ოთხი ფაქტორი ინდუსტრიულ AIoT-ს ახალ ფავორიტად აქცევს

ახლახან გამოქვეყნებული სამრეწველო AI და AI ბაზრის ანგარიშის მიხედვით, 2021-2026 წლებში, AI-ის მიღების მაჩვენებელი ინდუსტრიულ პარამეტრებში გაიზარდა 19 პროცენტიდან 31 პროცენტამდე სულ რაღაც ორ წელიწადში.რესპონდენტთა 31 პროცენტის გარდა, რომლებმაც სრულად ან ნაწილობრივ გამოიყენეს ხელოვნური ინტელექტი თავიანთ ოპერაციებში, კიდევ 39 პროცენტი ამჟამად ტესტირებს ან პილოტირებს ტექნოლოგიას.

AI ჩნდება, როგორც ძირითადი ტექნოლოგია მწარმოებლებისა და ენერგეტიკული კომპანიებისთვის მთელს მსოფლიოში, და IoT ანალიზი პროგნოზირებს, რომ ინდუსტრიული AI გადაწყვეტილებების ბაზარი აჩვენებს ძლიერი პოსტპანდემიური ნაერთის წლიური ზრდის ტემპს (CAGR) 35%-ით და მიაღწევს $102.17 მილიარდს 2026 წლისთვის.

ციფრულმა ეპოქამ წარმოშვა ნივთების ინტერნეტი.ჩანს, რომ ხელოვნური ინტელექტის გაჩენამ დააჩქარა ნივთების ინტერნეტის განვითარების ტემპი.

მოდით გადავხედოთ ზოგიერთ ფაქტორს, რომელიც განაპირობებს ინდუსტრიული AI და AIoT-ის ზრდას.

ფაქტორი 1: უფრო და უფრო მეტი პროგრამული ინსტრუმენტი ინდუსტრიული AIoT-სთვის

2019 წელს, როდესაც Iot ანალიტიკამ დაიწყო სამრეწველო ხელოვნური ინტელექტის გაშუქება, იყო რამდენიმე გამოყოფილი AI პროგრამული პროდუქტი ოპერატიული ტექნოლოგიების (OT) მომწოდებლებისგან.მას შემდეგ ბევრი OT გამყიდველი შემოვიდა AI ბაზარზე AI პროგრამული გადაწყვეტილებების შემუშავებით და მიწოდებით ქარხნის იატაკისთვის AI პლატფორმების სახით.

მონაცემების მიხედვით, თითქმის 400 მომწოდებელი გთავაზობთ AIoT პროგრამულ უზრუნველყოფას.ბოლო ორი წლის განმავლობაში მკვეთრად გაიზარდა პროგრამული უზრუნველყოფის გამყიდველების რაოდენობა, რომლებიც უერთდებიან ინდუსტრიული AI ბაზარზე.კვლევის დროს, IoT Analytics-მა გამოავლინა AI ტექნოლოგიის 634 მიმწოდებელი მწარმოებლებისთვის/სამრეწველო მომხმარებლებისთვის.ამ კომპანიებიდან 389 (61.4%) გთავაზობთ AI პროგრამულ უზრუნველყოფას.

ახალი AI პროგრამული პლატფორმა ფოკუსირებულია ინდუსტრიულ გარემოზე.Uptake-ის, Braincube-ის ან C3 AI-ს მიღმა, ოპერატიული ტექნოლოგიების (OT) მომწოდებლების მზარდი რაოდენობა გვთავაზობს სპეციალურ AI პროგრამულ პლატფორმებს.მაგალითებია ABB-ის Genix Industrial Analytics და AI კომპლექტი, Rockwell Automation's FactoryTalk Innovation კომპლექტი, Schneider Electric-ის საკუთარი წარმოების საკონსულტაციო პლატფორმა და ახლახანს კონკრეტული დანამატები.ამ პლატფორმებიდან ზოგიერთი მიზნად ისახავს გამოყენების შემთხვევების ფართო სპექტრს.მაგალითად, ABB-ის Genix პლატფორმა უზრუნველყოფს მოწინავე ანალიტიკას, მათ შორის წინასწარ ჩაშენებულ აპლიკაციებსა და სერვისებს ოპერაციული შესრულების მართვის, აქტივების მთლიანობის, მდგრადობისა და მიწოდების ჯაჭვის ეფექტურობისთვის.

