چهار عامل، هوش مصنوعی اینترنت اشیا صنعتی را به گزینه‌ای محبوب تبدیل می‌کند

طبق گزارش اخیر هوش مصنوعی صنعتی و بازار هوش مصنوعی ۲۰۲۱-۲۰۲۶، نرخ پذیرش هوش مصنوعی در محیط‌های صنعتی در عرض بیش از دو سال از ۱۹ درصد به ۳۱ درصد افزایش یافته است. علاوه بر ۳۱ درصد از پاسخ‌دهندگان که هوش مصنوعی را به طور کامل یا جزئی در عملیات خود به کار گرفته‌اند، ۳۹ درصد دیگر در حال حاضر در حال آزمایش یا اجرای آزمایشی این فناوری هستند.

هوش مصنوعی به عنوان یک فناوری کلیدی برای تولیدکنندگان و شرکت‌های انرژی در سراسر جهان در حال ظهور است و تجزیه و تحلیل اینترنت اشیا پیش‌بینی می‌کند که بازار راهکارهای هوش مصنوعی صنعتی، نرخ رشد سالانه ترکیبی (CAGR) قوی پس از همه‌گیری (پس از کرونا) 35 درصدی را نشان خواهد داد و تا سال 2026 به 102.17 میلیارد دلار خواهد رسید.

عصر دیجیتال، اینترنت اشیا را به دنیا آورده است. می‌توان مشاهده کرد که ظهور هوش مصنوعی، سرعت توسعه اینترنت اشیا را افزایش داده است.

بیایید نگاهی به برخی از عواملی که باعث ظهور هوش مصنوعی صنعتی و اینترنت اشیا می‌شوند، بیندازیم.

عامل ۱: ابزارهای نرم‌افزاری بیشتر و بیشتر برای هوش مصنوعی اینترنت اشیا صنعتی

در سال ۲۰۱۹، زمانی که تجزیه و تحلیل اینترنت اشیا شروع به پوشش هوش مصنوعی صنعتی کرد، تعداد کمی از محصولات نرم‌افزاری اختصاصی هوش مصنوعی از فروشندگان فناوری عملیاتی (OT) وجود داشت. از آن زمان، بسیاری از فروشندگان OT با توسعه و ارائه راه‌حل‌های نرم‌افزاری هوش مصنوعی در قالب پلتفرم‌های هوش مصنوعی برای کارخانه‌ها، وارد بازار هوش مصنوعی شده‌اند.

طبق داده‌ها، نزدیک به ۴۰۰ فروشنده نرم‌افزار AIoT ارائه می‌دهند. تعداد فروشندگان نرم‌افزار که به بازار هوش مصنوعی صنعتی پیوسته‌اند، در دو سال گذشته به طرز چشمگیری افزایش یافته است. در طول این مطالعه، IoT Analytics 634 تأمین‌کننده فناوری هوش مصنوعی را برای تولیدکنندگان/مشتریان صنعتی شناسایی کرد. از این شرکت‌ها، ۳۸۹ شرکت (۶۱.۴٪) نرم‌افزار هوش مصنوعی ارائه می‌دهند.

پلتفرم نرم‌افزاری جدید هوش مصنوعی بر محیط‌های صنعتی تمرکز دارد. فراتر از Uptake، Braincube یا C3 AI، تعداد فزاینده‌ای از فروشندگان فناوری عملیاتی (OT) پلتفرم‌های نرم‌افزاری اختصاصی هوش مصنوعی ارائه می‌دهند. نمونه‌هایی از این پلتفرم‌ها عبارتند از مجموعه تحلیل و هوش مصنوعی Genix Industrial شرکت ABB، مجموعه نوآوری FactoryTalk شرکت Rockwell Automation، پلتفرم مشاوره تولید خود شرکت Schneider Electric و اخیراً افزونه‌های خاص. برخی از این پلتفرم‌ها طیف وسیعی از موارد استفاده را هدف قرار می‌دهند. به عنوان مثال، پلتفرم Genix شرکت ABB تجزیه و تحلیل پیشرفته‌ای از جمله برنامه‌ها و خدمات از پیش ساخته شده برای مدیریت عملکرد عملیاتی، یکپارچگی دارایی‌ها، پایداری و کارایی زنجیره تأمین را ارائه می‌دهد.

