Laut dem kürzlich veröffentlichten Bericht „Industrial AI and AI Market Report 2021–2026“ ist die KI-Einführungsrate in industriellen Umgebungen innerhalb von gut zwei Jahren von 19 auf 31 Prozent gestiegen. Zusätzlich zu den 31 Prozent der Befragten, die KI vollständig oder teilweise in ihren Betrieben eingeführt haben, testen oder erproben weitere 39 Prozent die Technologie derzeit.
Künstliche Intelligenz (KI) entwickelt sich weltweit zu einer Schlüsseltechnologie für Hersteller und Energieunternehmen. Analysen des Internets der Dinge (IoT) prognostizieren, dass der Markt für industrielle KI-Lösungen nach der Pandemie eine starke durchschnittliche jährliche Wachstumsrate (CAGR) von 35 % aufweisen und bis 2026 ein Volumen von 102,17 Milliarden US-Dollar erreichen wird.
Das digitale Zeitalter hat das Internet der Dinge hervorgebracht. Es ist ersichtlich, dass das Aufkommen künstlicher Intelligenz die Entwicklung des Internets der Dinge beschleunigt hat.
Werfen wir einen Blick auf einige der Faktoren, die den Aufstieg von industrieller KI und AIoT vorantreiben.
Faktor 1: Immer mehr Software-Tools für industrielles AIoT
Als 2019 IoT-Analytics begann, auch industrielle KI zu umfassen, gab es nur wenige dedizierte KI-Softwareprodukte von Anbietern von Betriebstechnologie (OT). Seitdem sind viele OT-Anbieter in den KI-Markt eingetreten, indem sie KI-Softwarelösungen in Form von KI-Plattformen für die Produktionshalle entwickelt und angeboten haben.
Laut den vorliegenden Daten bieten fast 400 Anbieter AIoT-Software an. Die Zahl der Softwareanbieter, die in den Markt für industrielle KI eingetreten sind, hat in den letzten zwei Jahren dramatisch zugenommen. Im Rahmen der Studie identifizierte IoT Analytics 634 Anbieter von KI-Technologie für Hersteller und Industriekunden. Von diesen Unternehmen bieten 389 (61,4 %) KI-Software an.
Die neue KI-Softwareplattform konzentriert sich auf industrielle Umgebungen. Neben Uptake, Braincube und C3 AI bieten immer mehr Anbieter von Betriebstechnologie (OT) dedizierte KI-Softwareplattformen an. Beispiele hierfür sind die Genix Industrial Analytics- und KI-Suite von ABB, die FactoryTalk Innovation Suite von Rockwell Automation, die Fertigungsberatungsplattform von Schneider Electric sowie seit Kurzem auch spezifische Add-ons. Einige dieser Plattformen decken ein breites Spektrum an Anwendungsfällen ab. So bietet beispielsweise die Genix-Plattform von ABB fortschrittliche Analysen, darunter vorkonfigurierte Anwendungen und Services für das operative Leistungsmanagement, die Anlagenintegrität, Nachhaltigkeit und Effizienz der Lieferkette.
Große Unternehmen setzen ihre KI-Softwaretools in der Produktion ein.
Die Verfügbarkeit von KI-Softwaretools wird auch durch neue, anwendungsspezifische Softwaretools von AWS sowie großen Unternehmen wie Microsoft und Google vorangetrieben. So veröffentlichte AWS beispielsweise im Dezember 2020 Amazon SageMaker JumpStart, eine Funktion von Amazon SageMaker, die vorkonfigurierte und anpassbare Lösungen für die gängigsten industriellen Anwendungsfälle wie PdM, Computer Vision und autonomes Fahren bietet und mit wenigen Klicks bereitgestellt werden kann.
Anwendungsfallspezifische Softwarelösungen treiben die Verbesserung der Benutzerfreundlichkeit voran.
Anwendungsfallspezifische Software-Suiten, beispielsweise solche für die vorausschauende Wartung, werden immer häufiger eingesetzt. IoT Analytics stellte fest, dass die Anzahl der Anbieter, die KI-basierte Softwarelösungen für das Produktdatenmanagement (PdM) nutzen, Anfang 2021 auf 73 gestiegen ist. Dies ist auf die zunehmende Vielfalt der Datenquellen, den Einsatz von vorab trainierten Modellen sowie die weitverbreitete Nutzung von Datenanreicherungstechnologien zurückzuführen.
Faktor 2: Die Entwicklung und Wartung von KI-Lösungen werden vereinfacht.
Automatisiertes maschinelles Lernen (AutoML) entwickelt sich zu einem Standardprodukt.
Aufgrund der Komplexität der Aufgaben im Bereich des maschinellen Lernens (ML) hat das rasante Wachstum von ML-Anwendungen einen Bedarf an sofort verfügbaren ML-Methoden geschaffen, die ohne Fachkenntnisse eingesetzt werden können. Das daraus entstandene Forschungsfeld, die progressive Automatisierung des maschinellen Lernens, wird als AutoML bezeichnet. Zahlreiche Unternehmen nutzen diese Technologie als Teil ihrer KI-Angebote, um Kunden bei der Entwicklung von ML-Modellen und der schnelleren Implementierung industrieller Anwendungsfälle zu unterstützen. Im November 2020 kündigte beispielsweise SKF ein auf AutoML basierendes Produkt an, das Maschinenprozessdaten mit Vibrations- und Temperaturdaten kombiniert, um Kosten zu senken und neue Geschäftsmodelle für Kunden zu ermöglichen.
Machine Learning Operations (ML Ops) vereinfachen die Modellverwaltung und -wartung.
Die neue Disziplin des maschinellen Lernens zielt darauf ab, die Wartung von KI-Modellen in Produktionsumgebungen zu vereinfachen. Die Leistungsfähigkeit eines KI-Modells verschlechtert sich typischerweise im Laufe der Zeit, da sie von verschiedenen Faktoren innerhalb der Anlage beeinflusst wird (z. B. Änderungen in der Datenverteilung und den Qualitätsstandards). Daher sind Modellwartung und maschinelles Lernen notwendig geworden, um die hohen Qualitätsanforderungen industrieller Umgebungen zu erfüllen (beispielsweise können Modelle mit einer Leistungsfähigkeit unter 99 % Verhaltensweisen, die die Sicherheit der Mitarbeiter gefährden, möglicherweise nicht erkennen).
In den letzten Jahren sind zahlreiche Startups in den Bereich ML Ops eingestiegen, darunter DataRobot, Grid.AI, Pinecone/Zilliz, Seldon und Weights & Biases. Etablierte Unternehmen haben ihre bestehenden KI-Softwareangebote um Machine-Learning-Operations erweitert, beispielsweise Microsoft, das die Datendrift-Erkennung in Azure ML Studio eingeführt hat. Diese neue Funktion ermöglicht es Nutzern, Veränderungen in der Verteilung der Eingabedaten zu erkennen, die die Modellleistung beeinträchtigen.
Faktor 3: Künstliche Intelligenz angewendet auf bestehende Anwendungen und Anwendungsfälle
Traditionelle Softwareanbieter integrieren KI-Funktionen.
Neben etablierten, umfangreichen KI-Softwarelösungen wie Microsoft Azure ML, AWS SageMaker und Google Cloud Vertex AI lassen sich auch traditionelle Software-Suiten wie computergestützte Instandhaltungsmanagementsysteme (CAMMS), Fertigungssteuerungssysteme (MES) oder Enterprise-Resource-Planning-Systeme (ERP) durch die Integration von KI-Funktionen deutlich verbessern. So erweitert beispielsweise der ERP-Anbieter Epicor Software seine bestehenden Produkte um KI-Funktionen mithilfe des Epicor Virtual Assistant (EVA). Intelligente EVA-Agenten automatisieren ERP-Prozesse, etwa die Umplanung von Fertigungsabläufen oder die Durchführung einfacher Abfragen (z. B. zur Ermittlung von Produktpreisen oder der Verfügbarkeit von Teilen).
Industrielle Anwendungsfälle werden durch den Einsatz von AIoT aufgewertet.
Zahlreiche industrielle Anwendungsfälle werden durch die Integration von KI-Funktionen in bestehende Hardware-/Software-Infrastrukturen optimiert. Ein anschauliches Beispiel ist die Bildverarbeitung in der Qualitätskontrolle. Traditionelle Bildverarbeitungssysteme verarbeiten Bilder mithilfe von integrierten oder diskreten Rechnern, die mit spezieller Software ausgestattet sind. Diese Software wertet vordefinierte Parameter und Schwellenwerte (z. B. hohen Kontrast) aus, um festzustellen, ob Objekte Defekte aufweisen. In vielen Fällen (z. B. bei elektronischen Bauteilen mit unterschiedlichen Leiterbahnformen) ist die Anzahl der Fehlalarme sehr hoch.
Diese Systeme erleben jedoch dank künstlicher Intelligenz eine Renaissance. So hat beispielsweise der Anbieter industrieller Bildverarbeitungssysteme, Cognex, im Juli 2021 ein neues Deep-Learning-Tool (Vision Pro Deep Learning 2.0) auf den Markt gebracht. Die neuen Tools lassen sich in herkömmliche Bildverarbeitungssysteme integrieren und ermöglichen es Anwendern, Deep Learning und traditionelle Bildverarbeitungsmethoden in derselben Anwendung zu kombinieren. Dadurch können sie den anspruchsvollen Anforderungen medizinischer und elektronischer Umgebungen gerecht werden, die eine präzise Messung von Kratzern, Verunreinigungen und anderen Defekten erfordern.
Faktor 4: Verbesserung der industriellen AIoT-Hardware
KI-Chips verbessern sich rasant.
Eingebettete KI-Hardware-Chips gewinnen rasant an Bedeutung und bieten vielfältige Optionen zur Unterstützung der Entwicklung und des Einsatzes von KI-Modellen. Beispiele hierfür sind NVIDIAs neueste Grafikprozessoren (GPUs) A30 und A10, die im März 2021 vorgestellt wurden und sich für KI-Anwendungsfälle wie Empfehlungssysteme und Computer-Vision-Systeme eignen. Ein weiteres Beispiel sind Googles Tensor Processing Units (TPUs) der vierten Generation. Diese leistungsstarken, speziell für bestimmte Anwendungen entwickelten integrierten Schaltungen (ASICs) ermöglichen eine bis zu 1.000-fach höhere Effizienz und Geschwindigkeit bei der Modellentwicklung und -bereitstellung für spezifische KI-Workloads (z. B. Objekterkennung, Bildklassifizierung und Benchmarks für Empfehlungen). Der Einsatz dedizierter KI-Hardware reduziert die Modellberechnungszeit von Tagen auf Minuten und hat sich in vielen Fällen als bahnbrechend erwiesen.
Leistungsstarke KI-Hardware ist sofort über ein Pay-per-Use-Modell verfügbar.
Superscale-Unternehmen rüsten ihre Server kontinuierlich auf, um Rechenressourcen in der Cloud bereitzustellen und so Endnutzern die Implementierung industrieller KI-Anwendungen zu ermöglichen. Im November 2021 kündigte AWS beispielsweise die offizielle Veröffentlichung seiner neuesten GPU-basierten Instanzen, Amazon EC2 G5, an, die mit der NVIDIA A10G Tensor Core GPU ausgestattet sind und für eine Vielzahl von ML-Anwendungen, darunter Computer Vision und Empfehlungssysteme, eingesetzt werden können. So nutzt beispielsweise der Anbieter von Detektionssystemen, Nanotronics, Amazon EC2-Instanzen seiner KI-basierten Qualitätskontrolllösung, um die Verarbeitungsprozesse zu beschleunigen und höhere Detektionsraten bei der Herstellung von Mikrochips und Nanoröhren zu erzielen.
Fazit und Ausblick
Künstliche Intelligenz (KI) hält Einzug in die Fertigungsindustrie und wird in neuen Anwendungen wie KI-basiertem PdM sowie als Erweiterung bestehender Software und Anwendungsfälle allgegenwärtig sein. Große Unternehmen implementieren bereits verschiedene KI-Anwendungsfälle und berichten von Erfolgen; die meisten Projekte erzielen eine hohe Rendite. Insgesamt bietet der Aufstieg von Cloud-Computing, IoT-Plattformen und leistungsstarken KI-Chips die Grundlage für eine neue Generation von Software und Optimierung.
Veröffentlichungsdatum: 12. Januar 2022