چهار عامل باعث می شود Aiot صنعتی مورد علاقه جدید باشد

براساس گزارش بازار AI و هوش مصنوعی که اخیراً منتشر شده است 2021-2026 ، نرخ فرزندخواندگی هوش مصنوعی در محیط های صنعتی در طی دو سال از 19 درصد به 31 درصد افزایش یافته است. علاوه بر 31 درصد از پاسخ دهندگان که به طور کامل یا جزئی هوش مصنوعی خود را در عملیات خود قرار داده اند ، 39 درصد دیگر در حال حاضر در حال آزمایش یا خلبانی این فناوری هستند.

هوش مصنوعی به عنوان یک فناوری کلیدی برای تولید کنندگان و شرکت های انرژی در سراسر جهان در حال ظهور است ، و تجزیه و تحلیل IoT پیش بینی می کند که بازار راه حل های صنعتی AI یک نرخ رشد سالانه ترکیبی پس از ثبت نام (CAGR) 35 ٪ را نشان می دهد تا تا سال 2026 به 102.17 میلیارد دلار برسد.

عصر دیجیتال اینترنت اشیاء را به دنیا آورده است. مشاهده می شود که ظهور هوش مصنوعی سرعت توسعه اینترنت اشیاء را تسریع کرده است.

بیایید نگاهی به برخی از عوامل منجر به ظهور AI صنعتی و AIOT بیندازیم.

فاکتور 1: ابزارهای نرم افزاری بیشتر و بیشتر برای AIOT صنعتی

در سال 2019 ، هنگامی که IoT Analytics شروع به پوشش AI صنعتی کرد ، تعداد کمی از محصولات نرم افزاری هوش مصنوعی از فروشندگان فناوری عملیاتی (OT) وجود داشت. از آن زمان ، بسیاری از فروشندگان OT با تدوین و ارائه راه حل های نرم افزاری هوش مصنوعی در قالب سیستم عامل های هوش مصنوعی برای کف کارخانه وارد بازار هوش مصنوعی شده اند.

براساس داده ها ، نزدیک به 400 فروشنده نرم افزار AIOT را ارائه می دهند. تعداد فروشندگان نرم افزاری که به بازار AI صنعتی پیوستند در دو سال گذشته به طرز چشمگیری افزایش یافته است. در طول مطالعه ، IoT Analytics 634 تأمین کننده فناوری AI را به تولید کنندگان/مشتریان صنعتی شناسایی کرد. از این شرکت ها ، 389 (61.4 ٪) نرم افزار هوش مصنوعی را ارائه می دهند.

پلت فرم جدید نرم افزار هوش مصنوعی روی محیط های صنعتی متمرکز است. فراتر از جذب ، BrainCube یا C3 AI ، تعداد فزاینده ای از فروشندگان فناوری عملیاتی (OT) سیستم عامل های نرم افزاری اختصاصی هوش مصنوعی را ارائه می دهند. مثالها شامل ABLE ABLENTICS GENIX صنعتی ABB و AI Suite ، Rockwell Automation's FactoryTalk Suite ، پلت فرم مشاوره تولید خود اشنایدر الکتریک و اخیراً افزودنی های خاص است. برخی از این سیستم عامل ها طیف گسترده ای از موارد استفاده را هدف قرار می دهند. به عنوان مثال ، پلت فرم Genix ABB تجزیه و تحلیل پیشرفته ، از جمله برنامه ها و خدمات از پیش ساخته شده برای مدیریت عملکرد عملیاتی ، یکپارچگی دارایی ، پایداری و راندمان زنجیره تأمین را ارائه می دهد.

شرکت های بزرگ ابزارهای نرم افزاری هوش مصنوعی خود را در کف مغازه قرار می دهند.

در دسترس بودن ابزارهای نرم افزاری هوش مصنوعی همچنین توسط ابزارهای نرم افزاری خاص استفاده جدید ساخته شده توسط AWS ، شرکت های بزرگی مانند مایکروسافت و گوگل هدایت می شود. به عنوان مثال ، در دسامبر سال 2020 ، AWS Amazon Sagemaker JumpStart را منتشر کرد ، یکی از ویژگی های Amazon Sagemaker که مجموعه ای از راه حل های از پیش ساخته و قابل تنظیم را برای رایج ترین موارد استفاده صنعتی ، مانند PDM ، دید رایانه و رانندگی مستقل ، فقط با چند کلیک مستقر می کند.

راه حل های نرم افزاری خاص استفاده ، پیشرفت های قابلیت استفاده را در پیش می گیرند.

سوئیت های نرم افزاری خاص استفاده ، مانند آنهایی که بر روی نگهداری پیش بینی متمرکز شده اند ، رایج تر می شوند. IoT Analytics اظهار داشت که تعداد ارائه دهندگان با استفاده از راه حل های نرم افزاری مدیریت داده های مبتنی بر هوش مصنوعی (PDM) در اوایل سال 2021 به دلیل افزایش انواع منابع داده و استفاده از مدل های پیش از آموزش و همچنین اتخاذ گسترده فن آوری های تقویت داده به 73 افزایش یافت.

فاکتور 2: توسعه و نگهداری راه حل های AI ساده می شود

یادگیری خودکار ماشین (AUTOML) در حال تبدیل شدن به یک محصول استاندارد است.

با توجه به پیچیدگی وظایف مرتبط با یادگیری ماشین (ML) ، رشد سریع برنامه های یادگیری ماشین نیاز به روشهای یادگیری ماشین خارج از قفسه را ایجاد کرده است که بدون تخصص قابل استفاده است. زمینه تحقیق حاصل ، اتوماسیون مترقی برای یادگیری ماشین ، AUTOM نامیده می شود. انواع شرکت ها به عنوان بخشی از پیشنهادات هوش مصنوعی خود برای کمک به مشتریان در توسعه مدل های ML و اجرای سریعتر موارد استفاده صنعتی ، از این فناوری استفاده می کنند. به عنوان مثال ، در نوامبر 2020 ، SKF محصولی مبتنی بر AUTOL را اعلام کرد که داده های فرآیند ماشین را با داده های لرزش و دما ترکیب می کند تا هزینه ها را کاهش داده و مدل های جدید تجاری را برای مشتریان فعال کند.

عملیات یادگیری ماشین (ML OPS) مدیریت و نگهداری مدل را ساده می کند.

رشته جدید عملیات یادگیری ماشین با هدف ساده سازی نگهداری از مدل های هوش مصنوعی در محیط های تولیدی انجام می شود. عملکرد یک مدل AI به طور معمول با گذشت زمان تخریب می شود زیرا تحت تأثیر چندین عامل در گیاه قرار می گیرد (به عنوان مثال ، تغییر در توزیع داده ها و استانداردهای کیفیت). در نتیجه ، تعمیر و نگهداری مدل و عملیات یادگیری ماشین برای برآورده کردن نیازهای با کیفیت بالای محیط های صنعتی ضروری شده است (به عنوان مثال ، مدل هایی با عملکرد زیر 99 ٪ ممکن است در شناسایی رفتاری که ایمنی کارگران را به خطر می اندازد) ناکام باشند.

در سالهای اخیر ، بسیاری از استارتاپ ها به فضای ML OPS پیوسته اند ، از جمله DataRobot ، Grid.ai ، Pinecone/Zilliz ، Seldon و وزنه ها و تعصبات. شرکت های مستقر عملیات یادگیری ماشین را به ارائه نرم افزار موجود در AI خود ، از جمله مایکروسافت ، که تشخیص داده های رانش داده را در استودیوی Azure ML معرفی کرده اند ، اضافه کرده اند. این ویژگی جدید کاربران را قادر می سازد تغییرات در توزیع داده های ورودی را که عملکرد مدل را تخریب می کنند ، تشخیص دهند.

فاکتور 3: هوش مصنوعی که در مورد برنامه های موجود اعمال می شود و موارد استفاده می کند

ارائه دهندگان نرم افزار سنتی در حال اضافه کردن قابلیت های هوش مصنوعی هستند.

علاوه بر ابزارهای نرم افزاری بزرگ AI افقی موجود مانند MS Azure ML ، AWS Sagemaker و Google Cloud Vertex AI ، مجموعه های نرم افزاری سنتی مانند سیستم های مدیریت نگهداری رایانه ای (CAMMS) ، سیستم های اجرای تولید (MES) یا برنامه ریزی منابع سازمانی (ERP) اکنون می توانند با تزریق قابلیت های AI به طور قابل توجهی بهبود یابد. به عنوان مثال ، نرم افزار EPICOR ارائه دهنده ERP از طریق دستیار مجازی Epicor خود (EVA) قابلیت های AI را به محصولات موجود خود اضافه می کند. از عوامل هوشمند EVA برای خودکارسازی فرآیندهای ERP ، مانند تنظیم مجدد عملیات تولید یا انجام نمایش داده های ساده استفاده می شود (به عنوان مثال ، به دست آوردن جزئیات در مورد قیمت گذاری محصول یا تعداد قطعات موجود).

موارد استفاده صنعتی با استفاده از AIOT به روز می شود.

