Volgens het recent vrijgegeven industriële AI- en AI-marktrapport 2021-2026, steeg het adoptiepercentage van AI in industriële omgevingen van 19 procent tot 31 procent in iets meer dan twee jaar. Naast 31 procent van de respondenten die AI volledig of gedeeltelijk hebben uitgerold in hun activiteiten, test of bestuurt nog eens 39 procent de technologie.
AI komt in opkomst als een belangrijke technologie voor fabrikanten en energiebedrijven wereldwijd, en IoT-analyse voorspelt dat de industriële AI Solutions-markt een sterke post-pandemische samengestelde jaarlijkse groeisnelheid (CAGR) van 35% zal laten zien tot $ 102,17 miljard in 2026.
Het digitale tijdperk heeft het internet der dingen bevallen. Het is te zien dat de opkomst van kunstmatige intelligentie het tempo van de ontwikkeling van het internet der dingen heeft versneld.
Laten we eens kijken naar enkele factoren die de opkomst van industriële AI en AIOT stimuleren.
Factor 1: Meer en meer softwaretools voor industriële AIOT
In 2019, toen IoT Analytics de industriële AI begon te dekken, waren er weinig speciale AI -softwareproducten van Leveranciers van Operational Technology (OT). Sindsdien zijn veel OT -leveranciers de AI -markt ingegaan door AI -softwareoplossingen te ontwikkelen en te verstrekken in de vorm van AI -platforms voor de fabrieksvloer.
Volgens gegevens bieden bijna 400 leveranciers AIOT -software. Het aantal softwareleveranciers dat lid wordt van de industriële AI -markt is de afgelopen twee jaar dramatisch toegenomen. Tijdens de studie identificeerden IoT Analytics 634 leveranciers van AI -technologie aan fabrikanten/industriële klanten. Van deze bedrijven bieden 389 (61,4%) AI -software aan.
Het nieuwe AI -softwareplatform richt zich op industriële omgevingen. Naast opname, BrainCube of C3 AI, bieden een groeiend aantal operationele technologie (OT) leveranciers toegewijde AI -softwareplatforms aan. Voorbeelden zijn ABB's Genix Industrial Analytics en AI Suite, Rockwell Automation's FactoryTalk Innovation Suite, Schneider Electric's eigen productieadviesplatform en meer recent, specifieke add-ons. Sommige van deze platforms zijn gericht op een breed scala aan use cases. Het Genix-platform van ABB biedt bijvoorbeeld geavanceerde analyses, inclusief vooraf gebouwde applicaties en diensten voor operationeel prestatiebeheer, activa-integriteit, duurzaamheid en efficiëntie van supply chain.
Grote bedrijven zetten hun AI -softwaretools op de werkvloer.
De beschikbaarheid van AI-softwaretools wordt ook aangedreven door nieuwe USE-Case-specifieke softwaretools die zijn ontwikkeld door AWS, grote bedrijven zoals Microsoft en Google. In december 2020 bracht AWS bijvoorbeeld Amazon Sagemaker Jumpstart uit, een functie van Amazon Sagemaker die een reeks vooraf gebouwde en aanpasbare oplossingen biedt voor de meest voorkomende cases voor industriële gebruik, zoals PDM, computer vision en autonoom rijden, implementeren met slechts een paar klikken.
USE-CASE-specifieke softwareoplossingen leiden tot verbeteringen van bruikbaarheid.
USE-CASE-specifieke softwaresuites, zoals die gericht op voorspellend onderhoud, komen steeds vaker voor. IoT Analytics merkte op dat het aantal aanbieders dat AI-gebaseerde productie-software-oplossingen (PDM) gebruikte, begin 2021 steeg naar 73 vanwege een toename van de verscheidenheid aan gegevensbronnen en het gebruik van pre-trainingsmodellen, evenals de wijdverbreide acceptatie van technologieën voor gegevensverbetering.
Factor 2: De ontwikkeling en onderhoud van AI -oplossingen worden vereenvoudigd
Automated Machine Learning (Automl) wordt een standaardproduct.
Vanwege de complexiteit van de taken geassocieerd met machine learning (ML), heeft de snelle groei van applicaties voor machine learning een behoefte aan kant-en-klare machine learning-methoden gecreëerd die kunnen worden gebruikt zonder expertise. Het resulterende onderzoeksgebied, progressieve automatisering voor machine learning, wordt Automl genoemd. Verschillende bedrijven maken gebruik van deze technologie als onderdeel van hun AI -aanbod om klanten te helpen bij het ontwikkelen van ML -modellen en industriële gebruiksscenario's sneller te implementeren. In november 2020 kondigde SKF bijvoorbeeld een op Automl gebaseerd product aan dat machineprocesgegevens combineert met trillings- en temperatuurgegevens om de kosten te verlagen en nieuwe bedrijfsmodellen voor klanten mogelijk te maken.
Machine Learning Operations (ML OPS) vereenvoudigen modelbeheer en onderhoud.
De nieuwe discipline van machine learning -bewerkingen is bedoeld om het onderhoud van AI -modellen in productieomgevingen te vereenvoudigen. De prestaties van een AI -model degradeert doorgaans in de loop van de tijd omdat het wordt beïnvloed door verschillende factoren in de fabriek (bijvoorbeeld veranderingen in gegevensverdeling en kwaliteitsnormen). Als gevolg hiervan zijn modelonderhoud en machine learning -activiteiten noodzakelijk geworden om te voldoen aan de hoogwaardige vereisten van industriële omgevingen (bijvoorbeeld, modellen met prestaties onder de 99% kunnen geen gedrag identificeren dat de veiligheid van werknemers in gevaar brengt).
