Согласно недавно опубликованному отчету Industrial AI and AI Market Report 2021-2026, уровень внедрения ИИ в промышленных условиях увеличился с 19 до 31 процента всего за два года. Помимо 31 процента респондентов, которые полностью или частично внедрили ИИ в свою деятельность, еще 39 процентов в настоящее время тестируют или пилотируют эту технологию.
ИИ становится ключевой технологией для производителей и энергетических компаний по всему миру, а анализ Интернета вещей прогнозирует, что рынок промышленных решений ИИ покажет высокие среднегодовые темпы роста (CAGR) после пандемии в размере 35% и достигнет 102,17 млрд долларов США к 2026 году.
Цифровая эпоха породила Интернет вещей. Видно, что появление искусственного интеллекта ускорило темпы развития Интернета вещей.
Давайте рассмотрим некоторые факторы, способствующие развитию промышленного ИИ и AIoT.
Фактор 1: Все больше и больше программных инструментов для промышленного AIoT
В 2019 году, когда аналитика IoT начала охватывать промышленный ИИ, было мало специализированных программных продуктов ИИ от поставщиков операционных технологий (OT). С тех пор многие поставщики OT вышли на рынок ИИ, разрабатывая и предоставляя программные решения ИИ в форме платформ ИИ для заводского цеха.
Согласно данным, около 400 поставщиков предлагают программное обеспечение AIoT. Количество поставщиков программного обеспечения, выходящих на рынок промышленного ИИ, резко возросло за последние два года. В ходе исследования IoT Analytics выявила 634 поставщика технологий ИИ для производителей/промышленных клиентов. Из этих компаний 389 (61,4%) предлагают программное обеспечение ИИ.
Новая программная платформа ИИ ориентирована на промышленные среды. Помимо Uptake, Braincube или C3 AI, все больше поставщиков операционных технологий (OT) предлагают специализированные программные платформы ИИ. Примерами служат аналитический пакет Genix Industrial и AI от ABB, инновационный пакет FactoryTalk от Rockwell Automation, собственная производственная консалтинговая платформа Schneider Electric и, в последнее время, специальные дополнения. Некоторые из этих платформ ориентированы на широкий спектр вариантов использования. Например, платформа Genix от ABB предоставляет расширенную аналитику, включая готовые приложения и сервисы для управления эксплуатационной эффективностью, целостностью активов, устойчивостью и эффективностью цепочки поставок.
Крупные компании внедряют свои программные средства на основе искусственного интеллекта в производственных цехах.
Доступность программных инструментов ИИ также обусловлена новыми программными инструментами, предназначенными для конкретных вариантов использования, разработанными AWS, 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 промышленных вариантов использования, таких как PdM, компьютерное зрение и автономное вождение. Развертывание всего за несколько щелчков мыши.
Программные решения, ориентированные на конкретные варианты использования, способствуют повышению удобства использования.
Все более распространенными становятся программные пакеты, ориентированные на конкретные варианты использования, например, ориентированные на предиктивное обслуживание. IoT Analytics отметила, что число поставщиков, использующих программные решения для управления данными о продуктах (PdM) на основе ИИ, выросло до 73 в начале 2021 года из-за увеличения разнообразия источников данных и использования моделей предварительного обучения, а также широкого внедрения технологий улучшения данных.
Фактор 2: Разработка и поддержка решений ИИ 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 как часть своих предложений ИИ, чтобы помочь клиентам разрабатывать модели ML и быстрее реализовывать промышленные варианты использования. Например, в ноябре 2020 года SKF анонсировала продукт на основе automL, который объединяет данные о машинных процессах с данными о вибрации и температуре для снижения затрат и предоставления клиентам новых бизнес-моделей.
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 ухудшается со временем, поскольку на нее влияют несколько факторов на предприятии (например, изменения в распределении данных и стандартах качества). В результате обслуживание моделей и операции машинного обучения стали необходимыми для соответствия высоким требованиям качества промышленных сред (например, модели с производительностью ниже 99% могут не идентифицировать поведение, которое ставит под угрозу безопасность работников).
В последние годы многие стартапы присоединились к пространству ML Ops, включая DataRobot, Grid.AI, Pinecone/Zilliz, Seldon и Weights & Biases. Известные компании добавили операции машинного обучения к своим существующим предложениям программного обеспечения ИИ, включая Microsoft, которая внедрила обнаружение дрейфа данных в Azure ML Studio. Эта новая функция позволяет пользователям обнаруживать изменения в распределении входных данных, которые ухудшают производительность модели.
