Secondo il recente rapporto "Industrial AI and AI Market Report 2021-2026", il tasso di adozione dell'IA in ambito industriale è aumentato dal 19% al 31% in poco più di due anni. Oltre al 31% degli intervistati che ha implementato l'IA, in tutto o in parte, nelle proprie attività, un ulteriore 39% sta attualmente testando o sperimentando la tecnologia.
L'intelligenza artificiale si sta affermando come tecnologia chiave per i produttori e le aziende energetiche di tutto il mondo, e le analisi sull'IoT prevedono che il mercato delle soluzioni di intelligenza artificiale industriale mostrerà un forte tasso di crescita annuo composto (CAGR) del 35% nel periodo post-pandemia, raggiungendo i 102,17 miliardi di dollari entro il 2026.
L'era digitale ha dato vita all'Internet delle cose. Si può constatare che l'avvento dell'intelligenza artificiale ha accelerato il ritmo di sviluppo dell'Internet delle cose.
Analizziamo alcuni dei fattori che guidano l'ascesa dell'IA industriale e dell'AIoT.
Fattore 1: Sempre più strumenti software per l'AIoT industriale
Nel 2019, quando l'analisi IoT ha iniziato a interessare l'intelligenza artificiale industriale, erano pochi i prodotti software dedicati all'IA offerti dai fornitori di tecnologie operative (OT). Da allora, molti fornitori di OT sono entrati nel mercato dell'IA sviluppando e fornendo soluzioni software di IA sotto forma di piattaforme di IA per l'ambiente di produzione.
Secondo i dati, quasi 400 fornitori offrono software AIoT. Il numero di fornitori di software che entrano nel mercato dell'IA industriale è aumentato drasticamente negli ultimi due anni. Durante lo studio, IoT Analytics ha identificato 634 fornitori di tecnologia AI per produttori/clienti industriali. Di queste aziende, 389 (61,4%) offrono software AI.
La nuova piattaforma software basata sull'intelligenza artificiale si concentra sugli ambienti industriali. Oltre a Uptake, Braincube o C3 AI, un numero crescente di fornitori di tecnologie operative (OT) offre piattaforme software dedicate all'IA. Tra gli esempi si annoverano la suite di analisi e IA Genix Industrial di ABB, la suite FactoryTalk Innovation di Rockwell Automation, la piattaforma di consulenza per la produzione di Schneider Electric e, più recentemente, specifici componenti aggiuntivi. Alcune di queste piattaforme si rivolgono a una vasta gamma di casi d'uso. Ad esempio, la piattaforma Genix di ABB fornisce analisi avanzate, incluse applicazioni e servizi preconfigurati per la gestione delle prestazioni operative, l'integrità degli asset, la sostenibilità e l'efficienza della catena di fornitura.
Le grandi aziende stanno implementando i loro strumenti software basati sull'intelligenza artificiale direttamente negli stabilimenti produttivi.
La disponibilità di strumenti software per l'intelligenza artificiale è inoltre trainata 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 offre una serie di soluzioni predefinite e personalizzabili per i casi d'uso industriali più comuni, come la manutenzione predittiva, la visione artificiale e la guida autonoma, implementabili con pochi clic.
Le soluzioni software specifiche per casi d'uso stanno contribuendo al miglioramento dell'usabilità.
Le suite software specifiche per casi d'uso, come quelle focalizzate sulla manutenzione predittiva, stanno diventando sempre più comuni. IoT Analytics ha osservato che il numero di fornitori che utilizzano soluzioni software di gestione dei dati di prodotto (PdM) basate sull'intelligenza artificiale è salito a 73 all'inizio del 2021, grazie all'aumento della varietà delle fonti di dati e all'utilizzo di modelli pre-addestrati, nonché all'ampia adozione di tecnologie di miglioramento dei dati.
Fattore 2: Lo sviluppo e la manutenzione delle soluzioni di intelligenza artificiale vengono semplificati.
L'apprendimento automatico automatizzato (AutoML) sta diventando un prodotto standard.
A causa della complessità dei compiti associati all'apprendimento automatico (ML), la rapida crescita delle applicazioni di machine learning ha creato la necessità di metodi di machine learning "pronti all'uso" che possano essere utilizzati senza competenze specifiche. Il campo di ricerca che ne è derivato, l'automazione progressiva per il machine learning, è chiamato AutoML. Diverse aziende stanno sfruttando questa tecnologia come parte delle loro offerte di intelligenza artificiale per aiutare i clienti a sviluppare modelli di ML e implementare casi d'uso industriali più rapidamente. Nel novembre 2020, ad esempio, SKF ha annunciato un prodotto basato su AutoML che combina i dati di processo delle macchine con i dati di vibrazione e temperatura per ridurre i costi e abilitare nuovi modelli di business per i clienti.
Le operazioni di apprendimento automatico (ML Ops) semplificano la gestione e la manutenzione dei modelli.
La nuova disciplina delle operazioni di apprendimento automatico mira a semplificare la manutenzione dei modelli di intelligenza artificiale negli ambienti di produzione. Le prestazioni di un modello di intelligenza artificiale tendono a degradarsi nel tempo, in quanto influenzate da diversi fattori all'interno dell'impianto (ad esempio, cambiamenti nella distribuzione dei dati e negli standard di qualità). Di conseguenza, la manutenzione dei modelli e le operazioni di apprendimento automatico sono diventate necessarie per soddisfare gli elevati requisiti di qualità degli ambienti industriali (ad esempio, i modelli con prestazioni inferiori al 99% potrebbero non essere in grado di identificare comportamenti che mettono a rischio la sicurezza dei lavoratori).
