ארבעה גורמים הופכים את AIoT התעשייתי למועדף החדש

על פי דו"ח שוק הבינה המלאכותית התעשייתית 2021-2026 שפורסם לאחרונה, שיעור האימוץ של בינה מלאכותית במסגרות תעשייתיות עלה מ-19 אחוזים ל-31 אחוזים בתוך קצת יותר משנתיים. בנוסף ל-31 אחוזים מהנשאלים שהטמיעו בינה מלאכותית באופן מלא או חלקי בפעילותם, 39 אחוזים נוספים בודקים או מבצעים כעת פיילוט של הטכנולוגיה.

בינה מלאכותית צומחת כטכנולוגיה מרכזית עבור יצרנים וחברות אנרגיה ברחבי העולם, וניתוח IoT צופה כי שוק פתרונות הבינה המלאכותית התעשייתית יציג קצב צמיחה שנתי מצטבר (CAGR) חזק של 35% לאחר המגיפה ויגיע ל-102.17 מיליארד דולר עד 2026.

העידן הדיגיטלי הוליד את האינטרנט של הדברים. ניתן לראות כי הופעתה של הבינה המלאכותית האיצה את קצב התפתחות האינטרנט של הדברים.

בואו נבחן כמה מהגורמים המניעים את עלייתן של בינה מלאכותית תעשייתית ו-AIoT.

גורם 1: עוד ועוד כלי תוכנה עבור AIoT תעשייתי

בשנת 2019, כאשר אנליטיקה של האינטרנט של הדברים החלה לכסות בינה מלאכותית תעשייתית, היו מעט מוצרי תוכנה ייעודיים לבינה מלאכותית מספקי טכנולוגיה תפעולית (OT). מאז, ספקי OT רבים נכנסו לשוק הבינה המלאכותית על ידי פיתוח ואספקת פתרונות תוכנה לבינה מלאכותית בצורה של פלטפורמות בינה מלאכותית עבור רצפת הייצור.

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 זיהתה 634 ספקים של טכנולוגיית בינה מלאכותית ליצרנים/לקוחות תעשייתיים. מבין חברות אלו, 389 (61.4%) מציעות תוכנת בינה מלאכותית.

פלטפורמת התוכנה החדשה לבינה מלאכותית מתמקדת בסביבות תעשייתיות. מעבר ל-Uptake, Braincube או C3 AI, מספר הולך וגדל של ספקי טכנולוגיה תפעולית (OT) מציעים פלטפורמות תוכנה ייעודיות לבינה מלאכותית. דוגמאות לכך כוללות את חבילת הניתוחים והבינה המלאכותית התעשייתית Genix של ABB, חבילת FactoryTalk Innovation של Rockwell Automation, פלטפורמת הייעוץ לייצור של Schneider Electric עצמה, ולאחרונה, תוספים ספציפיים. חלק מהפלטפורמות הללו מכוונות למגוון רחב של מקרי שימוש. לדוגמה, פלטפורמת Genix של ABB מספקת ניתוחים מתקדמים, כולל יישומים ושירותים מוכנים מראש לניהול ביצועים תפעוליים, שלמות נכסים, קיימות ויעילות שרשרת אספקה.

חברות גדולות מציבות את כלי התוכנה שלהן בתחום הבינה המלאכותית על רצפת הייצור.

הזמינות של כלי תוכנה בתחום הבינה המלאכותית מונעת גם על ידי כלי תוכנה חדשים ספציפיים למקרי שימוש 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 מוכנים מראש וניתנים להתאמה אישית עבור מקרי השימוש התעשייתיים הנפוצים ביותר, כגון PdM, ראייה ממוחשבת ונהיגה אוטונומית, פריסה בכמה לחיצות בלבד.

פתרונות תוכנה ספציפיים למקרי שימוש מניעים שיפורים בשימושיות.

חבילות תוכנה ספציפיות למקרי שימוש, כמו אלו המתמקדות בתחזוקה חזויה, הופכות נפוצות יותר ויותר. IoT Analytics ציינה 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 הדרכה מקדימה, כמו גם אימוץ נרחב של טכנולוגיות לשיפור נתונים.

גורם 2: הפיתוח והתחזוקה של פתרונות בינה מלאכותית 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 מוכנות לשימוש ללא מומחיות. תחום המחקר שנוצר, אוטומציה מתקדמת ללמידת מכונה, נקרא AutoML. מגוון חברות ממנפות טכנולוגיה זו כחלק מההיצע שלהן בתחום הבינה המלאכותית כדי לסייע ללקוחות לפתח מודלים של למידת מכונה וליישם מקרי שימוש תעשייתיים מהר יותר. בנובמבר 2020, לדוגמה, הכריזה SKF על מוצר מבוסס autoML המשלב נתוני תהליך מכונה עם נתוני רטט וטמפרטורה כדי להפחית עלויות ולאפשר מודלים עסקיים חדשים עבור לקוחות.

פעולות למידת מכונה (ML Ops) מפשטות את ניהול ותחזוקת המודלים.

התחום החדש של פעולות למידת מכונה שואף לפשט את תחזוקת מודלי בינה מלאכותית בסביבות ייצור. ביצועי מודל בינה מלאכותית בדרך כלל מתדרדרים עם הזמן מכיוון שהם מושפעים ממספר גורמים בתוך המפעל (לדוגמה, שינויים בהפצת נתונים ותקני איכות). כתוצאה מכך, תחזוקת מודלים ופעולות למידת מכונה הפכו הכרחיות כדי לעמוד בדרישות האיכות הגבוהות של סביבות תעשייתיות (לדוגמה, מודלים עם ביצועים מתחת ל-99% עלולים שלא לזהות התנהגות המסכנת את בטיחות העובדים).

בשנים האחרונות, סטארט-אפים רבים הצטרפו לתחום תהליכי למידת מכונה, כולל DataRobot, Grid.AI, Pinecone/Zilliz, Seldon ו-Weights & Biases. חברות מבוססות הוסיפו פעולות למידת מכונה להיצע תוכנות הבינה המלאכותית הקיימות שלהן, כולל מיקרוסופט, שהציגה זיהוי סחיפות נתונים ב-Azure ML Studio. תכונה חדשה זו מאפשרת למשתמשים לזהות שינויים בהתפלגות נתוני הקלט הפוגעים בביצועי המודל.

גורם 3: בינה מלאכותית מיושמת על יישומים ותרחישי שימוש קיימים

ספקי תוכנה מסורתיים מוסיפים יכולות בינה מלאכותית.

בנוסף לכלי תוכנה אופקיים גדולים קיימים בתחום הבינה המלאכותית, כגון MS Azure ML, AWS SageMaker ו-Google Cloud Vertex AI, ניתן כעת לשפר משמעותית חבילות תוכנה מסורתיות כגון מערכות ניהול תחזוקה ממוחשבות (CAMMS), מערכות ביצוע ייצור (MES) או תכנון משאבי ארגון (ERP) על ידי הוספת יכולות בינה מלאכותית. 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 מוצרים או מספר החלקים הזמינים).

מקרי שימוש תעשייתיים עוברים שדרוג באמצעות AIoT.

מספר מקרי שימוש תעשייתיים משופרים על ידי הוספת יכולות בינה מלאכותית לתשתית חומרה/תוכנה קיימת. דוגמה חיה לכך היא ראיית מכונה ביישומי בקרת איכות. מערכות ראיית מכונה מסורתיות מעבדות תמונות באמצעות מחשבים משולבים או בדידים המצוידים בתוכנה ייעודית שמעריכה פרמטרים וספים קבועים מראש (למשל, ניגודיות גבוהה) כדי לקבוע האם אובייקטים מציגים פגמים. במקרים רבים (לדוגמה, רכיבים אלקטרוניים עם צורות חיווט שונות), מספר התוצאות החיוביות השגויות גבוה מאוד.

עם זאת, מערכות אלו זוכות לחיים באמצעות בינה מלאכותית. לדוגמה, ספקית הראייה הממוחשבת התעשייתית Cognex הוציאה כלי למידה עמוקה 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 באותו יישום כדי לעמוד בסביבות רפואיות ואלקטרוניות תובעניות הדורשות מדידה מדויקת של שריטות, זיהום ופגמים אחרים.

גורם 4: שיפור חומרת AIoT תעשייתית

שבבי בינה מלאכותית משתפרים במהירות.

שבבי בינה מלאכותית בחומרה משובצת צומחים במהירות, עם מגוון אפשרויות זמינות לתמיכה בפיתוח ופריסה של מודלים של בינה מלאכותית. דוגמאות לכך כוללות את יחידות עיבוד הגרפיקה (Gpus) העדכניות ביותר של NVIDIA, ה-A30 וה-A10, שהוצגו במרץ 2021 ומתאימות למקרי שימוש בבינה מלאכותית כגון מערכות המלצה ומערכות ראייה ממוחשבת. דוגמה נוספת היא יחידות עיבוד Tensors (TPus) מהדור הרביעי של גוגל, שהן מעגלים משולבים (ASics) רבי עוצמה שיכולים להשיג יעילות ומהירות עד פי 1,000 בפיתוח ופריסה של מודלים עבור עומסי עבודה ספציפיים של בינה מלאכותית (למשל, זיהוי אובייקטים, סיווג תמונות ומבחני ביצועים להמלצות). שימוש בחומרת בינה מלאכותית ייעודית מקטין את זמן חישוב המודל מימים לדקות, והוכח כמשנה משחק במקרים רבים.

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

ארגונים בקנה מידה גדול משדרגים ללא הרף את השרתים שלהם כדי להנגיש משאבי מחשוב בענן, כך שמשתמשי קצה יוכלו ליישם יישומי בינה מלאכותית תעשייתיים. בנובמבר 2021, לדוגמה, AWS הכריזה על ההשקה הרשמית של המופעים האחרונים שלה מבוססי GPU, Amazon EC2 G5, המופעל על ידי כרטיס המסך NVIDIA A10G Tensor Core, עבור מגוון יישומי למידה חישובית, כולל ראייה ממוחשבת ומנועי המלצה. לדוגמה, ספקית מערכות הזיהוי Nanotronics משתמשת בדוגמאות Amazon EC2 של פתרון בקרת האיכות מבוסס הבינה המלאכותית שלה כדי להאיץ את מאמצי העיבוד ולהשיג שיעורי זיהוי מדויקים יותר בייצור שבבים וננו-צינוריות.

סיכום ותחזית

בינה מלאכותית יוצאת מהמפעל, והיא תהיה נפוצה ביישומים חדשים, כגון PdM מבוסס בינה מלאכותית, וכשיפורים לתוכנה ותרחישי שימוש קיימים. ארגונים גדולים פורסים מספר תרחישי שימוש בבינה מלאכותית ומדווחים על הצלחה, ולרוב הפרויקטים יש תשואה גבוהה על ההשקעה. בסך הכל, עליית הענן, פלטפורמות האינטרנט של הדברים ושבבי בינה מלאכותית רבי עוצמה מספקת פלטפורמה לדור חדש של תוכנה ואופטימיזציה.