Segundo o recentemente lanzado Informe de mercado industrial de AI e AI 2021-2026, a taxa de adopción de IA en escenarios industriais aumentou do 19 por cento ao 31 por cento en pouco máis de dous anos. Ademais do 31 por cento dos entrevistados que teñen a IA totalmente ou parcialmente nas súas operacións, outro 39 por cento está a probar ou pilotar a tecnoloxía.
A IA está a xurdir como unha tecnoloxía clave para os fabricantes e empresas enerxéticas en todo o mundo e a análise IoT prevé que o mercado industrial de solucións AI mostrará unha forte taxa de crecemento anual composto post-pandémico (CAGR) do 35% para alcanzar os 102.17 millóns de dólares en 2026.
A era dixital deu a luz á Internet das cousas. Pódese ver que a aparición da intelixencia artificial acelerou o ritmo do desenvolvemento da Internet das cousas.
Vexamos algúns dos factores que impulsan o aumento da IA e AIOT industriais.
Factor 1: cada vez máis ferramentas de software para AIOT industrial
En 2019, cando IoT Analytics comezou a cubrir a IA industrial, había poucos produtos dedicados de software AI de vendedores de tecnoloxía operativa (OT). Desde entón, moitos vendedores de OT entraron no mercado de AI desenvolvendo e proporcionando solucións de software AI en forma de plataformas de AI para o chan da fábrica.
Segundo datos, case 400 vendedores ofrecen software AIOT. O número de vendedores de software que se unen ao mercado industrial de AI aumentou drasticamente nos últimos dous anos. Durante o estudo, IoT Analytics identificou 634 provedores de tecnoloxía AI para fabricantes/clientes industriais. Destas empresas, 389 (61,4%) ofrecen software AI.
A nova plataforma de software AI céntrase en contornas industriais. Máis aló de captación, BrainCube ou C3 AI, un número crecente de vendedores de tecnoloxía operativa (OT) ofrecen plataformas de software AI dedicadas. Entre os exemplos inclúense a Analytics Industrial Genix de ABB e a suite AI, a suite de innovación de FactoryTalk de Rockwell Automation, a propia plataforma de consultoría de fabricación de Schneider Electric e, máis recentemente, complementos específicos. Algunhas destas plataformas teñen como obxectivo unha ampla gama de casos de uso. Por exemplo, a plataforma Genix de ABB ofrece analíticas avanzadas, incluíndo aplicacións e servizos pre-construídos para a xestión do rendemento operativo, a integridade dos activos, a sustentabilidade e a eficiencia da cadea de subministración.
As grandes empresas están a poñer as súas ferramentas de software AI no taller.
A dispoñibilidade de ferramentas de software AI tamén está impulsada por novas ferramentas de software específicas de uso desenvolvida por AWS, grandes empresas como Microsoft e Google. Por exemplo, en decembro de 2020, AWS lanzou Amazon Sagemaker Jumpstart, unha característica de Amazon SageMaker que ofrece un conxunto de solucións pre-construídas e personalizables para os casos de uso industrial máis comúns, como PDM, visión por computadora e condución autónoma, implantado con só algúns clics.
As solucións de software específicas para o uso son melloras de usabilidade.
As suites de software específicas de uso, como as centradas no mantemento predictivo, son cada vez máis comúns. IoT Analytics observou que o número de provedores que usan solucións de software de xestión de datos de produtos baseados en AI (PDM) ascendeu a 73 a principios de 2021 debido a un aumento da variedade de fontes de datos e ao uso de modelos previos ao adestramento, así como á adopción xeneralizada de tecnoloxías de mellora de datos.
Factor 2: estase a simplificar o desenvolvemento e o mantemento das solucións de AI
Aprendizaxe automatizada de máquinas (AutomL) está a converterse nun produto estándar.
Debido á complexidade das tarefas asociadas á aprendizaxe de máquinas (ML), o rápido crecemento das aplicacións de aprendizaxe de máquinas creou a necesidade de métodos de aprendizaxe de máquinas fóra do andel que se poden usar sen coñecemento. O campo de investigación resultante, a automatización progresiva para a aprendizaxe de máquinas, chámase AutomL. Unha variedade de empresas están aproveitando esta tecnoloxía como parte das súas ofertas de IA para axudar aos clientes a desenvolver modelos ML e a implementar casos de uso industrial máis rápido. En novembro de 2020, por exemplo, SKF anunciou un produto baseado en AutomL que combina datos do proceso da máquina con datos de vibración e temperatura para reducir os custos e habilitar novos modelos de negocio para os clientes.
As operacións de aprendizaxe de máquinas (ML OPS) simplificar a xestión e mantemento de modelos.
A nova disciplina das operacións de aprendizaxe de máquinas pretende simplificar o mantemento de modelos de AI en contornas de fabricación. O rendemento dun modelo AI normalmente degrada co paso do tempo xa que está afectado por varios factores dentro da planta (por exemplo, cambios na distribución de datos e nos estándares de calidade). Como resultado, as operacións de mantemento de modelos e aprendizaxe de máquinas fixéronse necesarias para satisfacer os requisitos de alta calidade dos ambientes industriais (por exemplo, os modelos con rendemento por baixo do 99% poden non identificar o comportamento que pon en perigo a seguridade dos traballadores).
