Secondo il rapporto di mercato dell'intelligenza artificiale e dell'intelligenza artificiale recentemente pubblicata 2021-2026, il tasso di adozione dell'IA in contesti industriali è aumentato dal 19 % al 31 percento in poco più di due anni. Oltre al 31 percento degli intervistati che hanno implementato l'IA in piena o parzialmente nelle loro operazioni, un altro 39 percento sta attualmente testando o pilotando la tecnologia.
L'intelligenza artificiale sta emergendo come una tecnologia chiave per i produttori e le società energetiche in tutto il mondo e l'analisi IoT prevede che il mercato delle soluzioni di AI industriale mostrerà un forte tasso di crescita annuale composto post-pandemico (CAGR) del 35% per raggiungere $ 102,17 miliardi entro il 2026.
L'era digitale ha dato alla luce l'Internet of Things. Si può vedere che l'emergere dell'intelligenza artificiale ha accelerato il ritmo dello sviluppo dell'Internet of Things.
Diamo un'occhiata ad alcuni dei fattori che guidano l'ascesa dell'IA industriale e dell'Aiot.
Fattore 1: sempre più strumenti software per Aiot industriale
Nel 2019, quando IoT Analytics ha iniziato a coprire l'IA industriale, c'erano pochi prodotti software di intelligenza artificiale dedicati dai fornitori di tecnologie operative (OT). Da allora, molti fornitori OT sono entrati nel mercato dell'IA sviluppando e fornendo soluzioni software AI sotto forma di piattaforme di intelligenza artificiale per il pavimento della fabbrica.
Secondo i dati, quasi 400 fornitori offrono software AIOT. Il numero di fornitori di software che si uniscono al mercato dell'integrazione industriale è aumentato notevolmente negli ultimi due anni. Durante lo studio, IoT Analytics ha identificato 634 fornitori di tecnologia AI per produttori/clienti industriali. Di queste società, 389 (61,4%) offrono software AI.
La nuova piattaforma software AI si concentra su ambienti industriali. Oltre a assorbimento, BrainCube o C3 AI, un numero crescente di fornitori di tecnologia operativa (OT) offre piattaforme software AI dedicate. Esempi includono Genix Industrial Analytics e AI Suite di ABB, FactoryTalk Innovation Suite di Rockwell Automation, la piattaforma di consulenza di produzione di Schneider Electric e, più recentemente, i componenti aggiuntivi specifici. Alcune di queste piattaforme mirano a una vasta gamma di casi d'uso. Ad esempio, la piattaforma Genix di ABB fornisce analisi avanzate, tra cui applicazioni e servizi pre-costruiti per gestione delle prestazioni operative, integrità delle attività, sostenibilità ed efficienza della catena di approvvigionamento.
Le grandi aziende stanno mettendo i loro strumenti software AI in officina.
La disponibilità di strumenti software AI è anche guidata da nuovi strumenti software specifici per uso d'uso sviluppati da AWS, grandi aziende come Microsoft e Google. Ad esempio, nel dicembre 2020, AWS ha rilasciato Amazon Sagemaker Jumpstart, una caratteristica di Amazon Sagemaker che fornisce una serie di soluzioni pre-costruite e personalizzabili per i casi di utilizzo industriale più comuni, come PDM, visione informatica e guida autonoma, distribuire con pochi clic.
Le soluzioni software specifiche per il caso stanno guidando miglioramenti di usabilità.
Le suite di software specifiche per uso d'uso, come quelle incentrate sulla manutenzione predittiva, stanno diventando più comuni. IoT Analytics ha osservato che il numero di provider che utilizzano software software di gestione dei dati (PDM) basati su AI sono saliti a 73 all'inizio del 2021 a causa di un aumento della varietà di fonti di dati e dell'uso di modelli di pre-allenamento, nonché l'adozione diffusa delle tecnologie di potenziamento dei dati.
Fattore 2: lo sviluppo e la manutenzione delle soluzioni AI vengono semplificati
L'apprendimento automatico automatizzato (AUTACL) sta diventando un prodotto standard.
A causa della complessità delle attività associate all'apprendimento automatico (ML), la rapida crescita delle applicazioni di apprendimento automatico ha creato la necessità di metodi di apprendimento automatico fuori dallo scaffale che possono essere utilizzati senza competenza. Il campo della ricerca risultante, Automazione progressiva per l'apprendimento automatico, si chiama AUTOML. Una varietà di aziende sta sfruttando questa tecnologia come parte delle loro offerte di intelligenza artificiale per aiutare i clienti a sviluppare modelli ML e implementare casi d'uso industriali più velocemente. Nel novembre 2020, ad esempio, SKF ha annunciato un prodotto basato su Automo che combina i dati del processo della macchina con i dati di vibrazione e temperatura per ridurre i costi e consentire nuovi modelli di business per i clienti.
Le operazioni di apprendimento automatico (ML OPS) semplificano la gestione e la manutenzione del modello.
