Согласно недавно опубликованному отчету «Промышленный ИИ и рынок ИИ 2021-2026», уровень внедрения ИИ в промышленности вырос с 19 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 пилотируют эту технологию.
Искусственный интеллект становится ключевой технологией для производителей и энергетических компаний по всему миру, а анализ рынка Интернета вещей прогнозирует, что после пандемии рынок промышленных решений на основе ИИ продемонстрирует высокий среднегодовой темп роста (CAGR) в 35%, достигнув к 2026 году 102,17 млрд долларов.
Цифровая эпоха породила Интернет вещей. Очевидно, что появление искусственного интеллекта ускорило темпы развития Интернета вещей.
Давайте рассмотрим некоторые факторы, способствующие развитию промышленного искусственного интеллекта и интернета вещей на основе искусственного интеллекта.
Фактор 1: Всё больше программных инструментов для промышленного интернета вещей (AIoT).
В 2019 году, когда аналитика Интернета вещей начала охватывать промышленный ИИ, специализированных программных продуктов для ИИ от поставщиков операционных технологий (ОТ) было немного. С тех пор многие поставщики ОТ вышли на рынок ИИ, разрабатывая и предоставляя программные решения для ИИ в виде платформ ИИ для производственных цехов.
Согласно данным, программное обеспечение для AIoT предлагают около 400 поставщиков. За последние два года число поставщиков программного обеспечения, выходящих на рынок промышленного ИИ, резко возросло. В ходе исследования компания IoT Analytics выявила 634 поставщика технологий ИИ для производителей/промышленных клиентов. Из этих компаний 389 (61,4%) предлагают программное обеспечение для ИИ.
Новая программная платформа на основе искусственного интеллекта ориентирована на промышленные условия. Помимо Uptake, Braincube или C3 AI, все большее число поставщиков операционных технологий (OT) предлагают специализированные программные платформы на основе ИИ. Примерами являются аналитический и ИИ-пакет Genix от ABB, инновационный пакет FactoryTalk от Rockwell Automation, собственная платформа для производственного консалтинга Schneider Electric, а также, совсем недавно, специализированные дополнения. Некоторые из этих платформ ориентированы на широкий спектр применений. Например, платформа Genix от ABB предоставляет расширенную аналитику, включая готовые приложения и сервисы для управления операционной эффективностью, целостностью активов, устойчивым развитием и эффективностью цепочки поставок.
Крупные компании внедряют свои программные инструменты на основе искусственного интеллекта непосредственно в производственные процессы.
Доступность программных инструментов для ИИ также обусловлена появлением новых специализированных программных инструментов, разработанных AWS, а также 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 задач, таких как прогнозирование и техническое обслуживание, компьютерное зрение и автономное вождение. Развертывание осуществляется всего несколькими щелчками мыши.
Специализированные программные решения способствуют улучшению удобства использования.
Программные пакеты, ориентированные на конкретные задачи, например, на прогнозирование технического обслуживания, становятся все более распространенными. Аналитики IoT Analytics отметили, что число поставщиков, использующих программные решения для управления данными о продукции (PdM) на основе искусственного интеллекта, выросло до 73 в начале 2021 года благодаря увеличению разнообразия источников данных и использованию моделей предварительного обучения, а также широкому внедрению технологий улучшения данных.
Фактор 2: Разработка и поддержка решений на основе искусственного интеллекта упрощаются.
Автоматизированное машинное обучение (AutoML) становится стандартным продуктом.
Из-за сложности задач, связанных с машинным обучением (МО), стремительный рост приложений машинного обучения создал потребность в готовых методах машинного обучения, которые можно использовать без специальных знаний. В результате возникла область исследований, получившая название прогрессивной автоматизации машинного обучения, — AutoML. Многие компании используют эту технологию в рамках своих предложений в области ИИ, чтобы помочь клиентам быстрее разрабатывать модели машинного обучения и внедрять промышленные сценарии. Например, в ноябре 2020 года компания SKF анонсировала продукт на основе AutoML, который объединяет данные о технологических процессах с данными о вибрации и температуре, что позволяет снизить затраты и внедрить новые бизнес-модели для клиентов.
Операции машинного обучения (ML Ops) упрощают управление и сопровождение моделей.