Negli ultimi anni, numerose startup si sono unite al settore delle ML Ops, tra cui DataRobot, Grid.AI, Pinecone/Zilliz, Seldon e Weights & Biases. Anche aziende consolidate hanno integrato le operazioni di machine learning nelle loro offerte software di intelligenza artificiale, come 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 compromettono le prestazioni del modello.
Fattore 3: Intelligenza artificiale applicata ad applicazioni e casi d'uso esistenti
I fornitori di software tradizionali stanno integrando funzionalità basate sull'intelligenza artificiale.
Oltre ai già esistenti strumenti software orizzontali di intelligenza artificiale come MS Azure ML, AWS SageMaker e Google Cloud Vertex AI, anche le suite software tradizionali, come i sistemi di gestione della manutenzione computerizzata (CAMMS), i sistemi di gestione della produzione (MES) o i sistemi di pianificazione delle risorse aziendali (ERP), possono ora essere significativamente migliorate integrando funzionalità di intelligenza artificiale. Ad esempio, il fornitore di ERP Epicor Software sta aggiungendo funzionalità di intelligenza artificiale ai suoi prodotti esistenti tramite Epicor Virtual Assistant (EVA). Gli agenti intelligenti di EVA vengono utilizzati per automatizzare i processi ERP, come la riprogrammazione delle operazioni di produzione o l'esecuzione di semplici query (ad esempio, per ottenere informazioni sui prezzi dei prodotti o sul numero di parti disponibili).
Le applicazioni industriali vengono potenziate grazie all'utilizzo dell'AIoT.
Numerosi casi d'uso industriali vengono potenziati grazie all'integrazione di funzionalità di intelligenza artificiale nelle infrastrutture hardware/software esistenti. Un esempio lampante è la visione artificiale nelle applicazioni di controllo qualità. I sistemi di visione artificiale tradizionali elaborano le immagini tramite computer integrati o dedicati, dotati di software specializzato che valuta parametri e soglie predeterminati (ad esempio, contrasto elevato) per stabilire se gli oggetti presentano difetti. In molti casi (ad esempio, componenti elettronici con diverse configurazioni di cablaggio), il numero di falsi positivi è molto elevato.
Tuttavia, questi sistemi vengono rivitalizzati grazie all'intelligenza artificiale. Ad esempio, Cognex, fornitore di sistemi di visione artificiale industriale, 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 le esigenze di ambienti medici ed elettronici complessi che richiedono misurazioni accurate di graffi, contaminazioni e altri difetti.
Fattore 4: Miglioramento dell'hardware AIoT industriale
I chip per l'intelligenza artificiale stanno migliorando rapidamente.
I chip hardware embedded per l'intelligenza artificiale stanno crescendo rapidamente, con una varietà di opzioni disponibili per supportare lo sviluppo e l'implementazione di modelli di IA. Tra gli esempi, le più recenti unità di elaborazione grafica (GPU) di NVIDIA, le A30 e A10, presentate a marzo 2021 e adatte a casi d'uso di IA come sistemi di raccomandazione e sistemi di visione artificiale. Un altro esempio sono le Tensors Processing Unit (TPu) di quarta generazione di Google, potenti circuiti integrati dedicati (ASic) in grado di raggiungere un'efficienza e una velocità fino a 1.000 volte superiori nello sviluppo e nell'implementazione di modelli per specifici carichi di lavoro di IA (ad esempio, rilevamento di oggetti, classificazione di immagini e benchmark di raccomandazione). L'utilizzo di hardware dedicato all'IA riduce i tempi di calcolo dei modelli da giorni a minuti e si è dimostrato un vero e proprio punto di svolta in molti casi.
Hardware potente basato sull'intelligenza artificiale è immediatamente disponibile tramite un modello di pagamento a consumo.
Le aziende di grandi dimensioni aggiornano costantemente i propri server per rendere disponibili risorse di calcolo nel cloud, consentendo così agli utenti finali di implementare applicazioni di intelligenza artificiale in ambito industriale. A 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 di machine learning, tra cui la visione artificiale e i motori di raccomandazione. Ad esempio, il fornitore di sistemi di rilevamento Nanotronics utilizza istanze Amazon EC2 della sua soluzione di controllo qualità basata sull'IA per accelerare i processi e ottenere tassi di rilevamento più accurati nella produzione di microchip e nanotubi.
Conclusione e prospettive
L'intelligenza artificiale sta uscendo dalle fabbriche e sarà onnipresente in nuove applicazioni, come la manutenzione predittiva basata sull'IA, e come miglioramento di software e casi d'uso esistenti. Le grandi aziende stanno implementando diversi casi d'uso dell'IA e riportano successi, e la maggior parte dei progetti ha un elevato ritorno sull'investimento. Nel complesso, l'avvento del cloud, delle piattaforme IoT e dei potenti chip per l'IA fornisce una piattaforma per una nuova generazione di software e ottimizzazione.
Data di pubblicazione: 12 gennaio 2022