Չորս գործոն արդյունաբերական արհեստական ​​բանականությունը դարձնում է նոր ֆավորիտ

Վերջերս հրապարակված «Արդյունաբերական արհեստական ​​բանականություն և արհեստական ​​բանականության շուկայի 2021-2026 թվականների զեկույցի» համաձայն՝ արդյունաբերական միջավայրերում արհեստական ​​բանականության ներդրման մակարդակը երկու տարուց մի փոքր ավելի ժամանակահատվածում 19 տոկոսից աճել է մինչև 31 տոկոս։ Բացի հարցվածների 31 տոկոսից, որոնք ամբողջությամբ կամ մասնակիորեն ներդրել են արհեստական ​​բանականությունը իրենց գործունեության մեջ, ևս 39 տոկոսը ներկայումս փորձարկում կամ փորձարկում է տեխնոլոգիան։

Արհեստական ​​բանականությունը (AI) դառնում է հիմնական տեխնոլոգիա ամբողջ աշխարհում արտադրողների և էներգետիկ ընկերությունների համար, և իրերի ինտերնետի վերլուծությունը կանխատեսում է, որ արդյունաբերական արհեստական ​​բանականության լուծումների շուկան համավարակից հետո կցուցադրի 35% բարդ տարեկան աճի տեմպ (CAGR)՝ մինչև 2026 թվականը հասնելով 102.17 միլիարդ դոլարի։

Թվային դարաշրջանը ծնունդ է տվել «Իրերի ինտերնետին»։ Կարելի է տեսնել, որ արհեստական ​​բանականության ի հայտ գալը արագացրել է «Իրերի ինտերնետի» զարգացման տեմպը։

Եկեք նայենք արդյունաբերական արհեստական ​​բանականության և արհեստական ​​բանականության տեխնոլոգիաների (AIoT) աճը խթանող որոշ գործոնների։

Գործոն 1. Արդյունաբերական արհեստական ​​բանականության (AIoT) համար ավելի ու ավելի շատ ծրագրային գործիքներ

2019 թվականին, երբ IoT վերլուծությունները սկսեցին ընդգրկել արդյունաբերական արհեստական ​​բանականությունը, գործառնական տեխնոլոգիաների (OT) մատակարարների կողմից արհեստական ​​բանականությանը նվիրված ծրագրային արտադրանքները քիչ էին։ Այդ ժամանակվանից ի վեր շատ OT մատակարարներ մուտք են գործել արհեստական ​​բանականության շուկա՝ մշակելով և տրամադրելով արհեստական ​​բանականության ծրագրային լուծումներ գործարանային հարկի համար արհեստական ​​բանականության հարթակների տեսքով։

Տվյալների համաձայն, գրեթե 400 մատակարարներ առաջարկում են AIoT ծրագրային ապահովում: Արդյունաբերական արհեստական ​​բանականության շուկային միացող ծրագրային ապահովման մատակարարների թիվը վերջին երկու տարիների ընթացքում կտրուկ աճել է: Ուսումնասիրության ընթացքում IoT Analytics-ը նույնականացրել է արհեստական ​​բանականության տեխնոլոգիաների 634 մատակարար արտադրողների/արդյունաբերական հաճախորդների համար: Այս ընկերություններից 389-ը (61.4%) առաջարկում են արհեստական ​​բանականության ծրագրային ապահովում:

Նոր արհեստական ​​բանականության ծրագրային հարթակը կենտրոնանում է արդյունաբերական միջավայրերի վրա: Uptake-ից, Braincube-ից կամ C3 AI-ից բացի, գործառնական տեխնոլոգիաների (OT) մատակարարների աճող թիվն առաջարկում է նվիրված արհեստական ​​բանականության ծրագրային հարթակներ: Օրինակներ են ABB-ի Genix արդյունաբերական վերլուծության և արհեստական ​​բանականության հավաքածուն, Rockwell Automation-ի FactoryTalk Innovation հավաքածուն, Schneider Electric-ի սեփական արտադրական խորհրդատվական հարթակը և վերջերս՝ հատուկ հավելումները: Այս հարթակներից մի քանիսը նախատեսված են օգտագործման լայն շրջանակի համար: Օրինակ, ABB-ի Genix հարթակը տրամադրում է առաջադեմ վերլուծություններ, ներառյալ նախապես կառուցված հավելվածներ և ծառայություններ գործառնական կատարողականի կառավարման, ակտիվների ամբողջականության, կայունության և մատակարարման շղթայի արդյունավետության համար:

