Secondo il rapporto 2021-2026 sull'intelligenza artificiale industriale e sul mercato dell'intelligenza artificiale, pubblicato di recente, il tasso di adozione dell'intelligenza artificiale in ambito industriale 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 pilotando 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 registrerà un forte tasso di crescita annuo composto (CAGR) post-pandemia del 35%, raggiungendo i 102,17 miliardi di dollari entro il 2026.
L'era digitale ha dato vita all'Internet delle Cose. È evidente che l'emergere dell'intelligenza artificiale ha accelerato il ritmo dello sviluppo dell'Internet delle Cose.
Diamo un'occhiata ad alcuni dei fattori che determinano 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'intelligenza artificiale industriale, i fornitori di tecnologie operative (OT) offrivano pochi prodotti software dedicati all'intelligenza artificiale. Da allora, molti fornitori di OT sono entrati nel mercato dell'intelligenza artificiale sviluppando e fornendo soluzioni software di intelligenza artificiale sotto forma di piattaforme di intelligenza artificiale per gli impianti di produzione.
Secondo i dati, quasi 400 fornitori offrono software AIoT. Il numero di fornitori di software che si sono uniti al 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 di 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 di intelligenza artificiale dedicate. Tra gli esempi figurano la suite di analisi e intelligenza artificiale Genix Industrial di ABB, la suite FactoryTalk Innovation di Rockwell Automation, la piattaforma di consulenza per la produzione di Schneider Electric e, più di recente, componenti aggiuntivi specifici. Alcune di queste piattaforme si rivolgono a un'ampia gamma di casi d'uso. Ad esempio, la piattaforma Genix di ABB offre analisi avanzate, incluse applicazioni e servizi predefiniti per la gestione delle prestazioni operative, l'integrità degli asset, la sostenibilità e l'efficienza della supply chain.
Le grandi aziende stanno mettendo in produzione i loro strumenti software di intelligenza artificiale.
La disponibilità di strumenti software di intelligenza artificiale è anche trainata da nuovi strumenti software specifici per casi d'uso sviluppati da AWS e da grandi aziende come Microsoft e Google. Ad esempio, a dicembre 2020, AWS ha rilasciato Amazon SageMaker JumpStart, una funzionalità di Amazon SageMaker che offre un set di soluzioni predefinite e personalizzabili per i casi d'uso industriali più comuni, come PdM, visione artificiale e guida autonoma, distribuibili in pochi clic.
Le soluzioni software specifiche per i casi d'uso stanno favorendo il miglioramento dell'usabilità.
Suite software specifiche per casi d'uso, come quelle focalizzate sulla manutenzione predittiva, stanno diventando sempre più diffuse. 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 dati e all'utilizzo di modelli di pre-addestramento, nonché all'adozione diffusa di tecnologie di data enhancement.
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 delle attività associate al machine learning (ML), la rapida crescita delle applicazioni di machine learning ha creato la necessità di metodi di machine learning standardizzati e utilizzabili anche 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 nell'ambito delle loro offerte di intelligenza artificiale per aiutare i clienti a sviluppare modelli di machine learning e implementare più rapidamente casi d'uso industriali. Nel novembre 2020, ad esempio, SKF ha annunciato un prodotto basato su AutoML che combina i dati di processo delle macchine con i dati relativi a vibrazioni 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 in genere peggiorano nel tempo a causa di diversi fattori all'interno dell'impianto (ad esempio, variazioni 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 riuscire a identificare comportamenti che mettono a repentaglio la sicurezza dei lavoratori).
Negli ultimi anni, molte startup si sono unite al mondo delle ML Ops, tra cui DataRobot, Grid.AI, Pinecone/Zilliz, Seldon e Weights & Biases. Aziende affermate hanno integrato operazioni di machine learning nella loro offerta di software di intelligenza artificiale, 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 variazioni 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 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) 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 EVA intelligenti vengono utilizzati per automatizzare i processi ERP, come la riprogrammazione delle operazioni di produzione o l'esecuzione di semplici query (ad esempio, per ottenere dettagli sui prezzi dei prodotti o sul numero di componenti 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 esempio lampante è la visione artificiale nelle applicazioni di controllo qualità. I sistemi di visione artificiale tradizionali elaborano le immagini tramite computer integrati o discreti dotati di software specializzato che valuta parametri e soglie predeterminati (ad esempio, elevato contrasto) per determinare se gli oggetti presentano difetti. In molti casi (ad esempio, componenti elettronici con cablaggi di diversa forma), il numero di falsi positivi è molto elevato.
Tuttavia, questi sistemi stanno venendo rilanciati 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) a 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 degli ambienti medicali ed elettronici che richiedono una misurazione accurata di graffi, contaminazione e altri difetti.
Fattore 4: l'hardware AIoT industriale viene migliorato
I chip AI stanno migliorando rapidamente.
I chip hardware embedded per l'intelligenza artificiale (IA) stanno crescendo rapidamente, con una varietà di opzioni disponibili per supportare lo sviluppo e l'implementazione di modelli di IA. Tra gli esempi figurano le più recenti unità di elaborazione grafica (GPU) di NVIDIA, A30 e A10, introdotte 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 Tensor Processing Unit (TPU) di quarta generazione di Google, potenti circuiti integrati per scopi speciali (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 per l'IA riduce i tempi di elaborazione dei modelli da giorni a minuti e si è dimostrato un punto di svolta in molti casi.
Un hardware AI potente è immediatamente disponibile tramite un modello di pagamento a consumo.
Le aziende di grandi dimensioni aggiornano costantemente i propri server per rendere disponibili le risorse di elaborazione nel cloud, in modo che gli utenti finali possano implementare applicazioni di intelligenza artificiale industriale. A novembre 2021, ad esempio, AWS ha annunciato il rilascio ufficiale delle sue ultime istanze basate su GPU, Amazon EC2 G5, basate sulla GPU NVIDIA A10G Tensor Core, per una varietà di applicazioni di apprendimento automatico (ML), tra cui visione artificiale e motori di raccomandazione. Ad esempio, il fornitore di sistemi di rilevamento Nanotronics utilizza esempi di Amazon EC2 della sua soluzione di controllo qualità basata sull'intelligenza artificiale per accelerare i processi di elaborazione e ottenere tassi di rilevamento più accurati nella produzione di microchip e nanotubi.
Conclusione e Prospettiva
L'intelligenza artificiale sta uscendo dalle fabbriche e sarà onnipresente in nuove applicazioni, come la gestione del ciclo di vita basato sull'intelligenza artificiale (PdM), e come miglioramento di software e casi d'uso esistenti. Le grandi aziende stanno implementando diversi casi d'uso di intelligenza artificiale, registrando successi 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 di intelligenza artificiale offre una piattaforma per una nuova generazione di software e ottimizzazione.
Data di pubblicazione: 12 gennaio 2022