La nuova disciplina delle operazioni di apprendimento automatico mira a semplificare la manutenzione dei modelli AI negli ambienti di produzione. Le prestazioni di un modello AI in genere si degradano nel tempo in quanto è influenzata da diversi fattori all'interno dell'impianto (ad esempio, i cambiamenti nella distribuzione dei dati e negli standard di qualità). Di conseguenza, le operazioni di manutenzione del modello e di apprendimento automatico sono diventate necessarie per soddisfare i requisiti di alta qualità degli ambienti industriali (ad esempio, i modelli con prestazioni inferiori al 99% potrebbero non identificare il comportamento che mette 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 & Bias. Le aziende affermate hanno aggiunto operazioni di apprendimento automatico alle loro offerte di software AI esistenti, tra cui Microsoft, che ha introdotto il rilevamento della deriva dei dati in Azure ML Studio. Questa nuova funzionalità consente agli utenti di rilevare le modifiche nella distribuzione dei dati di input che degradano le prestazioni del modello.
Fattore 3: intelligenza artificiale applicata alle applicazioni esistenti e ai casi d'uso
I fornitori di software tradizionali stanno aggiungendo funzionalità di intelligenza artificiale.
Oltre agli esistenti strumenti software orizzontali di AI orizzontale esistenti come MS Azure ML, AWS SageMaker e Google Cloud Vertex AI, le suite software tradizionali come i sistemi di gestione della manutenzione computerizzata (MAMMS), i sistemi di esecuzione di produzione (MES) o la pianificazione delle risorse aziendali (ERP) possono essere significativamente migliorate per l'iniezione di capacità AI. Ad esempio, il fornitore 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 query semplici (ad esempio, ottenendo dettagli sui prezzi del prodotto o sul numero di parti disponibili).
I casi d'uso industriali vengono aggiornati utilizzando Aiot.
Numerosi casi d'uso industriali vengono migliorati aggiungendo funzionalità di intelligenza artificiale all'infrastruttura hardware/software esistente. Un esempio vivido è la visione artificiale in applicazioni di controllo di qualità. I sistemi di visione artificiale tradizionali elaborano le immagini attraverso computer integrati o discreti dotati di software specializzato che valuta parametri e soglie predeterminati (ad esempio, alto contrasto) per determinare se gli oggetti mostrano difetti. In molti casi (ad esempio, componenti elettronici con diverse forme di cablaggio), il numero di falsi positivi è molto elevato.
Tuttavia, questi sistemi vengono rianimati attraverso l'intelligenza artificiale. Ad esempio, il fornitore di visione della macchina industriale Cognex ha rilasciato un nuovo strumento di apprendimento profondo (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 Deep Learning con gli strumenti di visione tradizionali nella stessa applicazione per soddisfare gli ambienti medici ed elettronici esigenti che richiedono una misurazione accurata di graffi, contaminazione e altri defetti.
Fattore 4: hardware Aiot industriale migliorato
I chip AI stanno migliorando rapidamente.
I chip di AI hardware incorporati stanno crescendo rapidamente, con una varietà di opzioni disponibili per supportare lo sviluppo e l'implementazione dei modelli AI. Gli esempi includono le ultime unità di elaborazione grafica di NVIDIA (GPU), A30 e A10, che sono state introdotte nel marzo 2021 e sono adatte a casi d'uso AI come sistemi di raccomandazione e sistemi di visione informatica. Un altro esempio è che le unità di elaborazione dei tensori di quarta generazione di Google (TPU), che sono potenti circuiti integrati per scopi speciali (ASIC) che possono ottenere fino a 1.000 volte più efficienza e velocità nello sviluppo del modello e nello spiegamento per carichi di lavoro AI specifici (ad esempio, rilevamento di oggetti, classificazione delle immagini e benchmarks di raccomandazione). L'uso dell'hardware AI dedicato riduce i tempi di calcolo del modello da giorni a minuti e ha dimostrato di essere un punto di svolta in molti casi.
Il potente hardware AI è immediatamente disponibile tramite un modello pay-per-us.
Superscale Enterprises aggiorna costantemente i loro server per rendere disponibili le risorse di elaborazione nel cloud in modo che gli utenti finali possano implementare applicazioni di AI industriali. Nel novembre 2021, ad esempio, AWS annunciò la versione ufficiale delle sue ultime istanze basate su GPU, Amazon EC2 G5, alimentata dalla GPU di Tensor Core di Nvidia A10G, per una varietà di applicazioni ML, tra cui la visione informatica e i motori di raccomandazione. Ad esempio, il fornitore di sistemi di rilevamento Nanotronics utilizza esempi di Amazon EC2 della sua soluzione di controllo di 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 in nuove applicazioni, come il PDM basato sull'intelligenza artificiale e come miglioramenti al software esistente e ai casi d'uso. Le grandi imprese stanno lanciando diversi casi d'uso di intelligenza artificiale e riportando il successo e la maggior parte dei progetti ha un alto ritorno sugli investimenti. Tutto sommato, l'ascesa del cloud, le piattaforme IoT e potenti chip AI forniscono una piattaforma per una nuova generazione di software e ottimizzazione.
Tempo post: gennaio-12-2022