Volgens het onlangs gepubliceerde Industrial AI and AI Market Report 2021-2026 is de adoptiegraad van AI in industriële omgevingen in iets meer dan twee jaar tijd gestegen van 19 procent naar 31 procent. Naast 31 procent van de respondenten die AI volledig of gedeeltelijk in hun bedrijfsvoering hebben geïmplementeerd, is nog eens 39 procent momenteel bezig met het testen of testen van de technologie.
AI ontwikkelt zich wereldwijd tot een belangrijke technologie voor fabrikanten en energiebedrijven. Uit IoT-analyses blijkt dat de markt voor industriële AI-oplossingen na de pandemie een sterke samengestelde jaarlijkse groei (CAGR) van 35% zal laten zien en in 2026 een waarde van 102,17 miljard dollar zal bereiken.
Het digitale tijdperk heeft het Internet of Things (IoT) doen ontstaan. De opkomst van kunstmatige intelligentie (AI) heeft de ontwikkeling van het IoT aanzienlijk versneld.
Laten we eens kijken naar enkele factoren die de opkomst van industriële AI en AIoT stimuleren.
Factor 1: Steeds meer softwaretools voor industriële AIoT
In 2019, toen IoT-analyse industriële AI begon te omvatten, waren er weinig specifieke AI-softwareproducten van leveranciers van operationele technologie (OT). Sindsdien zijn veel OT-leveranciers de AI-markt betreden door AI-softwareoplossingen te ontwikkelen en te leveren in de vorm van AI-platforms voor de fabrieksvloer.
Volgens gegevens bieden bijna 400 leveranciers AIoT-software aan. Het aantal softwareleveranciers dat toetreedt tot de industriële AI-markt is de afgelopen twee jaar dramatisch toegenomen. Tijdens het onderzoek identificeerde 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 Uptake, Braincube en C3 AI biedt een groeiend aantal leveranciers van operationele technologie (OT) specifieke AI-softwareplatforms aan. Voorbeelden hiervan zijn ABB's Genix Industrial Analytics en AI-suite, Rockwell Automation's FactoryTalk Innovation-suite, Schneider Electric's eigen platform voor productieconsultancy en, meer recent, specifieke add-ons. Sommige van deze platforms zijn gericht op een breed scala aan use cases. Zo biedt ABB's Genix-platform geavanceerde analyses, waaronder kant-en-klare applicaties en services voor operationeel prestatiebeheer, activa-integriteit, duurzaamheid en efficiëntie in de toeleveringsketen.
Grote bedrijven implementeren hun AI-softwaretools op de werkvloer.
De beschikbaarheid van AI-softwaretools wordt ook gedreven door nieuwe use-case-specifieke softwaretools die zijn ontwikkeld door AWS en grote bedrijven zoals Microsoft en Google. Zo introduceerde AWS in december 2020 Amazon SageMaker JumpStart, een functie van Amazon SageMaker die een reeks kant-en-klare en aanpasbare oplossingen biedt voor de meest voorkomende industriële use-cases, zoals PdM, computer vision en autonoom rijden. Implementatie met slechts een paar klikken.
Softwareoplossingen die specifiek zijn voor specifieke use cases zorgen voor verbeteringen in de bruikbaarheid.
Usecase-specifieke softwarepakketten, zoals die gericht op predictief onderhoud, komen steeds vaker voor. IoT Analytics constateerde dat het aantal aanbieders dat AI-gebaseerde softwareoplossingen voor productdatamanagement (PdM) gebruikt, begin 2021 steeg tot 73. Dit is te danken aan een toename van de diversiteit aan databronnen en het gebruik van pre-trainingsmodellen, evenals de brede acceptatie van dataverbeteringstechnologieën.
Factor 2: De ontwikkeling en het onderhoud van AI-oplossingen worden vereenvoudigd
Geautomatiseerd machinaal leren (AutoML) wordt een standaardproduct.
Door de complexiteit van de taken die gepaard gaan met machine learning (ML), heeft de snelle groei van machine learning-toepassingen de behoefte gecreëerd aan kant-en-klare machine learning-methoden die zonder expertise kunnen worden gebruikt. Het resulterende onderzoeksgebied, progressieve automatisering voor machine learning, wordt AutoML genoemd. Diverse bedrijven maken gebruik van deze technologie als onderdeel van hun AI-aanbod om klanten te helpen ML-modellen te ontwikkelen en industriële use cases sneller te implementeren. Zo kondigde SKF in november 2020 een op autoML gebaseerd product aan dat machineprocesgegevens combineert met trillings- en temperatuurgegevens om kosten te verlagen en nieuwe bedrijfsmodellen voor klanten mogelijk te maken.
Machine learning-bewerkingen (ML Ops) vereenvoudigen modelbeheer en -onderhoud.
De nieuwe discipline van machine learning-operaties is gericht op het vereenvoudigen van het onderhoud van AI-modellen in productieomgevingen. De prestaties van een AI-model nemen doorgaans na verloop van tijd af, omdat ze worden beïnvloed door verschillende factoren binnen de fabriek (bijvoorbeeld veranderingen in datadistributie en kwaliteitsnormen). Hierdoor zijn modelonderhoud en machine learning-operaties noodzakelijk geworden om te voldoen aan de hoge kwaliteitseisen van industriële omgevingen (modellen met een prestatie onder de 99% kunnen bijvoorbeeld gedrag dat de veiligheid van werknemers in gevaar brengt, niet identificeren).
