Secondo l’Industrial AI and AI Market Report 2021-2026 pubblicato di recente, il tasso di adozione dell’IA negli ambienti industriali è aumentato dal 19% al 31% in poco più di due anni. Oltre al 31% degli intervistati che ha implementato completamente o parzialmente l’intelligenza artificiale nelle proprie attività, un altro 39% sta attualmente testando o sperimentando la tecnologia.
L’intelligenza artificiale sta emergendo come una tecnologia chiave per i produttori e le aziende energetiche di tutto il mondo e l’analisi IoT prevede che il mercato delle soluzioni di intelligenza artificiale industriale mostrerà un forte tasso di crescita annuale composto (CAGR) post-pandemico del 35% per raggiungere i 102,17 miliardi di dollari entro il 2026.
L’era digitale ha dato vita all’Internet delle cose. Si può vedere che l’emergere dell’intelligenza artificiale ha accelerato il ritmo di sviluppo dell’Internet delle cose.
Diamo un'occhiata ad alcuni dei fattori che guidano l'ascesa dell'intelligenza artificiale industriale e dell'AIoT.
Fattore 1: sempre più strumenti software per l’AIoT industriale
Nel 2019, quando l’analisi IoT ha iniziato a coprire l’IA industriale, c’erano pochi prodotti software AI dedicati da fornitori di tecnologia operativa (OT). Da allora, molti fornitori OT sono entrati nel mercato dell’intelligenza artificiale sviluppando e fornendo soluzioni software di intelligenza artificiale sotto forma di piattaforme AI per gli stabilimenti di produzione.
Secondo i dati, quasi 400 fornitori offrono software AIoT. Il numero di fornitori di software che si uniscono al mercato dell’intelligenza artificiale industriale è aumentato notevolmente negli ultimi due anni. Durante lo studio, IoT Analytics ha identificato 634 fornitori di tecnologia AI a produttori/clienti industriali. Di queste aziende, 389 (61,4%) offrono software di intelligenza artificiale.
La nuova piattaforma software AI si concentra sugli ambienti industriali. Oltre a Uptake, Braincube o C3 AI, un numero crescente di fornitori di tecnologie operative (OT) offre piattaforme software AI dedicate. Gli esempi includono la suite di analisi industriale e intelligenza artificiale Genix di ABB, la suite FactoryTalk Innovation di Rockwell Automation, la piattaforma di consulenza di produzione di Schneider Electric e, più recentemente, componenti aggiuntivi specifici. Alcune di queste piattaforme si rivolgono a un'ampia gamma di casi d'uso. Ad esempio, la piattaforma Genix di ABB fornisce analisi avanzate, comprese applicazioni e servizi predefiniti per la gestione delle prestazioni operative, l'integrità delle risorse, la sostenibilità e l'efficienza della catena di fornitura.
Le grandi aziende stanno mettendo in produzione i loro strumenti software di intelligenza artificiale.
La disponibilità di strumenti software di intelligenza artificiale è guidata anche da nuovi strumenti software specifici per casi d’uso sviluppati da AWS e da grandi aziende come Microsoft e Google. Ad esempio, nel dicembre 2020, AWS ha rilasciato Amazon SageMaker JumpStart, una funzionalità di Amazon SageMaker che fornisce una serie di soluzioni predefinite e personalizzabili per i casi di utilizzo industriale più comuni, come PdM, visione artificiale e guida autonoma. bastano pochi clic.
Le soluzioni software specifiche per i casi d'uso stanno determinando miglioramenti nell'usabilità.
Le suite software specifiche per caso d'uso, come quelle incentrate sulla manutenzione predittiva, stanno diventando sempre più comuni. IoT Analytics ha osservato che all’inizio del 2021 il numero di fornitori che utilizzano soluzioni software di gestione dei dati di prodotto (PdM) basate sull’intelligenza artificiale è salito a 73 a causa di una maggiore varietà di fonti dati e dell’uso di modelli di pre-formazione, nonché della diffusa adozione di tecnologie di miglioramento dei dati.
Fattore 2: lo sviluppo e la manutenzione delle soluzioni AI vengono semplificati
L'apprendimento automatico automatizzato (AutoML) sta diventando un prodotto standard.
A causa della complessità dei compiti associati al machine learning (ML), la rapida crescita delle applicazioni di machine learning ha creato la necessità di metodi di machine learning standardizzati che possano essere utilizzati senza competenze specifiche. Il campo di ricerca risultante, l’automazione progressiva per l’apprendimento automatico, si chiama AutoML. Numerose aziende stanno sfruttando questa tecnologia come parte delle loro offerte di intelligenza artificiale per aiutare i clienti a sviluppare modelli ML e implementare più rapidamente casi d’uso industriali. Nel novembre 2020, ad esempio, la SKF ha annunciato un prodotto basato sull’automL che combina i dati di processo della macchina con i dati sulle vibrazioni e sulla temperatura per ridurre i costi e consentire nuovi modelli di business per i clienti.
Le operazioni di machine learning (ML Ops) semplificano la gestione e la manutenzione dei modelli.
La nuova disciplina delle operazioni di machine learning mira a semplificare la manutenzione dei modelli di intelligenza artificiale negli ambienti di produzione. Le prestazioni di un modello di intelligenza artificiale in genere peggiorano nel tempo poiché sono influenzate da diversi fattori all'interno dell'impianto (ad esempio, cambiamenti nella distribuzione dei dati e negli standard di qualità). Di conseguenza, le operazioni di manutenzione dei modelli e di apprendimento automatico sono diventate necessarie per soddisfare i requisiti di alta qualità degli ambienti industriali (ad esempio, modelli con prestazioni inferiori al 99% potrebbero non riuscire a identificare comportamenti che mettono in pericolo la sicurezza dei lavoratori).
