Segundo o Informe de mercado industrial e IA industrial 2021-2026 publicado recentemente, a taxa de adopción da IA en configuracións industriais aumentou do 19 por cento ao 31 por cento en pouco máis de dous anos. Ademais do 31 por cento dos enquisados que implementaron total ou parcialmente a IA nas súas operacións, outro 39 por cento está probando ou probando a tecnoloxía.
A intelixencia artificial está emerxendo como unha tecnoloxía clave para os fabricantes e as empresas enerxéticas de todo o mundo, e a análise de IoT prevé que o mercado de solucións industriais de intelixencia artificial mostrará unha forte taxa de crecemento anual composto pospandémico (CAGR) do 35% para alcanzar os 102.170 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 auxe da IA industrial e a IAoT.
Factor 1: Cada vez máis ferramentas de software para AIoT industrial
En 2019, cando a analítica Iot comezou a cubrir a IA industrial, había poucos produtos de software de IA dedicados dos provedores de tecnoloxía operativa (OT). Desde entón, moitos provedores de OT entraron no mercado de IA desenvolvendo e proporcionando solucións de software de IA en forma de plataformas de IA para a fábrica.
Segundo os datos, case 400 vendedores ofrecen software AIoT. O número de provedores de software que se incorporan ao mercado de IA industrial aumentou drasticamente nos últimos dous anos. Durante o estudo, IoT Analytics identificou 634 provedores de tecnoloxía de IA para fabricantes/clientes industriais. Destas empresas, 389 (61,4%) ofrecen software de IA.
A nova plataforma de software de IA céntrase en ambientes industriais. Ademais de Uptake, Braincube ou C3 AI, un número crecente de provedores de tecnoloxía operativa (OT) ofrecen plataformas de software de IA dedicadas. Os exemplos inclúen a suite de análise e intelixencia artificial Genix Industrial de ABB, a suite FactoryTalk Innovation 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 análises avanzadas, incluíndo aplicacións e servizos predefinidos para a xestión do rendemento operativo, a integridade dos activos, a sustentabilidade e a eficiencia da cadea de subministración.
As grandes empresas están poñendo as súas ferramentas de software de intelixencia artificial na tenda.
A dispoñibilidade de ferramentas de software ai tamén está impulsada por novas ferramentas de software específicas para casos de uso desenvolvidas por AWS, grandes empresas como Microsoft e Google. Por exemplo, en decembro de 2020, AWS lanzou Amazon SageMaker JumpStart, unha función de Amazon SageMaker que ofrece un conxunto de solucións preconstruídas e personalizables para os casos de uso industrial máis comúns, como PdM, visión por ordenador e condución autónoma. só uns clics.
As solucións de software específicas para casos de uso están impulsando melloras de usabilidade.
Os paquetes de software específicos para casos de uso, como os centrados no mantemento preditivo, son cada vez máis comúns. IoT Analytics observou que o número de provedores que usan solucións de software de xestión de datos de produtos (PdM) baseadas na intelixencia artificial ascendeu a 73 a principios de 2021 debido ao aumento da variedade de fontes de datos e ao uso de modelos de formación previa, así como ao xeneralizado Adopción de tecnoloxías de mellora de datos.
Factor 2: simplifícase o desenvolvemento e mantemento de solucións de IA
A aprendizaxe automática automática (AutoML) estase a converter nun produto estándar.
Debido á complexidade das tarefas asociadas á aprendizaxe automática (ML), o rápido crecemento das aplicacións de aprendizaxe automática creou a necesidade de métodos de aprendizaxe automática dispoñibles que se poidan usar sen experiencia. O campo de investigación resultante, a automatización progresiva para a aprendizaxe automática, chámase AutoML. Unha variedade de empresas están a aproveitar esta tecnoloxía como parte das súas ofertas de IA para axudar aos clientes a desenvolver modelos de ML e 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 custos e permitir novos modelos de negocio para os clientes.
As operacións de aprendizaxe automática (ML Ops) simplifican a xestión e o mantemento dos modelos.
A nova disciplina de operacións de aprendizaxe automática ten como obxectivo simplificar o mantemento dos modelos de IA en contornos de fabricación. O rendemento dun modelo de IA normalmente degrada co paso do tempo xa que se ve afectado por varios factores dentro da planta (por exemplo, cambios na distribución de datos e os estándares de calidade). Como resultado, as operacións de mantemento de modelos e aprendizaxe automática fixéronse necesarias para cumprir cos requisitos de alta calidade dos ambientes industriais (por exemplo, os modelos cun rendemento inferior ao 99 % poden non identificar comportamentos que poñan en perigo a seguridade dos traballadores).
