Laut dem kürzlich veröffentlichten Industrial AI and AI Market Report 2021-2026 ist die Akzeptanzrate von KI in industriellen Umgebungen in etwas mehr als zwei Jahren von 19 Prozent auf 31 Prozent gestiegen. Neben 31 Prozent der Befragten, die KI in ihren Betrieben ganz oder teilweise eingeführt haben, testen weitere 39 Prozent die Technologie derzeit oder führen sie in Pilotversuchen durch.
KI entwickelt sich zu einer Schlüsseltechnologie für Hersteller und Energieunternehmen weltweit, und 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 das Tempo der Entwicklung des Internets der Dinge beschleunigt hat.
Werfen wir einen Blick auf einige der Faktoren, die den Aufstieg industrieller KI und AIoT vorantreiben.
Faktor 1: Immer mehr Softwaretools für industrielles AIoT
Im Jahr 2019, als IoT-Analysen 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, indem sie KI-Softwarelösungen in Form von KI-Plattformen für die Fabrikhalle entwickelt und bereitgestellt haben.
Den Daten zufolge bieten fast 400 Anbieter AIoT-Software an. Die Zahl der Softwareanbieter, die in den industriellen KI-Markt eintreten, 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. Über Uptake, Braincube oder C3 AI hinaus bieten immer mehr Anbieter von Betriebstechnologien (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 eigene 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 Dienste für betriebliches Leistungsmanagement, Anlagenintegrität, Nachhaltigkeit und Lieferketteneffizienz.
Große Unternehmen stellen ihre KI-Softwaretools in der Werkstatt bereit.
Die Verfügbarkeit von KI-Softwaretools wird auch durch neue anwendungsfallspezifische Softwaretools vorangetrieben, die von AWS, großen Unternehmen wie Microsoft und Google entwickelt wurden. Im Dezember 2020 veröffentlichte AWS beispielsweise 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 bereitstellt nur ein paar Klicks.
Anwendungsfallspezifische Softwarelösungen sorgen für Verbesserungen der Benutzerfreundlichkeit.
Anwendungsfallspezifische Software-Suiten, beispielsweise solche mit Schwerpunkt auf vorausschauender Wartung, werden immer häufiger eingesetzt. IoT Analytics stellte fest, dass die Zahl der Anbieter, die KI-basierte Softwarelösungen für das Produktdatenmanagement (PdM) nutzen, Anfang 2021 aufgrund einer zunehmenden Vielfalt an Datenquellen und der Verwendung von Pre-Training-Modellen sowie der weiten Verbreitung auf 73 gestiegen ist Einführung von Datenverbesserungstechnologien.
Faktor 2: Die Entwicklung und Wartung von KI-Lösungen wird vereinfacht
Automatisiertes maschinelles Lernen (AutoML) wird zum Standardprodukt.
Aufgrund der Komplexität der mit maschinellem Lernen (ML) verbundenen Aufgaben hat das schnelle Wachstum von Anwendungen für maschinelles Lernen einen Bedarf an Standardmethoden für maschinelles Lernen geschaffen, die ohne Fachwissen verwendet werden können. Das daraus resultierende Forschungsgebiet, die fortschreitende Automatisierung für maschinelles Lernen, heißt AutoML. Eine Vielzahl von 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 automL-basiertes Produkt an, das Maschinenprozessdaten mit Vibrations- und Temperaturdaten kombiniert, um Kosten zu senken und neue Geschäftsmodelle für Kunden zu ermöglichen.
Maschinelle Lernvorgänge (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 lässt typischerweise im Laufe der Zeit nach, da sie von mehreren Faktoren innerhalb der Anlage beeinflusst wird (z. B. Änderungen in der Datenverteilung und Qualitätsstandards). Infolgedessen sind Modellwartungs- und maschinelle Lernvorgänge erforderlich geworden, um die hohen Qualitätsanforderungen industrieller Umgebungen zu erfüllen (z. B. können Modelle mit einer Leistung unter 99 % möglicherweise kein Verhalten erkennen, das die Arbeitssicherheit gefährdet).
In den letzten Jahren haben sich viele Startups dem ML Ops-Bereich angeschlossen, darunter DataRobot, Grid.AI, Pinecone/Zilliz, Seldon und Weights & Biases. Etablierte Unternehmen haben maschinelles Lernen zu ihren bestehenden KI-Softwareangeboten hinzugefügt, darunter Microsoft, das die Erkennung von Datenabweichungen in Azure ML Studio eingeführt hat. Mit dieser neuen Funktion können Benutzer Änderungen in der Verteilung von Eingabedaten erkennen, die die Modellleistung beeinträchtigen.
