ארבעה גורמים הופכים את ה-AIoT התעשייתי למועדף החדש

על פי דו"ח ה-Industrial AI ו-AI Market Report 2021-2026, שיעור האימוץ של AI בהגדרות תעשייתיות עלה מ-19% ל-31% תוך קצת יותר משנתיים. בנוסף ל-31 אחוז מהמשיבים שהפעילו בינה מלאכותית או חלקית בפעילותם, עוד 39 אחוזים בוחנים או מנסים כעת את הטכנולוגיה.

בינה מלאכותית מתגלה כטכנולוגיית מפתח עבור יצרנים וחברות אנרגיה ברחבי העולם, וניתוח IoT צופה כי שוק פתרונות הבינה המלאכותית התעשייתית יציג שיעור צמיחה שנתי של תרכובת תרכובת פוסט-מגפה (CAGR) חזק 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 התפתחות האינטרנט של הדברים.

בואו נסתכל על כמה מהגורמים המניעים את עלייתם של AI תעשייתי ו-AIoT.

פקטור 1: יותר ויותר כלי תוכנה ל-AIoT תעשייתי

בשנת 2019, כאשר Iot Analytics החלה לכסות בינה מלאכותית תעשייתית, היו מעט מוצרי תוכנת AI ייעודיים של ספקי טכנולוגיה תפעולית (OT). מאז, ספקי OT רבים נכנסו לשוק הבינה המלאכותית על ידי פיתוח ואספקת פתרונות תוכנת בינה מלאכותית בצורה של פלטפורמות בינה מלאכותית לרצפת המפעל.

על פי נתונים, כמעט 400 ספקים מציעים תוכנת AIoT. מספר ספקי התוכנה המצטרפים לשוק הבינה המלאכותית התעשייתית גדל באופן דרמטי בשנתיים האחרונות. במהלך המחקר, IoT Analytics זיהה 634 ספקים של טכנולוגיית AI ליצרנים/לקוחות תעשייתיים. מתוך חברות אלו, 389 (61.4%) מציעות תוכנת בינה מלאכותית.

פלטפורמת התוכנה החדשה של AI מתמקדת בסביבות תעשייתיות. מעבר ל-Uptake, Braincube או C3 AI, מספר גדל והולך של ספקי טכנולוגיות תפעוליות (OT) מציעים פלטפורמות תוכנת AI ייעודיות. דוגמאות כוללות את חבילת ה-Genix Industrial Analytics ו-AI של ABB, את חבילת ה-FactoryTalk Innovation של Rockwell Automation, את פלטפורמת הייעוץ הייצור של שניידר אלקטריק, ולאחרונה, תוספות ספציפיות. חלק מהפלטפורמות הללו מכוונות למגוון רחב של מקרי שימוש. לדוגמה, פלטפורמת Genix של ABB מספקת ניתוח מתקדם, כולל יישומים ושירותים מובנים מראש לניהול ביצועים תפעוליים, שלמות נכסים, קיימות ויעילות שרשרת האספקה.

חברות גדולות מניחות את כלי תוכנת ה-AI שלהן על רצפת החנות.

הזמינות של כלי תוכנת ai מונעת גם על ידי כלי תוכנה ספציפיים לשימוש-מקרה שפותחו על ידי AWS, חברות גדולות כמו מיקרוסופט וגוגל. לדוגמה, בדצמבר 2020, AWS הוציאה את Amazon SageMaker JumpStart, תכונה של Amazon SageMaker המספקת סט של פתרונות מובנים מראש וניתנים להתאמה אישית עבור מקרי השימוש התעשייתיים הנפוצים ביותר, כגון PdM, ראייה ממוחשבת ונהיגה אוטונומית, Deploy with רק כמה קליקים.

פתרונות תוכנה ספציפיים למקרה שימוש מניעים שיפורי שימושיות.

חבילות תוכנה ספציפיות למקרה שימוש, כגון אלו המתמקדות בתחזוקה חזויה, הופכות נפוצות יותר. IoT Analytics ציין כי מספר הספקים המשתמשים בפתרונות תוכנה לניהול נתוני מוצר (PdM) מבוססי בינה מלאכותית עלה ל-73 בתחילת 2021 עקב עלייה במגוון מקורות הנתונים והשימוש במודלים של אימון מקדים, כמו גם הרווח הנרחב אימוץ טכנולוגיות לשיפור נתונים.

גורם 2: הפיתוח והתחזוקה של פתרונות AI מפושטים

למידת מכונה אוטומטית (AutoML) הופכת למוצר סטנדרטי.

בשל מורכבות המשימות הקשורות ללמידת מכונה (ML), הצמיחה המהירה של יישומי למידת מכונה יצרה צורך בשיטות למידת מכונה מדף שניתן להשתמש בהן ללא מומחיות. תחום המחקר שנוצר, אוטומציה מתקדמת ללמידת מכונה, נקרא AutoML. מגוון חברות ממנפות את הטכנולוגיה הזו כחלק מהיצע הבינה המלאכותית שלהן כדי לעזור ללקוחות לפתח מודלים של ML וליישם מקרי שימוש תעשייתיים מהר יותר. בנובמבר 2020, למשל, הודיעה SKF על מוצר מבוסס automL המשלב נתוני תהליך מכונה עם נתוני רטט וטמפרטורה כדי להפחית עלויות ולאפשר מודלים עסקיים חדשים ללקוחות.

פעולות למידת מכונה (ML Ops) מפשטות את הניהול והתחזוקה של המודל.

הדיסציפלינה החדשה של פעולות למידת מכונה שואפת לפשט את התחזוקה של מודלים של AI בסביבות ייצור. הביצועים של מודל בינה מלאכותית בדרך כלל מתדרדרים עם הזמן מכיוון שהוא מושפע ממספר גורמים בתוך המפעל (לדוגמה, שינויים בהפצת נתונים ותקני איכות). כתוצאה מכך, פעולות תחזוקת מודלים ולמידת מכונה הפכו נחוצות כדי לעמוד בדרישות האיכות הגבוהות של סביבות תעשייתיות (לדוגמה, דגמים עם ביצועים מתחת ל-99% עלולים להיכשל בזיהוי התנהגות המסכנת את בטיחות העובדים).

בשנים האחרונות, חברות סטארט-אפ רבות הצטרפו לתחום ML Ops, כולל DataRobot, Grid.AI, Pinecone/Zilliz, Seldon ו-Weights & Biases. חברות מבוססות הוסיפו פעולות למידת מכונה להצעות תוכנת ה-AI הקיימות שלהן, כולל מיקרוסופט, שהציגה זיהוי סחף נתונים ב-Azure ML Studio. תכונה חדשה זו מאפשרת למשתמשים לזהות שינויים בהפצת נתוני הקלט הפוגעים בביצועי המודל.

פקטור 3: בינה מלאכותית המיושמת על יישומים קיימים ומקרי שימוש

ספקי תוכנה מסורתיים מוסיפים יכולות AI.

בנוסף לכלי תוכנת AI אופקיים גדולים כמו MS Azure ML, AWS SageMaker ו-Google Cloud Vertex AI, חבילות תוכנה מסורתיות כגון מערכות ניהול תחזוקה ממוחשבות (CAMMS), מערכות ביצוע ייצור (MES) או תכנון משאבים ארגוניים (ERP) כעת ניתן לשפר באופן משמעותי על ידי הזרקת יכולות AI. לדוגמה, ספקית ה-ERP Epicor Software מוסיפה יכולות בינה מלאכותית למוצריה הקיימים באמצעות Epicor Virtual Assistant (EVA). סוכני EVA חכמים משמשים לאוטומציה של תהליכי ERP, כגון תזמון מחדש של פעולות ייצור או ביצוע שאילתות פשוטות (לדוגמה, קבלת פרטים על תמחור המוצר 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 דיסקרטיים המצוידים בתוכנה מיוחדת שמעריכה פרמטרים וספים קבועים מראש (למשל, ניגודיות גבוהה) כדי לקבוע אם חפצים מציגים פגמים. במקרים רבים (לדוגמה, רכיבים אלקטרוניים בעלי צורות חיווט שונות), מספר התוצאות הכוזבות גבוה מאוד.

עם זאת, מערכות אלו זוכות לתחייה באמצעות בינה מלאכותית. לדוגמה, ספקית ה-Vision של מכונות תעשייתיות, Cognex, הוציאה כלי Deep Learning חדש (Vision Pro Deep Learning 2.0) ביולי 2021. הכלים החדשים משתלבים עם מערכות ראייה מסורתיות, ומאפשרים למשתמשי קצה לשלב למידה עמוקה עם כלי ראייה מסורתיים באותה אפליקציה. לעמוד בסביבות רפואיות ואלקטרוניות תובעניות הדורשות מדידה מדויקת של שריטות, זיהום ופגמים אחרים.

פקטור 4: חומרת AIoT תעשייתית משופרת

שבבי AI משתפרים במהירות.

שבבי AI משובצים בחומרה צומחים במהירות, עם מגוון אפשרויות זמינות לתמיכה בפיתוח ובפריסה של דגמי AI. דוגמאות כוללות את יחידות העיבוד הגרפיות העדכניות ביותר של NVIDIA (Gpus), ה-A30 וה-A10, שהוצגו במרץ 2021 ומתאימות למקרי שימוש ב-AI כמו מערכות המלצות ומערכות ראייה ממוחשבת. דוגמה נוספת היא הדור הרביעי של Google Tensors Processing Units (TPus), שהם מעגלים משולבים למטרות מיוחדות (ASics) עוצמתיים שיכולים להשיג עד פי 1,000 יותר יעילות ומהירות בפיתוח ופריסה של מודלים עבור עומסי עבודה ספציפיים של AI (למשל, זיהוי אובייקטים). , סיווג תמונות ומדדי המלצות). שימוש בחומרת AI ייעודית מקטין את זמן חישוב המודל מימים לדקות, והוכח כמחליף משחק במקרים רבים.

חומרת בינה מלאכותית חזקה זמינה באופן מיידי באמצעות מודל תשלום לפי שימוש.

ארגונים סופר-scale משדרגים כל הזמן את השרתים שלהם כדי להפוך את משאבי המחשוב לזמינים בענן כך שמשתמשי קצה יוכלו ליישם יישומי AI תעשייתיים. בנובמבר 2021, למשל, AWS הכריזה על ההשקה הרשמית של המופעים האחרונים שלה מבוססי GPU, Amazon EC2 G5, המופעלת על ידי NVIDIA A10G Tensor Core GPU, עבור מגוון יישומי ML, כולל ראייה ממוחשבת ומנועי המלצות. לדוגמה, ספקית מערכות הזיהוי Nanotronics משתמשת בדוגמאות של אמזון EC2 לפתרון בקרת האיכות מבוסס בינה מלאכותית שלה כדי להאיץ את מאמצי העיבוד ולהשיג שיעורי זיהוי מדויקים יותר בייצור שבבים וננו-צינוריות.

מסקנה ופרוספקט

בינה מלאכותית יוצאת מהמפעל, והיא תהיה בכל מקום ביישומים חדשים, כמו PdM מבוסס בינה מלאכותית, וכשיפורים לתוכנות ולמקרי שימוש קיימים. ארגונים גדולים מפיצים מספר מקרי שימוש בבינה מלאכותית ומדווחים על הצלחה, ולרוב הפרויקטים יש החזר גבוה על ההשקעה. בסך הכל, עליית הענן, פלטפורמות iot ושבבי AI רבי עוצמה מספקים פלטפורמה לדור חדש של תוכנה ואופטימיזציה.