Согласно недавно опубликованному отчету «Промышленный ИИ и рынок ИИ за 2021–2026 годы», уровень внедрения ИИ в промышленности вырос с 19% до 31% всего за два года. Помимо 31% респондентов, которые полностью или частично внедрили ИИ в свою деятельность, еще 39% в настоящее время тестируют или проводят пилотные испытания этой технологии.
ИИ становится ключевой технологией для производителей и энергетических компаний по всему миру, а анализ IoT прогнозирует, что рынок промышленных ИИ-решений покажет высокие среднегодовые темпы роста (CAGR) после пандемии на уровне 35% и достигнет 102,17 млрд долларов США к 2026 году.
Цифровая эпоха породила Интернет вещей. Можно заметить, 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 Интернета вещей начала охватывать промышленный ИИ, специализированных программных продуктов для ИИ от поставщиков операционных технологий (OT) было мало. С тех пор многие поставщики OT вышли на рынок ИИ, разрабатывая и предлагая программные решения для ИИ в виде ИИ-платформ для производственных цехов.
Согласно данным, около 400 поставщиков предлагают программное обеспечение для искусственного интеллекта вещей (AIoT). Число поставщиков программного обеспечения, выходящих на рынок промышленного ИИ, значительно возросло за последние два года. В ходе исследования IoT Analytics выявила 634 поставщика технологий ИИ для производителей/промышленных заказчиков. Из этих компаний 389 (61,4%) предлагают программное обеспечение для ИИ.
Новая программная платформа ИИ ориентирована на промышленные среды. Помимо Uptake, Braincube и C3 AI, всё больше поставщиков операционных технологий (OT) предлагают специализированные программные платформы ИИ. В качестве примеров можно привести пакет промышленной аналитики и ИИ Genix от ABB, пакет инноваций FactoryTalk от Rockwell Automation, собственную платформу производственного консалтинга Schneider Electric, а в последнее время и специальные дополнения. Некоторые из этих платформ ориентированы на широкий спектр применения. Например, платформа Genix от ABB предоставляет расширенную аналитику, включая готовые приложения и сервисы для управления эксплуатационной эффективностью, целостностью активов, устойчивым развитием и эффективностью цепочки поставок.
Крупные компании внедряют свои программные инструменты на базе искусственного интеллекта в производственных цехах.
Доступность программных инструментов на основе ИИ также обусловлена появлением новых специализированных программных инструментов, разработанных AWS и такими крупными компаниями, 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 распространённых промышленных сценариев, таких как PdM, компьютерное зрение и автономное вождение. Развёртывание выполняется всего несколькими щелчками мыши.
Программные решения, ориентированные на конкретные варианты использования, способствуют повышению удобства использования.
Всё более распространёнными становятся специализированные программные комплексы, например, ориентированные на предиктивное обслуживание. По данным IoT Analytics, число поставщиков, использующих программные решения для управления данными об изделиях (PdM) на основе ИИ, выросло до 73 в начале 2021 года благодаря расширению разнообразия источников данных и использованию моделей предварительного обучения, а также широкому внедрению технологий улучшения качества данных.
Фактор 2: Разработка и поддержка решений ИИ упрощаются
Автоматизированное машинное обучение (AutoML) становится стандартным продуктом.
В связи со сложностью задач, связанных с машинным обучением (МО), быстрый рост приложений машинного обучения создал потребность в готовых методах машинного обучения, которые можно использовать без специальных знаний. Возникшее в результате направление исследований – прогрессивная автоматизация машинного обучения – называется AutoML. Многие компании используют эту технологию в своих решениях для искусственного интеллекта, помогая клиентам разрабатывать модели МО и быстрее внедрять промышленные решения. Например, в ноябре 2020 года компания SKF анонсировала продукт на основе AutoML, который объединяет данные о технологических процессах на станках с данными о вибрации и температуре для снижения затрат и создания новых бизнес-моделей для клиентов.
Операции машинного обучения (ML Ops) упрощают управление и обслуживание моделей.
Новая дисциплина машинного обучения направлена на упрощение обслуживания моделей ИИ в производственных средах. Производительность модели ИИ обычно снижается со временем, поскольку на неё влияет ряд факторов на предприятии (например, изменения в распределении данных и стандартах качества). В результате обслуживание моделей и машинное обучение стали необходимыми для соответствия высоким требованиям к качеству в промышленных средах (например, модели с производительностью ниже 99% могут не распознавать поведение, представляющее угрозу безопасности работников).
