизно мерење огреботина, контаминације и других дефеката.
Фактор 4: Унапређење индустријског AIoT хардвера
АИ чипови се брзо побољшавају.
Уграђени хардверски АИ чипови брзо расту, са разним опцијама доступним за подршку развоју и примени АИ модела. Примери укључују најновије графичке процесорске јединице (GPU) компаније NVIDIA, A30 и A10, које су представљене у марту 2021. године и погодне су за случајеве употребе АИ као што су системи препорука и системи рачунарског вида. Још један пример су Гуглове тензорске процесорске јединице (TPus) четврте генерације, које су моћна интегрисана кола за посебне намене (ASic) која могу постићи до 1.000 пута већу ефикасност и брзину у развоју и примени модела за специфична АИ радна оптерећења (нпр. детекција објеката, класификација слика и бенчмаркови препорука). Коришћење наменског АИ хардвера смањује време израчунавања модела са дана на минуте и показало се као прекретница у многим случајевима.
Моћан хардвер за вештачку интелигенцију је одмах доступан путем модела плаћања по коришћењу.
Суперскалска предузећа стално надограђују своје сервере како би рачунарске ресурсе учинила доступним у облаку, тако да крајњи корисници могу да имплементирају индустријске вештачке интелигенције. На пример, у новембру 2021. године, AWS је објавио званично издање својих најновијих инстанци заснованих на GPU-у, Amazon EC2 G5, покретаних NVIDIA A10G Tensor Core GPU-ом, за разне машинске апликације, укључујући рачунарски вид и системе за препоруке. На пример, добављач система за детекцију Nanotronics користи Amazon EC2 примере свог решења за контролу квалитета заснованог на вештачкој интелигенцији како би убрзао обраду и постигао прецизније стопе детекције у производњи микрочипова и наноцеви.
Закључак и перспектива
Вештачка интелигенција излази из фабрике и биће свеприсутна у новим апликацијама, као што је PdM заснован на вештачкој интелигенцији, и као побољшања постојећег софтвера и случајева употребе. Велика предузећа уводе неколико случајева употребе вештачке интелигенције и извештавају о успеху, а већина пројеката има висок повраћај инвестиције. Све у свему, успон облака, IoT платформи и моћних вештачких интелигенцијских чипова пружа платформу за нову генерацију софтвера и оптимизације.
Време објаве: 12. јануар 2022.