Laut dem kürzlich veröffentlichten Marktbericht für Industrie-KI und KI 2021-2026 stieg die Adoptionsrate von KI in Industrieumgebungen in etwas mehr als zwei Jahren von 19 Prozent auf 31 Prozent. Zusätzlich zu 31 Prozent der Befragten, die in ihren Geschäftstätigkeit die KI vollständig oder teilweise eingeführt haben, testen oder steuern sie die Technologie derzeit weiter.
KI ist eine Schlüsseltechnologie für Hersteller und Energieunternehmen weltweit, und die IoT-Analyse sagt voraus, dass der Markt für industrielle KI-Lösungen eine starke jährliche Wachstumsrate (CAGR) von 35% für postpandemische Verbindung auf 102,17 Mrd. USD bis 2026 aufweisen wird.
Das digitale Zeitalter hat das Internet der Dinge zur Welt gebracht. Es ist zu sehen, dass die Entstehung künstlicher Intelligenz das Tempo der Entwicklung des Internets der Dinge beschleunigt hat.
Schauen wir uns einige der Faktoren an, die den Aufstieg der industriellen KI und der AIOT vorantreiben.
Faktor 1: Immer mehr Softwaretools für industrielle AIOT
Als IoT Analytics im Jahr 2019 die industrielle KI abdeckte, gab es nur wenige dedizierte KI -Softwareprodukte von Operational Technology -Anbietern (OT). Seitdem haben viele OT -Anbieter in den KI -Markt eingetreten, indem sie KI -Software -Lösungen in Form von KI -Plattformen für den Werksboden entwickeln und bereitstellen.
Laut Daten bieten fast 400 Anbieter AIOT -Software an. Die Anzahl der Softwareanbieter, die sich dem industriellen KI -Markt anschließen, hat in den letzten zwei Jahren dramatisch zugenommen. Während der Studie identifizierte IoT Analytics 634 Lieferanten der KI -Technologie an Hersteller/Industriekunden. Von diesen Unternehmen bieten 389 (61,4%) AI -Software an.
Die neue AI -Softwareplattform konzentriert sich auf industrielle Umgebungen. Über die Aufnahme, Braincube oder C3 AI, bieten eine wachsende Anzahl von Anbietern von Operational Technology (OT) dedizierte KI -Softwareplattformen an. Beispiele sind die Genix Industrial Analytics und AI Suite von ABB, die FactoryTalk Innovation Suite von Rockwell Automation, die eigene Fertigungsberatungsplattform von Schneider Electric und in jüngerer Zeit spezifische Add-Ons. Einige dieser Plattformen richten sich an eine breite Palette von Anwendungsfällen. Beispielsweise bietet die Genix-Plattform von ABB erweiterte Analysen, einschließlich vorgefertigter Anwendungen und Dienste für Betriebsleistungsmanagement, Integrität der Asset, Nachhaltigkeit und Effizienz der Lieferkette.
Große Unternehmen setzen ihre KI -Software -Tools in die Werkstatt.
Die Verfügbarkeit von AI-Softwaretools wird auch durch neue von AWS, große Unternehmen wie Microsoft und Google entwickelte Softwaretools, die von AWS entwickelt wurden, angetrieben. Im Dezember 2020 veröffentlichte AWS Amazon Sagemaker Jumpstart, eine Funktion von Amazon Sagemaker, die eine Reihe von vorgefertigten und anpassbaren Lösungen für die häufigsten industriellen Anwendungsfälle wie PDM, Computer Vision und autonomes Fahren mit nur wenigen Klicks bietet.
Anwendungsfallspezifische Softwarelösungen steuern die Verbesserung der Benutzerfreundlichkeit.
Gebrauchsfallspezifische Software-Suiten, beispielsweise diejenigen, die sich auf die prädiktive Wartung konzentrieren, werden immer häufiger. IoT Analytics stellte fest, dass die Anzahl der Anbieter, die AI-basierte Produktdatenmanagement (PDM) -Softwarelösungen anbasierten, Anfang 2021 auf 73 stieg, da die Vielfalt der Datenquellen und die Verwendung von Voraussetzmodellen sowie die weit verbreitete Einführung von Datenverbesserungstechnologien weit verbreitet sind.
Faktor 2: Die Entwicklung und Aufrechterhaltung von KI -Lösungen wird vereinfacht
Automatisches maschinelles Lernen (Automl) wird zu einem Standardprodukt.
Aufgrund der Komplexität der mit dem maschinellen Lernen (ML) verbundenen Aufgaben hat das schnelle Wachstum von Anwendungen für maschinelles Lernen einen Bedarf an maschinellem Lernmethoden für maschinelle Lernen erstellt, die ohne Fachwissen verwendet werden können. Das resultierende Forschungsbereich, progressive Automatisierung für maschinelles Lernen, heißt Automl. Eine Vielzahl von Unternehmen nutzen diese Technologie im Rahmen ihres KI -Angebots, damit Kunden ML -Modelle entwickeln und industrielle Anwendungsfälle schneller umsetzen können. Im November 2020 kündigte SKF beispielsweise ein AutomL-basierter Produkt an, das Maschinenprozessdaten mit Vibrations- und Temperaturdaten kombiniert, um die Kosten zu senken und neue Geschäftsmodelle für Kunden zu ermöglichen.
Operationen für maschinelles Lernen (ML OPS) vereinfachen das Modellmanagement und die Wartung des Modells.
Die neue Disziplin des maschinellen Lernens zielt darauf ab, die Wartung von KI -Modellen in Fertigungsumgebungen zu vereinfachen. Die Leistung eines KI -Modells verschlechtert sich typischerweise im Laufe der Zeit, da es durch mehrere Faktoren innerhalb der Anlage beeinflusst wird (z. B. Änderungen der Datenverteilung und der Qualitätsstandards). Infolgedessen sind Modellwartung und maschinelles Lernen erforderlich geworden, um die qualitativ hochwertigen Anforderungen der industriellen Umgebungen zu erfüllen (z. B. Modelle mit einer Leistung von unter 99% können Verhalten, das die Sicherheit der Arbeiter gefährdet, möglicherweise nicht identifiziert).
In den letzten Jahren haben sich viele Startups dem ML Ops -Raum angeschlossen, darunter Datarobot, Grid.ai, Pinecone/Zilliz, Seldon und Gewichte und Vorurteile. Etablierte Unternehmen haben ihren vorhandenen KI -Softwareangeboten, einschließlich Microsoft, zu maschinellem Lernen erweitert, das die Erkennung von Datendrift in Azure ML Studio eingeführt hat. Mit dieser neuen Funktion können Benutzer Änderungen in der Verteilung von Eingabedaten erkennen, die die Modellleistung abbauen.
Faktor 3: Künstliche Intelligenz, die auf vorhandene Anwendungen und Anwendungsfälle angewendet wird
Herkömmliche Softwareanbieter fügen KI -Funktionen hinzu.
Zusätzlich zu den vorhandenen großen horizontalen KI -Software -Tools wie MS Azure ML, AWS Sagemaker und Google Cloud Vertex AI können herkömmliche Software -Suites wie computergestützte Wartungsmanagementsysteme (CAMMS), Fertigungsausführungssysteme (MES) oder Unternehmensressourcenplanung (ERP) durch Injektion von AI -Kapazitäten erheblich verbessert werden. Zum Beispiel fügt der ERP -Anbieter Epicor -Software seine vorhandenen Produkte über seinen Epicor Virtual Assistant (EVA) KI -Funktionen hinzu. Intelligente EVA -Agenten werden verwendet, um ERP -Prozesse zu automatisieren, z. B. die Umplanung von Fertigungsprozessen oder einfache Abfragen (z. B. Details zur Produktpreise oder der Anzahl der verfügbaren Teile).
Industrielle Anwendungsfälle werden durch Verwendung von AIOT aufgerüstet.
Mehrere industrielle Anwendungsfälle werden durch Hinzufügen von KI -Funktionen zur vorhandenen Hardware-/Software -Infrastruktur verbessert. Ein lebendiges Beispiel ist das Machine Vision in Qualitätskontrollanwendungen. Herkömmliche Bildungssysteme verarbeiten Bilder durch integrierte oder diskrete Computer, die mit einer speziellen Software ausgestattet sind, die vorgegebene Parameter und Schwellenwerte (z. B. hoher Kontrast) bewertet, um festzustellen, ob Objekte Defekte aufweisen. In vielen Fällen (zum Beispiel elektronische Komponenten mit unterschiedlichen Kabelformen) ist die Anzahl der falsch positiven positiven Aspekte sehr hoch.
Diese Systeme werden jedoch durch künstliche Intelligenz wiederbelebt. Zum Beispiel veröffentlichte Cognex Cognex des Industrial Machine Vision im Juli 2021 ein neues Deep -Learning -Tool (Vision Pro Deep Learning 2.0). Die neuen Tools integrieren sich mit herkömmlichen Visionssystemen, sodass Endbenutzer Deep -Lernen mit herkömmlichen Vision -Tools in derselben Anwendung kombinieren können, um anspruchsvolle medizinische und elektronische Umgebungen zu erfordern, die eine genaue Messung von Kratzern, Verschmutzungen und andere Defekte erfordern.
Faktor 4: Industrie -AIOT -Hardware wird verbessert
AI -Chips verbessern sich rasant.
Eingebettete Hardware -KI -Chips wachsen schnell, wobei eine Vielzahl von Optionen zur Verfügung steht, um die Entwicklung und Bereitstellung von KI -Modellen zu unterstützen. Beispiele sind die neuesten Grafikverarbeitungseinheiten (GPUS) von NVIDIA, die A30 und A10, die im März 2021 eingeführt wurden und für KI -Anwendungsfälle wie Empfehlungssysteme und Computer -Vision -Systeme geeignet sind. Ein weiteres Beispiel sind die TPUs (Vierten Generation Tensors Processing Units der vierten Generation), die leistungsstarke Spezialpulse integrierte Schaltkreise (ASICs) sind, die bis zu 1.000-mal mehr Effizienz und Geschwindigkeit in der Modellentwicklung und -bereitstellung für bestimmte KI-Workloads (z. B. die Erkennung von Objekten, die Bildklassifizierung und Empfehlungsbencharke) erreichen können. Die Verwendung dedizierter KI -Hardware verkürzt die Modellberechnungszeit von Tagen auf Minuten und hat sich in vielen Fällen als Spielveränderer erwiesen.
Eine leistungsstarke KI-Hardware ist sofort über ein Pay-per-Use-Modell erhältlich.
Superscale Enterprises aktualisieren ihre Server ständig, um Computerressourcen in der Cloud verfügbar zu machen, damit Endbenutzer 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 für eine Vielzahl von ML-Anwendungen, einschließlich Computer Vision und Empfehlungsmotoren, betrieben wird. Beispielsweise verwendet der Anbieter von Erkennungssystemen, Nanotronik, Amazon EC2-Beispiele für seine KI-basierte Qualitätskontrolllösung, um die Verarbeitungsbemühungen zu beschleunigen und genauere Erkennungsraten bei der Herstellung von Mikrochips und Nanoröhren zu erreichen.
Schlussfolgerung und Aussicht
AI kommt aus der Fabrik heraus und wird in neuen Anwendungen wie AI-basierten PDM allgegenwärtig und als Verbesserungen der vorhandenen Software- und Anwendungsfälle sein. Große Unternehmen veranstalten mehrere KI -Anwendungsfälle und melden den Erfolg. Insgesamt bietet der Aufstieg der Cloud, IoT -Plattformen und leistungsstarken KI -Chips eine Plattform für eine neue Generation von Software und Optimierung.
Postzeit: Jan-12-2022