De afgelopen jaren hebben veel startups zich aangesloten bij ML Ops, waaronder DataRobot, Grid.AI, Pinecone/Zilliz, Seldon en Weights & Biases. Gevestigde bedrijven hebben machine learning-bewerkingen toegevoegd aan hun bestaande AI-softwareaanbod, waaronder Microsoft, dat datadriftdetectie introduceerde in Azure ML Studio. Deze nieuwe functie stelt gebruikers in staat om veranderingen in de distributie van invoergegevens te detecteren die de modelprestaties verslechteren.
Factor 3: Kunstmatige intelligentie toegepast op bestaande applicaties en use cases
Traditionele softwareleveranciers voegen AI-mogelijkheden toe.
Naast bestaande grote horizontale AI-softwaretools zoals MS Azure ML, AWS SageMaker en Google Cloud Vertex AI, kunnen traditionele softwarepakketten zoals Computerized Maintenance Management Systems (CAMMS), Manufacturing Execution Systems (MES) of Enterprise Resource Planning (ERP) nu aanzienlijk worden verbeterd door AI-mogelijkheden toe te voegen. ERP-provider Epicor Software voegt bijvoorbeeld AI-mogelijkheden toe aan zijn bestaande producten via Epicor Virtual Assistant (EVA). Intelligente EVA-agents worden gebruikt om ERP-processen te automatiseren, zoals het opnieuw plannen van productieprocessen of het uitvoeren van eenvoudige query's (bijvoorbeeld het verkrijgen van details over productprijzen of het aantal beschikbare onderdelen).
Industriële use cases worden geüpgraded door gebruik te maken van AIoT.
Verschillende industriële toepassingen worden verbeterd door AI-mogelijkheden toe te voegen aan bestaande hardware-/software-infrastructuur. Een sprekend voorbeeld is machine vision in kwaliteitscontroletoepassingen. Traditionele machine vision-systemen verwerken beelden via geïntegreerde of afzonderlijke computers met gespecialiseerde software die vooraf bepaalde parameters en drempelwaarden (bijv. hoog contrast) evalueert om te bepalen of objecten defecten vertonen. In veel gevallen (bijvoorbeeld elektronische componenten met verschillende bedradingsvormen) is het aantal foutpositieve resultaten zeer hoog.
Deze systemen worden echter nieuw leven ingeblazen door kunstmatige intelligentie. Zo bracht Cognex, leverancier van industriële machine vision, in juli 2021 een nieuwe deep learning-tool uit (Vision Pro Deep Learning 2.0). De nieuwe tools integreren met traditionele vision-systemen, waardoor eindgebruikers deep learning kunnen combineren met traditionele vision-tools in dezelfde applicatie. Zo kunnen ze voldoen aan veeleisende medische en elektronische omgevingen die nauwkeurige metingen van krassen, verontreinigingen en andere defecten vereisen.
Factor 4: Verbetering van industriële AIoT-hardware
AI-chips worden snel verbeterd.
De vraag naar embedded hardware AI-chips groeit snel, met een breed scala aan opties die de ontwikkeling en implementatie van AI-modellen ondersteunen. Voorbeelden hiervan zijn NVIDIA's nieuwste grafische processors (GPU's), de A30 en A10, die in maart 2021 werden geïntroduceerd en geschikt zijn voor AI-toepassingen zoals aanbevelingssystemen en computer vision-systemen. Een ander voorbeeld zijn de vierde generatie Tensors Processing Units (TPU's) van Google. Dit zijn krachtige, speciaal ontwikkelde geïntegreerde schakelingen (ASIC's) die tot 1000 keer efficiënter en sneller kunnen werken bij de ontwikkeling en implementatie van modellen voor specifieke AI-workloads (zoals objectdetectie, beeldclassificatie en benchmarks voor aanbevelingen). Het gebruik van speciale AI-hardware verkort de rekentijd van modellen van dagen tot minuten en is in veel gevallen een ware revolutie gebleken.
Krachtige AI-hardware is direct beschikbaar via een pay-per-use-model.
Superscale-ondernemingen upgraden hun servers voortdurend om rekenkracht in de cloud beschikbaar te maken, zodat eindgebruikers industriële AI-toepassingen kunnen implementeren. Zo kondigde AWS in november 2021 de officiële release aan van zijn nieuwste GPU-gebaseerde instances, Amazon EC2 G5, aangestuurd door de NVIDIA A10G Tensor Core GPU, voor diverse machine learning-toepassingen, waaronder computer vision en aanbevelingsengines. Zo gebruikt detectiesysteemleverancier Nanotronics Amazon EC2-voorbeelden van zijn AI-gebaseerde kwaliteitscontroleoplossing om verwerkingsprocessen te versnellen en nauwkeurigere detectiepercentages te behalen bij de productie van microchips en nanotubes.
Conclusie en vooruitzicht
AI komt uit de fabriek en zal alomtegenwoordig zijn in nieuwe toepassingen, zoals AI-gebaseerd PdM, en als verbeteringen aan bestaande software en use cases. Grote ondernemingen implementeren diverse AI-use cases en rapporteren successen, en de meeste projecten hebben een hoog rendement op hun investering. Al met al biedt de opkomst van de cloud, IoT-platformen en krachtige AI-chips een platform voor een nieuwe generatie software en optimalisatie.
Plaatsingstijd: 12-01-2022