Новая дисциплина, связанная с операциями машинного обучения, направлена на упрощение обслуживания моделей ИИ в производственных условиях. Производительность модели ИИ, как правило, со временем снижается, поскольку на нее влияют различные факторы внутри предприятия (например, изменения в распределении данных и стандартах качества). В результате, обслуживание моделей и операции машинного обучения стали необходимыми для соответствия высоким требованиям качества в промышленных условиях (например, модели с производительностью ниже 99% могут не выявлять поведение, угрожающее безопасности работников).
В последние годы к сфере ML Ops присоединилось множество стартапов, включая DataRobot, Grid.AI, Pinecone/Zilliz, Seldon и Weights & Biases. Крупные компании добавили операции машинного обучения в свои существующие программные продукты для ИИ, в том числе Microsoft, которая представила функцию обнаружения дрейфа данных в Azure ML Studio. Эта новая функция позволяет пользователям обнаруживать изменения в распределении входных данных, которые ухудшают производительность модели.
Фактор 3: Применение искусственного интеллекта к существующим приложениям и сценариям использования.
Традиционные поставщики программного обеспечения внедряют 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, традиционные программные пакеты, такие как системы управления техническим обслуживанием (CAMMS), системы управления производственными процессами (MES) или системы планирования ресурсов предприятия (ERP), теперь могут быть значительно улучшены за счет внедрения возможностей ИИ. Например, поставщик ERP-систем Epicor Software добавляет возможности ИИ в свои существующие продукты 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 информации о ценах на продукцию или количестве доступных деталей).
Использование искусственного интеллекта в промышленных целях позволяет модернизировать сценарии его применения.
В ряде промышленных применений возможности искусственного интеллекта расширяются за счет добавления функций ИИ к существующей аппаратной/программной инфраструктуре. Ярким примером является машинное зрение в системах 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, высокий контраст), чтобы определить, имеют ли объекты дефекты. Во многих случаях (например, электронные компоненты с различной формой проводников) количество ложных срабатываний очень велико.
Однако эти системы возрождаются благодаря искусственному интеллекту. Например, компания Cognex, поставщик решений для промышленного машинного зрения, в июле 2021 года выпустила 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 решения сложных задач в медицинской и электронной средах, требующих точного измерения царапин, загрязнений и других дефектов.
Фактор 4: Улучшение аппаратного обеспечения для промышленного AIoT.
Чипы с искусственным интеллектом быстро совершенствуются.
Встраиваемые аппаратные чипы для ИИ быстро развиваются, предлагая множество вариантов для поддержки разработки и развертывания моделей ИИ. Примерами могут служить новейшие графические процессоры NVIDIA (GPU) A30 и A10, представленные в марте 2021 года и подходящие для таких задач ИИ, как рекомендательные системы и системы компьютерного зрения. Другой пример — тензорные процессоры четвертого поколения (TPU) от Google, представляющие собой мощные специализированные интегральные схемы (ASIC), которые могут обеспечить до 1000 раз большую эффективность и скорость при разработке и развертывании моделей для конкретных задач ИИ (например, обнаружение объектов, классификация изображений и рекомендательные тесты). Использование специализированного оборудования для ИИ сокращает время вычислений моделей с дней до минут и во многих случаях доказало свою эффективность.
Мощное оборудование для искусственного интеллекта доступно немедленно по модели оплаты за использование.
Крупные предприятия постоянно модернизируют свои серверы, чтобы предоставлять вычислительные ресурсы в облаке, позволяя конечным пользователям внедрять промышленные приложения искусственного интеллекта. Например, в ноябре 2021 года AWS объявила об официальном выпуске своих новейших экземпляров на базе графических процессоров, Amazon EC2 G5, работающих на базе графического процессора NVIDIA A10G Tensor Core, для различных приложений машинного обучения, включая компьютерное зрение и рекомендательные системы. Например, компания Nanotronics, поставщик систем обнаружения, использует экземпляры Amazon EC2 своего решения для контроля качества на основе ИИ, чтобы ускорить обработку и добиться более точных результатов обнаружения при производстве микрочипов и нанотрубок.
Заключение и перспективы
Искусственный интеллект выходит за пределы заводов и станет повсеместным в новых приложениях, таких как профилактическое техническое обслуживание на основе ИИ, а также в качестве усовершенствования существующего программного обеспечения и сценариев использования. Крупные предприятия внедряют несколько сценариев использования ИИ и сообщают об успехе, причем большинство проектов имеют высокую окупаемость инвестиций. В целом, развитие облачных технологий, платформ Интернета вещей и мощных чипов с искусственным интеллектом создает основу для нового поколения программного обеспечения и оптимизации.
Дата публикации: 12 января 2022 г.