Σύμφωνα με την πρόσφατα δημοσιευμένη Έκθεση για την Βιομηχανική Τεχνητή Νοημοσύνη και την Αγορά Τεχνητής Νοημοσύνης 2021-2026, το ποσοστό υιοθέτησης της Τεχνητής Νοημοσύνης σε βιομηχανικά περιβάλλοντα αυξήθηκε από 19% σε 31% σε λίγο περισσότερο από δύο χρόνια. Εκτός από το 31% των ερωτηθέντων που έχουν εφαρμόσει πλήρως ή εν μέρει την Τεχνητή Νοημοσύνη στις δραστηριότητές τους, ένα άλλο 39% δοκιμάζει ή εφαρμόζει πιλοτικά την τεχνολογία αυτή τη στιγμή.
Η Τεχνητή Νοημοσύνη (ΤΝ) αναδεικνύεται ως βασική τεχνολογία για τους κατασκευαστές και τις εταιρείες ενέργειας παγκοσμίως και η ανάλυση του IoT προβλέπει ότι η αγορά βιομηχανικών λύσεων ΤΝ θα παρουσιάσει ισχυρό σύνθετο ετήσιο ρυθμό ανάπτυξης (CAGR) μετά την πανδημία, 35%, φτάνοντας τα 102,17 δισεκατομμύρια δολάρια έως το 2026.
Η ψηφιακή εποχή έχει γεννήσει το Διαδίκτυο των Πραγμάτων. Είναι φανερό ότι η εμφάνιση της τεχνητής νοημοσύνης έχει επιταχύνει τον ρυθμό ανάπτυξης του Διαδικτύου των Πραγμάτων.
Ας ρίξουμε μια ματιά σε ορισμένους από τους παράγοντες που οδηγούν στην άνοδο της βιομηχανικής Τεχνητής Νοημοσύνης και της Τεχνητής Νοημοσύνης (AIoT).
Παράγοντας 1: Όλο και περισσότερα εργαλεία λογισμικού για βιομηχανική Τεχνητή Νοημοσύνη (AIoT)
Το 2019, όταν η ανάλυση IoT άρχισε να καλύπτει τη βιομηχανική Τεχνητή Νοημοσύνη, υπήρχαν λίγα εξειδικευμένα προϊόντα λογισμικού Τεχνητής Νοημοσύνης από προμηθευτές επιχειρησιακής τεχνολογίας (OT). Έκτοτε, πολλοί προμηθευτές OT έχουν εισέλθει στην αγορά της Τεχνητής Νοημοσύνης αναπτύσσοντας και παρέχοντας λύσεις λογισμικού Τεχνητής Νοημοσύνης με τη μορφή πλατφορμών Τεχνητής Νοημοσύνης για το εργοστάσιο.
Σύμφωνα με στοιχεία, σχεδόν 400 προμηθευτές προσφέρουν λογισμικό AIoT. Ο αριθμός των προμηθευτών λογισμικού που εισέρχονται στην αγορά βιομηχανικής τεχνητής νοημοσύνης έχει αυξηθεί δραματικά τα τελευταία δύο χρόνια. Κατά τη διάρκεια της μελέτης, η IoT Analytics εντόπισε 634 προμηθευτές τεχνολογίας τεχνητής νοημοσύνης σε κατασκευαστές/βιομηχανικούς πελάτες. Από αυτές τις εταιρείες, 389 (61,4%) προσφέρουν λογισμικό τεχνητής νοημοσύνης.
Η νέα πλατφόρμα λογισμικού Τεχνητής Νοημοσύνης (ΤΝ) εστιάζει σε βιομηχανικά περιβάλλοντα. Πέρα από τις Uptake, Braincube ή C3 AI, ένας αυξανόμενος αριθμός προμηθευτών λειτουργικής τεχνολογίας (ΟΤ) προσφέρει εξειδικευμένες πλατφόρμες λογισμικού ΤΝ. Παραδείγματα περιλαμβάνουν τη σουίτα Genix Industrial analytics and AI της ABB, τη σουίτα FactoryTalk Innovation της Rockwell Automation, την πλατφόρμα συμβουλευτικής παραγωγής της Schneider Electric και, πιο πρόσφατα, συγκεκριμένα πρόσθετα. Ορισμένες από αυτές τις πλατφόρμες στοχεύουν σε ένα ευρύ φάσμα περιπτώσεων χρήσης. Για παράδειγμα, η πλατφόρμα Genix της ABB παρέχει προηγμένες αναλύσεις, συμπεριλαμβανομένων προκατασκευασμένων εφαρμογών και υπηρεσιών για τη διαχείριση λειτουργικής απόδοσης, την ακεραιότητα των περιουσιακών στοιχείων, τη βιωσιμότητα και την αποτελεσματικότητα της αλυσίδας εφοδιασμού.