In de afgelopen jaren hebben veel startups zich aangesloten bij de ML Ops -ruimte, waaronder Datarobot, Grid.ai, Pinecone/Zilliz, Seldon en gewichten en vooroordelen. Gevestigde bedrijven hebben machine learning -activiteiten toegevoegd aan hun bestaande AI -software -aanbiedingen, waaronder Microsoft, die data -driftdetectie in Azure ML Studio introduceerde. Met deze nieuwe functie kunnen gebruikers wijzigingen in de verdeling van invoergegevens die de modelprestaties afbreken detecteren.
Factor 3: Kunstmatige intelligentie toegepast op bestaande toepassingen en use cases
Traditionele softwareproviders voegen AI -mogelijkheden toe.
Naast bestaande grote horizontale AI -softwaretools zoals MS Azure ML, AWS Sagemaker en Google Cloud Vertex AI, kunnen traditionele softwaresuites zoals geautomatiseerde onderhoudsmanagementsystemen (CAMM's), productie -uitvoeringssystemen (MES) of Enterprise Resource Planning (ERP) nu aanzienlijk worden verbeterd door AI -capaciteiten. ERP -provider Epicor Software voegt bijvoorbeeld AI -mogelijkheden toe aan zijn bestaande producten via zijn Epicor Virtual Assistant (EVA). Intelligente EVA -agenten worden gebruikt om ERP -processen te automatiseren, zoals het opnieuw plannen van productieactiviteiten of het uitvoeren van eenvoudige vragen (bijvoorbeeld het verkrijgen van details over productprijzen of het aantal beschikbare onderdelen).
Industriële use cases worden geüpgraded door AIOT te gebruiken.
Verschillende industriële use -cases worden verbeterd door AI -mogelijkheden toe te voegen aan bestaande hardware/software -infrastructuur. Een levendig voorbeeld is machinevisie in kwaliteitscontroletoepassingen. Traditionele machinevision -systemen procesbeelden via geïntegreerde of discrete computers uitgerust met gespecialiseerde software die vooraf bepaalde parameters en drempels (bijv. Hoog contrast) evalueert om te bepalen of objecten defecten vertonen. In veel gevallen (bijvoorbeeld elektronische componenten met verschillende bedradingsvormen) is het aantal valse positieven erg hoog.
Deze systemen worden echter nieuw leven ingeblazen door kunstmatige intelligentie. Cognex van de industriële machine -visie heeft bijvoorbeeld in juli 2021 een nieuw Deep Learning Tool (Vision Pro Deep Learning 2.0) uitgebracht. De nieuwe tools integreren met traditionele visiesystemen, waardoor eindgebruikers diep leren kunnen combineren met traditionele visietools in dezelfde toepassing om te voldoen aan de veeleisende medische en elektronische omgevingen die een nauwkeurige meting van krassen, verontreiniging en andere defecten vereisen.
Factor 4: Industriële AIOT -hardware wordt verbeterd
AI -chips verbeteren snel.
Embedded Hardware AI -chips groeien snel, met een verscheidenheid aan opties die beschikbaar zijn om de ontwikkeling en implementatie van AI -modellen te ondersteunen. Voorbeelden zijn NVIDIA's nieuwste grafische verwerkingseenheden (GPU's), de A30 en A10, die in maart 2021 werden geïntroduceerd en geschikt zijn voor AI -use cases zoals aanbevelingssystemen en computer vision -systemen. Een ander voorbeeld is Google's vierde generatie Tensors Processing Units (TPU's), die krachtige speciaal geïntegreerde circuits (ASIC's) zijn die tot 1000 keer meer efficiëntie en snelheid kunnen bereiken in modelontwikkeling en implementatie voor specifieke AI-werklast (bijv. Objectdetectie, beeldclassificatie en aanbevelingsbenchmarks). Het gebruik van toegewijde AI -hardware vermindert het modelberekeningstijd van dagen tot minuten en is in veel gevallen bewezen een game -wisselaar te zijn.
Krachtige AI-hardware is onmiddellijk beschikbaar via een pay-per-use model.
Supercale ondernemingen upgraden constant hun servers om computerbronnen in de cloud beschikbaar te stellen, zodat eindgebruikers industriële AI -applicaties kunnen implementeren. In november 2021 kondigde AWS bijvoorbeeld de officiële release aan van de nieuwste GPU-gebaseerde instanties, Amazon EC2 G5, aangedreven door de NVIDIA A10G Tensor Core GPU, voor een verscheidenheid aan ML-applicaties, waaronder computer vision en aanbevelingsmachines. Provider Nanotronics van detectiesystemen maakt bijvoorbeeld gebruik van Amazon EC2-voorbeelden van zijn AI-gebaseerde kwaliteitscontrole-oplossing om de verwerkingsinspanningen te versnellen en meer accurate detectiesnelheden te bereiken bij de productie van microchips en nanobuisjes.
Conclusie en vooruitzicht
AI komt uit de fabriek en het zal alomtegenwoordig zijn in nieuwe applicaties, zoals AI-gebaseerde PDM, en als verbeteringen aan bestaande software en use cases. Grote ondernemingen rollen verschillende AI -use cases uit en rapporteren succes, en de meeste projecten hebben een hoog rendement op investering. Al met al biedt de opkomst van de cloud, IoT -platforms en krachtige AI -chips een platform voor een nieuwe generatie software en optimalisatie.
Posttijd: jan-12-2022