Enligt den nyligen släppta rapporten Industrial AI and AI Market Report 2021-2026 ökade implementeringsgraden av AI i industriella miljöer från 19 procent till 31 procent på drygt två år. Utöver 31 procent av de svarande som helt eller delvis har rullat ut AI i sin verksamhet, testar eller pilottester ytterligare 39 procent för närvarande tekniken.
AI framstår som en nyckelteknik för tillverkare och energiföretag världen över, och IoT-analys förutspår att marknaden för industriella AI-lösningar kommer att visa en stark årlig tillväxttakt (CAGR) på 35 % efter pandemin för att nå 102,17 miljarder dollar år 2026.
Den digitala tidsåldern har gett upphov till sakernas internet. Man kan se att framväxten av artificiell intelligens har accelererat utvecklingstakten för sakernas internet.
Låt oss ta en titt på några av de faktorer som driver uppkomsten av industriell AI och AIoT.
Faktor 1: Fler och fler programvaruverktyg för industriell AIoT
År 2019, när IoT-analys började omfatta industriell AI, fanns det få dedikerade AI-mjukvaruprodukter från leverantörer av operativ teknik (OT). Sedan dess har många OT-leverantörer gått in på AI-marknaden genom att utveckla och tillhandahålla AI-mjukvarulösningar i form av AI-plattformar för fabriksgolvet.
Enligt data erbjuder nästan 400 leverantörer AIoT-programvara. Antalet programvaruleverantörer 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/industriella kunder. 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 operativ teknik (OT) dedikerade AI-programvaruplattformar. Exempel inkluderar ABB:s Genix Industrial analytics and AI suite, Rockwell Automations FactoryTalk Innovation suite, Schneider Electrics egen konsultplattform för tillverkning och på senare tid specifika tillägg. Några av dessa plattformar riktar sig till ett brett spektrum av användningsområden. Till exempel tillhandahåller ABB:s Genix-plattform avancerad analys, inklusive förbyggda applikationer och tjänster för operativ prestandahantering, tillgångsintegritet, hållbarhet och effektivitet i leveranskedjan.
Stora företag placerar sina AI-programvaruverktyg på verkstadsgolvet.
Tillgängligheten av AI-programvaruverktyg drivs också av nya användningsfallsspecifika programvaruverktyg som utvecklats av AWS, stora företag som Microsoft och Google. Till exempel släppte AWS i december 2020 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, driftsätts med bara några få klick.
Användningsfallsspecifika programvarulösningar driver förbättringar av användbarheten.
Användningsfallsspecifika programvarupaket, som de som fokuserar på prediktivt underhåll, blir allt vanligare. IoT Analytics observerade att antalet leverantörer som använder AI-baserade programvarulösningar för produktdatahantering (PdM) ökade till 73 i början av 2021 på grund av en ökning av variationen av datakällor och användningen av förhandsutbildningsmodeller, samt det utbredda införandet av dataförbättringstekniker.
Faktor 2: Utveckling och underhåll 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 maskininlärningsapplikationer skapat ett behov av färdiga maskininlärningsmetoder som kan användas utan expertis. Det resulterande forskningsområdet, progressiv automatisering för maskininlärning, kallas AutoML. En mängd olika företag utnyttjar 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 SKF till exempel en AUTOML-baserad produkt som kombinerar maskinprocessdata med vibrations- och temperaturdata för att minska kostnader och möjliggöra nya affärsmodeller för kunder.
Maskininlärningsoperationer (ML Ops) förenklar modellhantering och underhåll.
Den nya disciplinen maskininlärningsoperationer 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 maskininlärningsoperationer blivit nödvändiga för att uppfylla de höga kvalitetskraven i industriella miljöer (till exempel kan modeller med prestanda under 99 % misslyckas med att identifiera beteenden som äventyrar arbetstagarnas säkerhet).
Under senare år har många startups anslutit sig till ML Ops-området, 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 datadriftdetektering i Azure ML Studio. Den här nya funktionen 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 mjukvaruleverantörer lägger till AI-funktioner.
Utöver befintliga stora horisontella AI-programvaruverktyg som MS Azure ML, AWS SageMaker och Google Cloud Vertex AI, kan traditionella programvarusviter som datoriserade underhållshanteringssystem (CAMMS), tillverkningsutförandesystem (MES) eller företagsresursplanering (ERP) nu förbättras avsevärt genom att införa AI-funktioner. Till exempel lägger ERP-leverantören Epicor Software till AI-funktioner 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 att få information om produktpriser eller antal tillgängliga delar).
Industriella användningsfall uppgraderas med hjälp av AIoT.
Flera industriella användningsområden förbättras genom att AI-funktioner läggs till i befintlig hårdvaru-/mjukvaruinfrastruktur. Ett tydligt exempel är maskinseende i kvalitetskontrollapplikationer. Traditionella maskinseendesystem bearbetar bilder genom integrerade eller diskreta datorer utrustade med specialiserad programvara som utvärderar förutbestämda parametrar och tröskelvärden (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 resultat mycket högt.
Dessa system återupplivas dock genom artificiell intelligens. Till exempel släppte Cognex, leverantör av industriell maskinvision, ett nytt verktyg för djupinlärning (Vision Pro Deep Learning 2.0) i juli 2021. De nya verktygen integreras med traditionella visionssystem, vilket gör det möjligt för slutanvändare att kombinera djupinlärning med traditionella visionsverktyg 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-chip förbättras snabbt.
Inbyggda AI-chips för hårdvara växer snabbt, med en mängd olika alternativ tillgängliga för att stödja utveckling och distribution av AI-modeller. Exempel inkluderar NVIDIAs senaste grafikprocessorer (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 specialintegrerade kretsar (ASics) som kan uppnå upp till 1 000 gånger mer effektivitet och hastighet i modellutveckling och distribution för specifika AI-arbetsbelastningar (t.ex. objektdetektering, bildklassificering och rekommendationsriktmärken). Att använda dedikerad AI-hårdvara minskar modellberäkningstiden från dagar till minuter och har visat sig vara revolutionerande i många fall.
Kraftfull AI-hårdvara är omedelbart tillgänglig via en pay-per-use-modell.
Superstora 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 lanseringen av sina senaste GPU-baserade instanser, Amazon EC2 G5, som drivs 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 snabba upp bearbetningsinsatser och uppnå mer exakta detektionshastigheter vid tillverkning av mikrochips och nanorör.
Slutsats och framtidsutsikter
AI kommer ut ur fabriken och kommer att finnas allestädes närvarande i nya applikationer, såsom AI-baserad PdM, och som förbättringar av befintlig programvara och användningsområden. Stora företag lanserar flera AI-användningsfall och rapporterar framgångar, och de flesta projekt har en hög avkastning på investeringen. Sammantaget ger uppkomsten av molnet, IoT-plattformar och kraftfulla AI-chip en plattform för en ny generation av programvara och optimering.
Publiceringstid: 12 januari 2022