Οι μεγάλες εταιρείες τοποθετούν τα εργαλεία λογισμικού τεχνητής νοημοσύνης τους στο χώρο των κατασκευών.
Η διαθεσιμότητα εργαλείων λογισμικού τεχνητής νοημοσύνης καθοδηγείται επίσης από νέα εργαλεία λογισμικού ειδικά για κάθε περίπτωση χρήσης που έχουν αναπτυχθεί από την AWS, μεγάλες εταιρείες όπως η Microsoft και η Google. Για παράδειγμα, τον Δεκέμβριο του 2020, η AWS κυκλοφόρησε το Amazon SageMaker JumpStart, μια λειτουργία του Amazon SageMaker που παρέχει ένα σύνολο προκατασκευασμένων και προσαρμόσιμων λύσεων για τις πιο συνηθισμένες βιομηχανικές περιπτώσεις χρήσης, όπως PdM, υπολογιστική όραση και αυτόνομη οδήγηση, Deploy με λίγα μόνο κλικ.
Οι λύσεις λογισμικού που αφορούν συγκεκριμένες περιπτώσεις χρήσης οδηγούν σε βελτιώσεις στη χρηστικότητα.
Οι σουίτες λογισμικού που αφορούν συγκεκριμένες περιπτώσεις χρήσης, όπως αυτές που επικεντρώνονται στην προγνωστική συντήρηση, γίνονται όλο και πιο συνηθισμένες. Η IoT Analytics παρατήρησε ότι ο αριθμός των παρόχων που χρησιμοποιούν λύσεις λογισμικού διαχείρισης δεδομένων προϊόντων (PdM) που βασίζονται στην τεχνητή νοημοσύνη αυξήθηκε σε 73 στις αρχές του 2021 λόγω της αύξησης της ποικιλίας των πηγών δεδομένων και της χρήσης μοντέλων προ-εκπαίδευσης, καθώς και της ευρείας υιοθέτησης τεχνολογιών βελτίωσης δεδομένων.
Παράγοντας 2: Η ανάπτυξη και η συντήρηση λύσεων Τεχνητής Νοημοσύνης απλοποιούνται
Η αυτοματοποιημένη μηχανική μάθηση (AutoML) γίνεται ένα τυποποιημένο προϊόν.
Λόγω της πολυπλοκότητας των εργασιών που σχετίζονται με τη μηχανική μάθηση (ML), η ραγδαία ανάπτυξη των εφαρμογών μηχανικής μάθησης έχει δημιουργήσει την ανάγκη για έτοιμες μεθόδους μηχανικής μάθησης που μπορούν να χρησιμοποιηθούν χωρίς εξειδίκευση. Το πεδίο έρευνας που προκύπτει, η προοδευτική αυτοματοποίηση για τη μηχανική μάθηση, ονομάζεται AutoML. Μια ποικιλία εταιρειών αξιοποιεί αυτήν την τεχνολογία ως μέρος των προσφορών Τεχνητής Νοημοσύνης που προσφέρουν, για να βοηθήσουν τους πελάτες να αναπτύξουν μοντέλα μηχανικής μάθησης και να εφαρμόσουν περιπτώσεις βιομηχανικής χρήσης ταχύτερα. Τον Νοέμβριο του 2020, για παράδειγμα, η SKF ανακοίνωσε ένα προϊόν βασισμένο σε automL που συνδυάζει δεδομένα μηχανικής διαδικασίας με δεδομένα κραδασμών και θερμοκρασίας για τη μείωση του κόστους και την ενεργοποίηση νέων επιχειρηματικών μοντέλων για τους πελάτες.
Οι λειτουργίες μηχανικής μάθησης (ML Ops) απλοποιούν τη διαχείριση και τη συντήρηση μοντέλων.
Ο νέος κλάδος των λειτουργιών μηχανικής μάθησης στοχεύει στην απλοποίηση της συντήρησης μοντέλων Τεχνητής Νοημοσύνης σε περιβάλλοντα παραγωγής. Η απόδοση ενός μοντέλου Τεχνητής Νοημοσύνης συνήθως υποβαθμίζεται με την πάροδο του χρόνου, καθώς επηρεάζεται από διάφορους παράγοντες εντός του εργοστασίου (για παράδειγμα, αλλαγές στην κατανομή δεδομένων και τα πρότυπα ποιότητας). Ως αποτέλεσμα, η συντήρηση μοντέλων και οι λειτουργίες μηχανικής μάθησης έχουν καταστεί απαραίτητες για την κάλυψη των υψηλών απαιτήσεων ποιότητας των βιομηχανικών περιβαλλόντων (για παράδειγμα, μοντέλα με απόδοση κάτω του 99% ενδέχεται να μην εντοπίσουν συμπεριφορές που θέτουν σε κίνδυνο την ασφάλεια των εργαζομένων).
