Theo báo cáo thị trường AI và AI công nghiệp gần đây 2021-2026, tỷ lệ áp dụng AI trong môi trường công nghiệp đã tăng từ 19 % lên 31 % chỉ trong hơn hai năm. Ngoài 31 phần trăm số người được hỏi đã triển khai AI đầy đủ hoặc một phần trong hoạt động của họ, 39 phần trăm khác hiện đang thử nghiệm hoặc thí điểm công nghệ.
AI đang nổi lên như một công nghệ chính cho các nhà sản xuất và các công ty năng lượng trên toàn thế giới và phân tích IoT dự đoán rằng thị trường Giải pháp AI công nghiệp sẽ cho thấy tốc độ tăng trưởng hợp chất sau đại học (CAGR) mạnh mẽ là 35% để đạt 102,17 tỷ đô la vào năm 2026.
Thời đại kỹ thuật số đã sinh ra Internet of Things. Có thể thấy rằng sự xuất hiện của trí tuệ nhân tạo đã đẩy nhanh tốc độ phát triển của Internet vạn vật.
Chúng ta hãy xem một số yếu tố thúc đẩy sự gia tăng của AI và AIOT công nghiệp.
Yếu tố 1: Ngày càng có nhiều công cụ phần mềm cho AIOT công nghiệp
Vào năm 2019, khi IoT Analytics bắt đầu bao gồm AI công nghiệp, có rất ít sản phẩm phần mềm AI chuyên dụng từ các nhà cung cấp công nghệ hoạt động (OT). Kể từ đó, nhiều nhà cung cấp OT đã tham gia vào thị trường AI bằng cách phát triển và cung cấp các giải pháp phần mềm AI dưới dạng nền tảng AI cho sàn nhà máy.
Theo dữ liệu, gần 400 nhà cung cấp cung cấp phần mềm AIOT. Số lượng nhà cung cấp phần mềm gia nhập thị trường AI công nghiệp đã tăng lên đáng kể trong hai năm qua. Trong quá trình nghiên cứu, IoT Analytics đã xác định 634 nhà cung cấp công nghệ AI cho các nhà sản xuất/khách hàng công nghiệp. Trong số các công ty này, 389 (61,4%) cung cấp phần mềm AI.
Nền tảng phần mềm AI mới tập trung vào môi trường công nghiệp. Ngoài sự hấp thu, BrainCube hoặc C3 AI, một số lượng lớn các nhà cung cấp công nghệ hoạt động (OT) đang cung cấp các nền tảng phần mềm AI chuyên dụng. Các ví dụ bao gồm ABB's Genix Industrial Analytics và AI Suite, Suite đổi mới nhà máy của Rockwell AutomorTalk, nền tảng tư vấn sản xuất riêng của Schneider Electric và gần đây hơn là các tiện ích bổ sung cụ thể. Một số nền tảng này nhắm mục tiêu một loạt các trường hợp sử dụng. Ví dụ: Nền tảng Genix của ABB cung cấp các phân tích nâng cao, bao gồm các ứng dụng và dịch vụ được xây dựng trước để quản lý hiệu suất hoạt động, tính toàn vẹn tài sản, tính bền vững và hiệu quả chuỗi cung ứng.
Các công ty lớn đang đặt các công cụ phần mềm AI của họ lên sàn cửa hàng.
Tính khả dụng của các công cụ phần mềm AI cũng được điều khiển bởi các công cụ phần mềm cụ thể trong trường hợp sử dụng mới được phát triển bởi AWS, các công ty lớn như Microsoft và Google. Ví dụ, vào tháng 12 năm 2020, AWS đã phát hành Amazon Sagemaker JumpStart, một tính năng của Amazon Sagemaker cung cấp một bộ giải pháp được xây dựng sẵn và có thể tùy chỉnh cho các trường hợp sử dụng công nghiệp phổ biến nhất, như PDM, Tầm nhìn máy tính và lái xe tự trị, triển khai chỉ bằng vài lần nhấp.
Các giải pháp phần mềm dành riêng cho trường hợp sử dụng đang thúc đẩy cải thiện khả năng sử dụng.