Negli ultimi anni, molte startup si sono unite allo spazio ML Ops, tra cui DataRobot, Grid.AI, Pinecone/Zilliz, Seldon e Weights & Biases. Aziende affermate hanno aggiunto operazioni di machine learning alle loro offerte di software AI esistenti, inclusa Microsoft, che ha introdotto il rilevamento della deriva dei dati in Azure ML Studio. Questa nuova funzionalità consente agli utenti di rilevare cambiamenti nella distribuzione dei dati di input che riducono le prestazioni del modello.
Fattore 3: Intelligenza artificiale applicata ad applicazioni e casi d'uso esistenti
I fornitori di software tradizionali stanno aggiungendo funzionalità di intelligenza artificiale.
Oltre ai grandi strumenti software di intelligenza artificiale orizzontali esistenti come MS Azure ML, AWS SageMaker e Google Cloud Vertex AI, suite software tradizionali come i sistemi di gestione della manutenzione computerizzata (CAMMS), i sistemi di esecuzione della produzione (MES) o la pianificazione delle risorse aziendali (ERP) può ora essere notevolmente migliorato introducendo funzionalità di intelligenza artificiale. Ad esempio, il fornitore di ERP Epicor Software sta aggiungendo funzionalità di intelligenza artificiale ai suoi prodotti esistenti attraverso il suo Epicor Virtual Assistant (EVA). Gli agenti EVA intelligenti vengono utilizzati per automatizzare i processi ERP, come la riprogrammazione delle operazioni di produzione o l'esecuzione di semplici query (ad esempio, ottenere dettagli sul prezzo del prodotto o sul numero di parti disponibili).
I casi d'uso industriali vengono aggiornati utilizzando l'AIoT.
Diversi casi d’uso industriali vengono migliorati aggiungendo funzionalità di intelligenza artificiale all’infrastruttura hardware/software esistente. Un vivido esempio è la visione artificiale nelle applicazioni di controllo qualità. I tradizionali sistemi di visione artificiale elaborano le immagini attraverso computer integrati o discreti dotati di software specializzato che valuta parametri e soglie predeterminati (ad esempio, contrasto elevato) per determinare se gli oggetti presentano difetti. In molti casi (ad esempio componenti elettronici con forme di cablaggio diverse) il numero di falsi positivi è molto elevato.
Tuttavia, questi sistemi vengono rianimati attraverso l’intelligenza artificiale. Ad esempio, il fornitore di visione artificiale industriale Cognex ha rilasciato un nuovo strumento di deep learning (Vision Pro Deep Learning 2.0) nel luglio 2021. I nuovi strumenti si integrano con i sistemi di visione tradizionali, consentendo agli utenti finali di combinare il deep learning con gli strumenti di visione tradizionali nella stessa applicazione per soddisfare ambienti medici ed elettronici esigenti che richiedono misurazioni accurate di graffi, contaminazione e altri difetti.
Fattore 4: miglioramento dell’hardware AIoT industriale
I chip AI stanno migliorando rapidamente.
I chip IA hardware integrati stanno crescendo rapidamente, con una varietà di opzioni disponibili per supportare lo sviluppo e l’implementazione di modelli IA. Gli esempi includono le ultime unità di elaborazione grafica (Gpus) di NVIDIA, A30 e A10, che sono state introdotte nel marzo 2021 e sono adatte per casi d'uso dell'intelligenza artificiale come sistemi di raccomandazione e sistemi di visione artificiale. Un altro esempio sono le Tensors Processing Unit (TPus) di quarta generazione di Google, potenti circuiti integrati per scopi speciali (ASics) che possono raggiungere un'efficienza e una velocità fino a 1.000 volte superiori nello sviluppo e nell'implementazione di modelli per carichi di lavoro IA specifici (ad esempio, rilevamento di oggetti , classificazione delle immagini e benchmark di raccomandazione). L’utilizzo di hardware AI dedicato riduce il tempo di calcolo del modello da giorni a minuti e in molti casi si è rivelato un punto di svolta.
Il potente hardware AI è immediatamente disponibile attraverso un modello pay-per-use.
Le aziende di grandi dimensioni aggiornano costantemente i propri server per rendere le risorse informatiche disponibili nel cloud in modo che gli utenti finali possano implementare applicazioni di intelligenza artificiale industriale. Nel novembre 2021, ad esempio, AWS ha annunciato il rilascio ufficiale delle sue ultime istanze basate su GPU, Amazon EC2 G5, alimentate dalla GPU NVIDIA A10G Tensor Core, per una varietà di applicazioni ML, tra cui visione artificiale e motori di raccomandazione. Ad esempio, il fornitore di sistemi di rilevamento Nanotronics utilizza esempi Amazon EC2 della sua soluzione di controllo qualità basata sull’intelligenza artificiale per accelerare gli sforzi di elaborazione e ottenere tassi di rilevamento più accurati nella produzione di microchip e nanotubi.
Conclusione e prospettiva
L’intelligenza artificiale sta uscendo dalla fabbrica e sarà onnipresente nelle nuove applicazioni, come il PdM basato sull’intelligenza artificiale, e come miglioramenti al software e ai casi d’uso esistenti. Le grandi imprese stanno implementando diversi casi d’uso dell’intelligenza artificiale e segnalando il successo, e la maggior parte dei progetti ha un elevato ritorno sull’investimento. Nel complesso, l’ascesa del cloud, delle piattaforme IoT e dei potenti chip IA fornisce una piattaforma per una nuova generazione di software e ottimizzazione.
Orario di pubblicazione: 12 gennaio 2022