Segundo o Informe de mercado da IA industrial e da IA 2021-2026 publicado recentemente, a taxa de adopción da IA en entornos industriais aumentou do 19 % ao 31 % en pouco máis de dous anos. Ademais do 31 % dos enquisados que implementaron total ou parcialmente a IA nas súas operacións, outro 39 % está a probar ou pilotar a tecnoloxía actualmente.
A IA está a emerxer como unha tecnoloxía clave para os fabricantes e as empresas enerxéticas de todo o mundo, e a análise da IoT predí que o mercado de solucións industriais de IA mostrará unha forte taxa de crecemento anual composta (CAGR) pospandémica do 35 % ata alcanzar os 102.170 millóns de dólares en 2026.
A era dixital deu lugar á Internet das Cousas. Pódese observar 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 da IAoT.
Factor 1: Cada vez máis ferramentas de software para a IAoT industrial
En 2019, cando a analítica da IoT comezou a abarcar a IA industrial, había poucos produtos de software de IA dedicados de provedores de tecnoloxía operativa (TO). Desde entón, moitos provedores de TO entraron no mercado da IA desenvolvendo e proporcionando solucións de software de IA en forma de plataformas de IA para a planta de produción.
Segundo os datos, case 400 provedores ofrecen software de IAoT. O número de provedores de software que se unen ao mercado da IA industrial aumentou drasticamente nos últimos dous anos. Durante o estudo, IoT Analytics identificou 634 provedores de tecnoloxía de IA a fabricantes/clientes industriais. Destas empresas, 389 (61,4 %) ofrecen software de IA.
A nova plataforma de software de IA céntrase en contornas industriais. Ademais de Uptake, Braincube ou C3 AI, un número crecente de provedores de tecnoloxía operativa (TO) están a ofrecer plataformas de software de IA dedicadas. Algúns exemplos son o conxunto de análise e IA industrial Genix de ABB, o conxunto FactoryTalk Innovation de Rockwell Automation, a propia plataforma de consultoría de fabricación de Schneider Electric e, máis recentemente, complementos específicos. Algunhas destas plataformas están dirixidas a 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 a poñer as súas ferramentas de software de IA nos talleres.
A dispoñibilidade de ferramentas de software de IA 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 funcionalidade de Amazon SageMaker que proporciona un conxunto de solucións predefinidas e personalizables para os casos de uso industriais máis comúns, como PdM, visión por computador e condución autónoma. Implementación con só uns poucos clics.
As solucións de software específicas para casos de uso están a impulsar melloras na 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 empregan solucións de software de xestión de datos de produtos (PdM) baseadas en IA aumentou a 73 a principios de 2021 debido a un aumento na variedade de fontes de datos e ao uso de modelos de adestramento previo, así como á adopción xeneralizada de tecnoloxías de mellora de datos.
Factor 2: O desenvolvemento e o mantemento de solucións de IA están a simplificarse
A aprendizaxe automática automatizada (AutoML) está a converterse nun produto estándar.
Debido á complexidade das tarefas asociadas á aprendizaxe automática (AA), o rápido crecemento das aplicacións de aprendizaxe automática xerou a necesidade de métodos de aprendizaxe automática listos para usar que se poidan usar sen coñecementos especializados. O campo de investigación resultante, a automatización progresiva para a aprendizaxe automática, chámase AutoML. Diversas empresas están a aproveitar esta tecnoloxía como parte das súas ofertas de IA para axudar aos clientes a desenvolver modelos de AA e implementar casos de uso industrial máis rápido. En novembro de 2020, por exemplo, SKF anunciou un produto baseado en automL que combina datos de procesos da máquina con datos de vibración e temperatura para reducir custos e habilitar novos modelos de negocio para os clientes.
As operacións de aprendizaxe automática (ML Ops) simplifican a xestión e o mantemento de modelos.
A nova disciplina das operacións de aprendizaxe automática ten como obxectivo simplificar o mantemento de modelos de IA en contornas de fabricación. O rendemento dun modelo de IA normalmente degrádase co tempo a medida que se ve afectado por varios factores dentro da planta (por exemplo, cambios na distribución de datos e nos estándares de calidade). Como resultado, o mantemento de modelos e as operacións de aprendizaxe automática tornáronse necesarios para cumprir cos altos requisitos de calidade dos contornas 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 empresas emerxentes uníronse ao espazo de operacións de aprendizaxe automática, como DataRobot, Grid.AI, Pinecone/Zilliz, Seldon e Weights & Biases. Empresas establecidas engadiron operacións de aprendizaxe automática ás súas ofertas de software de IA existentes, como Microsoft, que introduciu a detección de deriva de datos en Azure ML Studio. Esta nova funcionalidade 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 a engadir capacidades de IA.
Ademais das grandes ferramentas de software de IA horizontais existentes, como MS Azure ML, AWS SageMaker e Google Cloud Vertex AI, os conxuntos de software tradicionais, como os sistemas informatizados de xestión de mantemento (CAMMS), os sistemas de execución de fabricación (MES) ou a planificación de recursos empresariais (ERP), agora pódense mellorar significativamente mediante a inxección de capacidades de IA. Por exemplo, o provedor de ERP Epicor Software está a engadir capacidades de IA aos seus produtos existentes a través do seu Epicor Virtual Assistant (EVA). Os axentes intelixentes de EVA utilízanse para automatizar os procesos de ERP, como a reprogramación das operacións de fabricación ou a realización de consultas sinxelas (por exemplo, obter detalles sobre o prezo dos produtos ou o número de pezas dispoñibles).
Os casos de uso industrial están a mellorarse mediante o uso da IAoT.
Varios casos de uso industrial están a mellorarse 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 a ser revitalizados mediante a intelixencia artificial. Por exemplo, o provedor de visión artificial industrial 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 a aprendizaxe profunda con ferramentas de visión tradicionais na mesma aplicación para satisfacer os esixentes entornos médicos e electrónicos que requiren medicións precisas de arañazos, contaminación e outros defectos.
Factor 4: Mellora do hardware de IAoT industrial
Os chips de IA están a mellorar rapidamente.
Os chips de IA con hardware integrado están a medrar rapidamente, cunha variedade de opcións dispoñibles para soportar o desenvolvemento e o despregamento de modelos de IA. Algúns exemplos son as últimas unidades de procesamento gráfico (Gpus) de NVIDIA, a A30 e a A10, que se presentaron en marzo de 2021 e son axeitadas para casos de uso de IA como sistemas de recomendación e sistemas de visión por computador. Outro exemplo son as unidades de procesamento Tensors (TPus) de cuarta xeración de Google, que son potentes circuítos integrados (ASics) para fins especiais que poden alcanzar ata 1000 veces máis eficiencia e velocidade no desenvolvemento e despregamento de modelos para cargas de traballo de IA específicas (por exemplo, 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 punto de inflexión en moitos casos.
O potente hardware de IA está dispoñible de inmediato a través dun modelo de pago por uso.
As empresas superescala actualizan constantemente os seus servidores para que os recursos informáticos estean dispoñibles na nube, de xeito que os usuarios finais poidan implementar aplicacións de IA industrial. En novembro de 2021, por exemplo, AWS anunciou o lanzamento oficial das súas últimas instancias baseadas en GPU, Amazon EC2 G5, con tecnoloxía da GPU NVIDIA A10G Tensor Core, para unha variedade de aplicacións de aprendizaxe automática, incluíndo visión por computador e 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 en IA para acelerar os esforzos de procesamento e lograr taxas de detección máis precisas na fabricación de microchips e nanotubos.
Conclusión e perspectiva
A IA está a saír da fábrica e será omnipresente en novas aplicacións, como o PdM baseado en IA, e como melloras no software e nos casos de uso existentes. As grandes empresas están a implementar varios casos de uso de IA e a informar de éxitos, e a maioría dos proxectos teñen un alto retorno do investimento. En definitiva, o auxe da nube, as plataformas de Internet das Cousas e os potentes chips de IA proporcionan unha plataforma para unha nova xeración de software e optimización.
Data de publicación: 12 de xaneiro de 2022