Laut dem kürzlich veröffentlichten Industrial AI and AI Market Report 2021–2026 stieg die Akzeptanzrate von KI in industriellen Umgebungen in etwas mehr als zwei Jahren von 19 Prozent auf 31 Prozent. Neben 31 Prozent der Befragten, die KI bereits vollständig oder teilweise in ihren Betrieben eingeführt haben, testen oder pilotieren weitere 39 Prozent die Technologie derzeit.
KI entwickelt sich weltweit zu einer Schlüsseltechnologie für Hersteller und Energieunternehmen. IoT-Analysen prognostizieren, dass der Markt für industrielle KI-Lösungen nach der Pandemie eine starke durchschnittliche jährliche Wachstumsrate (CAGR) von 35 % aufweisen und bis 2026 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 der industriellen KI und des AIoT vorantreiben.
Faktor 1: Immer mehr Softwaretools für industrielles AIoT
Als IoT-Analysen 2019 begannen, industrielle KI abzudecken, gab es nur wenige dedizierte KI-Softwareprodukte von Anbietern operativer Technologie (OT). Seitdem sind viele OT-Anbieter in den KI-Markt eingestiegen und entwickeln und bieten KI-Softwarelösungen in Form von KI-Plattformen für die Fabrikhalle an.
Den Daten zufolge bieten fast 400 Anbieter AIoT-Software an. Die Zahl der Softwareanbieter, die in den Markt für industrielle KI einsteigen, ist in den letzten zwei Jahren dramatisch gestiegen. Im Rahmen der Studie identifizierte IoT Analytics 634 Anbieter von KI-Technologie für Hersteller/Industriekunden. Von diesen Unternehmen bieten 389 (61,4 %) KI-Software an.
Die neue KI-Softwareplattform konzentriert sich auf industrielle Umgebungen. Neben Uptake, Braincube oder 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 und neuerdings auch spezifische Add-ons. Einige dieser Plattformen zielen auf ein breites Spektrum an Anwendungsfällen ab. Beispielsweise bietet die Genix-Plattform von ABB erweiterte Analysen, einschließlich vorgefertigter Anwendungen und Services für Betriebsleistungsmanagement, Anlagenintegrität, Nachhaltigkeit und Lieferketteneffizienz.
Große Unternehmen setzen ihre KI-Softwaretools in der Fertigung 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 im Dezember 2020 Amazon SageMaker JumpStart, eine Funktion von Amazon SageMaker, die eine Reihe vorgefertigter und anpassbarer Lösungen für die gängigsten industriellen Anwendungsfälle wie PdM, Computer Vision und autonomes Fahren bietet und mit wenigen Klicks einsatzbereit ist.
Anwendungsfallspezifische Softwarelösungen führen zu Verbesserungen der Benutzerfreundlichkeit.
Anwendungsspezifische Softwarepakete, beispielsweise für die vorausschauende Wartung, werden immer häufiger eingesetzt. IoT Analytics beobachtete, dass die Zahl 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 Pre-Training-Modellen sowie die weit verbreitete Einführung von Technologien zur Datenverbesserung zurückzuführen.
Faktor 2: Die Entwicklung und Wartung von KI-Lösungen wird vereinfacht
Automatisiertes maschinelles Lernen (AutoML) wird zu einem Standardprodukt.
Aufgrund der Komplexität der mit maschinellem Lernen (ML) verbundenen Aufgaben hat das rasante Wachstum von Machine-Learning-Anwendungen einen Bedarf an gebrauchsfertigen Methoden des maschinellen Lernens geschaffen, die ohne Fachwissen eingesetzt werden können. Das daraus resultierende Forschungsgebiet, die progressive Automatisierung für maschinelles Lernen, wird AutoML genannt. Verschiedene 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 SKF beispielsweise 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-Operationen (ML Ops) vereinfachen die Modellverwaltung und -wartung.
Die neue Disziplin des maschinellen Lernens zielt darauf ab, die Wartung von KI-Modellen in Fertigungsumgebungen zu vereinfachen. Die Leistung eines KI-Modells nimmt typischerweise mit der Zeit ab, da sie von verschiedenen Faktoren innerhalb der Anlage beeinflusst wird (z. B. Änderungen der Datenverteilung und der Qualitätsstandards). Daher sind Modellwartung und maschinelles Lernen notwendig geworden, um die hohen Qualitätsanforderungen industrieller Umgebungen zu erfüllen (z. B. können Modelle mit einer Leistung unter 99 % möglicherweise kein Verhalten erkennen, das die Sicherheit der Mitarbeiter gefährdet).
In den letzten Jahren sind viele Startups in den ML-Ops-Bereich eingestiegen, darunter DataRobot, Grid.AI, Pinecone/Zilliz, Seldon und Weights & Biases. Etablierte Unternehmen haben ihre bestehenden KI-Softwareangebote um Machine-Learning-Operationen erweitert, darunter Microsoft, das die Datendrift-Erkennung in Azure ML Studio eingeführt hat. Diese neue Funktion ermöglicht es Benutzern, Änderungen in der Verteilung der Eingabedaten zu erkennen, die die Modellleistung beeinträchtigen.
Faktor 3: Künstliche Intelligenz angewendet auf bestehende Anwendungen und Anwendungsfälle
Traditionelle Softwareanbieter fügen KI-Funktionen hinzu.
Neben bestehenden großen horizontalen KI-Softwaretools wie MS Azure ML, AWS SageMaker und Google Cloud Vertex AI können auch traditionelle Softwarepakete wie Computerized Maintenance Management Systems (CAMMS), Manufacturing Execution Systems (MES) oder Enterprise Resource Planning (ERP) durch die Integration von KI-Funktionen deutlich verbessert werden. Beispielsweise erweitert der ERP-Anbieter Epicor Software seine bestehenden Produkte mit dem Epicor Virtual Assistant (EVA) um KI-Funktionen. Intelligente EVA-Agenten werden zur Automatisierung von ERP-Prozessen eingesetzt, beispielsweise zur Neuplanung von Fertigungsabläufen oder zur Durchführung einfacher Abfragen (z. B. zur Abfrage von Produktpreisen oder der Anzahl verfügbarer Teile).
Industrielle Anwendungsfälle werden durch den Einsatz von AIoT aufgewertet.
Zahlreiche industrielle Anwendungsfälle werden durch die Erweiterung bestehender Hardware-/Software-Infrastrukturen mit KI-Funktionen verbessert. Ein anschauliches Beispiel ist die maschinelle Bildverarbeitung in der Qualitätskontrolle. Herkömmliche Bildverarbeitungssysteme verarbeiten Bilder mithilfe integrierter oder diskreter Computer, die mit spezieller Software ausgestattet sind. Diese wertet vorgegebene Parameter und Schwellenwerte (z. B. hohen Kontrast) aus, um festzustellen, ob Objekte Defekte aufweisen. In vielen Fällen (z. B. bei elektronischen Bauteilen mit unterschiedlichen Verdrahtungsformen) ist die Anzahl falscher Positivmeldungen sehr hoch.
Künstliche Intelligenz belebt diese Systeme jedoch wieder. So hat beispielsweise der Anbieter industrieller Bildverarbeitung Cognex im Juli 2021 ein neues Deep-Learning-Tool (Vision Pro Deep Learning 2.0) veröffentlicht. Die neuen Tools lassen sich in herkömmliche Bildverarbeitungssysteme integrieren und ermöglichen es Endanwendern, Deep Learning mit herkömmlichen Bildverarbeitungstools in derselben Anwendung zu kombinieren. So werden anspruchsvolle medizinische und elektronische Umgebungen bewältigt, die eine genaue Messung von Kratzern, Verunreinigungen und anderen Defekten erfordern.
Faktor 4: Industrielle AIoT-Hardware wird verbessert
KI-Chips verbessern sich rasant.
Eingebettete Hardware-KI-Chips verzeichnen ein rasantes Wachstum, und es stehen vielfältige Optionen zur Verfügung, die die Entwicklung und Bereitstellung von KI-Modellen unterstützen. Beispiele hierfür sind NVIDIAs neueste Grafikprozessoren (GPUs), der A30 und der 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. Dabei handelt es sich um leistungsstarke Spezial-ICs (ASics), die eine bis zu 1.000-mal höhere Effizienz und Geschwindigkeit bei der Modellentwicklung und -bereitstellung für spezifische KI-Workloads (z. B. Objekterkennung, Bildklassifizierung und Empfehlungs-Benchmarks) erreichen. 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 über ein Pay-per-Use-Modell sofort verfügbar.
Supergroßunternehmen rüsten ihre Server ständig auf, um Rechenressourcen in der Cloud verfügbar zu machen, damit Endnutzer industrielle KI-Anwendungen implementieren können. Im November 2021 kündigte AWS beispielsweise die offizielle Veröffentlichung seiner neuesten GPU-basierten Instanzen Amazon EC2 G5 an, die von der NVIDIA A10G Tensor Core GPU angetrieben werden und für eine Vielzahl von ML-Anwendungen, darunter Computer Vision und Empfehlungsmaschinen, geeignet sind. Der Anbieter von Erkennungssystemen Nanotronics nutzt beispielsweise Amazon EC2-Instanzen seiner KI-basierten Qualitätskontrolllösung, um die Verarbeitung zu beschleunigen und genauere Erkennungsraten bei der Herstellung von Mikrochips und Nanoröhren zu erzielen.
Fazit und Ausblick
KI kommt aus der Fabrik und wird in neuen Anwendungen, wie beispielsweise KI-basiertem PdM, sowie als Erweiterung bestehender Software und Anwendungsfälle allgegenwärtig sein. Große Unternehmen führen verschiedene KI-Anwendungsfälle ein und berichten von Erfolgen, und die meisten Projekte erzielen einen hohen Return on Investment. Insgesamt bietet der Aufstieg der Cloud, IoT-Plattformen und leistungsstarker KI-Chips eine Plattform für eine neue Generation von Software und Optimierung.
Veröffentlichungszeit: 12. Januar 2022