მსხვილი კომპანიები აყენებენ თავიანთ ai პროგრამულ ინსტრუმენტებს მაღაზიაში.

ai პროგრამული ინსტრუმენტების ხელმისაწვდომობა ასევე განპირობებულია ახალი გამოყენების კონკრეტული პროგრამული ინსტრუმენტებით, რომლებიც შემუშავებულია AWS-ის, მსხვილი კომპანიების, როგორიცაა Microsoft და Google-ის მიერ.მაგალითად, 2020 წლის დეკემბერში, AWS-მა გამოუშვა Amazon SageMaker JumpStart, Amazon SageMaker-ის მახასიათებელი, რომელიც უზრუნველყოფს წინასწარ აშენებულ და კონფიგურირებად გადაწყვეტილებებს ყველაზე გავრცელებული ინდუსტრიული გამოყენების შემთხვევებისთვის, როგორიცაა PdM, კომპიუტერული ხედვა და ავტონომიური მართვა. მხოლოდ რამდენიმე დაწკაპუნებით.

გამოყენების შემთხვევისთვის სპეციფიკური პროგრამული გადაწყვეტილებები ხელს უწყობს გამოყენებადობის გაუმჯობესებას.

გამოყენების შემთხვევისთვის სპეციფიკური პროგრამული უზრუნველყოფის კომპლექტები, როგორიცაა ისეთები, რომლებიც ორიენტირებულია პროგნოზირებად მოვლაზე, სულ უფრო გავრცელებული ხდება.IoT Analytics-მა დააფიქსირა, რომ პროვაიდერთა რაოდენობა, რომლებიც იყენებდნენ AI-ზე დაფუძნებული პროდუქტის მონაცემთა მართვის (PdM) პროგრამულ გადაწყვეტილებებს 73-მდე გაიზარდა 2021 წლის დასაწყისში, მონაცემთა წყაროების მრავალფეროვნების ზრდისა და წინასწარი ტრენინგის მოდელების გამოყენების გამო, ასევე ფართოდ გავრცელებული მონაცემთა გაუმჯობესების ტექნოლოგიების მიღება.

ფაქტორი 2: AI გადაწყვეტილებების შემუშავება და შენარჩუნება გამარტივებულია

ავტომატური მანქანური სწავლება (AutoML) ხდება სტანდარტული პროდუქტი.

მანქანურ სწავლებასთან (ML) დავალებების სირთულის გამო, მანქანური სწავლების აპლიკაციების სწრაფმა ზრდამ შექმნა მანქანური სწავლების მეთოდების საჭიროება, რომლებიც შეიძლება გამოყენებულ იქნას ექსპერტიზის გარეშე.კვლევის შედეგად მიღებულ სფეროს, მანქანური სწავლების პროგრესულ ავტომატიზაციას, ეწოდება AutoML.სხვადასხვა კომპანია იყენებს ამ ტექნოლოგიას, როგორც მათი AI შეთავაზების ნაწილი, რათა დაეხმაროს მომხმარებლებს ML მოდელების შემუშავებაში და სამრეწველო გამოყენების შემთხვევების უფრო სწრაფად განხორციელებაში.მაგალითად, 2020 წლის ნოემბერში, SKF-მა გამოაცხადა ავტომატურ პროდუქტზე დაფუძნებული პროდუქტი, რომელიც აერთიანებს მანქანის პროცესის მონაცემებს ვიბრაციასა და ტემპერატურულ მონაცემებთან, რათა შეამციროს ხარჯები და ჩართოს ახალი ბიზნეს მოდელები მომხმარებლებისთვის.

მანქანათმცოდნეობის ოპერაციები (ML Ops) ამარტივებს მოდელის მართვასა და შენარჩუნებას.

მანქანათმცოდნეობის ოპერაციების ახალი დისციპლინა მიზნად ისახავს გამარტივდეს ხელოვნური ინტელექტის მოდელების შენარჩუნება საწარმოო გარემოში.ხელოვნური ინტელექტის მოდელის შესრულება, როგორც წესი, დროთა განმავლობაში მცირდება, რადგან მასზე გავლენას ახდენს რამდენიმე ფაქტორი ქარხნის შიგნით (მაგალითად, ცვლილებები მონაცემთა განაწილებაში და ხარისხის სტანდარტებში).შედეგად, მოდელის შენარჩუნება და მანქანათმცოდნეობის ოპერაციები აუცილებელი გახდა ინდუსტრიული გარემოს მაღალი ხარისხის მოთხოვნების დასაკმაყოფილებლად (მაგალითად, 99%-ზე დაბალი ეფექტურობის მქონე მოდელებმა შეიძლება ვერ შეძლონ ქცევის იდენტიფიცირება, რომელიც საფრთხეს უქმნის მუშაკთა უსაფრთხოებას).