Faktor 3: Künstliche Intelligenz angewendet auf bestehende Anwendungen und Anwendungsfälle
Traditionelle Softwareanbieter fügen KI-Funktionen hinzu.
Zusätzlich zu bestehenden großen horizontalen KI-Softwaretools wie MS Azure ML, AWS SageMaker und Google Cloud Vertex AI werden auch traditionelle Software-Suiten wie Computerized Maintenance Management Systems (CAMMS), Manufacturing Execution Systems (MES) oder Enterprise Resource Planning (ERP) angeboten. kann nun durch die Integration von KI-Fähigkeiten deutlich verbessert werden. Beispielsweise erweitert der ERP-Anbieter Epicor Software seine bestehenden Produkte um KI-Funktionen über seinen Epicor Virtual Assistant (EVA). Intelligente EVA-Agenten werden zur Automatisierung von ERP-Prozessen eingesetzt, beispielsweise zur Umplanung von Fertigungsabläufen oder zur Durchführung einfacher Abfragen (z. B. zum Abrufen von Details zu Produktpreisen oder der Anzahl verfügbarer Teile).
Industrielle Anwendungsfälle werden durch den Einsatz von AIoT aufgewertet.
Mehrere industrielle Anwendungsfälle werden durch das Hinzufügen von KI-Funktionen zur bestehenden Hardware-/Software-Infrastruktur verbessert. Ein anschauliches Beispiel ist die maschinelle Bildverarbeitung in Qualitätskontrollanwendungen. Herkömmliche Bildverarbeitungssysteme verarbeiten Bilder über integrierte oder diskrete Computer, die mit spezieller Software ausgestattet sind, die vorgegebene Parameter und Schwellenwerte (z. B. hohen Kontrast) auswertet, um festzustellen, ob Objekte Mängel aufweisen. In vielen Fällen (z. B. bei elektronischen Bauteilen mit unterschiedlichen Verdrahtungsformen) ist die Anzahl falsch positiver Ergebnisse sehr hoch.
Allerdings werden diese Systeme durch künstliche Intelligenz wiederbelebt. Beispielsweise hat der industrielle Bildverarbeitungsanbieter 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 Endbenutzern, Deep Learning mit herkömmlichen Bildverarbeitungstools in derselben Anwendung zu kombinieren erfüllen anspruchsvolle medizinische und elektronische Umgebungen, die eine genaue Messung von Kratzern, Verunreinigungen und anderen Defekten erfordern.
Faktor 4: Industrielle AIoT-Hardware wird verbessert
KI-Chips entwickeln sich rasant.
Eingebettete Hardware-KI-Chips nehmen rasant zu und es stehen zahlreiche Optionen zur Unterstützung der Entwicklung und Bereitstellung von KI-Modellen zur Verfügung. Beispiele hierfür sind die neuesten Grafikprozessoren (GPUs) von NVIDIA, der A30 und der A10, die im März 2021 eingeführt wurden und für KI-Anwendungsfälle wie Empfehlungssysteme und Computer-Vision-Systeme geeignet sind. Ein weiteres Beispiel sind die Tensors Processing Units (TPus) der vierten Generation von Google, bei denen es sich um leistungsstarke integrierte Spezialschaltkreise (ASics) handelt, die eine bis zu 1.000-mal höhere Effizienz und Geschwindigkeit bei der Modellentwicklung und -bereitstellung für bestimmte KI-Arbeitslasten (z. B. Objekterkennung) erreichen können , Bildklassifizierung und Empfehlungs-Benchmarks). 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.
Großunternehmen rüsten ihre Server ständig auf, um Rechenressourcen 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, mit der NVIDIA A10G Tensor Core GPU für eine Vielzahl von ML-Anwendungen an, darunter Computer Vision und Empfehlungs-Engines. Beispielsweise nutzt der Detektionssystemanbieter Nanotronics Amazon EC2-Beispiele seiner KI-basierten Qualitätskontrolllösung, um den Verarbeitungsaufwand zu beschleunigen und genauere Detektionsraten bei der Herstellung von Mikrochips und Nanoröhren zu erzielen.
Fazit und Ausblick
KI kommt aus der Fabrik und wird in neuen Anwendungen, wie etwa KI-basiertem PdM, sowie als Erweiterung bestehender Software und Anwendungsfälle allgegenwärtig sein. Große Unternehmen führen mehrere KI-Anwendungsfälle ein und melden Erfolge, und die meisten Projekte weisen eine hohe Kapitalrendite auf. Alles in allem bietet der Aufstieg der Cloud, IoT-Plattformen und leistungsstarker KI-Chips eine Plattform für eine neue Generation von Software und Optimierung.
Zeitpunkt der Veröffentlichung: 12. Januar 2022