Nos últimos anos, moitas startups uníronse ao espazo ML Ops, incluíndo DataRobot, Grid.AI, Pinecone/Zilliz, Seldon e Weights & Biases. As empresas establecidas engadiron operacións de aprendizaxe automática ás súas ofertas de software de IA existentes, incluíndo Microsoft, que introduciu a detección de deriva de datos en Azure ML Studio. Esta nova función permite aos usuarios detectar cambios na distribución dos datos de entrada que degradan o rendemento do modelo.
Factor 3: Intelixencia artificial aplicada a aplicacións e casos de uso existentes
Os provedores de software tradicionais están engadindo capacidades de IA.
Ademais das grandes ferramentas de software de IA horizontal existentes como MS Azure ML, AWS SageMaker e Google Cloud Vertex AI, paquetes de software tradicionais como os sistemas de xestión de mantemento informático (CAMMS), os sistemas de execución de fabricación (MES) ou a planificación de recursos empresariais (ERP) agora pódese mellorar significativamente mediante a inxección de capacidades de IA. Por exemplo, o provedor de ERP Epicor Software está engadindo capacidades de intelixencia artificial aos seus produtos existentes a través do seu asistente virtual Epicor (EVA). Os axentes EVA intelixentes utilízanse para automatizar procesos ERP, como reprogramar operacións de fabricación ou realizar consultas sinxelas (por exemplo, obter detalles sobre o prezo dos produtos ou o número de pezas dispoñibles).
Os casos de uso industrial están a ser actualizados usando 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 artificial nas aplicacións de control de calidade. Os sistemas tradicionais de visión artificial 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 elevado.
Non obstante, estes sistemas están sendo revividos a través da intelixencia artificial. Por exemplo, o provedor industrial de visión artificial Cognex lanzou unha nova ferramenta de aprendizaxe profunda (Vision Pro Deep Learning 2.0) en xullo de 2021. As novas ferramentas intégranse cos sistemas de visión tradicionais, o que permite aos usuarios finais combinar aprendizaxe profunda con ferramentas de visión tradicionais na mesma aplicación para satisfacer ambientes médicos e electrónicos esixentes que requiren unha medición precisa de arañazos, contaminación e outros defectos.
Factor 4: Mellora do hardware AIoT industrial
Os chips de IA están a mellorar rapidamente.
Os chips de IA de hardware incorporado están crecendo rapidamente, cunha variedade de opcións dispoñibles para apoiar o desenvolvemento e a implantación de modelos de IA. Os exemplos inclúen as unidades de procesamento de gráficos (Gpus) máis recentes de NVIDIA, o A30 e o A10, que se presentaron en marzo de 2021 e que son axeitados para casos de uso de IA, como sistemas de recomendación e sistemas de visión por ordenador. Outro exemplo son as unidades de procesamento de tensores (TPus) de cuarta xeración de Google, que son potentes circuítos integrados de propósitos especiais (ASics) que poden acadar ata 1.000 veces máis eficiencia e velocidade no desenvolvemento e implantación de modelos para cargas de traballo específicas de IA (por exemplo, a detección de obxectos). , clasificación de imaxes e puntos de referencia de recomendación). O uso de hardware de IA dedicado reduce o tempo de cálculo do modelo de días a minutos e demostrou ser un cambio de xogo en moitos casos.
Un potente hardware de intelixencia artificial está dispoñible inmediatamente a través dun modelo de pago por uso.
As empresas de gran escala están a actualizar constantemente os seus servidores para que os recursos informáticos estean dispoñibles na nube para que os usuarios finais poidan implementar aplicacións de intelixencia artificial industrial. En novembro de 2021, por exemplo, AWS anunciou o lanzamento oficial das súas últimas instancias baseadas en GPU, Amazon EC2 G5, impulsadas pola GPU NVIDIA A10G Tensor Core, para unha variedade de aplicacións de ML, incluíndo visión por ordenador e motores de recomendación. Por exemplo, o provedor de sistemas de detección Nanotronics utiliza exemplos de Amazon EC2 da súa solución de control de calidade baseada na IA para acelerar os esforzos de procesamento e lograr taxas de detección máis precisas na fabricación de microchips e nanotubos.
Conclusión e perspectiva
A intelixencia artificial está a saír de fábrica e estará presente en novas aplicacións, como PdM baseada en IA, e como melloras para o software e os casos de uso existentes. As grandes empresas están lanzando varios casos de uso da IA e informando de éxitos, e a maioría dos proxectos teñen un alto retorno do investimento. En definitiva, o auxe da nube, as plataformas iot e os potentes chips de intelixencia artificial proporcionan unha plataforma para unha nova xeración de software e optimización.
Hora de publicación: 12-xan-2022