Các bộ phần mềm dành riêng cho trường hợp sử dụng, chẳng hạn như các bộ tập trung vào bảo trì dự đoán, đang trở nên phổ biến hơn. IoT Analytics quan sát thấy rằng số lượng các nhà cung cấp sử dụng các giải pháp phần mềm quản lý dữ liệu sản phẩm dựa trên AI (PDM) đã tăng lên 73 vào đầu năm 2021 do sự gia tăng các nguồn dữ liệu khác nhau và sử dụng các mô hình đào tạo trước, cũng như việc áp dụng rộng rãi các công nghệ tăng cường dữ liệu.
Yếu tố 2: Sự phát triển và duy trì các giải pháp AI đang được đơn giản hóa
Học máy tự động (AutomL) đang trở thành một sản phẩm tiêu chuẩn.
Do sự phức tạp của các nhiệm vụ liên quan đến học máy (ML), sự tăng trưởng nhanh chóng của các ứng dụng học máy đã tạo ra nhu cầu về các phương pháp học máy ngoài luồng có thể được sử dụng mà không cần chuyên môn. Lĩnh vực nghiên cứu kết quả, tự động hóa tiến bộ cho học máy, được gọi là Automl. Một loạt các công ty đang tận dụng công nghệ này như là một phần của các dịch vụ AI của họ để giúp khách hàng phát triển các mô hình ML và thực hiện các trường hợp sử dụng công nghiệp nhanh hơn. Ví dụ, vào tháng 11 năm 2020, SKF đã công bố một sản phẩm dựa trên AutomL kết hợp dữ liệu quy trình máy với dữ liệu rung và nhiệt độ để giảm chi phí và cho phép các mô hình kinh doanh mới cho khách hàng.
Hoạt động học máy (ML OPS) đơn giản hóa quản lý và bảo trì mô hình.
Kỷ luật mới của các hoạt động học máy nhằm mục đích đơn giản hóa việc duy trì các mô hình AI trong môi trường sản xuất. Hiệu suất của mô hình AI thường suy giảm theo thời gian vì nó bị ảnh hưởng bởi một số yếu tố trong nhà máy (ví dụ, thay đổi trong phân phối dữ liệu và tiêu chuẩn chất lượng). Do đó, bảo trì mô hình và hoạt động học máy đã trở nên cần thiết để đáp ứng các yêu cầu chất lượng cao của môi trường công nghiệp (ví dụ: các mô hình có hiệu suất dưới 99% có thể không xác định được hành vi gây nguy hiểm cho sự an toàn của người lao động).
Trong những năm gần đây, nhiều công ty khởi nghiệp đã tham gia không gian ML OPS, bao gồm Datarobot, Grid.ai, Pinecone/Zilliz, Seldon và Trọng lượng & Xu hướng. Các công ty đã thành lập đã thêm các hoạt động học máy vào các dịch vụ phần mềm AI hiện tại của họ, bao gồm Microsoft, trong đó giới thiệu phát hiện trôi dạt dữ liệu trong Azure ML Studio. Tính năng mới này cho phép người dùng phát hiện các thay đổi trong phân phối dữ liệu đầu vào làm giảm hiệu suất mô hình.
Yếu tố 3: Trí tuệ nhân tạo được áp dụng cho các ứng dụng và trường hợp sử dụng hiện có
Các nhà cung cấp phần mềm truyền thống đang thêm khả năng AI.
Ngoài các công cụ phần mềm AI theo chiều ngang lớn hiện có như MS Azure ML, AWS Sagemaker và Google Cloud Vertex AI, các bộ phần mềm truyền thống như Hệ thống quản lý bảo trì máy tính (CAMMS), hệ thống thực hiện sản xuất (ME) hoặc lập kế hoạch tài nguyên doanh nghiệp (ERP) hiện có thể được cải thiện đáng kể bằng cách tiêm AI. Ví dụ, phần mềm Epicor của nhà cung cấp ERP đang bổ sung các khả năng AI vào các sản phẩm hiện có của mình thông qua Trợ lý ảo Epicor (EVA). Các tác nhân EVA thông minh được sử dụng để tự động hóa các quy trình ERP, chẳng hạn như các hoạt động sản xuất sắp xếp lại hoặc thực hiện các truy vấn đơn giản (ví dụ: có được chi tiết về giá sản phẩm hoặc số lượng các bộ phận có sẵn).
Các trường hợp sử dụng công nghiệp đang được nâng cấp bằng cách sử dụng AIOT.
