Согласно недавно опубликованному отчету о промышленном искусственном интеллекте и рынке искусственного интеллекта на 2021–2026 годы, уровень внедрения искусственного интеллекта в промышленности увеличился с 19 процентов до 31 процента всего за два с небольшим года. Помимо 31 процента респондентов, которые полностью или частично внедрили ИИ в свою деятельность, еще 39 процентов в настоящее время тестируют или тестируют эту технологию.
Искусственный интеллект становится ключевой технологией для производителей и энергетических компаний во всем мире, и анализ Интернета вещей предсказывает, что рынок промышленных решений искусственного интеллекта продемонстрирует уверенный среднегодовой темп роста после пандемии (CAGR) на уровне 35% и достигнет $102,17 млрд к 2026 году.
Цифровая эпоха породила Интернет вещей. Видно, что появление искусственного интеллекта ускорило темпы развития Интернета вещей.
Давайте посмотрим на некоторые факторы, способствующие развитию промышленного искусственного интеллекта и AIoT.
Фактор 1: Все больше и больше программных инструментов для промышленного AIoT
В 2019 году, когда Iot-аналитика начала охватывать промышленный искусственный интеллект, от поставщиков операционных технологий (OT) было мало специализированных программных продуктов для искусственного интеллекта. С тех пор многие поставщики ОТ вышли на рынок искусственного интеллекта, разрабатывая и предоставляя программные решения искусственного интеллекта в виде платформ искусственного интеллекта для заводских цехов.
По данным, около 400 поставщиков предлагают программное обеспечение AIoT. Число поставщиков программного обеспечения, выходящих на рынок промышленного ИИ, резко возросло за последние два года. В ходе исследования IoT Analytics выявила 634 поставщика технологий искусственного интеллекта производителям/промышленным заказчикам. Из этих компаний 389 (61,4%) предлагают программное обеспечение для искусственного интеллекта.
Новая программная платформа искусственного интеллекта ориентирована на промышленные среды. Помимо Uptake, Braincube или C3 AI, все большее число поставщиков операционных технологий (ОТ) предлагают специализированные программные платформы для искусственного интеллекта. Примеры включают пакет промышленной аналитики и искусственного интеллекта ABB Genix, пакет инноваций FactoryTalk Innovation от Rockwell Automation, собственную производственную консультационную платформу Schneider Electric, а в последнее время и специальные дополнения. Некоторые из этих платформ предназначены для широкого спектра вариантов использования. Например, платформа Genix компании ABB обеспечивает расширенную аналитику, включая готовые приложения и услуги для управления операционной эффективностью, целостности активов, устойчивости и эффективности цепочки поставок.
Крупные компании размещают свои программные инструменты искусственного интеллекта в цехах.
Доступность программных инструментов искусственного интеллекта также обусловлена новыми программными инструментами для конкретных случаев использования, разработанными AWS и крупными компаниями, такими как Microsoft и Google. Например, в декабре 2020 года AWS выпустила Amazon SageMaker JumpStart, функцию Amazon SageMaker, которая предоставляет набор готовых и настраиваемых решений для наиболее распространенных случаев промышленного использования, таких как PdM, компьютерное зрение и автономное вождение. всего несколько кликов.
Программные решения, ориентированные на конкретные случаи использования, способствуют повышению удобства использования.
Пакеты программного обеспечения, ориентированные на конкретные сценарии использования, например, ориентированные на прогнозное обслуживание, становятся все более распространенными. IoT Analytics отметила, что число поставщиков, использующих программные решения для управления данными о продуктах (PdM) на основе искусственного интеллекта, выросло до 73 в начале 2021 года из-за увеличения разнообразия источников данных и использования моделей предварительного обучения, а также широкого распространения внедрение технологий улучшения данных.
Фактор 2. Разработка и обслуживание решений искусственного интеллекта упрощаются.
Автоматизированное машинное обучение (AutoML) становится стандартным продуктом.
Из-за сложности задач, связанных с машинным обучением (ML), быстрый рост приложений машинного обучения создал потребность в готовых методах машинного обучения, которые можно использовать без специальных знаний. Возникшая в результате область исследований — прогрессивная автоматизация машинного обучения — называется AutoML. Различные компании используют эту технологию в своих предложениях по искусственному интеллекту, чтобы помочь клиентам разрабатывать модели машинного обучения и быстрее реализовывать сценарии промышленного использования. Например, в ноябре 2020 года SKF анонсировала продукт на базе automL, который объединяет данные машинных процессов с данными о вибрации и температуре, что позволяет снизить затраты и создать новые бизнес-модели для клиентов.
Операции машинного обучения (ML Ops) упрощают управление и обслуживание моделей.
Новая дисциплина операций машинного обучения направлена на упрощение обслуживания моделей ИИ в производственных средах. Производительность модели ИИ обычно со временем ухудшается, поскольку на нее влияют несколько факторов внутри предприятия (например, изменения в распределении данных и стандартах качества). В результате операции по обслуживанию моделей и машинному обучению стали необходимы для удовлетворения высоких требований к качеству промышленной среды (например, модели с производительностью ниже 99% могут не идентифицировать поведение, которое ставит под угрозу безопасность работников).
