Enligt den nyligen släppta Industrial AI och AI Market Report 2021-2026 ökade adoptionsgraden för AI i industriella miljöer från 19 procent till 31 procent på drygt två år. Förutom 31 procent av de tillfrågade som helt eller delvis har rullat ut AI i sin verksamhet, testar eller piloterar ytterligare 39 procent tekniken.
AI växer fram som en nyckelteknologi för tillverkare och energiföretag över hela världen, och IoT-analys förutspår att marknaden för industriella AI-lösningar kommer att visa en stark post-pandemisk sammansatt årlig tillväxttakt (CAGR) på 35 % för att nå 102,17 miljarder dollar år 2026.
Den digitala tidsåldern har fött Internet of Things. Det kan ses att framväxten av artificiell intelligens har accelererat utvecklingen av Internet of Things.
Låt oss ta en titt på några av faktorerna som driver framväxten av industriell AI och AIoT.
Faktor 1: Fler och fler mjukvaruverktyg för industriell AIoT
2019, när Iot analytics började täcka industriell AI, fanns det få dedikerade AI-programvaror från leverantörer av operations technology (OT). Sedan dess har många OT-leverantörer tagit sig in på AI-marknaden genom att utveckla och tillhandahålla AI-mjukvarulösningar i form av AI-plattformar för fabriksgolvet.
Enligt uppgifter erbjuder nästan 400 leverantörer AIoT-mjukvara. Antalet mjukvaruleverantörer som ansluter sig till den industriella AI-marknaden har ökat dramatiskt under de senaste två åren. Under studien identifierade IoT Analytics 634 leverantörer av AI-teknik till tillverkare/industrikunder. Av dessa företag erbjuder 389 (61,4%) AI-programvara.
Den nya AI-programvaruplattformen fokuserar på industriella miljöer. Utöver Uptake, Braincube eller C3 AI, erbjuder ett växande antal leverantörer av operations technology (OT) dedikerade AI-programvaruplattformar. Exempel inkluderar ABB:s Genix Industrial analytics och AI-svit, Rockwell Automations FactoryTalk Innovation-svit, Schneider Electrics egen tillverkningskonsultplattform och på senare tid, specifika tillägg. Vissa av dessa plattformar riktar sig till ett brett spektrum av användningsfall. Till exempel tillhandahåller ABB:s Genix-plattform avancerad analys, inklusive förbyggda applikationer och tjänster för operativ prestandahantering, tillgångsintegritet, hållbarhet och effektivitet i försörjningskedjan.
Stora företag lägger ut sina ai-mjukvaruverktyg på verkstadsgolvet.
Tillgången till ai-mjukvaruverktyg drivs också av nya användningsspecifika mjukvaruverktyg utvecklade av AWS, stora företag som Microsoft och Google. Till exempel, i december 2020 släppte AWS Amazon SageMaker JumpStart, en funktion i Amazon SageMaker som tillhandahåller en uppsättning förbyggda och anpassningsbara lösningar för de vanligaste industriella användningsfallen, såsom PdM, datorseende och autonom körning, Implementera med bara några klick.
Användningsspecifika mjukvarulösningar driver på förbättringar av användbarheten.
Användningsspecifika programvarusviter, som de som fokuserar på förutsägande underhåll, blir allt vanligare. IoT Analytics observerade att antalet leverantörer som använder AI-baserade programvarulösningar för produktdatahantering (PdM) steg till 73 i början av 2021 på grund av en ökning av mängden datakällor och användningen av förutbildningsmodeller, såväl som den utbredda antagande av dataförbättringstekniker.
Faktor 2: Utvecklingen och underhållet av AI-lösningar förenklas
Automatiserad maskininlärning (AutoML) håller på att bli en standardprodukt.
På grund av komplexiteten i de uppgifter som är förknippade med maskininlärning (ML) har den snabba tillväxten av applikationer för maskininlärning skapat ett behov av färdiga maskininlärningsmetoder som kan användas utan expertis. Det resulterande forskningsfältet, progressiv automation för maskininlärning, kallas AutoML. En mängd olika företag använder denna teknik som en del av sina AI-erbjudanden för att hjälpa kunder att utveckla ML-modeller och implementera industriella användningsfall snabbare. I november 2020 tillkännagav till exempel SKF en automL-baserad produkt som kombinerar maskinprocessdata med vibrations- och temperaturdata för att minska kostnaderna och möjliggöra nya affärsmodeller för kunderna.
Maskininlärningsoperationer (ML Ops) förenklar modellhantering och underhåll.
Den nya disciplinen maskininlärning syftar till att förenkla underhållet av AI-modeller i tillverkningsmiljöer. Prestandan hos en AI-modell försämras vanligtvis med tiden eftersom den påverkas av flera faktorer inom anläggningen (till exempel förändringar i datadistribution och kvalitetsstandarder). Som ett resultat har modellunderhåll och maskininlärning blivit nödvändiga för att uppfylla de höga kvalitetskraven i industriella miljöer (till exempel kan modeller med prestanda under 99 % misslyckas med att identifiera beteende som äventyrar arbetarnas säkerhet).