شرکت‌های بزرگ ابزارهای نرم‌افزاری هوش مصنوعی خود را در کارگاه‌ها به کار می‌گیرند.

دسترسی به ابزارهای نرم‌افزاری هوش مصنوعی همچنین توسط ابزارهای نرم‌افزاری جدید و خاص برای موارد استفاده خاص که توسط AWS، شرکت‌های بزرگی مانند مایکروسافت و گوگل توسعه داده شده‌اند، هدایت می‌شود. به عنوان مثال، در دسامبر 2020، AWS Amazon SageMaker JumpStart را منتشر کرد، یکی از ویژگی‌های Amazon SageMaker که مجموعه‌ای از راه‌حل‌های از پیش ساخته شده و قابل تنظیم را برای رایج‌ترین موارد استفاده صنعتی، مانند PdM، بینایی کامپیوتر و رانندگی خودران ارائه می‌دهد و می‌توان آنها را تنها با چند کلیک مستقر کرد.

راهکارهای نرم‌افزاری مختص به هر مورد استفاده، بهبودهای کاربردی را به دنبال دارند.

مجموعه‌های نرم‌افزاری خاص برای هر مورد استفاده، مانند آن‌هایی که بر نگهداری پیش‌بینی‌کننده متمرکز هستند، رایج‌تر می‌شوند. IoT Analytics مشاهده کرد که تعداد ارائه‌دهندگانی که از راه‌حل‌های نرم‌افزاری مدیریت داده‌های محصول (PdM) مبتنی بر هوش مصنوعی استفاده می‌کنند، در اوایل سال ۲۰۲۱ به ۷۳ مورد افزایش یافته است که دلیل آن افزایش تنوع منابع داده و استفاده از مدل‌های پیش‌آموزش و همچنین پذیرش گسترده فناوری‌های بهبود داده‌ها است.

عامل ۲: توسعه و نگهداری راهکارهای هوش مصنوعی در حال ساده‌سازی است

یادگیری ماشینی خودکار (AutoML) در حال تبدیل شدن به یک محصول استاندارد است.

با توجه به پیچیدگی وظایف مرتبط با یادگیری ماشین (ML)، رشد سریع کاربردهای یادگیری ماشین، نیاز به روش‌های یادگیری ماشین آماده‌ای را ایجاد کرده است که بدون نیاز به تخصص قابل استفاده باشند. حوزه تحقیقاتی حاصل، اتوماسیون پیشرفته برای یادگیری ماشین، AutoML نامیده می‌شود. شرکت‌های مختلفی از این فناوری به عنوان بخشی از پیشنهادات هوش مصنوعی خود استفاده می‌کنند تا به مشتریان در توسعه مدل‌های یادگیری ماشین و پیاده‌سازی سریع‌تر موارد استفاده صنعتی کمک کنند. به عنوان مثال، در نوامبر 2020، SKF محصولی مبتنی بر automL را معرفی کرد که داده‌های فرآیند ماشین را با داده‌های ارتعاش و دما ترکیب می‌کند تا هزینه‌ها را کاهش داده و مدل‌های تجاری جدیدی را برای مشتریان فعال کند.

عملیات یادگیری ماشین (ML Ops) مدیریت و نگهداری مدل را ساده می‌کند.

رشته جدید عملیات یادگیری ماشینی با هدف ساده‌سازی نگهداری مدل‌های هوش مصنوعی در محیط‌های تولیدی ایجاد شده است. عملکرد یک مدل هوش مصنوعی معمولاً با گذشت زمان کاهش می‌یابد، زیرا تحت تأثیر عوامل مختلفی در کارخانه قرار می‌گیرد (به عنوان مثال، تغییرات در توزیع داده‌ها و استانداردهای کیفیت). در نتیجه، نگهداری مدل و عملیات یادگیری ماشینی برای برآورده کردن الزامات کیفیت بالای محیط‌های صنعتی ضروری شده‌اند (به عنوان مثال، مدل‌هایی با عملکرد زیر ۹۹٪ ممکن است در شناسایی رفتاری که ایمنی کارگران را به خطر می‌اندازد، شکست بخورند).

در سال‌های اخیر، بسیاری از استارت‌آپ‌ها به فضای عملیات یادگیری ماشینی پیوسته‌اند، از جمله DataRobot، Grid.AI، Pinecone/Zilliz، Seldon و Weights & Biases. شرکت‌های جاافتاده، عملیات یادگیری ماشینی را به نرم‌افزارهای هوش مصنوعی موجود خود اضافه کرده‌اند، از جمله مایکروسافت که تشخیص رانش داده‌ها را در Azure ML Studio معرفی کرده است. این ویژگی جدید کاربران را قادر می‌سازد تا تغییرات در توزیع داده‌های ورودی را که عملکرد مدل را کاهش می‌دهد، تشخیص دهند.

عامل ۳: هوش مصنوعی به کار رفته در برنامه‌های کاربردی و موارد استفاده موجود

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

علاوه بر ابزارهای نرم‌افزاری افقی بزرگ هوش مصنوعی موجود مانند MS Azure ML، AWS SageMaker و Google Cloud Vertex AI، مجموعه‌های نرم‌افزاری سنتی مانند سیستم‌های مدیریت نگهداری کامپیوتری (CAMMS)، سیستم‌های اجرای تولید (MES) یا برنامه‌ریزی منابع سازمانی (ERP) اکنون می‌توانند با تزریق قابلیت‌های هوش مصنوعی به طور قابل توجهی بهبود یابند. به عنوان مثال، شرکت Epicor Software، ارائه‌دهنده ERP، از طریق دستیار مجازی Epicor (EVA)، قابلیت‌های هوش مصنوعی را به محصولات موجود خود اضافه می‌کند. از عوامل هوشمند EVA برای خودکارسازی فرآیندهای ERP، مانند برنامه‌ریزی مجدد عملیات تولید یا انجام پرس‌وجوهای ساده (به عنوان مثال، به دست آوردن جزئیات در مورد قیمت‌گذاری محصول یا تعداد قطعات موجود) استفاده می‌شود.

موارد استفاده صنعتی با استفاده از AIoT در حال ارتقا هستند.

چندین مورد استفاده صنعتی با افزودن قابلیت‌های هوش مصنوعی به زیرساخت‌های سخت‌افزاری/نرم‌افزاری موجود، در حال بهبود هستند. یک مثال بارز، بینایی ماشین در کاربردهای کنترل کیفیت است. سیستم‌های بینایی ماشین سنتی تصاویر را از طریق رایانه‌های یکپارچه یا مجزا مجهز به نرم‌افزارهای تخصصی پردازش می‌کنند که پارامترها و آستانه‌های از پیش تعیین‌شده (مثلاً کنتراست بالا) را ارزیابی می‌کنند تا مشخص شود که آیا اشیاء دارای نقص هستند یا خیر. در بسیاری از موارد (به عنوان مثال، قطعات الکترونیکی با شکل‌های سیم‌کشی مختلف)، تعداد نتایج مثبت کاذب بسیار زیاد است.

با این حال، این سیستم‌ها از طریق هوش مصنوعی در حال احیا شدن هستند. به عنوان مثال، شرکت Cognex، ارائه دهنده خدمات بینایی ماشین صنعتی، در ژوئیه 2021 یک ابزار یادگیری عمیق جدید (Vision Pro Deep Learning 2.0) منتشر کرد. این ابزارهای جدید با سیستم‌های بینایی سنتی ادغام می‌شوند و به کاربران نهایی این امکان را می‌دهند که یادگیری عمیق را با ابزارهای بینایی سنتی در یک برنامه واحد ترکیب کنند تا بتوانند نیازهای محیط‌های پزشکی و الکترونیکی دشوار را که نیاز به اندازه‌گیری دقیق خراش‌ها، آلودگی‌ها و سایر نقص‌ها دارند، برآورده کنند.

عامل ۴: سخت‌افزار هوش مصنوعی اینترنت اشیا صنعتی در حال بهبود است

تراشه‌های هوش مصنوعی به سرعت در حال پیشرفت هستند.

تراشه‌های هوش مصنوعی سخت‌افزاری تعبیه‌شده به سرعت در حال رشد هستند و گزینه‌های متنوعی برای پشتیبانی از توسعه و استقرار مدل‌های هوش مصنوعی در دسترس است. به عنوان مثال می‌توان به جدیدترین واحدهای پردازش گرافیکی (Gpus) انویدیا، A30 و A10، اشاره کرد که در مارس 2021 معرفی شدند و برای موارد استفاده هوش مصنوعی مانند سیستم‌های توصیه‌گر و سیستم‌های بینایی کامپیوتر مناسب هستند. مثال دیگر، واحدهای پردازش تنسور (TPus) نسل چهارم گوگل است که مدارهای مجتمع (ASIC) قدرتمندی با کاربرد خاص هستند که می‌توانند تا 1000 برابر کارایی و سرعت بیشتری در توسعه و استقرار مدل برای بارهای کاری خاص هوش مصنوعی (مانند تشخیص اشیاء، طبقه‌بندی تصویر و معیارهای توصیه‌گری) به دست آورند. استفاده از سخت‌افزار اختصاصی هوش مصنوعی، زمان محاسبه مدل را از چند روز به چند دقیقه کاهش می‌دهد و در بسیاری از موارد، ثابت کرده است که یک عامل تغییر دهنده بازی است.

سخت‌افزار قدرتمند هوش مصنوعی از طریق مدل پرداخت به ازای هر استفاده، بلافاصله در دسترس است.

شرکت‌های بزرگ دائماً در حال ارتقاء سرورهای خود هستند تا منابع محاسباتی را در فضای ابری در دسترس قرار دهند تا کاربران نهایی بتوانند برنامه‌های هوش مصنوعی صنعتی را پیاده‌سازی کنند. به عنوان مثال، در نوامبر 2021، AWS از انتشار رسمی جدیدترین نمونه‌های مبتنی بر GPU خود، Amazon EC2 G5، که توسط NVIDIA A10G Tensor Core GPU پشتیبانی می‌شود، برای انواع برنامه‌های یادگیری ماشین، از جمله بینایی کامپیوتر و موتورهای توصیه، خبر داد. به عنوان مثال، Nanotronics، ارائه دهنده سیستم‌های تشخیص، از نمونه‌های Amazon EC2 از راه حل کنترل کیفیت مبتنی بر هوش مصنوعی خود برای سرعت بخشیدن به تلاش‌های پردازش و دستیابی به نرخ تشخیص دقیق‌تر در ساخت میکروچیپ‌ها و نانولوله‌ها استفاده می‌کند.

نتیجه‌گیری و چشم‌انداز

هوش مصنوعی در حال ظهور است و در برنامه‌های جدید، مانند PdM مبتنی بر هوش مصنوعی، و به عنوان پیشرفت‌هایی در نرم‌افزارها و موارد استفاده موجود، فراگیر خواهد شد. شرکت‌های بزرگ در حال راه‌اندازی چندین مورد استفاده هوش مصنوعی و گزارش موفقیت هستند و اکثر پروژه‌ها بازگشت سرمایه بالایی دارند. در مجموع، ظهور فضای ابری، پلتفرم‌های اینترنت اشیا و تراشه‌های قدرتمند هوش مصنوعی، بستری را برای نسل جدیدی از نرم‌افزارها و بهینه‌سازی فراهم می‌کند.