Τα τελευταία χρόνια, πολλές νεοσύστατες επιχειρήσεις έχουν ενταχθεί στον χώρο των ML Ops, συμπεριλαμβανομένων των DataRobot, Grid.AI, Pinecone/Zilliz, Seldon και Weights & Biases. Καθιερωμένες εταιρείες έχουν προσθέσει λειτουργίες μηχανικής μάθησης στις υπάρχουσες προσφορές λογισμικού τεχνητής νοημοσύνης, συμπεριλαμβανομένης της Microsoft, η οποία εισήγαγε την ανίχνευση μετατόπισης δεδομένων στο Azure ML Studio. Αυτή η νέα λειτουργία επιτρέπει στους χρήστες να ανιχνεύουν αλλαγές στην κατανομή των δεδομένων εισόδου που υποβαθμίζουν την απόδοση του μοντέλου.
Παράγοντας 3: Τεχνητή νοημοσύνη εφαρμοσμένη σε υπάρχουσες εφαρμογές και περιπτώσεις χρήσης
Οι παραδοσιακοί πάροχοι λογισμικού προσθέτουν δυνατότητες Τεχνητής Νοημοσύνης.
Εκτός από τα υπάρχοντα μεγάλα οριζόντια εργαλεία λογισμικού Τεχνητής Νοημοσύνης (ΤΝ), όπως το MS Azure ML, το AWS SageMaker και το Google Cloud Vertex AI, οι παραδοσιακές σουίτες λογισμικού, όπως τα Συστήματα Διαχείρισης Συντήρησης (CAMMS), τα συστήματα εκτέλεσης παραγωγής (MES) ή ο προγραμματισμός επιχειρηματικών πόρων (ERP), μπορούν πλέον να βελτιωθούν σημαντικά με την ενσωμάτωση δυνατοτήτων ΤΝ. Για παράδειγμα, ο πάροχος ERP Epicor Software προσθέτει δυνατότητες ΤΝ στα υπάρχοντα προϊόντα του μέσω του Epicor Virtual Assistant (EVA). Οι ευφυείς πράκτορες EVA χρησιμοποιούνται για την αυτοματοποίηση διαδικασιών ERP, όπως ο επαναπρογραμματισμός των λειτουργιών παραγωγής ή η εκτέλεση απλών ερωτημάτων (για παράδειγμα, η λήψη λεπτομερειών σχετικά με την τιμολόγηση προϊόντων ή τον αριθμό των διαθέσιμων εξαρτημάτων).
Οι περιπτώσεις βιομηχανικής χρήσης αναβαθμίζονται με τη χρήση του AIoT.
Αρκετές περιπτώσεις βιομηχανικής χρήσης βελτιώνονται με την προσθήκη δυνατοτήτων Τεχνητής Νοημοσύνης (ΤΝ) στην υπάρχουσα υποδομή υλικού/λογισμικού. Ένα χαρακτηριστικό παράδειγμα είναι η μηχανική όραση σε εφαρμογές ελέγχου ποιότητας. Τα παραδοσιακά συστήματα μηχανικής όρασης επεξεργάζονται εικόνες μέσω ενσωματωμένων ή διακριτών υπολογιστών εξοπλισμένων με εξειδικευμένο λογισμικό που αξιολογεί προκαθορισμένες παραμέτρους και όρια (π.χ. υψηλή αντίθεση) για να προσδιορίσει εάν τα αντικείμενα παρουσιάζουν ελαττώματα. Σε πολλές περιπτώσεις (για παράδειγμα, ηλεκτρονικά εξαρτήματα με διαφορετικά σχήματα καλωδίωσης), ο αριθμός των ψευδώς θετικών είναι πολύ υψηλός.
Ωστόσο, αυτά τα συστήματα αναβιώνουν μέσω της τεχνητής νοημοσύνης. Για παράδειγμα, ο πάροχος βιομηχανικής μηχανικής όρασης Cognex κυκλοφόρησε ένα νέο εργαλείο Βαθιάς Μάθησης (Vision Pro Deep Learning 2.0) τον Ιούλιο του 2021. Τα νέα εργαλεία ενσωματώνονται με τα παραδοσιακά συστήματα όρασης, επιτρέποντας στους τελικούς χρήστες να συνδυάζουν τη βαθιά μάθηση με τα παραδοσιακά εργαλεία όρασης στην ίδια εφαρμογή για να ανταποκριθούν σε απαιτητικά ιατρικά και ηλεκτρονικά περιβάλλοντα που απαιτούν ακριβή μέτρηση γρατζουνιών, μόλυνσης και άλλων ελαττωμάτων.
