ოთხი ფაქტორი ინდუსტრიულ AIoT-ს ახალ ფავორიტად აქცევს

ცოტა ხნის წინ გამოქვეყნებული „ინდუსტრიული ხელოვნური ინტელექტისა და ხელოვნური ინტელექტის ბაზრის 2021-2026 წლების ანგარიშის“ თანახმად, სამრეწველო გარემოში ხელოვნური ინტელექტის დანერგვის მაჩვენებელი ორ წელზე ოდნავ მეტ ხანს 19 პროცენტიდან 31 პროცენტამდე გაიზარდა. გამოკითხულთა 31 პროცენტის გარდა, რომლებმაც სრულად ან ნაწილობრივ დანერგეს ხელოვნური ინტელექტი თავიანთ ოპერაციებში, კიდევ 39 პროცენტი ამჟამად ამ ტექნოლოგიას ტესტირებს ან პილოტირებს.

ხელოვნური ინტელექტი მსოფლიო მასშტაბით მწარმოებლებისა და ენერგეტიკული კომპანიებისთვის საკვანძო ტექნოლოგიად იქცევა და ნივთების ინტერნეტის ანალიზი პროგნოზირებს, რომ ინდუსტრიული ხელოვნური ინტელექტის გადაწყვეტილებების ბაზარი პანდემიის შემდგომ ძლიერ, 35%-იან წლიურ ზრდას (CAGR) აჩვენებს, რაც 2026 წლისთვის 102.17 მილიარდ აშშ დოლარს მიაღწევს.

ციფრულმა ეპოქამ საგნების ინტერნეტი გააჩინა. ჩანს, რომ ხელოვნური ინტელექტის გაჩენამ საგნების ინტერნეტის განვითარების ტემპი დააჩქარა.

მოდით განვიხილოთ რამდენიმე ფაქტორი, რომელიც ხელს უწყობს ინდუსტრიული ხელოვნური ინტელექტისა და ხელოვნური ინტელექტის (AIoT) აღმავლობას.

ფაქტორი 1: სამრეწველო AIoT-ისთვის სულ უფრო მეტი პროგრამული ინსტრუმენტი

2019 წელს, როდესაც ინტერნეტის ანალიტიკამ ინდუსტრიული ხელოვნური ინტელექტის დაფარვა დაიწყო, ოპერაციული ტექნოლოგიების (OT) მომწოდებლებისგან ხელოვნური ინტელექტისადმი მიძღვნილი პროგრამული უზრუნველყოფის მხოლოდ რამდენიმე პროდუქტი არსებობდა. მას შემდეგ, მრავალი OT მომწოდებელი შემოვიდა ხელოვნური ინტელექტის ბაზარზე ხელოვნური ინტელექტის პროგრამული გადაწყვეტილებების შემუშავებითა და მიწოდებით ქარხნული სართულისთვის ხელოვნური ინტელექტის პლატფორმების სახით.

მონაცემების თანახმად, თითქმის 400 გამყიდველი გვთავაზობს AIoT პროგრამულ უზრუნველყოფას. ინდუსტრიული ხელოვნური ინტელექტის ბაზარზე შემოსული პროგრამული უზრუნველყოფის მომწოდებლების რაოდენობა ბოლო ორი წლის განმავლობაში მკვეთრად გაიზარდა. კვლევის ფარგლებში, IoT Analytics-მა მწარმოებლებისთვის/სამრეწველო მომხმარებლებისთვის ხელოვნური ინტელექტის ტექნოლოგიის 634 მომწოდებელი გამოავლინა. ამ კომპანიებიდან 389 (61.4%) ხელოვნური ინტელექტის პროგრამულ უზრუნველყოფას გვთავაზობს.

ახალი ხელოვნური ინტელექტის პროგრამული პლატფორმა ორიენტირებულია სამრეწველო გარემოზე. Uptake-ის, Braincube-ის ან C3 AI-ის გარდა, ოპერაციული ტექნოლოგიების (OT) მომწოდებლების მზარდი რაოდენობა გვთავაზობს ხელოვნური ინტელექტის სპეციალიზებულ პროგრამულ პლატფორმებს. მაგალითებია ABB-ის Genix Industrial Analytics and AI suite, Rockwell Automation-ის FactoryTalk Innovation suite, Schneider Electric-ის საკუთარი წარმოების საკონსულტაციო პლატფორმა და, ბოლო დროს, სპეციფიკური დამატებები. ზოგიერთი ეს პლატფორმა მიზნად ისახავს გამოყენების შემთხვევების ფართო სპექტრს. მაგალითად, ABB-ის Genix პლატფორმა უზრუნველყოფს მოწინავე ანალიტიკას, მათ შორის წინასწარ შექმნილ აპლიკაციებსა და სერვისებს ოპერაციული შესრულების მართვის, აქტივების მთლიანობის, მდგრადობისა და მიწოდების ჯაჭვის ეფექტურობისთვის.