В последние годы многие стартапы присоединились к сфере операций машинного обучения, включая DataRobot, Grid.AI, Pinecone/Zilliz, Seldon и Weights & Biases. Более солидные компании добавили функции машинного обучения в свои существующие программные продукты для ИИ, в том числе Microsoft, которая внедрила функцию обнаружения дрейфа данных в Azure ML Studio. Эта новая функция позволяет пользователям выявлять 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.
Помимо существующих крупных горизонтальных программных инструментов ИИ, таких как MS Azure ML, AWS SageMaker и Google Cloud Vertex AI, традиционные программные комплексы, такие как системы автоматизированного управления техническим обслуживанием (CAMMS), системы управления производством (MES) или системы планирования ресурсов предприятия (ERP), теперь могут быть значительно улучшены за счёт внедрения возможностей ИИ. Например, поставщик ERP-систем Epicor Software добавляет возможности ИИ к своим существующим продуктам с помощью своего виртуального помощника Epicor Virtual Assistant (EVA). Интеллектуальные агенты EVA используются для автоматизации процессов ERP, таких как изменение графика производственных операций или выполнение простых запросов (например, для получения информации о ценах на продукцию или количестве доступных деталей).
Промышленные варианты использования модернизируются с использованием AIoT.
Некоторые промышленные приложения расширяются за счёт добавления возможностей ИИ к существующей аппаратной и программной инфраструктуре. Ярким примером служит машинное зрение в системах контроля качества. Традиционные системы машинного зрения обрабатывают изображения с помощью интегрированных или дискретных компьютеров, оснащённых специализированным программным обеспечением, которое оценивает заранее определённые параметры и пороговые значения (например, высокую контрастность) для определения наличия дефектов в объектах. Во многих случаях (например, при использовании электронных компонентов с разной формой проводников) количество ложных срабатываний очень велико.
Однако эти системы возрождаются благодаря искусственному интеллекту. Например, поставщик промышленных систем 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 удовлетворения требований медицинских и электронных сред, требующих точного измерения царапин, загрязнений и других дефектов.
Фактор 4: совершенствование промышленного оборудования AIoT
Микросхемы ИИ быстро совершенствуются.
Встраиваемые аппаратные ИИ-чипы стремительно развиваются, предлагая широкий спектр решений для поддержки разработки и развертывания моделей ИИ. В качестве примеров можно привести новейшие графические процессоры (GPU) NVIDIA, A30 и A10, представленные в марте 2021 года и подходящие для таких сценариев использования ИИ, как рекомендательные системы и системы компьютерного зрения. Другой пример — тензорные процессоры (TPus) четвертого поколения от Google, представляющие собой мощные специализированные интегральные схемы (ASIC), которые могут достигать до 1000 раз большей эффективности и скорости разработки и развертывания моделей для конкретных рабочих нагрузок ИИ (например, обнаружения объектов, классификации изображений и бенчмарков рекомендаций). Использование специализированного ИИ-оборудования сокращает время вычисления модели с нескольких дней до нескольких минут и во многих случаях доказало свою эффективность.
Мощное аппаратное обеспечение для искусственного интеллекта доступно уже сейчас по модели оплаты по факту использования.
Крупномасштабные предприятия постоянно модернизируют свои серверы, чтобы сделать вычислительные ресурсы доступными в облаке, позволяя конечным пользователям реализовывать промышленные приложения ИИ. Например, в ноябре 2021 года AWS объявила об официальном выпуске новейших экземпляров на базе графических процессоров Amazon EC2 G5 на базе графического процессора NVIDIA A10G с тензорными ядрами для различных приложений машинного обучения, включая компьютерное зрение и рекомендательные системы. Например, поставщик систем обнаружения Nanotronics использует примеры Amazon EC2 для своего решения по контролю качества на основе ИИ для ускорения обработки данных и повышения точности обнаружения при производстве микрочипов и нанотрубок.
Заключение и перспективы
Искусственный интеллект выходит на рынок и будет повсеместно использоваться в новых приложениях, таких как PdM на основе ИИ, а также в качестве улучшений для существующего программного обеспечения и вариантов использования. Крупные предприятия внедряют несколько вариантов использования ИИ и сообщают об успехе, и большинство проектов демонстрируют высокую окупаемость инвестиций. В целом, развитие облачных технологий, платформ Интернета вещей и мощных ИИ-чипов создает платформу для нового поколения программного обеспечения и оптимизации.
Время публикации: 12 января 2022 г.