Yakın zamanda piyasaya sürülen Endüstriyel AI ve AI pazar raporuna göre 2021-2026, endüstriyel ortamlarda AI'nın benimsenme oranı iki yıldan fazla bir sürede yüzde 19'dan yüzde 31'e yükseldi. Operasyonlarında AI'yi tamamen veya kısmen sunmuş olan katılımcıların yüzde 31'ine ek olarak, yüzde 39'u şu anda teknolojiyi test ediyor veya pilot yapıyor.
AI, dünya çapında üreticiler ve enerji şirketleri için kilit bir teknoloji olarak ortaya çıkmaktadır ve IoT analizi, Endüstriyel AI çözümleri pazarının 2026 yılına kadar% 35'lik güçlü bir pandemik bileşik yıllık büyüme oranı (CAGR) göstereceğini öngörmektedir.
Dijital çağ, Nesnelerin İnterneti'ni doğurdu. Yapay zekanın ortaya çıkmasının, Nesnelerin İnterneti'nin gelişiminin hızını hızlandırdığı görülebilir.
Endüstriyel AI ve AIOT'un yükselişini yönlendiren bazı faktörlere bir göz atalım.
Faktör 1: Endüstriyel AIOT için giderek daha fazla yazılım aracı
2019 yılında, IoT analitiği endüstriyel yapay zekayı kapsamaya başladığında, operasyonel teknoloji (OT) satıcılarından çok az özel AI yazılım ürünü vardı. O zamandan beri, birçok OT satıcısı, fabrika tabanı için AI platformları şeklinde AI yazılım çözümleri geliştirerek ve sağlayarak AI pazarına girdi.
Verilere göre, yaklaşık 400 satıcı AIOT yazılımı sunuyor. Endüstriyel AI pazarına katılan yazılım satıcılarının sayısı son iki yılda önemli ölçüde arttı. Çalışma sırasında IoT Analytics, üreticilere/endüstriyel müşterilere 634 AI teknolojisi tedarikçisi tespit etti. Bu şirketlerden 389'u (%61.4) AI yazılımı sunmaktadır.
Yeni AI yazılım platformu endüstriyel ortamlara odaklanmaktadır. Alım, BrainCube veya C3 AI'nın ötesinde, artan sayıda Operasyonel Teknoloji (OT) satıcısı özel AI yazılım platformları sunmaktadır. Örnekler arasında ABB'nin Genix Industrial Analytics ve AI Suite, Rockwell Automation'ın FactoryTalk Innovation Suite, Schneider Electric'in kendi üretim danışmanlık platformu ve daha yakın zamanda belirli eklentiler yer alıyor. Bu platformlardan bazıları çok çeşitli kullanım durumlarını hedeflemektedir. Örneğin, ABB'nin Genix platformu, operasyonel performans yönetimi, varlık bütünlüğü, sürdürülebilirlik ve tedarik zinciri verimliliği için önceden oluşturulmuş uygulamalar ve hizmetler dahil olmak üzere gelişmiş analizler sağlar.
Büyük şirketler AI yazılım araçlarını atölyeye koyuyor.
AI yazılım araçlarının mevcudiyeti, AWS, Microsoft ve Google gibi büyük şirketler tarafından geliştirilen yeni kullanıma özel yazılım araçları tarafından da yönlendirilir. Örneğin, Aralık 2020'de AWS, PDM, bilgisayar görüşü ve otonom sürüş gibi en yaygın endüstriyel kullanım durumları için bir dizi önceden oluşturulmuş ve özelleştirilebilir çözümler sunan Amazon Sagemaker'ın bir özelliği olan Amazon Sagemaker Jumpstart'ı yayınladı.
Kullanım-duruma özgü yazılım çözümleri kullanılabilirlik iyileştirmelerini artırıyor.
Öngörücü bakıma odaklananlar gibi kullanıma özgü yazılım süitleri daha yaygın hale geliyor. IoT Analytics, AI tabanlı ürün veri yönetimi (PDM) yazılım çözümleri kullanan sağlayıcıların sayısının, veri kaynaklarının çeşitliliğinde bir artış ve eğitim öncesi modellerin kullanımının yanı sıra veri geliştirme teknolojilerinin yaygın olarak benimsenmesi nedeniyle 2021'in başlarında 73'e yükseldiğini gözlemledi.
Faktör 2: AI çözümlerinin geliştirilmesi ve bakımı basitleştiriliyor
Otomatik Makine Öğrenimi (AutomL) standart bir ürün haline geliyor.
Makine öğrenimi (ML) ile ilişkili görevlerin karmaşıklığı nedeniyle, makine öğrenimi uygulamalarının hızlı büyümesi, uzmanlık olmadan kullanılabilecek hazır makine öğrenme yöntemlerine ihtiyaç yaratmıştır. Ortaya çıkan araştırma alanı, makine öğrenimi için aşamalı otomasyon, otomatik denir. Çeşitli şirketler, müşterilerin ML modelleri geliştirmelerine ve endüstriyel kullanım durumlarını daha hızlı uygulamalarına yardımcı olmak için AI tekliflerinin bir parçası olarak bu teknolojiyi kullanıyor. Örneğin, Kasım 2020'de SKF, maliyetleri azaltmak ve müşteriler için yeni iş modelleri sağlamak için makine işlem verilerini titreşim ve sıcaklık verileriyle birleştiren otomatik tabanlı bir ürün duyurdu.
Makine Öğrenim Operasyonları (ML OPS) Model yönetimini ve bakımını basitleştirin.
Makine öğrenimi operasyonlarının yeni disiplini, üretim ortamlarında AI modellerinin bakımını basitleştirmeyi amaçlamaktadır. Bir AI modelinin performansı tipik olarak tesis içindeki çeşitli faktörlerden etkilendiği için zaman içinde bozulur (örneğin, veri dağılımındaki ve kalite standartlarındaki değişiklikler). Sonuç olarak, endüstriyel ortamların yüksek kalite gereksinimlerini karşılamak için model bakımı ve makine öğrenimi operasyonları gerekli hale gelmiştir (örneğin,% 99'un altındaki performansı olan modeller, işçi güvenliğini tehlikeye atan davranışı tanımlayamayabilir).
Son yıllarda, birçok girişim Datarobot, Grid.ai, Pinecone/Ziliz, Seldon ve Weights & Biass dahil olmak üzere ML OPS alanına katıldı. Yerleşik şirketler, Azure ML stüdyosunda veri sapma algılaması getiren Microsoft da dahil olmak üzere mevcut AI yazılım tekliflerine makine öğrenimi operasyonları ekledi. Bu yeni özellik, kullanıcıların model performansını düşüren giriş verilerinin dağılımındaki değişiklikleri tespit etmesini sağlar.
Faktör 3: Mevcut uygulamalara ve kullanım durumlarına uygulanan yapay zeka
Geleneksel yazılım sağlayıcıları AI özellikleri ekliyor.
MS Azure ML, AWS Sagemaker ve Google Cloud Vertex AI gibi mevcut büyük yatay AI yazılım araçlarına ek olarak, bilgisayarlı bakım yönetim sistemleri (CAMM'ler), üretim yürütme sistemleri (MES) veya Kurumsal Kaynak Planlaması (ERP) gibi geleneksel yazılım süitleri, AI yetenekleri alarak önemli ölçüde iyileştirilebilir. Örneğin, ERP sağlayıcısı Epicor Software, Epicor Sanal Asistanı (EVA) aracılığıyla mevcut ürünlerine AI özellikleri ekliyor. Akıllı EVA ajanları, üretim işlemlerini yeniden planlama veya basit sorgular gerçekleştirme gibi ERP süreçlerini otomatikleştirmek için kullanılır (örneğin, ürün fiyatlandırması veya mevcut parça sayısı hakkında ayrıntılar almak).
Endüstriyel kullanım durumları AIOT kullanılarak yükseltilmektedir.
Mevcut donanım/yazılım altyapısına AI özellikleri eklenerek birkaç endüstriyel kullanım vakası geliştirilmektedir. Canlı bir örnek, kalite kontrol uygulamalarında makine görüşüdür. Geleneksel makine görme sistemleri, nesnelerin kusurlar sergileyip göstermediğini belirlemek için önceden belirlenmiş parametreleri ve eşikleri (örn. Yüksek kontrast) değerlendiren özel yazılımlarla donatılmış entegre veya ayrık bilgisayarlar aracılığıyla görüntüleri işler. Birçok durumda (örneğin, farklı kablo şekillerine sahip elektronik bileşenler), yanlış pozitif sayısı çok yüksektir.
Ancak, bu sistemler yapay zeka ile yeniden canlanmaktadır. Örneğin, Endüstriyel Makine Vizyon Sağlayıcısı Cognex, Temmuz 2021'de yeni bir derin öğrenme aracı (Vision Pro Deep Learning 2.0) yayınladı. Yeni araçlar, geleneksel görme sistemleriyle entegre olur ve son kullanıcıların çizik, kontaminasyon ve diğer kusurların doğru ölçülmesini gerektiren zorlu tıbbi ve elektronik ortamları karşılamak için aynı uygulamadaki derin öğrenmeyi birleştirmesini sağlar.
Faktör 4: Endüstriyel AIOT donanımı geliştirildi
AI cips hızla gelişiyor.
Gömülü donanım AI yongaları hızla büyüyor ve AI modellerinin geliştirilmesini ve dağıtımını desteklemek için çeşitli seçenekler mevcuttur. Örnekler, Mart 2021'de tanıtılan ve öneri sistemleri ve bilgisayar görme sistemleri gibi AI kullanım durumları için uygun olan NVIDIA'nın en son grafik işleme birimleri (GPU'lar), A30 ve A10'dur. Başka bir örnek, Google'ın, belirli AI iş yükleri için model geliştirme ve dağıtımda 1000 kat daha fazla verimlilik ve hız elde edebilen güçlü özel amaçlı entegre devreler (ASICS) olan dördüncü nesil tensör işleme birimleri (TPU'lar). Özel AI donanımının kullanılması, model hesaplama süresini günlerden dakikalara azaltır ve birçok durumda bir oyun değiştirici olduğu kanıtlanmıştır.
Güçlü AI donanımı, kullanım başına ödeme modeli aracılığıyla hemen kullanılabilir.
Superscale Enterprises, son kullanıcıların endüstriyel AI uygulamalarını uygulayabilmesi için bilgi işlem kaynaklarını bulutta kullanılabilir hale getirmek için sunucularını sürekli olarak yükseltiyor. Örneğin, Kasım 2021'de AWS, bilgisayar görüşü ve tavsiye motorları da dahil olmak üzere çeşitli ML uygulamaları için NVIDIA A10G Tensor Core GPU tarafından desteklenen en son GPU tabanlı örnekleri Amazon EC2 G5'in resmi sürümünü duyurdu. Örneğin, algılama sistemleri sağlayıcısı Nanotronics, işleme çabalarını hızlandırmak ve mikroçip ve nanotüplerin üretiminde daha doğru algılama oranları elde etmek için AI-tabanlı kalite kontrol çözümünün Amazon EC2 örneklerini kullanır.
Sonuç ve Beklenti
AI fabrikadan çıkıyor ve AI tabanlı PDM gibi yeni uygulamalarda ve mevcut yazılım ve kullanım durumlarında geliştirmeler olarak her yerde bulunacak. Büyük işletmeler birkaç AI kullanım vakası ve raporlama başarısı sunuyor ve çoğu projenin yatırım getirisi yüksek. Sonuç olarak, bulutun yükselişi, IoT platformları ve güçlü AI cipsleri, yeni nesil yazılım ve optimizasyon için bir platform sunuyor.
Gönderme Zamanı: Ocak-12-2022