დიდი კომპანიები თავიანთ ხელოვნური ინტელექტის პროგრამულ ინსტრუმენტებს საწარმოო სართულზე ათავსებენ.

ხელოვნური ინტელექტის პროგრამული უზრუნველყოფის ხელმისაწვდომობას ასევე განაპირობებს AWS-ის, ისეთი მსხვილი კომპანიების მიერ შემუშავებული ახალი, კონკრეტული შემთხვევებისთვის სპეციფიკური პროგრამული ინსტრუმენტები. მაგალითად, 2020 წლის დეკემბერში AWS-მა გამოუშვა Amazon SageMaker JumpStart, Amazon SageMaker-ის ფუნქცია, რომელიც უზრუნველყოფს წინასწარ აწყობილი და მორგებადი გადაწყვეტილებების ერთობლიობას ყველაზე გავრცელებული სამრეწველო გამოყენების შემთხვევებისთვის, როგორიცაა PdM, კომპიუტერული ხედვა და ავტონომიური მართვა, განლაგება მხოლოდ რამდენიმე დაწკაპუნებით.

გამოყენების შემთხვევის მიხედვით სპეციფიკური პროგრამული უზრუნველყოფის გადაწყვეტილებები გამოყენებადობის გაუმჯობესებას უწყობს ხელს.

გამოყენების შემთხვევის სპეციფიკური პროგრამული უზრუნველყოფის პაკეტები, როგორიცაა პროგნოზირებად მოვლა-პატრონობაზე ორიენტირებული, სულ უფრო გავრცელებული ხდება. IoT Analytics-მა დააფიქსირა, რომ ხელოვნურ ინტელექტზე დაფუძნებული პროდუქტის მონაცემთა მართვის (PdM) პროგრამული გადაწყვეტილებების გამოყენებით მომწოდებლების რაოდენობა 2021 წლის დასაწყისში 73-მდე გაიზარდა მონაცემთა წყაროების მრავალფეროვნების ზრდისა და წინასწარი ტრენინგის მოდელების გამოყენების, ასევე მონაცემთა გაუმჯობესების ტექნოლოგიების ფართოდ გავრცელების გამო.

ფაქტორი 2: ხელოვნური ინტელექტის გადაწყვეტილებების შემუშავება და შენარჩუნება გამარტივებულია

ავტომატიზირებული მანქანური სწავლება (AutoML) სტანდარტულ პროდუქტად იქცევა.

მანქანურ სწავლებასთან (ML) დაკავშირებული ამოცანების სირთულის გამო, მანქანური სწავლების აპლიკაციების სწრაფმა ზრდამ შექმნა მზა მანქანური სწავლების მეთოდების საჭიროება, რომელთა გამოყენებაც ექსპერტიზის გარეშე იქნება შესაძლებელი. შედეგად მიღებული კვლევის სფერო, მანქანური სწავლების პროგრესული ავტომატიზაცია, AutoML-ს ეწოდება. სხვადასხვა კომპანია იყენებს ამ ტექნოლოგიას ხელოვნური ინტელექტის შეთავაზებების ნაწილად, რათა დაეხმაროს მომხმარებლებს მანქანური სწავლების მოდელების შემუშავებასა და სამრეწველო გამოყენების შემთხვევების უფრო სწრაფად განხორციელებაში. მაგალითად, 2020 წლის ნოემბერში, SKF-მა გამოაცხადა automL-ზე დაფუძნებული პროდუქტი, რომელიც აერთიანებს მანქანური პროცესის მონაცემებს ვიბრაციისა და ტემპერატურის მონაცემებთან, რათა შეამციროს ხარჯები და მომხმარებლებისთვის ახალი ბიზნეს მოდელები შექმნას.

მანქანური სწავლების ოპერაციები (ML Ops) ამარტივებს მოდელის მართვას და მოვლა-პატრონობას.

მანქანური სწავლების ოპერაციების ახალი დისციპლინა მიზნად ისახავს ხელოვნური ინტელექტის მოდელების შენარჩუნების გამარტივებას წარმოების გარემოში. ხელოვნური ინტელექტის მოდელის მუშაობა, როგორც წესი, დროთა განმავლობაში უარესდება, რადგან მასზე გავლენას ახდენს ქარხანაში არსებული რამდენიმე ფაქტორი (მაგალითად, მონაცემთა განაწილებისა და ხარისხის სტანდარტების ცვლილებები). შედეგად, მოდელის შენარჩუნება და მანქანური სწავლების ოპერაციები აუცილებელი გახდა სამრეწველო გარემოს მაღალი ხარისხის მოთხოვნების დასაკმაყოფილებლად (მაგალითად, 99%-ზე დაბალი შესრულების მქონე მოდელებმა შეიძლება ვერ შეძლონ ისეთი ქცევის იდენტიფიცირება, რომელიც საფრთხეს უქმნის მუშათა უსაფრთხოებას).

