Yn ôl yr Adroddiad ar AI Diwydiannol a Marchnad AI 2021-2026 a ryddhawyd yn ddiweddar, cynyddodd cyfradd mabwysiadu AI mewn Lleoliadau diwydiannol o 19 y cant i 31 y cant mewn ychydig dros ddwy flynedd. Yn ogystal â 31 y cant o'r ymatebwyr sydd wedi cyflwyno AI yn llawn neu'n rhannol yn eu gweithrediadau, mae 39 y cant arall wrthi'n profi neu'n peilota'r dechnoleg.
Mae deallusrwydd artiffisial (AI) yn dod i'r amlwg fel technoleg allweddol i weithgynhyrchwyr a chwmnïau ynni ledled y byd, ac mae dadansoddiad IoT yn rhagweld y bydd marchnad atebion AI diwydiannol yn dangos cyfradd twf blynyddol cyfansawdd (CAGR) ôl-bandemig cryf o 35% i gyrraedd $102.17 biliwn erbyn 2026.
Mae'r oes ddigidol wedi rhoi genedigaeth i'r Rhyngrwyd Pethau. Gellir gweld bod ymddangosiad deallusrwydd artiffisial wedi cyflymu cyflymder datblygiad y Rhyngrwyd Pethau.
Gadewch i ni edrych ar rai o'r ffactorau sy'n sbarduno cynnydd AI diwydiannol ac AIoT.
Ffactor 1: Mwy a mwy o offer meddalwedd ar gyfer AIoT diwydiannol
Yn 2019, pan ddechreuodd dadansoddeg Rhyngrwyd Pethau (IoT) gwmpasu AI diwydiannol, prin oedd cynhyrchion meddalwedd AI pwrpasol gan werthwyr technoleg weithredol (OT). Ers hynny, mae llawer o werthwyr OT wedi ymuno â'r farchnad AI trwy ddatblygu a darparu atebion meddalwedd AI ar ffurf llwyfannau AI ar gyfer llawr y ffatri.
Yn ôl data, mae bron i 400 o werthwyr yn cynnig meddalwedd AIoT. Mae nifer y gwerthwyr meddalwedd sy'n ymuno â'r farchnad AI ddiwydiannol wedi cynyddu'n sylweddol yn ystod y ddwy flynedd ddiwethaf. Yn ystod yr astudiaeth, nododd IoT Analytics 634 o gyflenwyr technoleg AI i weithgynhyrchwyr/cwsmeriaid diwydiannol. O'r cwmnïau hyn, mae 389 (61.4%) yn cynnig meddalwedd AI.
Mae'r platfform meddalwedd AI newydd yn canolbwyntio ar amgylcheddau diwydiannol. Y tu hwnt i Uptake, Braincube, neu C3 AI, mae nifer gynyddol o werthwyr technoleg weithredol (OT) yn cynnig llwyfannau meddalwedd AI pwrpasol. Mae enghreifftiau'n cynnwys cyfres dadansoddeg ac AI Diwydiannol Genix ABB, cyfres FactoryTalk Innovation Rockwell Automation, llwyfan ymgynghori gweithgynhyrchu Schneider Electric ei hun, ac yn fwy diweddar, ychwanegiadau penodol. Mae rhai o'r llwyfannau hyn yn targedu ystod eang o achosion defnydd. Er enghraifft, mae platfform Genix ABB yn darparu dadansoddeg uwch, gan gynnwys cymwysiadau a gwasanaethau parod ar gyfer rheoli perfformiad gweithredol, uniondeb asedau, cynaliadwyedd ac effeithlonrwydd y gadwyn gyflenwi.
Mae cwmnïau mawr yn rhoi eu hoffer meddalwedd deallusrwydd artiffisial ar lawr y siop.
Mae argaeledd offer meddalwedd deallusrwydd artiffisial hefyd yn cael ei yrru gan offer meddalwedd newydd sy'n benodol i achosion defnydd a ddatblygwyd gan AWS, cwmnïau mawr fel Microsoft a Google. Er enghraifft, ym mis Rhagfyr 2020, rhyddhaodd AWS Amazon SageMaker JumpStart, nodwedd o Amazon SageMaker sy'n darparu set o atebion parod a addasadwy ar gyfer yr achosion defnydd diwydiannol mwyaf cyffredin, fel PdM, gweledigaeth gyfrifiadurol, a gyrru ymreolaethol, Defnyddio gyda dim ond ychydig o gliciau.
Mae atebion meddalwedd penodol i achosion defnydd yn sbarduno gwelliannau defnyddioldeb.
Mae setiau meddalwedd penodol i achosion defnydd, fel y rhai sy'n canolbwyntio ar gynnal a chadw rhagfynegol, yn dod yn fwy cyffredin. Nododd IoT Analytics fod nifer y darparwyr sy'n defnyddio atebion meddalwedd rheoli data cynnyrch (PdM) sy'n seiliedig ar AI wedi codi i 73 ddechrau 2021 oherwydd cynnydd yn yr amrywiaeth o ffynonellau data a'r defnydd o fodelau hyfforddi ymlaen llaw, yn ogystal â mabwysiadu technolegau gwella data yn eang.
Ffactor 2: Mae datblygu a chynnal a chadw atebion AI yn cael eu symleiddio
Mae dysgu peirianyddol awtomataidd (AutoML) yn dod yn gynnyrch safonol.
Oherwydd cymhlethdod y tasgau sy'n gysylltiedig â dysgu peirianyddol (ML), mae twf cyflym cymwysiadau dysgu peirianyddol wedi creu angen am ddulliau dysgu peirianyddol parod y gellir eu defnyddio heb arbenigedd. Gelwir y maes ymchwil sy'n deillio o hyn, awtomeiddio blaengar ar gyfer dysgu peirianyddol, yn AutoML. Mae amrywiaeth o gwmnïau'n manteisio ar y dechnoleg hon fel rhan o'u cynigion AI i helpu cwsmeriaid i ddatblygu modelau ML a gweithredu achosion defnydd diwydiannol yn gyflymach. Ym mis Tachwedd 2020, er enghraifft, cyhoeddodd SKF gynnyrch sy'n seiliedig ar awtomL sy'n cyfuno data prosesau peiriant â data dirgryniad a thymheredd i leihau costau a galluogi modelau busnes newydd i gwsmeriaid.
Mae gweithrediadau dysgu peirianyddol (ML Ops) yn symleiddio rheoli a chynnal a chadw modelau.
Nod y ddisgyblaeth newydd o weithrediadau dysgu peirianyddol yw symleiddio cynnal a chadw modelau AI mewn amgylcheddau gweithgynhyrchu. Mae perfformiad model AI fel arfer yn dirywio dros amser wrth iddo gael ei effeithio gan sawl ffactor o fewn y ffatri (er enghraifft, newidiadau mewn dosbarthiad data a safonau ansawdd). O ganlyniad, mae cynnal a chadw modelau a gweithrediadau dysgu peirianyddol wedi dod yn angenrheidiol i fodloni gofynion ansawdd uchel amgylcheddau diwydiannol (er enghraifft, gall modelau â pherfformiad islaw 99% fethu ag adnabod ymddygiad sy'n peryglu diogelwch gweithwyr).
Yn ystod y blynyddoedd diwethaf, mae llawer o gwmnïau newydd wedi ymuno â'r maes dysgu peirianyddol, gan gynnwys DataRobot, Grid.AI, Pinecone/Zilliz, Seldon, a Weights & Biases. Mae cwmnïau sefydledig wedi ychwanegu gweithrediadau dysgu peirianyddol at eu cynigion meddalwedd deallusrwydd artiffisial presennol, gan gynnwys Microsoft, a gyflwynodd ganfod drifft data yn Azure ML Studio. Mae'r nodwedd newydd hon yn galluogi defnyddwyr i ganfod newidiadau yn nosbarthiad data mewnbwn sy'n diraddio perfformiad model.
Ffactor 3: Deallusrwydd artiffisial wedi'i gymhwyso i gymwysiadau ac achosion defnydd presennol
Mae darparwyr meddalwedd traddodiadol yn ychwanegu galluoedd deallusrwydd artiffisial.
Yn ogystal â'r offer meddalwedd AI llorweddol mawr presennol fel MS Azure ML, AWS SageMaker, a Google Cloud Vertex AI, gellir gwella pecynnau meddalwedd traddodiadol fel Systemau Rheoli Cynnal a Chadw Cyfrifiadurol (CAMMS), systemau gweithredu Gweithgynhyrchu (MES) neu gynllunio adnoddau menter (ERP) yn sylweddol nawr trwy chwistrellu galluoedd AI. Er enghraifft, mae'r darparwr ERP Epicor Software yn ychwanegu galluoedd AI at ei gynhyrchion presennol trwy ei Gynorthwyydd Rhithwir Epicor (EVA). Defnyddir asiantau EVA deallus i awtomeiddio prosesau ERP, fel aildrefnu gweithrediadau gweithgynhyrchu neu gynnal ymholiadau syml (er enghraifft, cael manylion am brisio cynnyrch neu nifer y rhannau sydd ar gael).
Mae achosion defnydd diwydiannol yn cael eu huwchraddio trwy ddefnyddio AIoT.
Mae sawl achos defnydd diwydiannol yn cael eu gwella trwy ychwanegu galluoedd AI at seilwaith caledwedd/meddalwedd presennol. Enghraifft fywiog yw gweledigaeth beiriannol mewn cymwysiadau rheoli ansawdd. Mae systemau gweledigaeth beiriannol traddodiadol yn prosesu delweddau trwy gyfrifiaduron integredig neu arwahanol sydd â meddalwedd arbenigol sy'n gwerthuso paramedrau a throthwyon penodol (e.e., cyferbyniad uchel) i benderfynu a yw gwrthrychau'n arddangos diffygion. Mewn llawer o achosion (er enghraifft, cydrannau electronig â gwahanol siapiau gwifrau), mae nifer y canlyniadau positif ffug yn uchel iawn.
Fodd bynnag, mae'r systemau hyn yn cael eu hadfywio trwy ddeallusrwydd artiffisial. Er enghraifft, rhyddhaodd y darparwr Gweledigaeth beiriannol diwydiannol Cognex offeryn Dysgu Dwfn newydd (Vision Pro Deep Learning 2.0) ym mis Gorffennaf 2021. Mae'r offer newydd yn integreiddio â systemau gweledigaeth traddodiadol, gan alluogi defnyddwyr terfynol i gyfuno dysgu dwfn ag offer gweledigaeth traddodiadol yn yr un cymhwysiad i ddiwallu amgylcheddau meddygol ac electronig heriol sy'n gofyn am fesuriad cywir o grafiadau, halogiad a diffygion eraill.
Ffactor 4: Caledwedd AIoT diwydiannol yn cael ei wella
Mae sglodion AI yn gwella'n gyflym.
Mae sglodion AI caledwedd mewnosodedig yn tyfu'n gyflym, gydag amrywiaeth o opsiynau ar gael i gefnogi datblygu a defnyddio modelau AI. Mae enghreifftiau'n cynnwys unedau prosesu graffeg (Gpus) diweddaraf NVIDIA, yr A30 a'r A10, a gyflwynwyd ym mis Mawrth 2021 ac sy'n addas ar gyfer achosion defnydd AI fel systemau argymhellion a systemau gweledigaeth gyfrifiadurol. Enghraifft arall yw Unedau Prosesu Tensors (TPus) pedwaredd genhedlaeth Google, sef cylchedau integredig pwrpasol (ASics) pwerus a all gyflawni hyd at 1,000 gwaith yn fwy o effeithlonrwydd a chyflymder wrth ddatblygu a defnyddio modelau ar gyfer llwythi gwaith AI penodol (e.e. canfod gwrthrychau, dosbarthu delweddau, a meincnodau argymhellion). Mae defnyddio caledwedd AI pwrpasol yn lleihau amser cyfrifo modelau o ddyddiau i funudau, ac mae wedi profi i fod yn newid gêm mewn llawer o achosion.
Mae caledwedd AI pwerus ar gael ar unwaith trwy fodel talu-fesul-defnydd.
Mae mentrau ar raddfa fawr yn uwchraddio eu gweinyddion yn gyson i wneud adnoddau cyfrifiadurol ar gael yn y cwmwl fel y gall defnyddwyr terfynol weithredu cymwysiadau AI diwydiannol. Ym mis Tachwedd 2021, er enghraifft, cyhoeddodd AWS ryddhad swyddogol ei enghreifftiau diweddaraf sy'n seiliedig ar GPU, Amazon EC2 G5, wedi'i bweru gan y GPU Tensor Core NVIDIA A10G, ar gyfer amrywiaeth o gymwysiadau ML, gan gynnwys peiriannau gweledigaeth gyfrifiadurol ac argymhellion. Er enghraifft, mae'r darparwr systemau canfod Nanotronics yn defnyddio enghreifftiau Amazon EC2 o'i ddatrysiad rheoli ansawdd sy'n seiliedig ar AI i gyflymu ymdrechion prosesu a chyflawni cyfraddau canfod mwy cywir wrth gynhyrchu microsglodion a nanotiwbiau.
Casgliad a Rhagolygon
Mae deallusrwydd artiffisial yn dod allan o'r ffatri, a bydd yn hollbresennol mewn cymwysiadau newydd, fel PdM sy'n seiliedig ar ddeallusrwydd artiffisial, ac fel gwelliannau i feddalwedd ac achosion defnydd presennol. Mae mentrau mawr yn cyflwyno sawl achos defnydd deallusrwydd artiffisial ac yn adrodd am lwyddiant, ac mae gan y rhan fwyaf o brosiectau enillion uchel ar fuddsoddiad. At ei gilydd, mae cynnydd y cwmwl, llwyfannau pethau rhyngrwyd a sglodion deallusrwydd artiffisial pwerus yn darparu llwyfan ar gyfer cenhedlaeth newydd o feddalwedd ac optimeiddio.
Amser postio: 12 Ionawr 2022