Under de senaste åren har många startups anslutit sig till ML Ops-utrymmet, inklusive DataRobot, Grid.AI, Pinecone/Zilliz, Seldon och Weights & Biases. Etablerade företag har lagt till maskininlärningsoperationer till sina befintliga AI-programvaruerbjudanden, inklusive Microsoft, som introducerade upptäckt av datadrift i Azure ML Studio. Denna nya funktion gör det möjligt för användare att upptäcka förändringar i distributionen av indata som försämrar modellens prestanda.
Faktor 3: Artificiell intelligens tillämpad på befintliga applikationer och användningsfall
Traditionella programvaruleverantörer lägger till AI-funktioner.
Förutom befintliga stora horisontella AI-programvaruverktyg som MS Azure ML, AWS SageMaker och Google Cloud Vertex AI, traditionella programvarusviter som Computerized Maintenance Management Systems (CAMMS), Manufacturing execution systems (MES) eller Enterprise Resource Planning (ERP) kan nu förbättras avsevärt genom att injicera AI-kapacitet. Till exempel lägger ERP-leverantören Epicor Software till AI-kapacitet till sina befintliga produkter genom sin Epicor Virtual Assistant (EVA). Intelligenta EVA-agenter används för att automatisera ERP-processer, såsom att omplanera tillverkningsoperationer eller utföra enkla frågor (till exempel få information om produktpriser eller antalet tillgängliga delar).
Industriella användningsfall uppgraderas genom att använda AIoT.
Flera industriella användningsfall förbättras genom att lägga till AI-kapacitet till befintlig hård-/mjukvaruinfrastruktur. Ett levande exempel är maskinseende i kvalitetskontrollapplikationer. Traditionella maskinseendesystem behandlar bilder genom integrerade eller diskreta datorer utrustade med specialiserad programvara som utvärderar förutbestämda parametrar och trösklar (t.ex. hög kontrast) för att avgöra om objekt uppvisar defekter. I många fall (till exempel elektroniska komponenter med olika ledningsformer) är antalet falska positiva mycket högt.
Dessa system återupplivas dock genom artificiell intelligens. Till exempel släppte Cognex, leverantören av industriell maskin Vision ett nytt Deep Learning-verktyg (Vision Pro Deep Learning 2.0) i juli 2021. De nya verktygen integreras med traditionella visionsystem, vilket gör det möjligt för slutanvändare att kombinera djupinlärning med traditionella visionverktyg i samma applikation för att möta krävande medicinska och elektroniska miljöer som kräver noggrann mätning av repor, kontaminering och andra defekter.
Faktor 4: Industriell AIoT-hårdvara förbättras
AI-chips förbättras snabbt.
Inbyggda hårdvaru-AI-chips växer snabbt, med en mängd olika alternativ tillgängliga för att stödja utvecklingen och distributionen av AI-modeller. Exempel inkluderar NVIDIAs senaste grafikprocessorenheter (Gpus), A30 och A10, som introducerades i mars 2021 och är lämpliga för AI-användningsfall som rekommendationssystem och datorseendesystem. Ett annat exempel är Googles fjärde generationens Tensors Processing Units (TPus), som är kraftfulla integrerade kretsar för speciella ändamål (ASics) som kan uppnå upp till 1 000 gånger mer effektivitet och snabbhet i modellutveckling och implementering för specifika AI-arbetsbelastningar (t.ex. objektdetektering) , bildklassificering och riktmärken för rekommendationer). Att använda dedikerad AI-hårdvara minskar modellberäkningstiden från dagar till minuter, och har visat sig vara en spelförändring i många fall.
Kraftfull AI-hårdvara är omedelbart tillgänglig genom en betal-per-användningsmodell.
Superskaliga företag uppgraderar ständigt sina servrar för att göra datorresurser tillgängliga i molnet så att slutanvändare kan implementera industriella AI-applikationer. I november 2021 tillkännagav AWS till exempel den officiella releasen av sina senaste GPU-baserade instanser, Amazon EC2 G5, driven av NVIDIA A10G Tensor Core GPU, för en mängd olika ML-applikationer, inklusive datorseende och rekommendationsmotorer. Till exempel använder detektionssystemleverantören Nanotronics Amazon EC2-exempel på sin AI-baserade kvalitetskontrolllösning för att påskynda bearbetningsinsatserna och uppnå mer exakta detektionshastigheter vid tillverkning av mikrochips och nanorör.
Slutsats och utsikter
AI kommer ut från fabriken och kommer att finnas överallt i nya applikationer, som AI-baserad PdM, och som förbättringar av befintlig programvara och användningsfall. Stora företag rullar ut flera AI-användningsfall och rapporterar framgång, och de flesta projekt har en hög avkastning på investeringen. Sammantaget ger molnets framväxt, iot-plattformar och kraftfulla AI-chips en plattform för en ny generation mjukvara och optimering.
Posttid: 2022-jan-12