ბოლო წლებში, ML Ops სივრცეს მრავალი სტარტაპი შეუერთდა, მათ შორის DataRobot, Grid.AI, Pinecone/Zilliz, Seldon და Weights & Biases. უკვე დამკვიდრებულმა კომპანიებმა, მათ შორის Microsoft-მა, რომელმაც Azure ML Studio-ში მონაცემთა დრიფტის აღმოჩენა დანერგა, თავიანთ არსებულ ხელოვნური ინტელექტის პროგრამულ უზრუნველყოფას მანქანური სწავლების ოპერაციები დაამატეს. ეს ახალი ფუნქცია მომხმარებლებს საშუალებას აძლევს, აღმოაჩინონ შეყვანის მონაცემების განაწილებაში ცვლილებები, რომლებიც მოდელის მუშაობას აუარესებს.

ფაქტორი 3: ხელოვნური ინტელექტის გამოყენება არსებულ აპლიკაციებსა და გამოყენების შემთხვევებში

ტრადიციული პროგრამული უზრუნველყოფის მომწოდებლები ხელოვნური ინტელექტის შესაძლებლობებს ამატებენ.

არსებული დიდი ჰორიზონტალური ხელოვნური ინტელექტის პროგრამული ინსტრუმენტების გარდა, როგორიცაა MS Azure ML, AWS SageMaker და Google Cloud Vertex AI, ტრადიციული პროგრამული უზრუნველყოფის პაკეტები, როგორიცაა კომპიუტერიზებული ტექნიკური მომსახურების მართვის სისტემები (CAMMS), წარმოების შესრულების სისტემები (MES) ან საწარმოს რესურსების დაგეგმვა (ERP), ახლა მნიშვნელოვნად შეიძლება გაუმჯობესდეს ხელოვნური ინტელექტის შესაძლებლობების ინექციით. მაგალითად, ERP პროვაიდერი Epicor Software თავის არსებულ პროდუქტებს ხელოვნური ინტელექტის შესაძლებლობებს უმატებს თავისი Epicor ვირტუალური ასისტენტის (EVA) მეშვეობით. ინტელექტუალური EVA აგენტები გამოიყენება ERP პროცესების ავტომატიზაციისთვის, როგორიცაა წარმოების ოპერაციების გადავადება ან მარტივი მოთხოვნების შესრულება (მაგალითად, პროდუქტის ფასების ან ხელმისაწვდომი ნაწილების რაოდენობის შესახებ დეტალების მიღება).

სამრეწველო გამოყენების შემთხვევები განახლდება AIoT-ის გამოყენებით.

არსებული აპარატურული/პროგრამული ინფრასტრუქტურისთვის ხელოვნური ინტელექტის შესაძლებლობების დამატებით, რამდენიმე სამრეწველო გამოყენების შემთხვევა გაუმჯობესებულია. ნათელი მაგალითია მანქანური ხედვა ხარისხის კონტროლის აპლიკაციებში. ტრადიციული მანქანური ხედვის სისტემები ამუშავებენ გამოსახულებებს ინტეგრირებული ან დისკრეტული კომპიუტერების მეშვეობით, რომლებიც აღჭურვილია სპეციალიზებული პროგრამული უზრუნველყოფით, რომელიც აფასებს წინასწარ განსაზღვრულ პარამეტრებსა და ზღურბლებს (მაგ., მაღალი კონტრასტი), რათა დაადგინოს, ავლენენ თუ არა ობიექტები დეფექტებს. ბევრ შემთხვევაში (მაგალითად, სხვადასხვა ფორმის გაყვანილობის მქონე ელექტრონული კომპონენტები), ცრუ დადებითი შედეგების რაოდენობა ძალიან მაღალია.

თუმცა, ეს სისტემები ხელოვნური ინტელექტის მეშვეობით აღდგება. მაგალითად, სამრეწველო მანქანური ხედვის პროვაიდერმა Cognex-მა 2021 წლის ივლისში გამოუშვა ახალი ღრმა სწავლების ინსტრუმენტი (Vision Pro Deep Learning 2.0). ახალი ინსტრუმენტები ინტეგრირდება ტრადიციულ ხედვის სისტემებთან, რაც საბოლოო მომხმარებლებს საშუალებას აძლევს, ერთ აპლიკაციაში გააერთიანონ ღრმა სწავლება ტრადიციულ ხედვის ინსტრუმენტებთან, რათა დააკმაყოფილონ მომთხოვნი სამედიცინო და ელექტრონული გარემო, რომელიც მოითხოვს ნაკაწრების, დაბინძურების და სხვა დეფექტების ზუსტ გაზომვას.