Παράγοντας 4: Βελτίωση του βιομηχανικού υλικού AIoT
Τα τσιπ τεχνητής νοημοσύνης βελτιώνονται ραγδαία.
Τα ενσωματωμένα τσιπ τεχνητής νοημοσύνης (AI) αναπτύσσονται ραγδαία, με μια ποικιλία επιλογών διαθέσιμες για την υποστήριξη της ανάπτυξης και της ανάπτυξης μοντέλων τεχνητής νοημοσύνης. Παραδείγματα περιλαμβάνουν τις τελευταίες μονάδες επεξεργασίας γραφικών (GPU) της NVIDIA, τις A30 και A10, οι οποίες εισήχθησαν τον Μάρτιο του 2021 και είναι κατάλληλες για περιπτώσεις χρήσης τεχνητής νοημοσύνης, όπως συστήματα συστάσεων και συστήματα υπολογιστικής όρασης. Ένα άλλο παράδειγμα είναι οι Μονάδες Επεξεργασίας Tensors (TPus) τέταρτης γενιάς της Google, οι οποίες είναι ισχυρά ολοκληρωμένα κυκλώματα ειδικού σκοπού (ASics) που μπορούν να επιτύχουν έως και 1.000 φορές μεγαλύτερη αποτελεσματικότητα και ταχύτητα στην ανάπτυξη και ανάπτυξη μοντέλων για συγκεκριμένα φόρτα εργασίας τεχνητής νοημοσύνης (π.χ. ανίχνευση αντικειμένων, ταξινόμηση εικόνων και σημεία αναφοράς συστάσεων). Η χρήση αποκλειστικού υλικού τεχνητής νοημοσύνης μειώνει τον χρόνο υπολογισμού του μοντέλου από ημέρες σε λεπτά και έχει αποδειχθεί ότι αλλάζει τα δεδομένα σε πολλές περιπτώσεις.
Ισχυρό υλικό τεχνητής νοημοσύνης είναι άμεσα διαθέσιμο μέσω ενός μοντέλου πληρωμής ανά χρήση.
Οι επιχειρήσεις μεγάλης κλίμακας αναβαθμίζουν συνεχώς τους διακομιστές τους για να διαθέσουν υπολογιστικούς πόρους στο cloud, ώστε οι τελικοί χρήστες να μπορούν να υλοποιούν βιομηχανικές εφαρμογές τεχνητής νοημοσύνης. Τον Νοέμβριο του 2021, για παράδειγμα, η AWS ανακοίνωσε την επίσημη κυκλοφορία των τελευταίων στιγμιότυπων που βασίζονται σε GPU, Amazon EC2 G5, με την υποστήριξη της GPU NVIDIA A10G Tensor Core, για μια ποικιλία εφαρμογών μηχανικής μάθησης, συμπεριλαμβανομένης της υπολογιστικής όρασης και των μηχανών συστάσεων. Για παράδειγμα, ο πάροχος συστημάτων ανίχνευσης Nanotronics χρησιμοποιεί παραδείγματα Amazon EC2 της λύσης ποιοτικού ελέγχου που βασίζεται σε τεχνητή νοημοσύνη για να επιταχύνει τις προσπάθειες επεξεργασίας και να επιτύχει ακριβέστερα ποσοστά ανίχνευσης στην κατασκευή μικροτσίπ και νανοσωλήνων.
Συμπέρασμα και Προοπτική
Η Τεχνητή Νοημοσύνη (ΤΝ) βγαίνει από το εργοστάσιο και θα είναι πανταχού παρούσα σε νέες εφαρμογές, όπως η Διαχείριση Πληροφοριών (PdM) που βασίζεται στην ΤΝ, και ως βελτιώσεις σε υπάρχον λογισμικό και περιπτώσεις χρήσης. Οι μεγάλες επιχειρήσεις αναπτύσσουν αρκετές περιπτώσεις χρήσης ΤΝ και αναφέρουν επιτυχία, και τα περισσότερα έργα έχουν υψηλή απόδοση επένδυσης. Συνολικά, η άνοδος του cloud, των πλατφορμών IoT και των ισχυρών τσιπ ΤΝ παρέχει μια πλατφόρμα για μια νέα γενιά λογισμικού και βελτιστοποίησης.
Ώρα δημοσίευσης: 12 Ιανουαρίου 2022