Չորս գործոնը Արդյունաբերական AIoT-ին դարձնում է նոր ֆավորիտ

Համաձայն վերջերս հրապարակված Արդյունաբերական AI-ի և AI-ի շուկայի 2021-2026 հաշվետվության, արդյունաբերական պարամետրերում AI-ի ընդունման մակարդակը երկու տարում ավելացել է 19 տոկոսից մինչև 31 տոկոս: Ի հավելումն հարցվածների 31 տոկոսի, ովքեր ամբողջությամբ կամ մասնակիորեն կիրառել են AI-ն իրենց գործունեության ընթացքում, ևս 39 տոկոսը ներկայումս փորձարկում կամ փորձարկում է տեխնոլոգիան:

AI-ն առաջանում է որպես հիմնական տեխնոլոգիա արտադրողների և էներգետիկ ընկերությունների համար ամբողջ աշխարհում, և IoT վերլուծությունը կանխատեսում է, որ արդյունաբերական AI լուծումների շուկան ցույց կտա 35% ուժեղ հետհամաճարակային բարդության տարեկան աճի տեմպ (CAGR) մինչև 2026 թվականը հասնելով $102,17 միլիարդի:

Թվային դարաշրջանը ծնել է իրերի ինտերնետը: Կարելի է տեսնել, որ արհեստական ​​ինտելեկտի առաջացումը արագացրել է իրերի ինտերնետի զարգացման տեմպերը։

Եկեք դիտարկենք արդյունաբերական AI-ի և AIoT-ի աճը խթանող որոշ գործոններ:

Գործոն 1. Ավելի ու ավելի շատ ծրագրային գործիքներ արդյունաբերական AIoT-ի համար

2019 թվականին, երբ Iot analytics-ը սկսեց լուսաբանել արդյունաբերական AI-ն, կային մի քանի հատուկ AI ծրագրային արտադրանք գործառնական տեխնոլոգիաների (OT) վաճառողներից: Այդ ժամանակից ի վեր, շատ OT վաճառողներ մուտք են գործել AI շուկա՝ մշակելով և տրամադրելով AI ծրագրային լուծումներ՝ AI հարթակների տեսքով գործարանի հատակի համար:

Ըստ տվյալների՝ մոտ 400 վաճառողներ առաջարկում են AIoT ծրագրակազմ։ Ծրագրային ապահովման վաճառողների թիվը, որոնք միանում են արդյունաբերական AI շուկային, կտրուկ աճել է վերջին երկու տարում: Ուսումնասիրության ընթացքում IoT Analytics-ը հայտնաբերել է AI տեխնոլոգիաների 634 մատակարար արտադրողներին/արդյունաբերական հաճախորդներին: Այս ընկերություններից 389-ը (61,4%) առաջարկում են AI ծրագրակազմ:

AI-ի նոր ծրագրային հարթակը կենտրոնացած է արդյունաբերական միջավայրերի վրա: Uptake-ից, Braincube-ից կամ C3 AI-ից դուրս, գործառնական տեխնոլոգիաների (OT) մատակարարների աճող թիվը առաջարկում է հատուկ AI ծրագրային հարթակներ: Օրինակները ներառում են ABB-ի Genix Industrial analytics և AI փաթեթը, Rockwell Automation-ի FactoryTalk Innovation փաթեթը, Schneider Electric-ի սեփական արտադրական խորհրդատվական հարթակը և վերջերս՝ հատուկ հավելումներ: Այս պլատֆորմներից ոմանք ուղղված են օգտագործման դեպքերի լայն շրջանակին: Օրինակ, ABB-ի Genix պլատֆորմը տրամադրում է առաջադեմ վերլուծություններ, ներառյալ նախապես կառուցված հավելվածներ և ծառայություններ գործառնական արդյունավետության կառավարման, ակտիվների ամբողջականության, կայունության և մատակարարման շղթայի արդյունավետության համար:

Խոշոր ընկերությունները խանութի հատակին են դնում իրենց ai ծրագրային գործիքները:

Ai ծրագրային գործիքների առկայությունը պայմանավորված է նաև AWS-ի, այնպիսի խոշոր ընկերությունների կողմից, ինչպիսիք են Microsoft-ը և Google-ը, մշակված նոր օգտագործման հատուկ ծրագրային գործիքներով: Օրինակ, 2020 թվականի դեկտեմբերին AWS-ը թողարկեց Amazon SageMaker JumpStart-ը, որը Amazon SageMaker-ի առանձնահատկությունն է, որն ապահովում է մի շարք նախապես կառուցված և հարմարեցված լուծումներ արդյունաբերական օգտագործման ամենատարածված դեպքերի համար, ինչպիսիք են PdM-ը, համակարգչային տեսլականը և ինքնավար մեքենա վարելը, Deploy with ընդամենը մի քանի կտտոց:

Օգտագործման դեպքերին հատուկ ծրագրային լուծումները նպաստում են օգտագործելիության բարելավմանը:

Օգտագործման դեպքերի համար հատուկ ծրագրային փաթեթներ, ինչպիսիք են կանխատեսող սպասարկման վրա կենտրոնացած ծրագրակազմը, դառնում են ավելի տարածված: IoT Analytics-ը նկատել է, որ AI-ի վրա հիմնված արտադրանքի տվյալների կառավարման (PdM) ծրագրային լուծումներ օգտագործող պրովայդերների թիվը 2021 թվականի սկզբին հասել է 73-ի՝ տվյալների աղբյուրների բազմազանության և նախնական վերապատրաստման մոդելների օգտագործման, ինչպես նաև տարածված լինելու պատճառով։ տվյալների ընդլայնման տեխնոլոգիաների ընդունում:

Գործոն 2. AI լուծումների մշակումն ու սպասարկումը պարզեցվում են

Ավտոմատացված մեքենայական ուսուցումը (AutoML) դառնում է ստանդարտ արտադրանք:

Մեքենայական ուսուցման (ML) հետ կապված առաջադրանքների բարդության պատճառով մեքենայական ուսուցման հավելվածների արագ աճը առաջացրել է մեքենայական ուսուցման մեթոդների անհրաժեշտություն, որոնք կարող են օգտագործվել առանց փորձաքննության: Հետազոտության արդյունքում առաջացող ոլորտը՝ մեքենայական ուսուցման առաջադեմ ավտոմատացում, կոչվում է AutoML: Մի շարք ընկերություններ օգտագործում են այս տեխնոլոգիան՝ որպես իրենց AI առաջարկների մի մաս՝ օգնելու հաճախորդներին մշակել ML մոդելներ և ավելի արագ իրականացնել արդյունաբերական օգտագործման դեպքեր: 2020 թվականի նոյեմբերին, օրինակ, SKF-ը հայտարարեց ավտոմոբիլների վրա հիմնված արտադրանքի մասին, որը միավորում է մեքենայական գործընթացի տվյալները թրթռումների և ջերմաստիճանի տվյալների հետ՝ ծախսերը նվազեցնելու և հաճախորդների համար նոր բիզնես մոդելներ ստեղծելու համար:

Մեքենայի ուսուցման գործողությունները (ML Ops) պարզեցնում են մոդելի կառավարումը և սպասարկումը:

Մեքենայի ուսուցման գործառնությունների նոր կարգապահությունը նպատակ ունի պարզեցնել արհեստական ​​ինտելեկտի մոդելների պահպանումը արտադրական միջավայրերում: AI մոդելի արդյունավետությունը սովորաբար վատթարանում է ժամանակի ընթացքում, քանի որ դրա վրա ազդում են գործարանի մի քանի գործոններ (օրինակ՝ տվյալների բաշխման և որակի ստանդարտների փոփոխությունները): Արդյունքում, մոդելների սպասարկումը և մեքենայական ուսուցման գործողությունները դարձել են անհրաժեշտ՝ արդյունաբերական միջավայրերի բարձր որակի պահանջները բավարարելու համար (օրինակ՝ 99%-ից ցածր կատարողականությամբ մոդելները կարող են չբացահայտել աշխատողների անվտանգությունը վտանգող վարքագիծը):

Վերջին տարիներին բազմաթիվ ստարտափներ միացել են ML Ops տարածքին, այդ թվում՝ DataRobot, Grid.AI, Pinecone/Zilliz, Seldon և Weights & Biases: Հաստատված ընկերությունները ավելացրել են մեքենայական ուսուցման գործառնություններ իրենց առկա AI ծրագրային առաջարկներին, այդ թվում՝ Microsoft-ը, որը ներկայացրել է տվյալների շեղումների հայտնաբերումը Azure ML Studio-ում: Այս նոր ֆունկցիան օգտվողներին հնարավորություն է տալիս հայտնաբերել մուտքային տվյալների բաշխման փոփոխությունները, որոնք վատթարացնում են մոդելի աշխատանքը:

Գործոն 3. Արհեստական ​​ինտելեկտը կիրառվում է առկա հավելվածների և օգտագործման դեպքերի վրա

Ավանդական ծրագրային ապահովման մատակարարներն ավելացնում են AI-ի հնարավորությունները:

Ի լրումն առկա խոշոր հորիզոնական AI ծրագրային գործիքների, ինչպիսիք են MS Azure ML, AWS SageMaker և Google Cloud Vertex AI, ավանդական ծրագրային փաթեթներ, ինչպիսիք են Computerized Maintenance Management Systems (CAMMS), Արտադրության կատարման համակարգեր (MES) կամ ձեռնարկությունների ռեսուրսների պլանավորում (ERP) այժմ կարող է զգալիորեն բարելավվել՝ ներարկելով AI հնարավորությունները: Օրինակ, ERP մատակարար Epicor Software-ն իր Epicor վիրտուալ օգնականի (EVA) միջոցով ավելացնում է AI հնարավորություններ իր առկա արտադրանքներին: Խելացի EVA գործակալներն օգտագործվում են ERP գործընթացների ավտոմատացման համար, ինչպիսիք են արտադրական գործառնությունների վերապլանավորումը կամ պարզ հարցումների կատարումը (օրինակ՝ ապրանքի գնի կամ հասանելի մասերի քանակի վերաբերյալ մանրամասներ ստանալը):

Արդյունաբերական օգտագործման դեպքերը արդիականացվում են՝ օգտագործելով AIoT:

Արդյունաբերական օգտագործման մի քանի դեպքեր ընդլայնվում են՝ ավելացնելով AI-ի հնարավորությունները առկա ապարատային/ծրագրային ենթակառուցվածքին: Վառ օրինակ է մեքենայական տեսողությունը որակի վերահսկման ծրագրերում: Ավանդական մեքենայատեսական համակարգերը պատկերները մշակում են ինտեգրված կամ դիսկրետ համակարգիչների միջոցով, որոնք հագեցած են մասնագիտացված ծրագրաշարով, որը գնահատում է կանխորոշված ​​պարամետրերն ու շեմերը (օրինակ՝ բարձր հակադրություն)՝ որոշելու, թե արդյոք առարկաները ունեն թերություններ: Շատ դեպքերում (օրինակ՝ էլեկտրահաղորդման տարբեր ձևերով էլեկտրոնային բաղադրիչներ) կեղծ պոզիտիվների թիվը շատ մեծ է:

Սակայն այս համակարգերը վերածնվում են արհեստական ​​ինտելեկտի միջոցով։ Օրինակ, արդյունաբերական մեքենաների Vision մատակարար Cognex-ը թողարկեց նոր Deep Learning գործիքը (Vision Pro Deep Learning 2.0) 2021 թվականի հուլիսին: Նոր գործիքները ինտեգրվում են ավանդական տեսողության համակարգերին՝ հնարավորություն տալով վերջնական օգտագործողներին համատեղել խորը ուսուցումը ավանդական տեսողության գործիքների հետ նույն հավելվածում: բավարարել պահանջկոտ բժշկական և էլեկտրոնային միջավայրեր, որոնք պահանջում են քերծվածքների, աղտոտվածության և այլ թերությունների ճշգրիտ չափում:

Գործոն 4. Արդյունաբերական AIoT ապարատը բարելավվում է

AI չիպերն արագորեն բարելավվում են:

Ներկառուցված ապարատային AI չիպերն արագորեն զարգանում են՝ ինտելեկտուալ արհեստական ​​ինտելեկտի մոդելների մշակմանը և տեղակայմանը աջակցելու տարբեր տարբերակներով: Օրինակները ներառում են NVIDIA-ի վերջին գրաֆիկական մշակման միավորները (Gpus), A30-ը և A10-ը, որոնք ներկայացվել են 2021 թվականի մարտին և հարմար են AI-ի օգտագործման դեպքերի համար, ինչպիսիք են առաջարկությունների համակարգերը և համակարգչային տեսողության համակարգերը: Մեկ այլ օրինակ է Google-ի չորրորդ սերնդի Tensor Processing Units (TPus), որոնք հզոր հատուկ նշանակության ինտեգրալ սխեմաներ են (ASics), որոնք կարող են հասնել մինչև 1000 անգամ ավելի արդյունավետության և արագության մոդելի մշակման և տեղակայման հատուկ AI աշխատանքային ծանրաբեռնվածության համար (օրինակ՝ օբյեկտների հայտնաբերում): , պատկերների դասակարգում և առաջարկությունների հենանիշներ): Հատուկ արհեստական ​​ինտելեկտի ապարատների օգտագործումը նվազեցնում է մոդելի հաշվարկման ժամանակը օրերից րոպեների, և ապացուցվել է, որ շատ դեպքերում փոխում է խաղը:

Հզոր AI ապարատը անմիջապես հասանելի է վճարման մեկ օգտագործման մոդելի միջոցով:

Գերմասշտաբային ձեռնարկությունները մշտապես արդիականացնում են իրենց սերվերները՝ համակարգչային ռեսուրսները հասանելի դարձնելու ամպի մեջ, որպեսզի վերջնական օգտագործողները կարողանան կիրառել արդյունաբերական AI հավելվածներ: Օրինակ, 2021 թվականի նոյեմբերին AWS-ը հայտարարեց իր վերջին GPU-ի վրա հիմնված օրինակների՝ Amazon EC2 G5-ի պաշտոնական թողարկման մասին, որը սնուցվում է NVIDIA A10G Tensor Core GPU-ով, մի շարք ML հավելվածների համար, ներառյալ համակարգչային տեսլականը և առաջարկվող շարժիչները: Օրինակ, հայտնաբերման համակարգերի մատակարար Nanotronics-ն օգտագործում է Amazon EC2-ի օրինակները իր AI-ի վրա հիմնված որակի վերահսկման լուծման համար՝ արագացնելու մշակման ջանքերը և հասնելու ավելի ճշգրիտ հայտնաբերման տեմպերի միկրոչիպերի և նանոխողովակների արտադրության մեջ:

Եզրակացություն և հեռանկար

AI-ն դուրս է գալիս գործարանից, և այն ամենուր տարածված կլինի նոր հավելվածներում, ինչպիսիք են AI-ի վրա հիմնված PdM-ը և որպես գործող ծրագրաշարի և օգտագործման դեպքերի բարելավումներ: Խոշոր ձեռնարկությունները ներկայացնում են արհեստական ​​ինտելեկտի օգտագործման մի քանի դեպքեր և հաղորդում են հաջողության մասին, և նախագծերի մեծ մասն ունեն ներդրումների բարձր վերադարձ: Ընդհանուր առմամբ, ամպի, iot հարթակների և հզոր AI չիպերի աճը հարթակ է ապահովում նոր սերնդի ծրագրային ապահովման և օպտիմալացման համար: