Yakın zamanda yayınlanan Endüstriyel Yapay Zeka ve Yapay Zeka Pazarı Raporu 2021-2026'ya göre, endüstriyel ortamlarda yapay zekanın benimsenme oranı sadece iki yılda %19'dan %31'e yükseldi. Ankete katılanların %31'i operasyonlarında yapay zekayı tamamen veya kısmen devreye alırken, %39'u ise şu anda teknolojiyi test ediyor veya pilot uygulama olarak kullanıyor.
Yapay zeka, dünya çapındaki üreticiler ve enerji şirketleri için önemli bir teknoloji olarak ortaya çıkıyor ve IoT analizleri, endüstriyel yapay zeka çözümleri pazarının 2026 yılına kadar %35'lik güçlü bir pandemi sonrası bileşik yıllık büyüme oranı (CAGR) göstererek 102,17 milyar dolara ulaşacağını öngörüyor.
Dijital çağ, Nesnelerin İnterneti'ni doğurdu. Yapay zekânın ortaya çıkışının, Nesnelerin İnterneti'nin gelişim hızını artırdığı görülüyor.
Endüstriyel yapay zeka ve AIoT'nin yükselişini yönlendiren bazı faktörlere bir göz atalım.
Faktör 1: Endüstriyel AIoT için giderek daha fazla yazılım aracı
Nesnelerin İnterneti (IoT) analitiğinin endüstriyel yapay zekâyı (AI) kapsamaya başladığı 2019 yılında, operasyonel teknoloji (OT) sağlayıcılarından çok az sayıda özel yapay zekâ yazılım ürünü mevcuttu. O zamandan beri, birçok OT sağlayıcısı, fabrikalar için yapay zekâ platformları şeklinde yapay zekâ yazılım çözümleri geliştirip sunarak yapay zekâ pazarına girdi.
Verilere göre, yaklaşık 400 tedarikçi AIoT yazılımı sunuyor. Endüstriyel yapay zekâ pazarına katılan yazılım tedarikçilerinin sayısı son iki yılda önemli ölçüde arttı. IoT Analytics, çalışma sırasında üreticilere/endüstriyel müşterilere yapay zekâ teknolojisi sağlayan 634 tedarikçi tespit etti. Bu şirketlerin 389'u (%61,4) yapay zekâ yazılımı sunuyor.
Yeni yapay zeka yazılım platformu, endüstriyel ortamlara odaklanıyor. Uptake, Braincube veya C3 AI'nın yanı sıra, giderek artan sayıda operasyonel teknoloji (OT) sağlayıcısı özel yapay zeka yazılım platformları sunuyor. Örnekler arasında ABB'nin Genix Endüstriyel analitik ve yapay zeka paketi, Rockwell Automation'ın FactoryTalk İnovasyon paketi, Schneider Electric'in kendi üretim danışmanlık platformu ve son zamanlarda özel eklentiler yer alıyor. Bu platformlardan bazıları çok çeşitli kullanım senaryolarını hedefliyor. Örneğin, ABB'nin Genix platformu, operasyonel performans yönetimi, varlık bütünlüğü, sürdürülebilirlik ve tedarik zinciri verimliliği için önceden oluşturulmuş uygulamalar ve hizmetler de dahil olmak üzere gelişmiş analitikler sunuyor.
Büyük şirketler yapay zeka yazılım araçlarını üretim alanlarına yerleştiriyor.
Yapay zeka yazılım araçlarının kullanılabilirliği, AWS ve Microsoft ve Google gibi büyük şirketler tarafından geliştirilen yeni kullanım senaryosuna özgü yazılım araçlarıyla da destekleniyor. Örneğin, AWS Aralık 2020'de Amazon SageMaker JumpStart'ı yayınladı. Bu özellik, PdM, bilgisayarlı görme ve otonom sürüş gibi en yaygın endüstriyel kullanım senaryoları için önceden oluşturulmuş ve özelleştirilebilir çözümler sunuyor. Sadece birkaç tıklamayla dağıtılabiliyor.
Kullanım durumuna özgü yazılım çözümleri kullanılabilirlik iyileştirmelerini yönlendiriyor.
Tahmini bakıma odaklananlar gibi kullanım senaryosuna özgü yazılım paketleri giderek yaygınlaşıyor. IoT Analytics, veri kaynaklarının çeşitliliğindeki artış ve ön eğitim modellerinin kullanımı ile veri geliştirme teknolojilerinin yaygınlaşması nedeniyle, yapay zeka tabanlı ürün veri yönetimi (PdM) yazılım çözümleri kullanan sağlayıcı sayısının 2021 başında 73'e yükseldiğini gözlemledi.
Faktör 2: Yapay zeka 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 hızla büyümesi, uzmanlık gerektirmeden kullanılabilen hazır makine öğrenimi yöntemlerine olan ihtiyacı doğurmuştur. Ortaya çıkan araştırma alanı, makine öğrenimi için aşamalı otomasyon, AutoML olarak adlandırılmaktadır. Çeşitli şirketler, müşterilerinin ML modelleri geliştirmelerine ve endüstriyel kullanım örneklerini daha hızlı uygulamalarına yardımcı olmak için yapay zeka çözümlerinin bir parçası olarak bu teknolojiden yararlanmaktadır. Örneğin, Kasım 2020'de SKF, maliyetleri düşürmek ve müşteriler için yeni iş modelleri sağlamak amacıyla makine proses verilerini titreşim ve sıcaklık verileriyle birleştiren autoML tabanlı bir ürün duyurmuştur.
Makine öğrenimi operasyonları (ML Ops), model yönetimini ve bakımını basitleştirir.
Makine öğrenimi operasyonlarının yeni disiplini, üretim ortamlarında yapay zekâ modellerinin bakımını basitleştirmeyi amaçlamaktadır. Bir yapay zekâ modelinin performansı, tesis içindeki çeşitli faktörlerden (örneğin, veri dağıtımındaki ve kalite standartlarındaki değişiklikler) etkilendiği için genellikle zamanla düşer. Sonuç olarak, endüstriyel ortamların yüksek kalite gereksinimlerini karşılamak için model bakımı ve makine öğrenimi operasyonları gerekli hale gelmiştir (örneğin, performansı %99'un altında olan modeller, çalışan güvenliğini tehlikeye atan davranışları tespit edemeyebilir).
Son yıllarda, DataRobot, Grid.AI, Pinecone/Zilliz, Seldon ve Weights & Biases gibi birçok girişim ML Ops alanına katıldı. Köklü şirketler, Azure ML Studio'da veri kayması algılama özelliğini kullanıma sunan Microsoft da dahil olmak üzere mevcut yapay zeka yazılımlarına makine öğrenimi operasyonlarını ekledi. Bu yeni özellik, kullanıcıların model performansını düşüren giriş verilerinin dağıtımındaki değişiklikleri tespit etmelerini sağlıyor.
Faktör 3: Yapay zekanın mevcut uygulamalara ve kullanım durumlarına uygulanması
Geleneksel yazılım sağlayıcıları yapay zeka yetenekleri ekliyor.
MS Azure ML, AWS SageMaker ve Google Cloud Vertex AI gibi mevcut büyük yatay yapay zeka yazılım araçlarına ek olarak, Bilgisayarlı Bakım Yönetim Sistemleri (CAMMS), Üretim Yürütme Sistemleri (MES) veya kurumsal kaynak planlama (ERP) gibi geleneksel yazılım paketleri artık yapay zeka yetenekleri eklenerek önemli ölçüde iyileştirilebilir. Örneğin, ERP sağlayıcısı Epicor Software, Epicor Sanal Asistanı (EVA) aracılığıyla mevcut ürünlerine yapay zeka yetenekleri ekliyor. Akıllı EVA aracıları, üretim operasyonlarını yeniden planlamak veya basit sorgular (örneğin, ürün fiyatlandırması veya mevcut parça sayısı hakkında bilgi edinmek) gerçekleştirmek gibi ERP süreçlerini otomatikleştirmek için kullanılır.
Endüstriyel kullanım durumları AIoT kullanılarak geliştiriliyor.
Mevcut donanım/yazılım altyapısına yapay zeka yetenekleri eklenerek birçok endüstriyel kullanım örneği geliştirilmektedir. Bunun canlı bir örneği, kalite kontrol uygulamalarındaki makine görüşüdür. Geleneksel makine görüşü sistemleri, nesnelerin kusur gösterip göstermediğini belirlemek için önceden belirlenmiş parametreleri ve eşikleri (örneğin, yüksek kontrast) değerlendiren özel yazılımlarla donatılmış entegre veya ayrı bilgisayarlar aracılığıyla görüntüleri işler. Çoğu durumda (örneğin, farklı kablolama şekillerine sahip elektronik bileşenler), yanlış pozitiflerin sayısı çok yüksektir.
Ancak bu sistemler yapay zeka aracılığıyla yeniden canlandırılıyor. Örneğin, endüstriyel makine görüşü sağlayıcısı Cognex, Temmuz 2021'de yeni bir Derin Öğrenme aracı (Vision Pro Deep Learning 2.0) yayınladı. Yeni araçlar, geleneksel görüş sistemleriyle entegre olarak, son kullanıcıların çiziklerin, kirlenmenin ve diğer kusurların doğru bir şekilde ölçülmesini gerektiren zorlu tıbbi ve elektronik ortamları karşılamak için aynı uygulamada derin öğrenmeyi geleneksel görüş araçlarıyla birleştirmelerine olanak tanıyor.
Faktör 4: Endüstriyel AIoT donanımı iyileştiriliyor
Yapay zeka çipleri hızla gelişiyor.
Gömülü donanım AI yongaları hızla büyüyor ve AI modellerinin geliştirilmesini ve dağıtımını desteklemek için çeşitli seçenekler mevcut. Örnekler arasında, Mart 2021'de tanıtılan ve öneri sistemleri ve bilgisayarlı görme sistemleri gibi AI kullanım durumları için uygun olan NVIDIA'nın en yeni grafik işlem birimleri (GPU'lar) A30 ve A10 yer alıyor. Bir diğer örnek ise, belirli AI iş yükleri (örneğin, nesne algılama, görüntü sınıflandırma ve öneri kıyaslamaları) için model geliştirme ve dağıtımında 1.000 kata kadar daha fazla verimlilik ve hız sağlayabilen güçlü, özel amaçlı entegre devreler (ASIC'ler) olan Google'ın dördüncü nesil Tensör İşlem Birimleri (TPu'lar). Özel AI donanımı kullanmak, model hesaplama süresini günlerden dakikalara indiriyor ve birçok durumda oyunun kurallarını değiştirdiği kanıtlandı.
Güçlü yapay zeka donanımı, kullanım başına ödeme modeliyle anında kullanıma sunuluyor.
Süper ölçekli işletmeler, son kullanıcıların endüstriyel yapay zekâ uygulamalarını hayata geçirebilmesi için bulutta bilgi işlem kaynaklarını kullanılabilir hale getirmek amacıyla sunucularını sürekli olarak güncelliyor. Örneğin, Kasım 2021'de AWS, NVIDIA A10G Tensor Core GPU ile desteklenen en yeni GPU tabanlı örneği Amazon EC2 G5'in, bilgisayarlı görüş ve öneri motorları da dahil olmak üzere çeşitli makine öğrenimi uygulamaları için resmi sürümünü duyurdu. Örneğin, tespit sistemleri sağlayıcısı Nanotronics, mikroçip ve nanotüp üretiminde işleme süreçlerini hızlandırmak ve daha doğru tespit oranları elde etmek için yapay zekâ tabanlı kalite kontrol çözümünün Amazon EC2 örneklerini kullanıyor.
Sonuç ve Beklenti
Yapay zeka fabrikadan yeni çıkıyor ve yapay zeka tabanlı PdM gibi yeni uygulamalarda ve mevcut yazılım ve kullanım senaryolarında iyileştirmeler olarak yaygınlaşacak. Büyük işletmeler birçok yapay zeka kullanım senaryosunu hayata geçiriyor ve başarılarını bildiriyor; çoğu proje yüksek yatırım getirisi sağlıyor. Sonuç olarak, bulutun, nesnelerin interneti platformlarının ve güçlü yapay zeka çiplerinin yükselişi, yeni nesil yazılım ve optimizasyon için bir platform sağlıyor.
Gönderim zamanı: 12 Ocak 2022