В последние годы к пространству ML Ops присоединилось множество стартапов, в том числе DataRobot, Grid.AI, Pinecone/Zilliz, Seldon и Weights & Biases. Известные компании добавили операции машинного обучения к своим существующим предложениям программного обеспечения для искусственного интеллекта, включая Microsoft, которая представила обнаружение отклонения данных в Azure ML Studio. Эта новая функция позволяет пользователям обнаруживать изменения в распределении входных данных, которые ухудшают производительность модели.
Фактор 3: Искусственный интеллект применяется к существующим приложениям и вариантам использования.
Традиционные поставщики программного обеспечения добавляют возможности искусственного интеллекта.
В дополнение к существующим крупным горизонтальным программным инструментам искусственного интеллекта, таким как MS Azure ML, AWS SageMaker и Google Cloud Vertex AI, используются традиционные программные пакеты, такие как компьютеризированные системы управления техническим обслуживанием (CAMMS), системы управления производством (MES) или планирование ресурсов предприятия (ERP). теперь можно значительно улучшить, внедрив возможности ИИ. Например, поставщик ERP-систем Epicor Software добавляет возможности искусственного интеллекта к своим существующим продуктам с помощью Epicor Virtual Assistant (EVA). Интеллектуальные агенты EVA используются для автоматизации процессов ERP, таких как перепланирование производственных операций или выполнение простых запросов (например, получение подробной информации о ценах на продукцию или количестве доступных деталей).
Варианты промышленного использования модернизируются с помощью AIoT.
Некоторые варианты промышленного использования расширяются за счет добавления возможностей искусственного интеллекта в существующую аппаратную/программную инфраструктуру. Яркий пример — машинное зрение в приложениях контроля качества. Традиционные системы машинного зрения обрабатывают изображения через интегрированные или дискретные компьютеры, оснащенные специализированным программным обеспечением, которое оценивает заранее определенные параметры и пороговые значения (например, высокий контраст), чтобы определить, имеют ли объекты дефекты. Во многих случаях (например, электронные компоненты с разной формой разводки) количество ложных срабатываний очень велико.
Однако эти системы возрождаются благодаря искусственному интеллекту. Например, поставщик промышленного машинного зрения Cognex в июле 2021 года выпустил новый инструмент глубокого обучения (Vision Pro Deep Learning 2.0). Новые инструменты интегрируются с традиционными системами машинного зрения, позволяя конечным пользователям сочетать глубокое обучение с традиционными инструментами машинного зрения в одном приложении для соответствуют требовательным медицинским и электронным условиям, требующим точного измерения царапин, загрязнений и других дефектов.
Фактор 4: Улучшается промышленное оборудование AIoT
Чипы искусственного интеллекта быстро совершенствуются.
Встраиваемые аппаратные чипы искусственного интеллекта быстро растут, и для поддержки разработки и внедрения моделей искусственного интеллекта доступно множество опций. Примеры включают новейшие графические процессоры NVIDIA (Gpus), A30 и A10, которые были представлены в марте 2021 года и подходят для сценариев использования искусственного интеллекта, таких как системы рекомендаций и системы компьютерного зрения. Другим примером являются тензорные процессоры Google четвертого поколения (TPus), которые представляют собой мощные интегральные схемы специального назначения (ASics), которые могут достигать до 1000 раз большей эффективности и скорости при разработке и развертывании моделей для конкретных рабочих нагрузок ИИ (например, обнаружение объектов). , классификация изображений и критерии рекомендаций). Использование специального оборудования искусственного интеллекта сокращает время расчета модели с дней до минут и во многих случаях меняет правила игры.
Мощное оборудование искусственного интеллекта становится доступным сразу же по модели оплаты по факту использования.
Супермасштабные предприятия постоянно модернизируют свои серверы, чтобы сделать вычислительные ресурсы доступными в облаке, чтобы конечные пользователи могли внедрять промышленные приложения искусственного интеллекта. Например, в ноябре 2021 года AWS объявила об официальном выпуске своих новейших экземпляров на базе графического процессора Amazon EC2 G5 на базе графического процессора NVIDIA A10G Tensor Core для различных приложений машинного обучения, включая компьютерное зрение и системы рекомендаций. Например, поставщик систем обнаружения Nanotronics использует примеры Amazon EC2 своего решения для контроля качества на основе искусственного интеллекта, чтобы ускорить обработку и добиться более точных показателей обнаружения при производстве микрочипов и нанотрубок.
Заключение и перспективы
ИИ выходит из завода и будет повсеместно использоваться в новых приложениях, таких как PdM на основе ИИ, а также в качестве усовершенствований существующего программного обеспечения и сценариев использования. Крупные предприятия реализуют несколько вариантов использования ИИ и сообщают об успехах, и большинство проектов имеют высокую отдачу от инвестиций. В целом, развитие облачных технологий, платформ Интернета вещей и мощных чипов искусственного интеллекта обеспечивает платформу для нового поколения программного обеспечения и оптимизации.
Время публикации: 12 января 2022 г.