Խոշոր ընկերությունները իրենց արհեստական ​​​​ինտելեկտի ծրագրային գործիքները տեղադրում են արտադրամասերում։

Արհեստական ​​​​ինտելեկտի ծրագրային գործիքների մատչելիությունը պայմանավորված է նաև AWS-ի, ինչպես նաև Microsoft-ի և Google-ի նման խոշոր ընկերությունների կողմից մշակված նոր, օգտագործման դեպքերին հատուկ ծրագրային գործիքներով: Օրինակ՝ 2020 թվականի դեկտեմբերին AWS-ը թողարկեց Amazon SageMaker JumpStart-ը, որը Amazon SageMaker-ի մի առանձնահատկություն է, որը տրամադրում է նախապես կառուցված և հարմարեցվող լուծումների մի շարք ամենատարածված արդյունաբերական օգտագործման դեպքերի համար, ինչպիսիք են PdM-ը, համակարգչային տեսողությունը և ինքնավար վարորդությունը, տեղակայել ընդամենը մի քանի սեղմումով:

Օգտագործման դեպքին հատուկ ծրագրային լուծումները նպաստում են օգտագործելիության բարելավմանը։

Օգտագործման դեպքին հատուկ ծրագրային փաթեթները, ինչպիսիք են կանխատեսողական սպասարկման վրա կենտրոնացածները, ավելի տարածված են դառնում: IoT Analytics-ը նկատել է, որ արհեստական ​​բանականության վրա հիմնված արտադրանքի տվյալների կառավարման (PdM) ծրագրային լուծումներ օգտագործող մատակարարների թիվը 2021 թվականի սկզբին աճել է մինչև 73՝ տվյալների աղբյուրների բազմազանության աճի և նախնական ուսուցման մոդելների օգտագործման, ինչպես նաև տվյալների կատարելագործման տեխնոլոգիաների լայն տարածման շնորհիվ:

Գործոն 2. Արհեստական ​​բանականության լուծումների մշակումն ու պահպանումը պարզեցվում են

Ավտոմատացված մեքենայական ուսուցումը (AutoML) դառնում է ստանդարտ արտադրանք։

Մեքենայական ուսուցման (ՄՈՒ) հետ կապված խնդիրների բարդության պատճառով, մեքենայական ուսուցման կիրառությունների արագ աճը ստեղծել է պատրաստի մեքենայական ուսուցման մեթոդների անհրաժեշտություն, որոնք կարող են օգտագործվել առանց փորձագիտության: Արդյունքում ստացված հետազոտության ոլորտը՝ մեքենայական ուսուցման պրոգրեսիվ ավտոմատացումը, կոչվում է AutoML: Տարբեր ընկերություններ օգտագործում են այս տեխնոլոգիան որպես իրենց արհեստական ​​բանականության առաջարկների մաս՝ օգնելու հաճախորդներին մշակել ՄՈՒ մոդելներ և ավելի արագ իրականացնել արդյունաբերական օգտագործման դեպքեր: Օրինակ, 2020 թվականի նոյեմբերին SKF-ը հայտարարեց automL-ի վրա հիմնված արտադրանքի մասին, որը համատեղում է մեքենայական գործընթացների տվյալները թրթռման և ջերմաստիճանի տվյալների հետ՝ ծախսերը կրճատելու և հաճախորդների համար նոր բիզնես մոդելներ ստեղծելու հնարավորություն ընձեռելու համար:

Մեքենայական ուսուցման գործողությունները (ML Ops) պարզեցնում են մոդելի կառավարումը և սպասարկումը։

Մեքենայական ուսուցման գործողությունների նոր առարկան նպատակ ունի պարզեցնել արհեստական ​​բանականության մոդելների պահպանումը արտադրական միջավայրերում: Արհեստական ​​բանականության մոդելի աշխատանքը սովորաբար վատանում է ժամանակի ընթացքում, քանի որ դրա վրա ազդում են գործարանի ներսում մի քանի գործոններ (օրինակ՝ տվյալների բաշխման և որակի չափանիշների փոփոխությունները): Արդյունքում, մոդելի սպասարկումը և մեքենայական ուսուցման գործողությունները դարձել են անհրաժեշտ՝ արդյունաբերական միջավայրերի բարձր որակի պահանջները բավարարելու համար (օրինակ՝ 99%-ից ցածր արտադրողականությամբ մոդելները կարող են չբացահայտել աշխատողների անվտանգությունը վտանգող վարքագիծը):