با افزودن قابلیت های هوش مصنوعی به زیرساخت های سخت افزاری/نرم افزاری موجود ، چندین مورد استفاده صنعتی افزایش می یابد. یک مثال واضح ، دید ماشین در برنامه های کنترل کیفیت است. سیستم های بینایی دستگاه سنتی تصاویر را از طریق رایانه های یکپارچه یا گسسته مجهز به نرم افزار تخصصی که پارامترها و آستانه های از پیش تعیین شده را ارزیابی می کند (به عنوان مثال ، کنتراست بالا) برای تعیین اینکه آیا اشیاء نقص دارند ، پردازش می کند. در بسیاری از موارد (به عنوان مثال ، اجزای الکترونیکی با شکل های مختلف سیم کشی) ، تعداد مثبت کاذب بسیار زیاد است.

با این حال ، این سیستم ها از طریق هوش مصنوعی احیا می شوند. به عنوان مثال ، ارائه دهنده دیدگاه دستگاه صنعتی Cognex در ژوئیه سال 2021 یک ابزار جدید یادگیری عمیق (Vision Pro Deep Learning 2.0) منتشر کرد. ابزارهای جدید با سیستم های دید سنتی ادغام می شوند و کاربران نهایی را قادر می سازند تا یادگیری عمیق را با ابزارهای بینایی سنتی در همان برنامه های پزشکی و الکترونیکی که نیاز به اندازه گیری دقیق خراش ها ، آلودگی ها و سایر نقص ها دارند ، ترکیب کنند.

فاکتور 4: سخت افزار AIOT صنعتی بهبود یافته است

تراشه های هوش مصنوعی به سرعت در حال بهبود هستند.

تراشه های AI سخت افزار تعبیه شده به سرعت در حال رشد هستند و گزینه های متنوعی برای پشتیبانی از توسعه و استقرار مدل های AI در دسترس هستند. مثالها شامل آخرین واحدهای پردازش گرافیکی NVIDIA (GPU) ، A30 و A10 است که در مارس 2021 معرفی شده اند و برای موارد استفاده هوش مصنوعی مانند سیستم های توصیه و سیستم های دید رایانه ای مناسب هستند. مثال دیگر واحدهای پردازش تانسورس نسل چهارم گوگل (TPU) ، که مدارهای یکپارچه با هدف ویژه (ASIC) هستند که می توانند تا 1000 برابر بیشتر در توسعه و استقرار مدل برای بارهای خاص AI (به عنوان مثال ، تشخیص شی ، طبقه بندی تصویر و مشت های توصیه) به 1000 برابر بیشتر برسند. استفاده از سخت افزار اختصاصی AI ، زمان محاسبه مدل را از روزها به دقیقه کاهش می دهد و در بسیاری از موارد ثابت شده است که یک تغییر دهنده بازی است.

سخت افزار قدرتمند هوش مصنوعی بلافاصله از طریق یک مدل پرداخت در هر استفاده در دسترس است.

شرکتهای Superscale دائماً سرورهای خود را به روز می کنند تا منابع محاسباتی را در ابر در دسترس قرار دهند تا کاربران نهایی بتوانند برنامه های هوش مصنوعی صنعتی را پیاده سازی کنند. به عنوان مثال ، در نوامبر 2021 ، AWS از انتشار رسمی آخرین نمونه های مبتنی بر GPU ، Amazon EC2 G5 ، با استفاده از GPU NVIDIA A10G Tensor Core ، برای انواع برنامه های ML ، از جمله چشم انداز رایانه و موتورهای توصیه ، خبر داد. به عنوان مثال ، ارائه دهنده سیستم های تشخیص نانوترونیک از نمونه های آمازون EC2 از راه حل کنترل کیفیت مبتنی بر هوش مصنوعی خود برای سرعت بخشیدن به تلاش های پردازش و دستیابی به نرخ تشخیص دقیق تر در ساخت میکروچیپ ها و نانولولها استفاده می کند.

نتیجه گیری و چشم انداز

هوش مصنوعی از کارخانه بیرون می آید ، و در برنامه های جدید مانند PDM مبتنی بر هوش مصنوعی و به عنوان پیشرفت در نرم افزار موجود و موارد استفاده ، فراگیر خواهد بود. شرکت های بزرگ چندین مورد استفاده از هوش مصنوعی و گزارش موفقیت را از بین می برند و بیشتر پروژه ها بازده بالایی برای سرمایه گذاری دارند. در کل ، ظهور ابر ، سیستم عامل های IoT و تراشه های قدرتمند AI بستری را برای نسل جدیدی از نرم افزار و بهینه سازی فراهم می کند.