چهار عامل باعث می شود AIoT صنعتی به محبوبیت جدید تبدیل شود

بر اساس گزارش اخیر Industrial AI و AI Market Market 2021-2026 منتشر شده، میزان پذیرش هوش مصنوعی در تنظیمات صنعتی از 19 درصد به 31 درصد در مدت کمی بیش از دو سال افزایش یافته است. علاوه بر 31 درصد از پاسخ دهندگان که به طور کامل یا جزئی از هوش مصنوعی در عملیات خود استفاده کرده اند، 39 درصد دیگر در حال حاضر در حال آزمایش یا آزمایش 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 راه‌حل‌های هوش مصنوعی صنعتی نرخ رشد سالانه ترکیبی پس از همه‌گیری (CAGR) قوی را به میزان 35 درصد نشان می‌دهد و تا سال 2026 به 102.17 میلیارد دلار می‌رسد.

عصر دیجیتال باعث تولد اینترنت اشیا شده است. مشاهده می شود که ظهور هوش مصنوعی سرعت توسعه اینترنت اشیا را تسریع کرده است.

بیایید نگاهی به برخی از عوامل افزایش هوش مصنوعی صنعتی و AIoT بیندازیم.

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

در سال 2019، زمانی که تجزیه و تحلیل Iot شروع به پوشش هوش مصنوعی صنعتی کرد، تعداد کمی از محصولات نرم افزاری اختصاصی هوش مصنوعی از فروشندگان فناوری عملیاتی (OT) وجود داشت. از آن زمان، بسیاری از فروشندگان OT با توسعه و ارائه راه حل های نرم افزاری هوش مصنوعی در قالب پلتفرم های هوش مصنوعی برای کف کارخانه وارد بازار هوش مصنوعی شدند.

طبق داده ها، نزدیک به 400 فروشنده نرم افزار AIoT را ارائه می دهند. تعداد فروشندگان نرم افزاری که به بازار صنعتی هوش مصنوعی می پیوندند در دو سال گذشته به طرز چشمگیری افزایش یافته است. در طول این مطالعه، IoT Analytics 634 تامین کننده فناوری هوش مصنوعی را برای تولیدکنندگان/مشتریان صنعتی شناسایی کرد. از این تعداد، 389 شرکت (61.4%) نرم افزار هوش مصنوعی را ارائه می دهند.

پلتفرم نرم افزاری جدید هوش مصنوعی بر محیط های صنعتی تمرکز دارد. فراتر از Uptake، Braincube یا C3 AI، تعداد فزاینده ای از فروشندگان فناوری عملیاتی (OT) پلتفرم های نرم افزاری اختصاصی هوش مصنوعی را ارائه می دهند. به عنوان مثال می توان به مجموعه تجزیه و تحلیل صنعتی و هوش مصنوعی ABB، مجموعه نوآوری FactoryTalk شرکت Rockwell Automation، پلتفرم مشاوره تولید خود اشنایدر الکتریک و اخیراً افزونه های خاص اشاره کرد. برخی از این پلتفرم ها طیف گسترده ای از موارد استفاده را هدف قرار می دهند. به عنوان مثال، پلتفرم Genix ABB تجزیه و تحلیل های پیشرفته ای را ارائه می دهد، از جمله برنامه های کاربردی و خدمات از پیش ساخته شده برای مدیریت عملکرد عملیاتی، یکپارچگی دارایی، پایداری و کارایی زنجیره تامین.

شرکت‌های بزرگ ابزارهای نرم‌افزار Ai خود را در بازار عرضه می‌کنند.

در دسترس بودن ابزارهای نرم‌افزار ai نیز توسط ابزارهای نرم‌افزاری خاص مورد استفاده جدید که توسط AWS، شرکت‌های بزرگی مانند مایکروسافت و گوگل ایجاد شده‌اند، هدایت می‌شود. به عنوان مثال، در دسامبر 2020، AWS Amazon SageMaker JumpStart را منتشر کرد، ویژگی Amazon SageMaker که مجموعه ای از راه حل های از پیش ساخته شده و قابل تنظیم را برای رایج ترین موارد استفاده صنعتی، مانند PdM، بینایی کامپیوتر، و رانندگی خودمختار ارائه می دهد. فقط چند کلیک

راه‌حل‌های نرم‌افزاری خاص مورد استفاده باعث بهبود قابلیت استفاده می‌شوند.

مجموعه‌های نرم‌افزاری خاص مورد استفاده، مانند مواردی که بر تعمیر و نگهداری پیش‌بینی‌کننده متمرکز هستند، رایج‌تر می‌شوند. IoT Analytics مشاهده کرد که تعداد ارائه دهندگانی که از راه حل های نرم افزاری مدیریت داده محصول مبتنی بر هوش مصنوعی (PdM) استفاده می کنند، در اوایل سال 2021 به 73 نفر افزایش یافت که دلیل آن افزایش تنوع منابع داده و استفاده از مدل های قبل از آموزش و همچنین گسترش گسترده بود. پذیرش فناوری های افزایش داده

فاکتور 2: توسعه و نگهداری راه حل های هوش مصنوعی در حال ساده شدن است

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

با توجه به پیچیدگی وظایف مرتبط با یادگیری ماشین (ML)، رشد سریع برنامه های کاربردی یادگیری ماشین نیاز به روش های یادگیری ماشینی را ایجاد کرده است که می توانند بدون تخصص مورد استفاده قرار گیرند. زمینه تحقیقاتی حاصل، یعنی اتوماسیون پیشرونده برای یادگیری ماشین، AutoML نامیده می شود. شرکت‌های مختلفی از این فناوری به عنوان بخشی از پیشنهادات هوش مصنوعی خود برای کمک به مشتریان در توسعه مدل‌های ML و اجرای سریع‌تر موارد استفاده صنعتی استفاده می‌کنند. برای مثال، در نوامبر 2020، SKF یک محصول مبتنی بر automL را معرفی کرد که داده‌های فرآیند ماشین را با داده‌های لرزش و دما ترکیب می‌کند تا هزینه‌ها را کاهش دهد و مدل‌های تجاری جدیدی را برای مشتریان فراهم کند.

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

هدف رشته جدید عملیات یادگیری ماشین، ساده‌سازی نگهداری مدل‌های هوش مصنوعی در محیط‌های تولیدی است. عملکرد یک مدل هوش مصنوعی معمولاً در طول زمان کاهش می یابد زیرا تحت تأثیر عوامل متعددی در داخل کارخانه 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 الزامات کیفیت بالای محیط‌های صنعتی ضروری شده است (به عنوان مثال، مدل‌هایی با عملکرد زیر 99 درصد ممکن است رفتاری را که ایمنی کارگران را به خطر می‌اندازد، شناسایی نکنند).

در سال‌های اخیر، استارت‌آپ‌های زیادی از جمله DataRobot، Grid.AI، Pinecone/Zilliz، Seldon، و Weights & Biases به فضای ML Ops پیوسته‌اند. شرکت‌های معتبر، عملیات‌های یادگیری ماشینی را به نرم‌افزارهای هوش مصنوعی موجود خود اضافه کرده‌اند، از جمله مایکروسافت، که تشخیص حرکت داده‌ها را در Azure ML Studio معرفی کرد. این ویژگی جدید کاربران را قادر می‌سازد تا تغییراتی را در توزیع داده‌های ورودی که عملکرد مدل را کاهش می‌دهد، شناسایی کنند.

فاکتور 3: هوش مصنوعی برای برنامه های کاربردی موجود و موارد استفاده اعمال می شود

ارائه دهندگان نرم افزار سنتی قابلیت های هوش مصنوعی را اضافه می کنند.

علاوه بر ابزارهای نرم افزاری بزرگ افقی هوش مصنوعی موجود مانند MS Azure ML، AWS SageMaker و Google Cloud Vertex AI، مجموعه نرم افزارهای سنتی مانند سیستم های مدیریت نگهداری کامپیوتری (CAMMS)، سیستم های اجرایی ساخت (MES) یا برنامه ریزی منابع سازمانی (ERP) اکنون می توان با تزریق قابلیت های هوش مصنوعی به طور قابل توجهی بهبود یافت. برای مثال، نرم‌افزار Epicor ارائه‌دهنده ERP، قابلیت‌های هوش مصنوعی را از طریق دستیار مجازی Epicor (EVA) به محصولات موجود خود اضافه می‌کند. عوامل EVA هوشمند برای خودکارسازی فرآیندهای ERP، مانند زمان‌بندی مجدد عملیات تولید یا انجام پرس و جوهای ساده (به عنوان مثال، به دست آوردن جزئیات در مورد قیمت محصول یا تعداد قطعات موجود) استفاده می‌شوند.

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 بهبود می‌یابند. یک مثال واضح، بینایی ماشین در کاربردهای کنترل کیفیت است. سیستم‌های بینایی ماشین سنتی، تصاویر را از طریق رایانه‌های یکپارچه یا مجزا مجهز به نرم‌افزار تخصصی پردازش می‌کنند که پارامترها و آستانه‌های از پیش تعیین‌شده (مثلاً کنتراست بالا) را ارزیابی می‌کند تا تعیین کند آیا اشیا نقصی دارند یا خیر. در بسیاری از موارد (به عنوان مثال، قطعات الکترونیکی با اشکال مختلف سیم کشی)، تعداد مثبت کاذب بسیار زیاد است.

با این حال، این سیستم ها از طریق هوش مصنوعی احیا می شوند. برای مثال، Cognex ارائه‌دهنده ماشین‌های صنعتی Vision ابزار یادگیری عمیق (Vision Pro Deep Learning 2.0) را در ژوئیه 2021 منتشر کرد. ابزارهای جدید با سیستم‌های بینایی سنتی ادغام می‌شوند و کاربران نهایی را قادر می‌سازند یادگیری عمیق را با ابزارهای بینایی سنتی در همان برنامه ترکیب کنند. با محیط‌های پزشکی و الکترونیکی که نیاز به اندازه‌گیری دقیق خراش‌ها، آلودگی‌ها و سایر عیوب دارند، مواجه شوید.

عامل 4: سخت افزار AIoT صنعتی در حال بهبود است

تراشه های هوش مصنوعی به سرعت در حال بهبود هستند.

تراشه‌های هوش مصنوعی سخت‌افزاری جاسازی‌شده به سرعت در حال رشد هستند و گزینه‌های متنوعی برای پشتیبانی از توسعه و استقرار مدل‌های هوش مصنوعی در دسترس است. به عنوان مثال می توان به آخرین واحدهای پردازش گرافیکی NVIDIA (Gpus)، A30 و A10 اشاره کرد که در مارس 2021 معرفی شدند و برای موارد استفاده از هوش مصنوعی مانند سیستم های توصیه و سیستم های بینایی کامپیوتری مناسب هستند. نمونه دیگر، واحدهای پردازش تنسور (TPus) نسل چهارم گوگل است که مدارهای مجتمع قدرتمند با هدف ویژه (ASics) هستند که می توانند تا 1000 برابر کارایی و سرعت بیشتری در توسعه و استقرار مدل برای بارهای کاری خاص هوش مصنوعی (به عنوان مثال، تشخیص اشیا) به دست آورند. ، طبقه بندی تصویر و معیارهای توصیه). استفاده از سخت افزار اختصاصی هوش مصنوعی زمان محاسبات مدل را از روزها به دقیقه کاهش می دهد و ثابت کرده است که در بسیاری از موارد تغییر دهنده بازی است.

سخت افزار قدرتمند هوش مصنوعی بلافاصله از طریق مدل پرداخت به ازای استفاده در دسترس است.

شرکت های Superscale به طور مداوم سرورهای خود را ارتقا می دهند تا منابع محاسباتی را در فضای ابری در دسترس قرار دهند تا کاربران نهایی بتوانند برنامه های کاربردی هوش مصنوعی صنعتی را پیاده سازی کنند. به عنوان مثال، در نوامبر 2021، AWS انتشار رسمی آخرین نمونه های مبتنی بر GPU خود، Amazon EC2 G5، مجهز به پردازنده گرافیکی NVIDIA A10G Tensor Core را برای انواع برنامه های ML، از جمله بینایی کامپیوتر و موتورهای توصیه، اعلام کرد. به عنوان مثال، ارائه‌دهنده سیستم‌های تشخیص Nanotronics از نمونه‌های آمازون EC2 از راه‌حل کنترل کیفیت مبتنی بر هوش مصنوعی خود برای سرعت بخشیدن به تلاش‌های پردازش و دستیابی به نرخ‌های تشخیص دقیق‌تر در ساخت ریزتراشه‌ها و نانولوله‌ها استفاده می‌کند.

نتیجه گیری و چشم انداز

هوش مصنوعی در حال بیرون آمدن از کارخانه است و در برنامه‌های کاربردی جدید مانند PdM مبتنی بر هوش مصنوعی و به‌عنوان پیشرفت‌هایی در نرم‌افزارهای موجود و موارد استفاده در همه جا حاضر خواهد شد. شرکت‌های بزرگ چندین مورد استفاده از هوش مصنوعی و گزارش موفقیت خود را ارائه می‌کنند و اکثر پروژه‌ها بازده سرمایه‌گذاری بالایی دارند. در مجموع، ظهور پلتفرم های ابری، iot و تراشه های قدرتمند هوش مصنوعی، بستری را برای نسل جدیدی از نرم افزارها و بهینه سازی فراهم می کند.