Վերջին տարիներին բազմաթիվ ստարտափներ միացել են ML Ops տարածքին, այդ թվում՝ DataRobot-ը, Grid.AI-ն, Pinecone/Zilliz-ը, Seldon-ը և Weights & Biases-ը: Հաստատված ընկերությունները մեքենայական ուսուցման գործողություններ են ավելացրել իրենց առկա AI ծրագրային առաջարկներին, այդ թվում՝ Microsoft-ը, որը Azure ML Studio-ում ներդրել է տվյալների շեղման հայտնաբերում: Այս նոր գործառույթը թույլ է տալիս օգտատերերին հայտնաբերել մուտքային տվյալների բաշխման փոփոխությունները, որոնք վատթարացնում են մոդելի աշխատանքը:

Գործոն 3. Արհեստական ​​բանականությունը կիրառվել է առկա կիրառություններում և օգտագործման դեպքերում

Ավանդական ծրագրային ապահովման մատակարարները ավելացնում են արհեստական ​​բանականության հնարավորություններ։

Բացի առկա խոշոր հորիզոնական արհեստական ​​բանականության ծրագրային գործիքներից, ինչպիսիք են MS Azure ML-ը, AWS SageMaker-ը և Google Cloud Vertex AI-ը, ավանդական ծրագրային փաթեթները, ինչպիսիք են համակարգչային սպասարկման կառավարման համակարգերը (CAMMS), արտադրության կատարման համակարգերը (MES) կամ ձեռնարկության ռեսուրսների պլանավորումը (ERP), այժմ կարող են զգալիորեն բարելավվել՝ արհեստական ​​բանականության հնարավորություններ ներարկելով: Օրինակ՝ ERP մատակարար Epicor Software-ը արհեստական ​​բանականության հնարավորություններ է ավելացնում իր առկա արտադրանքներին իր Epicor վիրտուալ օգնականի (EVA) միջոցով: Խելացի EVA գործակալներն օգտագործվում են ERP գործընթացները ավտոմատացնելու համար, ինչպիսիք են արտադրական գործողությունների վերաժապավենավորումը կամ պարզ հարցումներ կատարելը (օրինակ՝ ապրանքի գնագոյացման կամ առկա մասերի քանակի վերաբերյալ մանրամասներ ստանալը):

Արդյունաբերական օգտագործման դեպքերը արդիականացվում են AIoT-ի միջոցով։

Արդյունաբերական մի շարք կիրառման դեպքեր բարելավվում են՝ արհեստական ​​բանականության հնարավորությունները ավելացնելով առկա ապարատային/ծրագրային ենթակառուցվածքներին: Վառ օրինակ է մեքենայական տեսողությունը որակի վերահսկման կիրառություններում: Ավանդական մեքենայական տեսողության համակարգերը պատկերները մշակում են ինտեգրված կամ առանձին համակարգիչների միջոցով, որոնք հագեցած են մասնագիտացված ծրագրաշարով, որը գնահատում է նախապես որոշված ​​պարամետրերը և շեմերը (օրինակ՝ բարձր կոնտրաստ)՝ որոշելու համար, թե արդյոք օբյեկտները ցուցաբերում են թերություններ: Շատ դեպքերում (օրինակ՝ տարբեր լարերի ձևեր ունեցող էլեկտրոնային բաղադրիչների դեպքում) կեղծ դրականների թիվը շատ բարձր է:

Սակայն այս համակարգերը վերածնվում են արհեստական ​​բանականության միջոցով: Օրինակ՝ արդյունաբերական մեքենայական տեսողության մատակարար Cognex-ը 2021 թվականի հուլիսին թողարկեց նոր խորը ուսուցման գործիք (Vision Pro Deep Learning 2.0): Նոր գործիքները ինտեգրվում են ավանդական տեսողական համակարգերի հետ՝ թույլ տալով վերջնական օգտագործողներին համատեղել խորը ուսուցումը ավանդական տեսողական գործիքների հետ նույն ծրագրում՝ բավարարելու պահանջկոտ բժշկական և էլեկտրոնային միջավայրերը, որոնք պահանջում են քերծվածքների, աղտոտվածության և այլ թերությունների ճշգրիտ չափում:

