על פי דו"ח השוק התעשייתי של AI ו- AI שפורסמו 2021-2026, שיעור האימוץ של AI במסגרות תעשייתיות עלה מ -19 אחוזים ל -31 אחוזים בכמעט שנתיים. בנוסף ל -31 אחוז מהנשאלים שפיצו את AI באופן מלא או חלקי בפעילותם, 39 אחוזים נוספים בודקים כעת או טייסים את הטכנולוגיה.
AI מתגלה כטכנולוגיית מפתח עבור יצרנים וחברות אנרגיה ברחבי העולם, וניתוח IoT צופה כי שוק פתרונות AI התעשייתי יציג קצב צמיחה שנתי מתחם לאחר הפיל (CAGR) של 35% כדי להגיע ל -102.17 מיליארד דולר עד 2026.
העידן הדיגיטלי הוליד את האינטרנט של הדברים. ניתן לראות כי הופעת הבינה המלאכותית האיצה את קצב פיתוח האינטרנט של הדברים.
בואו נסתכל על כמה מהגורמים המניעים את עליית ה- AI ו- AI התעשייתי.
גורם 1: יותר ויותר כלי תוכנה לתעשייה AIOT
בשנת 2019, כאשר IoT Analytics החלה לכסות את AI תעשייתי, היו מעט מוצרי תוכנה AI ייעודיים של ספקי טכנולוגיה תפעולית (OT). מאז, ספקי OT רבים נכנסו לשוק ה- AI על ידי פיתוח ומתן פתרונות תוכנת AI בצורה של פלטפורמות AI לרצפת המפעל.
על פי נתונים, כמעט 400 ספקים מציעים תוכנת AIOT. מספר ספקי התוכנה המצטרפים לשוק ה- AI התעשייתי גדל באופן דרמטי בשנתיים האחרונות. במהלך המחקר, IoT Analytics זיהו 634 ספקים של טכנולוגיית AI ליצרנים/לקוחות תעשייתיים. מבין חברות אלה, 389 (61.4%) מציעות תוכנת AI.
פלטפורמת התוכנה החדשה של AI מתמקדת בסביבות תעשייתיות. מעבר לספיגה, BrainCube או C3 AI, מספר הולך וגדל של ספקי טכנולוגיה תפעולית (OT) מציעים פלטפורמות תוכנה AI ייעודיות. דוגמאות לכך כוללות Genix Industrial Analytics ו- AI Suite, Suite FactoryTalk Suite של Rockwell Automation, פלטפורמת הייעוץ לייצור של שניידר אלקטריק, ולאחרונה, תוספות ספציפיות. חלק מהפלטפורמות הללו מכוונות למגוון רחב של מקרי שימוש. לדוגמה, פלטפורמת Genix של ABB מספקת ניתוחים מתקדמים, כולל יישומים ושירותים שנבנו מראש לניהול ביצועים תפעוליים, שלמות נכסים, קיימות ויעילות שרשרת האספקה.
חברות גדולות מכניסים את כלי התוכנה של AI שלהם לרצפת החנות.
הזמינות של כלי תוכנת AI מונעת גם על ידי כלי תוכנה ספציפיים לשימוש חדש שפותחו על ידי AWS, חברות גדולות כמו מיקרוסופט וגוגל. לדוגמה, בדצמבר 2020, AWS שיחררה את Amazon Sagemaker Jumpstart, תכונה של Amazon Sagemaker המספקת קבוצה של פתרונות הניתנים להתאמה אישית מראש למקרי השימוש התעשייתיים הנפוצים ביותר, כמו PDM, ראיית מחשב ונהיגה אוטונומית, פרוס רק עם כמה לחיצות.
פתרונות תוכנה ספציפיים לשימוש במקרה מניעים שיפורי שימושיות.
סוויטות תוכנה ספציפיות לשימוש, כמו אלה המתמקדות בתחזוקה חזויה, הופכות נפוצות יותר. IoT Analytics ציין כי מספר הספקים המשתמשים בפתרונות תוכנה מבוססי AI (PDM) עלה ל -73 בתחילת 2021 בגלל עלייה במגוון מקורות הנתונים והשימוש במודלים של אימונים מקדימים, כמו גם אימוץ נרחב של טכנולוגיות שיפור נתונים.
גורם 2: פיתוח ותחזוקה של פתרונות AI מפושטים
למידת מכונה אוטומטית (AUTOML) הופכת למוצר סטנדרטי.
בשל המורכבות של המשימות הקשורות ללמידה של מכונה (ML), הצמיחה המהירה של יישומי למידת מכונה יצרה צורך בשיטות למידת מכונה מדף שניתן להשתמש בהן ללא מומחיות. תחום המחקר המתקבל, אוטומציה מתקדמת ללמידה במכונה, נקרא Automl. מגוון חברות ממנפות טכנולוגיה זו כחלק מהיצע AI שלהן כדי לעזור ללקוחות לפתח דגמי ML וליישם מקרי שימוש תעשייתיים מהר יותר. בנובמבר 2020, למשל, הודיעה SKF על מוצר מבוסס Automl המשלב נתוני תהליכי מכונה עם נתוני רטט וטמפרטורה כדי להפחית עלויות ולאפשר מודלים עסקיים חדשים ללקוחות.
פעולות למידת מכונה (ML OPS) מפשטות את ניהול ותחזוקת המודל.
המשמעת החדשה של פעולות למידת מכונות נועדה לפשט את התחזוקה של דגמי AI בסביבות ייצור. הביצועים של מודל AI בדרך כלל משפילים לאורך זמן מכיוון שהוא מושפע מכמה גורמים בתוך הצמח (לדוגמה, שינויים בהפצת נתונים ובתקני איכות). כתוצאה מכך, פעולות תחזוקת מודלים ולמידה של מכונות הפכו נחוצות כדי לעמוד בדרישות האיכותיות של סביבות תעשייתיות (לדוגמה, דגמים עם ביצועים מתחת ל 99% עשויים להיכשל בזיהוי התנהגות המסכנת את בטיחות העובדים).
בשנים האחרונות, סטארט -אפים רבים הצטרפו לחלל ה- ML OPS, כולל Datarobot, Grid.ai, PineCone/Zilliz, Seldon, ומשקולות והטיות. חברות מבוססות הוסיפו פעולות למידת מכונות להצעות התוכנה הקיימות שלהן ב- AI, כולל מיקרוסופט, שהציגה איתור סחף נתונים בסטודיו Azure ML. תכונה חדשה זו מאפשרת למשתמשים לאתר שינויים בהפצת נתוני הקלט המשפילים את ביצועי הדגם.
גורם 3: בינה מלאכותית המיושמת על יישומים קיימים ומקרי שימוש
ספקי תוכנה מסורתיים מוסיפים יכולות AI.
בנוסף לכלי תוכנה AI אופקיים גדולים קיימים כמו MS Azure ML, AWS SageMaker ו- Google Cloud Vertex AI, סוויטות תוכנה מסורתיות כמו מערכות ניהול תחזוקה ממוחשבות (CAMMS), כעת ניתן לשפר באופן משמעותי מערכות ביצוע (MES) או תכנון משאבים ארגוניים (ERP). לדוגמה, תוכנת EPICOR של ספק ERP מוסיפה יכולות AI למוצריה הקיימים באמצעות העוזרת הווירטואלית של Epicor (EVA). סוכני EVA חכמים משמשים לאוטומציה של תהליכי ERP, כגון תזמון פעולות ייצור מחדש או ביצוע שאילתות פשוטות (לדוגמה, קבלת פרטים על תמחור מוצרים או מספר החלקים הזמינים).
מקרי שימוש תעשייתיים משודרגים באמצעות AIOT.
מספר מקרי שימוש תעשייתיים משופרים על ידי הוספת יכולות AI לתשתית חומרה/תוכנה קיימת. דוגמה חיה היא ראיית מכונה ביישומי בקרת איכות. מערכות ראיית מכונה מסורתיות מעבדות תמונות באמצעות מחשבים משולבים או בדידים המצוידים בתוכנה מיוחדת המעריכה פרמטרים וספים שנקבעו מראש (למשל, ניגודיות גבוהה) כדי לקבוע אם אובייקטים מראים פגמים. במקרים רבים (למשל, רכיבים אלקטרוניים עם צורות חיווט שונות), מספר החיוביות השגויות גבוה מאוד.
עם זאת, מערכות אלה מתחדשות באמצעות בינה מלאכותית. לדוגמה, ספקית ראיית המכונה התעשייתית קוגנקס פרסמה כלי למידה עמוקה חדש (Vision Pro Deep Learning 2.0) ביולי 2021. הכלים החדשים משתלבים עם מערכות ראייה מסורתיות, מה שמאפשר למשתמשים קצה לשלב למידה עמוקה עם כלי ראייה מסורתיים באותה יישום כדי לעמוד בסביבות רפואיות ואלקטרוניות תובעניות הדורשות מדידה מדויקת של שריטות, זיהום ופגמים אחרים.
גורם 4: חומרת AIOT תעשייתית משופרת
שבבי AI משתפרים במהירות.
שבבי AI חומרה משובצים צומחים במהירות, עם מגוון אפשרויות זמינות לתמיכה בפיתוח ופריסה של דגמי AI. דוגמאות לכך כוללות יחידות עיבוד גרפיקה אחרונות של NVIDIA (GPUs), A30 ו- A10, שהוצגו במרץ 2021 ומתאימות למקרי שימוש ב- AI כמו מערכות המלצות ומערכות ראיית מחשב. דוגמא נוספת היא יחידות העיבוד של Tensors מהדור הרביעי של גוגל (TPUs), שהן מעגלים משולבים מיוחד למטרות מיוחדות (ASICs) שיכולות להשיג עד פי 1,000 יעילות ומהירות יותר בפיתוח ופריסה של מודלים עבור עומסי AI ספציפיים (למשל, גילוי אובייקטים, סיווג תמונות, ומדממי המלצה). השימוש בחומרה ייעודית AI מפחית את זמן חישוב הדגם מימים לדקות, והוכיח שהוא מחליף משחק במקרים רבים.
חומרת AI חזקה זמינה מייד באמצעות דגם תשלום לשימוש.
מפעלי SuperScale משדרגים כל העת את השרתים שלהם כדי להנגיש משאבי מחשוב בענן כך שמשתמשי קצה יוכלו ליישם יישומי AI תעשייתיים. בנובמבר 2021, למשל, הודיעה א.ס. לדוגמה, ספקית מערכות הגילוי Nanotronics משתמשת בדוגמאות של אמזון EC2 לפיתרון בקרת איכות מבוסס AI שלה כדי להאיץ את מאמצי העיבוד ולהשיג שיעורי גילוי מדויקים יותר בייצור מיקרו-שבבים וננו-צינורות.
מסקנה ופוטנציאל
AI יוצא מהמפעל, והוא יהיה בכל מקום ביישומים חדשים, כמו PDM מבוסס AI, וכשיפור לתוכנה קיימת ושימוש במקרים. ארגונים גדולים מפעילים מספר מקרי שימוש ב- AI ומצליחים דיווח, ולרוב הפרויקטים יש תשואה גבוהה על ההשקעה. בסך הכל, עליית הענן, פלטפורמות ה- IoT ו- AI CHIPS חזקים מספקים פלטפורמה לדור חדש של תוכנה ואופטימיזציה.
זמן הודעה: ינואר -12-2022