Фактор 3: Искусственный интеллект, применяемый к существующим приложениям и вариантам использования
Традиционные поставщики программного обеспечения добавляют возможности ИИ.
В дополнение к существующим крупным горизонтальным программным инструментам ИИ, таким как MS Azure ML, AWS SageMaker и Google Cloud Vertex AI, традиционные программные пакеты, такие как компьютеризированные системы управления техническим обслуживанием (CAMMS), системы выполнения производства (MES) или планирование ресурсов предприятия (ERP), теперь могут быть значительно улучшены путем внедрения возможностей ИИ. Например, поставщик ERP Epicor Software добавляет возможности ИИ к своим существующим продуктам через своего Epicor Virtual Assistant (EVA). Интеллектуальные агенты EVA используются для автоматизации процессов ERP, таких как перепланирование производственных операций или выполнение простых запросов (например, получение сведений о ценах на продукцию или количестве доступных деталей).
Промышленные варианты использования модернизируются с помощью AIoT.
Несколько промышленных вариантов использования расширяются за счет добавления возможностей ИИ к существующей аппаратной/программной инфраструктуре. Яркий пример — машинное зрение в приложениях контроля качества. Традиционные системы машинного зрения обрабатывают изображения с помощью интегрированных или дискретных компьютеров, оснащенных специализированным программным обеспечением, которое оценивает заранее определенные параметры и пороговые значения (например, высокую контрастность) для определения наличия дефектов на объектах. Во многих случаях (например, электронные компоненты с различной формой проводов) количество ложных срабатываний очень велико.
Однако эти системы возрождаются с помощью искусственного интеллекта. Например, поставщик промышленного машинного зрения Cognex выпустил новый инструмент глубокого обучения (Vision Pro Deep Learning 2.0) в июле 2021 года. Новые инструменты интегрируются с традиционными системами зрения, позволяя конечным пользователям объединять глубокое обучение с традиционными инструментами зрения в одном приложении для удовлетворения требовательных медицинских и электронных сред, требующих точного измерения царапин, загрязнений и других дефектов.
Фактор 4: Промышленное оборудование AIoT совершенствуется
Микросхемы ИИ быстро совершенствуются.
Встроенные аппаратные чипы ИИ быстро растут, и для поддержки разработки и развертывания моделей ИИ доступно множество опций. Примерами служат новейшие графические процессоры (Gpus) NVIDIA, A30 и A10, которые были представлены в марте 2021 года и подходят для таких вариантов использования ИИ, как системы рекомендаций и системы компьютерного зрения. Другим примером являются четвертое поколение процессоров Tensors Processing Units (TPus) от Google, которые представляют собой мощные специализированные интегральные схемы (ASics), которые могут достигать до 1000 раз большей эффективности и скорости при разработке и развертывании моделей для определенных рабочих нагрузок ИИ (например, обнаружение объектов, классификация изображений и эталонные тесты рекомендаций). Использование выделенного оборудования ИИ сокращает время вычисления модели с дней до минут и во многих случаях оказалось решающим фактором.
Мощное аппаратное обеспечение ИИ доступно немедленно по модели оплаты по факту использования.
Крупные предприятия постоянно модернизируют свои серверы, чтобы сделать вычислительные ресурсы доступными в облаке, чтобы конечные пользователи могли внедрять промышленные приложения ИИ. Например, в ноябре 2021 года AWS объявила об официальном выпуске своих новейших экземпляров на базе GPU, Amazon EC2 G5, на базе графического процессора NVIDIA A10G Tensor Core, для различных приложений МО, включая компьютерное зрение и рекомендательные движки. Например, поставщик систем обнаружения Nanotronics использует примеры Amazon EC2 своего решения по контролю качества на основе ИИ для ускорения обработки и достижения более точных показателей обнаружения при производстве микрочипов и нанотрубок.
Заключение и перспективы
ИИ выходит из фабрики, и он будет вездесущ в новых приложениях, таких как PdM на основе ИИ, а также в качестве улучшений существующего программного обеспечения и вариантов использования. Крупные предприятия развертывают несколько вариантов использования ИИ и сообщают об успехе, и большинство проектов имеют высокую окупаемость инвестиций. В целом, рост облака, платформ интернета вещей и мощных чипов ИИ обеспечивает платформу для нового поколения программного обеспечения и оптимизации.
Время публикации: 12 января 2022 г.