Một số trường hợp sử dụng công nghiệp đang được tăng cường bằng cách thêm các khả năng AI vào cơ sở hạ tầng phần cứng/phần mềm hiện có. Một ví dụ sống động là tầm nhìn máy trong các ứng dụng kiểm soát chất lượng. Hệ thống tầm nhìn máy truyền thống xử lý hình ảnh thông qua các máy tính tích hợp hoặc rời rạc được trang bị phần mềm chuyên dụng để đánh giá các tham số và ngưỡng được xác định trước (ví dụ: độ tương phản cao) để xác định xem các đối tượng có biểu hiện khuyết tật hay không. Trong nhiều trường hợp (ví dụ, các thành phần điện tử với các hình dạng dây khác nhau), số lượng dương tính giả là rất cao.
Tuy nhiên, các hệ thống này đang được hồi sinh thông qua trí tuệ nhân tạo. Ví dụ, nhà cung cấp tầm nhìn của máy công nghiệp Cognex đã phát hành một công cụ học tập sâu mới (Vision Pro Deep Learning 2.0) vào tháng 7 năm 2021. Các công cụ mới tích hợp với các hệ thống tầm nhìn truyền thống, cho phép người dùng cuối kết hợp học sâu với các công cụ tầm nhìn truyền thống trong cùng một ứng dụng để đáp ứng các môi trường y tế và điện tử đòi hỏi chính xác.
Yếu tố 4: Phần cứng AIOT công nghiệp được cải thiện
Chip AI đang cải thiện nhanh chóng.
Các chip AI phần cứng nhúng đang phát triển nhanh chóng, với nhiều tùy chọn có sẵn để hỗ trợ phát triển và triển khai các mô hình AI. Các ví dụ bao gồm các đơn vị xử lý đồ họa mới nhất của NVIDIA (GPU), A30 và A10, được giới thiệu vào tháng 3 năm 2021 và phù hợp với các trường hợp sử dụng AI như hệ thống khuyến nghị và hệ thống tầm nhìn máy tính. Một ví dụ khác là các đơn vị xử lý tenors thế hệ thứ tư của Google (TPU), là các mạch tích hợp mục đích đặc biệt mạnh mẽ (ASIC) có thể đạt được hiệu quả và tốc độ cao hơn tới 1.000 lần trong phát triển và triển khai mô hình cho khối lượng công việc AI cụ thể (ví dụ, phát hiện đối tượng, phân loại hình ảnh và điểm chuẩn khuyến nghị). Sử dụng phần cứng AI chuyên dụng làm giảm thời gian tính toán mô hình từ vài ngày đến phút và đã được chứng minh là một người thay đổi trò chơi trong nhiều trường hợp.
Phần cứng AI mạnh mẽ ngay lập tức có sẵn thông qua mô hình trả tiền cho mỗi lần sử dụng.
Các doanh nghiệp Superscale liên tục nâng cấp máy chủ của họ để cung cấp tài nguyên điện toán trên đám mây để người dùng cuối có thể triển khai các ứng dụng AI công nghiệp. Ví dụ, vào tháng 11 năm 2021, AWS đã công bố phát hành chính thức các trường hợp dựa trên GPU mới nhất của mình, Amazon EC2 G5, được cung cấp bởi GPU Tenor Core của NVIDIA A10G, cho nhiều ứng dụng ML khác nhau, bao gồm các động cơ khuyến nghị và tầm nhìn máy tính. Ví dụ: Nanotronic của nhà cung cấp hệ thống phát hiện sử dụng các ví dụ Amazon EC2 về giải pháp kiểm soát chất lượng dựa trên AI của mình để tăng tốc các nỗ lực xử lý và đạt được tỷ lệ phát hiện chính xác hơn trong việc sản xuất vi mạch và ống nano.
Kết luận và triển vọng
AI sắp ra khỏi nhà máy và nó sẽ có mặt ở khắp nơi trong các ứng dụng mới, chẳng hạn như PDM dựa trên AI và là cải tiến cho các trường hợp sử dụng và phần mềm hiện có. Các doanh nghiệp lớn đang triển khai một số trường hợp sử dụng AI và báo cáo thành công, và hầu hết các dự án đều có lợi tức đầu tư cao. Nói chung, sự phát triển của đám mây, nền tảng IoT và chip AI mạnh mẽ cung cấp một nền tảng cho một thế hệ phần mềm và tối ưu hóa mới.
Thời gian đăng: Tháng 1-12-2022