Nos últimos anos, moitas startups uníronse ao espazo ML OPS, incluíndo DataRobot, Grid.AI, Pinecone/Zilliz, Seldon e Pesos e Sesgos. As empresas establecidas engadiron operacións de aprendizaxe automática ás súas ofertas de software AI existentes, incluído Microsoft, que introduciu a detección de deriva de datos en Azure ML Studio. Esta nova característica permite aos usuarios detectar cambios na distribución de datos de entrada que degradan o rendemento do modelo.
Factor 3: Intelixencia artificial aplicada ás aplicacións e casos de uso existentes
Os provedores de software tradicionais están a engadir capacidades de IA.
Ademais das grandes ferramentas de software de AI horizontal existentes como MS Azure ML, AWS Sagemaker e Google Cloud Vertex AI, suites de software tradicionais como sistemas de xestión de mantemento informatizado (CAMMS), sistemas de execución de fabricación (MES) ou planificación de recursos empresariais (ERP) agora poden mellorar significativamente mediante inxectación de AI. Por exemplo, o software EPICOR do provedor ERP está a engadir capacidades de AI aos seus produtos existentes a través do seu asistente virtual de Epicor (EVA). Os axentes intelixentes EVA úsanse para automatizar procesos ERP, como reprogramar as operacións de fabricación ou realizar consultas sinxelas (por exemplo, obter detalles sobre os prezos do produto ou o número de pezas dispoñibles).
Os casos de uso industrial están a ser actualizados mediante AIOT.
Varios casos de uso industrial están a ser mellorados engadindo capacidades de IA á infraestrutura de hardware/software existente. Un exemplo vivo é a visión da máquina nas aplicacións de control de calidade. Os sistemas tradicionais de visión da máquina procesan imaxes a través de ordenadores integrados ou discretos equipados con software especializado que avalía parámetros e limiares predeterminados (por exemplo, alto contraste) para determinar se os obxectos presentan defectos. En moitos casos (por exemplo, compoñentes electrónicos con diferentes formas de cableado), o número de falsos positivos é moi alto.
Non obstante, estes sistemas están a revivir mediante intelixencia artificial. Por exemplo, o provedor de visión industrial de Vision Cognex lanzou unha nova ferramenta de aprendizaxe profunda (Vision Pro Deep Learning 2.0) en xullo de 2021. As novas ferramentas integran cos sistemas de visión tradicionais, permitindo aos usuarios finais combinar aprendizaxe profunda con ferramentas de visión tradicionais na mesma aplicación para satisfacer ambientes médicos e electrónicos esixentes que requiran unha medición precisa de arañazos, contaminación e outros defectos.
Factor 4: Mellorado o hardware industrial AIOT
Os chips AI melloran rapidamente.
Os chips de AI de hardware incrustados están crecendo rapidamente, cunha variedade de opcións dispoñibles para apoiar o desenvolvemento e o despregamento de modelos de AI. Entre os exemplos inclúense as últimas unidades de procesamento de gráficos de NVIDIA (GPUs), a A30 e A10, que foron introducidas en marzo de 2021 e son adecuadas para casos de uso de IA como sistemas de recomendacións e sistemas de visión informática. Outro exemplo son as unidades de procesamento de tensores de cuarta xeración de Google (TPUs), que son potentes circuítos integrados de uso especial (ASICs) que poden conseguir ata 1.000 veces máis eficiencia e velocidade no desenvolvemento de modelos e despregamento para cargas de traballo específicas (por exemplo, detección de obxectos, clasificación de imaxes e referencia de recomendacións). Usar hardware AI dedicado reduce o tempo de computación do modelo de días a minutos e demostrou ser un trocador de xogos en moitos casos.
O poderoso hardware AI está dispoñible inmediatamente a través dun modelo de pago por uso.
As empresas superiores están a actualizar constantemente os seus servidores para que os recursos informáticos dispoñibles na nube para que os usuarios finais poidan implementar aplicacións de IA industriais. En novembro de 2021, por exemplo, AWS anunciou o lanzamento oficial das súas últimas instancias baseadas na GPU, Amazon EC2 G5, impulsada pola GPU do núcleo de tensores NVIDIA A10G, para unha variedade de aplicacións ML, incluíndo a visión informática e os motores de recomendación. Por exemplo, o provedor de sistemas de detección Nanotronics usa exemplos de Amazon EC2 da súa solución de control de calidade baseada na IA para acelerar os esforzos de procesamento e conseguir taxas de detección máis precisas na fabricación de microchips e nanotubos.
Conclusión e perspectiva
A AI sae da fábrica e será omnipresente en novas aplicacións, como PDM baseada en AI, e como melloras para o software e os casos de uso existentes. As grandes empresas están a desenvolver varios casos de uso de IA e o éxito de informes, e a maioría dos proxectos teñen un alto rendemento do investimento. En definitiva, o ascenso da nube, as plataformas IoT e os poderosos chips de AI proporcionan unha plataforma para unha nova xeración de software e optimización.
Tempo de publicación: 12-2022 de xaneiro