ბოლო წლებში ბევრი სტარტაპი შეუერთდა ML Ops სივრცეს, მათ შორის DataRobot, Grid.AI, Pinecone/Zilliz, Seldon და Weights & Biases.დამკვიდრებულმა კომპანიებმა დაამატეს მანქანათმცოდნეობის ოპერაციები თავიანთ არსებულ AI პროგრამულ შეთავაზებებს, მათ შორის Microsoft-მა, რომელმაც დანერგა მონაცემთა დრიფტის ამოცნობა Azure ML Studio-ში.ეს ახალი ფუნქცია მომხმარებლებს საშუალებას აძლევს დაადგინონ ცვლილებები შეყვანის მონაცემების განაწილებაში, რაც ამცირებს მოდელის მუშაობას.

ფაქტორი 3: ხელოვნური ინტელექტი გამოიყენება არსებულ აპლიკაციებსა და გამოყენების შემთხვევებზე

ტრადიციული პროგრამული უზრუნველყოფის პროვაიდერები ამატებენ AI შესაძლებლობებს.

გარდა არსებული დიდი ჰორიზონტალური AI პროგრამული ინსტრუმენტებისა, როგორიცაა MS Azure ML, AWS SageMaker და Google Cloud Vertex AI, ტრადიციული პროგრამული კომპლექტები, როგორიცაა კომპიუტერული ტექნიკური მართვის სისტემები (CAMMS), წარმოების შესრულების სისტემები (MES) ან საწარმოს რესურსების დაგეგმვა (ERP). ახლა შეიძლება მნიშვნელოვნად გაუმჯობესდეს AI შესაძლებლობების ინექციით.მაგალითად, ERP პროვაიდერი Epicor Software ამატებს AI შესაძლებლობებს თავის არსებულ პროდუქტებს მისი Epicor ვირტუალური ასისტენტის (EVA) მეშვეობით.ინტელექტუალური EVA აგენტები გამოიყენება ERP პროცესების ავტომატიზაციისთვის, როგორიცაა წარმოების ოპერაციების გადახედვა ან მარტივი მოთხოვნების შესრულება (მაგალითად, პროდუქტის ფასის ან ხელმისაწვდომი ნაწილების რაოდენობის შესახებ დეტალების მოპოვება).

სამრეწველო გამოყენების შემთხვევები განახლებულია AIoT გამოყენებით.

ინდუსტრიული გამოყენების რამდენიმე შემთხვევა გაუმჯობესებულია AI შესაძლებლობების დამატებით არსებულ აპარატურულ/პროგრამულ ინფრასტრუქტურაში.ნათელი მაგალითია მანქანური ხედვა ხარისხის კონტროლის აპლიკაციებში.მანქანათმხედველობის ტრადიციული სისტემები ამუშავებენ სურათებს ინტეგრირებული ან დისკრეტული კომპიუტერების მეშვეობით, რომლებიც აღჭურვილია სპეციალიზებული პროგრამული უზრუნველყოფით, რომელიც აფასებს წინასწარ განსაზღვრულ პარამეტრებსა და ზღურბლებს (მაგ. მაღალი კონტრასტი) იმის დასადგენად, აქვს თუ არა ობიექტებს დეფექტები.ხშირ შემთხვევაში (მაგალითად, ელექტრონული კომპონენტები სხვადასხვა გაყვანილობის ფორმის), ცრუ დადებითი რიცხვი ძალიან მაღალია.

თუმცა ეს სისტემები ხელოვნური ინტელექტის მეშვეობით აღორძინდება.მაგალითად, სამრეწველო მანქანების Vision პროვაიდერმა Cognex-მა გამოუშვა ახალი Deep Learning ინსტრუმენტი (Vision Pro Deep Learning 2.0) 2021 წლის ივლისში. ახალი ხელსაწყოები ინტეგრირდება ტრადიციულ ხედვის სისტემებთან, რაც საშუალებას აძლევს საბოლოო მომხმარებლებს დააკავშირონ ღრმა სწავლა ტრადიციულ ხედვის ინსტრუმენტებთან იმავე აპლიკაციაში. დააკმაყოფილოს მომთხოვნი სამედიცინო და ელექტრონული გარემო, რომელიც მოითხოვს ნაკაწრების, დაბინძურების და სხვა დეფექტების ზუსტ გაზომვას.

ფაქტორი 4: გაუმჯობესებულია სამრეწველო AIoT აპარატურა

AI ჩიპები სწრაფად იხვეწება.

ჩაშენებული ტექნიკის AI ჩიპები სწრაფად იზრდება, სხვადასხვა ვარიანტებით ხელმისაწვდომია ხელოვნური ინტელექტის მოდელების განვითარებისა და განლაგების მხარდასაჭერად.მაგალითები მოიცავს NVIDIA-ს უახლესი გრაფიკული დამუშავების ერთეულებს (Gpus), A30 და A10, რომლებიც დაინერგა 2021 წლის მარტში და შესაფერისია ხელოვნური ინტელექტის გამოყენების შემთხვევებისთვის, როგორიცაა სარეკომენდაციო სისტემები და კომპიუტერული ხედვის სისტემები.კიდევ ერთი მაგალითია Google-ის მეოთხე თაობის Tensors Processing Units (TPus), რომლებიც წარმოადგენენ მძლავრი სპეციალური დანიშნულების ინტეგრირებულ სქემებს (ASics), რომლებსაც შეუძლიათ მიაღწიონ 1000-ჯერ მეტ ეფექტურობას და სიჩქარეს მოდელის შემუშავებაში და დანერგვაში კონკრეტული AI სამუშაო დატვირთვისთვის (მაგ., ობიექტების ამოცნობა). , გამოსახულების კლასიფიკაცია და რეკომენდაციების ეტალონები).სპეციალური AI ტექნიკის გამოყენება ამცირებს მოდელის გამოთვლის დროს დღიდან წუთამდე და ხშირ შემთხვევაში დაამტკიცა, რომ ეს არის თამაშის შეცვლა.

ძლიერი ხელოვნური ინტელექტის აპარატურა დაუყოვნებლივ არის ხელმისაწვდომი ფასიანი-გამოყენების მოდელის მეშვეობით.

სუპერმასშტაბიანი საწარმოები მუდმივად ახდენენ თავიანთ სერვერების განახლებას, რათა გამოთვლითი რესურსები ხელმისაწვდომი გახადონ ღრუბელში, რათა საბოლოო მომხმარებლებმა შეძლონ ინდუსტრიული AI აპლიკაციების დანერგვა.მაგალითად, 2021 წლის ნოემბერში, AWS-მა გამოაცხადა GPU-ზე დაფუძნებული უახლესი ინსტანციების, Amazon EC2 G5-ის ოფიციალური გამოშვება, რომელიც აღჭურვილია NVIDIA A10G Tensor Core GPU-ით, სხვადასხვა ML აპლიკაციებისთვის, მათ შორის კომპიუტერული ხედვისა და სარეკომენდაციო ძრავებისთვის.მაგალითად, აღმოჩენის სისტემების პროვაიდერი Nanotronics იყენებს Amazon EC2-ის მაგალითებს მისი AI-ზე დაფუძნებული ხარისხის კონტროლის გადაწყვეტის, რათა დააჩქაროს დამუშავების ძალისხმევა და მიაღწიოს უფრო ზუსტი აღმოჩენის სიჩქარეს მიკროჩიპებისა და ნანომილების წარმოებაში.

დასკვნა და პერსპექტივა

AI გამოდის ქარხნიდან და ის ყველგან იქნება გავრცელებული ახალ აპლიკაციებში, როგორიცაა AI-ზე დაფუძნებული PdM, და როგორც არსებული პროგრამული უზრუნველყოფის გაუმჯობესებები და გამოყენების შემთხვევები.მსხვილი საწარმოები ავრცელებენ ხელოვნური ინტელექტის გამოყენების რამდენიმე შემთხვევას და აფიქსირებენ წარმატებას და პროექტების უმეტესობას აქვს ინვესტიციის მაღალი ანაზღაურება.მთლიანობაში, ღრუბლის, iot პლატფორმების და ძლიერი AI ჩიპების ზრდა უზრუნველყოფს ახალი თაობის პროგრამული უზრუნველყოფისა და ოპტიმიზაციის პლატფორმას.