ფაქტორი 4: სამრეწველო AIoT აპარატურის გაუმჯობესება

ხელოვნური ინტელექტის ჩიპები სწრაფად იხვეწება.

ჩაშენებული აპარატურის ხელოვნური ინტელექტის ჩიპები სწრაფად იზრდება, ხელოვნური ინტელექტის მოდელების შემუშავებისა და განლაგების მხარდასაჭერად ხელმისაწვდომია მრავალფეროვანი ვარიანტები. მაგალითებია NVIDIA-ს უახლესი გრაფიკული დამუშავების ერთეულები (GPU), A30 და A10, რომლებიც 2021 წლის მარტში იქნა წარმოდგენილი და შესაფერისია ხელოვნური ინტელექტის გამოყენების შემთხვევებისთვის, როგორიცაა რეკომენდაციების სისტემები და კომპიუტერული ხედვის სისტემები. კიდევ ერთი მაგალითია Google-ის მეოთხე თაობის ტენზორების დამუშავების ერთეულები (TPus), რომლებიც წარმოადგენს მძლავრ სპეციალური დანიშნულების ინტეგრირებულ სქემებს (ASics), რომლებსაც შეუძლიათ 1000-ჯერ მეტი ეფექტურობისა და სიჩქარის მიღწევა მოდელის შემუშავებასა და განლაგებაში კონკრეტული ხელოვნური ინტელექტის სამუშაო დატვირთვებისთვის (მაგ., ობიექტის აღმოჩენა, გამოსახულების კლასიფიკაცია და რეკომენდაციების საორიენტაციო მაჩვენებლები). სპეციალიზებული ხელოვნური ინტელექტის აპარატურის გამოყენება ამცირებს მოდელის გამოთვლის დროს დღეებიდან წუთებამდე და ბევრ შემთხვევაში გარდამტეხი აღმოჩნდა.

ძლიერი ხელოვნური ინტელექტის აპარატურა დაუყოვნებლივ ხელმისაწვდომია „გადაიხადე თითოეული გამოყენებისთვის“ მოდელის მეშვეობით.

სუპერმასშტაბიანი საწარმოები მუდმივად აახლებენ თავიანთ სერვერებს, რათა გამოთვლითი რესურსები ღრუბელში ხელმისაწვდომი გახადონ, რათა საბოლოო მომხმარებლებს შეეძლოთ სამრეწველო ხელოვნური ინტელექტის აპლიკაციების დანერგვა. მაგალითად, 2021 წლის ნოემბერში, AWS-მა გამოაცხადა თავისი უახლესი GPU-ზე დაფუძნებული ინსტანციების, Amazon EC2 G5-ის ოფიციალური გამოშვება, რომელიც NVIDIA A10G Tensor Core GPU-ზეა დაფუძნებული და განკუთვნილია სხვადასხვა მანქანური სწავლების აპლიკაციებისთვის, მათ შორის კომპიუტერული ხედვისა და რეკომენდაციების ძრავებისთვის. მაგალითად, აღმოჩენის სისტემების მიმწოდებელი Nanotronics იყენებს Amazon EC2-ის მაგალითებს თავისი ხელოვნურ ინტელექტზე დაფუძნებული ხარისხის კონტროლის გადაწყვეტისთვის, რათა დააჩქაროს დამუშავების ძალისხმევა და მიაღწიოს უფრო ზუსტ აღმოჩენის მაჩვენებლებს მიკროჩიპებისა და ნანომილაკების წარმოებაში.

დასკვნა და პერსპექტივა

ხელოვნური ინტელექტი ქარხნიდან გამოდის და ის ყველგან იქნება გამოყენებული ახალ აპლიკაციებში, როგორიცაა ხელოვნურ ინტელექტზე დაფუძნებული PdM, ასევე არსებული პროგრამული უზრუნველყოფისა და გამოყენების შემთხვევების გაუმჯობესების სახით. მსხვილი საწარმოები ნერგავენ ხელოვნური ინტელექტის რამდენიმე გამოყენების შემთხვევას და აფიქსირებენ წარმატებას, ხოლო პროექტების უმეტესობას ინვესტიციიდან მაღალი ანაზღაურება აქვს. საბოლოო ჯამში, ღრუბლოვანი ტექნოლოგიების, ინტერნეტის პლატფორმების და ძლიერი ხელოვნური ინტელექტის ჩიპების აღზევება უზრუნველყოფს პლატფორმას პროგრამული უზრუნველყოფისა და ოპტიმიზაციის ახალი თაობისთვის.