Գործոն 4. Արդյունաբերական AIoT սարքավորումների կատարելագործում

Արհեստական ​​բանականության չիպերը արագ զարգանում են։

Ներկառուցված ապարատային արհեստական ​​բանականության չիպերը արագ զարգանում են՝ արհեստական ​​բանականության մոդելների մշակման և տեղակայմանն աջակցելու համար հասանելի բազմազան տարբերակներով: Օրինակներ են NVIDIA-ի ամենաթարմ գրաֆիկական մշակման միավորները (GPU)՝ A30-ը և A10-ը, որոնք ներկայացվել են 2021 թվականի մարտին և հարմար են արհեստական ​​բանականության օգտագործման դեպքերի համար, ինչպիսիք են առաջարկությունների համակարգերը և համակարգչային տեսողության համակարգերը: Մեկ այլ օրինակ է Google-ի չորրորդ սերնդի տենզորային մշակման միավորները (TPus), որոնք հզոր հատուկ նշանակության ինտեգրալ սխեմաներ (ASics) են, որոնք կարող են հասնել մինչև 1000 անգամ ավելի մեծ արդյունավետության և արագության մոդելների մշակման և տեղակայման մեջ՝ արհեստական ​​բանականության որոշակի աշխատանքային բեռների համար (օրինակ՝ օբյեկտների հայտնաբերում, պատկերի դասակարգում և առաջարկությունների չափանիշներ): Նվիրված արհեստական ​​բանականության սարքավորումների օգտագործումը մոդելի հաշվարկման ժամանակը կրճատում է օրերից մինչև րոպեներ և շատ դեպքերում ապացուցել է, որ խաղի կանոնները փոխող գործոն է եղել:

Հզոր արհեստական ​​բանականության սարքավորումները անմիջապես հասանելի են «վճարել օգտագործման համար» մոդելի միջոցով։

Գերմասշտաբային ձեռնարկությունները անընդհատ արդիականացնում են իրենց սերվերները՝ ամպային միջավայրում հաշվողական ռեսուրսները հասանելի դարձնելու համար, որպեսզի վերջնական օգտատերերը կարողանան ներդնել արդյունաբերական արհեստական ​​բանականության կիրառություններ: Օրինակ՝ 2021 թվականի նոյեմբերին AWS-ը հայտարարեց իր վերջին GPU-հիմնված օրինակների՝ Amazon EC2 G5-ի պաշտոնական թողարկման մասին, որը աշխատում է NVIDIA A10G Tensor Core GPU-ի վրա և նախատեսված է մեքենայական ուսուցման տարբեր կիրառությունների համար, այդ թվում՝ համակարգչային տեսողության և առաջարկությունների շարժիչների համար: Օրինակ՝ հայտնաբերման համակարգերի մատակարար Nanotronics-ը օգտագործում է իր արհեստական ​​բանականության վրա հիմնված որակի կառավարման լուծման Amazon EC2 օրինակները՝ միկրոչիպերի և նանոխողովակների արտադրության մեջ մշակման ջանքերը արագացնելու և ավելի ճշգրիտ հայտնաբերման մակարդակներ ապահովելու համար:

Եզրակացություն և հեռանկար

Արհեստական ​​բանականությունը դուրս է գալիս գործարանից և ամենուրեք կլինի նոր կիրառություններում, ինչպիսիք են արհեստական ​​բանականության վրա հիմնված PdM-ը, ինչպես նաև առկա ծրագրային ապահովման և օգտագործման դեպքերի կատարելագործման մեջ: Խոշոր ձեռնարկությունները ներդնում են արհեստական ​​բանականության մի քանի օգտագործման դեպքեր և հայտնում են հաջողության մասին, և նախագծերի մեծ մասն ունի ներդրումների բարձր եկամտաբերություն: Ամփոփելով՝ ամպային տեխնոլոգիաների, ինտերնետային հարթակների և հզոր արհեստական ​​բանականության չիպերի աճը հարթակ է տրամադրում ծրագրային ապահովման և օպտիմալացման նոր սերնդի համար: