Չորս գործոններ արդյունաբերական AIOT- ը դարձնում է նոր ֆավորիտը

Վերջերս թողարկված արդյունաբերական AI եւ AI շուկայի զեկույցի 2021-2026 հաշվետվության, AI- ի կողմից արդյունաբերական պարամետրերում AI- ի ընդունման մակարդակը ավելի քան երկու տարվա ընթացքում աճել է 19 տոկոսից մինչեւ 31 տոկոս: Ի հավելումն այն հարցվածների 31 տոկոսի, ովքեր լիովին կամ մասնակիորեն դուրս են եկել AI- ն իրենց գործողություններում, եւս 39 տոկոսը ներկայումս փորձարկում կամ փորձնական է:

AI- ն ի հայտ է գալիս որպես աշխարհի արտադրողների եւ էներգետիկ ընկերությունների հիմնական տեխնոլոգիա, եւ iot վերլուծությունը կանխատեսում է, որ արդյունաբերական AI լուծումների շուկան 35% -ով հասնելով 102,17 միլիարդ դոլարի:

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

Եկեք դիտարկենք արդյունաբերական AI եւ AIOT- ի աճը վարող որոշ գործոններ:

Գործոն 1. Արդյունաբերական AIOT- ի ավելի ու ավելի շատ ծրագրային գործիքներ

2019-ին, երբ IOT վերլուծաբանները սկսեցին ծածկել արդյունաբերական AI- ն, գործառնական տեխնոլոգիաներից (OT) վաճառողներից քիչ են եղել AI ծրագրային ապահովման արտադրանքները: Այդ ժամանակվանից ի վեր շատ վաճառողներ մուտք են գործել AI շուկա `զարգացնելով եւ ապահովելով AI ծրագրային լուծումներ գործարանի հատակին AI հարթակների տեսքով:

Ըստ տվյալների, մոտ 400 վաճառողներ առաջարկում են AIOIT ծրագրաշար: Արդյունաբերական AI շուկան միացող ծրագրային վաճառողների թիվը վերջին երկու տարիներին կտրուկ աճել է: Ուսումնասիրության ընթացքում IOT վերլուծաբանները հայտնաբերել են AI տեխնոլոգիայի 634 մատակարարներ արտադրողներին / արդյունաբերական հաճախորդներին: Այս ընկերություններից 389 (61.4%) առաջարկում է AI ծրագրակազմ:

AI ծրագրային նոր պլատֆորմը կենտրոնանում է արդյունաբերական միջավայրերի վրա: Բացի Uptake, Braincube կամ C3 AI, գործառնական տեխնոլոգիաների (OT) վաճառողների աճող թիվ առաջարկում է AI ծրագրային ապահովման ծրագրեր: Օրինակներ ներառում են ABB- ի GENIX արդյունաբերական վերլուծություններ եւ AI Suite, Rockwell ավտոմատացման գործարանային նորարարական հավաքակազմ, Schneider Electric- ի սեփական արտադրության խորհրդատվական պլատֆորմը եւ ավելի վերջերս, հատուկ հավելումներ: Այս պլատֆորմներից մի քանիսը թիրախավորում են օգտագործման լայն տեսականի: Օրինակ, ABB- ի GENIX պլատֆորմն ապահովում է առաջադեմ վերլուծություններ, ներառյալ նախապես կառուցված դիմումները եւ ծառայությունները գործառնական գործունեության կառավարման, ակտիվների ամբողջականության, կայունության եւ մատակարարման ցանցի արդյունավետության համար:

Մեծ ընկերությունները խանութի հատակին դնում են իրենց AI ծրագրային գործիքները:

AI Ծրագրային գործիքների առկայությունը պայմանավորված է նաեւ AWS- ի կողմից մշակված նոր օգտագործման դեպքում ծրագրային գործիքներով, ինչպիսիք են Microsoft- ը եւ Google- ը: Օրինակ, 2020-ի դեկտեմբերի 20-ին AWS- ն թողարկեց Amazon Sagemaker Jumpstart- ը, Amazon Sagemaker- ի առանձնահատկությունն, որն ապահովում է արդյունաբերական օգտագործման ամենատարածված եւ հարմարեցված լուծումների մի շարք, ինչպիսիք են PDM, համակարգչային տեսլականը եւ ինքնավար վարելը:

Օգտագործման-գործի հատուկ ծրագրային լուծումները շարժում են օգտագործելիության բարելավում:

Օգտագործման դեպքում հատուկ ծրագրային հավաքակազմերը, ինչպիսիք են կանխատեսելի պահպանման վրա կենտրոնացածները, ավելի տարածված են դառնում: IOT վերլուծաբանությունը նկատել է, որ AI- ի վրա հիմնված արտադրանքի տվյալների կառավարման (PDM) ծրագրային լուծումներ օգտագործող մատակարարների թիվը 2021-ի սկզբին աճել է 73-ի, տվյալների աղբյուրների բազմազանության եւ նախնական վերապատրաստման մոդելների օգտագործման մեծացման շնորհիվ:

Գործոն 2. AI լուծումների զարգացումը եւ պահպանումը պարզեցված են

Ավտոմատացված մեքենայի ուսումը (Automl) դառնում է ստանդարտ արտադրանք:

Մեքենաների ուսուցման (ML) հետ կապված խնդիրների բարդության պատճառով մեքենայական ուսուցման դիմումների արագ աճը ստեղծվել է արտադիմումի մեքենայի ուսուցման մեթոդների անհրաժեշտություն, որոնք կարող են օգտագործվել առանց փորձաքննության: Հետազոտության արդյունքում ստացված դաշտը, մեքենայական ուսուցման առաջադիմական ավտոմատացումը կոչվում է AUTOML: Մի շարք ընկերություններ օգտագործում են այս տեխնոլոգիան, որպես իրենց AI առաջարկների մաս, որպեսզի հաճախորդներին օգնի զարգացնել ML մոդելները եւ ավելի արագ իրականացնել արդյունաբերական օգտագործման դեպքեր: 2020-ի նոյեմբերին, օրինակ, SKF- ն հայտարարեց ավտոմատացված արտադրանքի մասին, որը համատեղում է մեքենայի գործընթացի տվյալները թրթռման եւ ջերմաստիճանի տվյալներով `ծախսերը նվազեցնելու եւ հաճախորդների համար նոր բիզնես մոդելներ հնարավորություն տալու համար:

Մեքենաների ուսուցման գործողություններ (ML OPS) Պարզեցնում են մոդելի կառավարումը եւ սպասարկումը:

Մեքենաների ուսուցման գործողությունների նոր կարգապահությունը նպատակ ունի պարզեցնել արտադրական միջավայրում AI մոդելների պահպանումը: AI մոդելի կատարումը, որպես կանոն, քայքայվում է ժամանակի ընթացքում, քանի որ այն ազդում է գործարանի ներսում մի քանի գործոնների վրա (օրինակ, տվյալների բաշխման եւ որակի ստանդարտների փոփոխություններ): Արդյունքում, արդյունաբերական միջավայրի բարձրորակ պահանջները բավարարելու համար անհրաժեշտ են դարձել մոդելային պահպանման եւ մեքենայական ուսուցման գործողություններ (օրինակ, 99% -ից ցածր կատարմամբ մոդելները կարող են չբացահայտել աշխատողի անվտանգությունը):

Վերջին տարիներին շատ նորաստեղծներ են միացել ML Ops Space- ին, ներառյալ DataRobot, Grid.AI, Pinecone / Zilliz, Seldon եւ Ciases: Ստեղծված ընկերություններն ավելացրել են մեքենայական ուսուցման գործողություններ իրենց առկա AI ծրագրային ապահովման առաջարկներին, ներառյալ Microsoft- ը, որոնք ներդրվել են AZURE ML Studio- ում տվյալների ամպերի հայտնաբերում: Այս նոր առանձնահատկությունը հնարավորություն է տալիս օգտվողներին հայտնաբերել մուտքային տվյալների բաշխման փոփոխություններ, որոնք քայքայում են մոդելի կատարումը:

Գործոն 3. Արհեստական ​​հետախուզությունը կիրառվել է գոյություն ունեցող դիմումների եւ օգտագործման դեպքեր

Ավանդական ծրագրային ապահովման մատակարարները ավելացնում են AI հնարավորությունները:

Բացի առկա մեծ հորիզոնական AI ծրագրային գործիքներից, ինչպիսիք են MS AZURE ML- ը, AWS SAGEMAKER AI- ը եւ Google Cloud Vertex AI- ն, ավանդական ծրագրակազմը, ինչպիսիք են համակարգչային սպասարկման կառավարման համակարգերը (CAMMS) կամ ձեռնարկատիրական ռեսուրսների պլանավորումը (ERP) կարող են զգալիորեն բարելավվել `ներարկելով AI հնարավորությունները: Օրինակ, ERP մատակարարի էպիկորային ծրագրակազմը AI հնարավորություններ է ավելացնում իր գոյություն ունեցող արտադրանքներին իր էպիկոր վիրտուալ օգնականի (EVA) միջոցով: Խելացի EVA գործակալները օգտագործվում են ERP գործընթացները ավտոմատացնելու համար, ինչպիսիք են արտադրական գործողությունները վերսկսելը կամ պարզ հարցումներ իրականացնելը (օրինակ `մանրամասներ ստանալով արտադրանքի գների կամ առկա մասերի քանակի վերաբերյալ):

Արդյունաբերական օգտագործման դեպքերը արդիականացվում են AIOT- ի օգտագործմամբ:

Արդյունաբերական օգտագործման մի քանի դեպքեր բարելավվում են `ավելացնելով AI հնարավորությունները առկա ապարատային / ծրագրային ապահովման ենթակառուցվածքին: Վառ օրինակ է մեքենայական տեսլականը որակի կառավարման ծրագրերում: Ավանդական մեքենայական տեսողության համակարգերը մշակում են պատկերներ ինտեգրված կամ դիսկրետ համակարգիչներով, որոնք հագեցած են մասնագիտացված ծրագրակազմով, որոնք գնահատում են կանխորոշված ​​պարամետրերը եւ շեմերը (օրինակ, բարձր հակադրություն) `որոշելու, թե օբյեկտները ցուցադրում են թերություններ: Շատ դեպքերում (օրինակ, էլեկտրոնային բաղադրիչներ տարբեր էլեկտրական ձեւերով), կեղծ դրականների քանակը շատ բարձր է:

Այնուամենայնիվ, այս համակարգերը վերածնվում են արհեստական ​​ինտելեկտի միջոցով: Օրինակ, արդյունաբերական մեքենայական տեսողության մատակարարը Cognex- ը թողարկեց նոր խորը ուսուցման գործիք (Vision Pro Deep Leaching 2.0) հուլիսի 2021-ին: Նոր գործիքների հետ ինտեգրվել են նույն դիմումի, որոնք պահանջում են քերծվածքների, աղտոտման եւ այլ թերությունների համար:

Գործոն 4. Արդյունաբերական AIOT ապարատը բարելավվում է

AI չիպերը արագորեն բարելավվում են:

Ներկառուցված ապարատ AI չիպսերը արագորեն աճում են, տարբեր ընտրանքներ, որոնք մատչելի են AI մոդելների մշակմանը եւ տեղակայմանը: Օրինակները ներառում են NVIDIA- ի գրաֆիկական վերամշակման վերջին ստորաբաժանումները (GPU- ները), A30 եւ A10- ը, որոնք ներդրվել են 2021-ի մարտին եւ հարմար են AI օգտագործման դեպքերի համար, ինչպիսիք են առաջարկությունների համակարգերը եւ համակարգչային տեսողության համակարգերը: Մեկ այլ օրինակ է Google- ի չորրորդ սերնդի Tensors- ի վերամշակման ստորաբաժանումները (TPU), որոնք հզոր հատուկ նշանակության ինտեգրված սխեմաներ (ASICS), որոնք կարող են հասնել մինչեւ 1000 անգամ ավելի արդյունավետություն եւ հատուկ AI ծանրաբեռնվածության եւ առաջարկությունների դասակարգում): Նվիրված AI ապարատի օգտագործումը օրերից րոպեների ընթացքում նվազեցնում է մոդելի հաշվարկման ժամանակը, եւ ապացուցեց, որ շատ դեպքերում խաղային փոփոխիչ է:

Հզոր AI ապարատը անմիջապես հասանելի է վճարովի օգտագործման մոդելի միջոցով:

Superscale ձեռնարկությունները անընդհատ թարմացնում են իրենց սերվերներին, ամպի մեջ առկա հաշվարկային ռեսուրսները հասանելի դարձնելու համար, որպեսզի վերջնական օգտագործողները կարողանան իրականացնել արդյունաբերական AI ծրագրեր: 2021-ի նոյեմբերին, օրինակ, AWS- ն հայտարարեց իր վերջին GPU- ի վրա հիմնված ակնարկների, Amazon EC2 G5- ի պաշտոնական թողարկումը, որն ապահովում է NVIDIA A10G Tensor Core GPU- ն, ML- ի տարբեր ծրագրերի համար, ներառյալ համակարգչային տեսլականի եւ առաջարկությունների: Օրինակ, հայտնաբերման համակարգերի մատակարարը Nanotronics- ը օգտագործում է Amazon EC2- ը իր AI- ի որակի վերահսկման լուծման օրինակներ `արագացնելու համար մշակման ջանքերը եւ հասնելու ավելի ճշգրիտ հայտնաբերման տեմպեր:

Եզրակացություն եւ հեռանկար

AI- ն դուրս է գալիս գործարանից, եւ դա կլինի համատարած նոր ծրագրերում, ինչպիսիք են AI- ի վրա հիմնված PDM- ը, եւ որպես առկա ծրագրակազմի եւ գործերի բարելավում: Խոշոր ձեռնարկությունները գլորում են AI օգտագործման մի քանի դեպքեր եւ հաշվետվություն են հայտնում հաջողությունների մասին, եւ նախագծերի մեծ մասը մեծ ներդրում ունի ներդրումների: Ընդհանուր առմամբ, ամպի, iot հարթակների եւ հզոր AI չիպերի վերելքը հարթակ է տրամադրում ծրագրակազմի նոր սերնդի եւ օպտիմիզացման համար: