Theo Báo cáo Thị trường Trí tuệ Nhân tạo Công nghiệp và AI giai đoạn 2021-2026 mới được công bố, tỷ lệ ứng dụng AI trong môi trường công nghiệp đã tăng từ 19% lên 31% chỉ trong hơn hai năm. Bên cạnh đó, 31% số người được khảo sát đã triển khai hoàn toàn hoặc một phần AI trong hoạt động của họ, và 39% khác hiện đang thử nghiệm hoặc thí điểm công nghệ này.
Trí tuệ nhân tạo (AI) đang nổi lên như một công nghệ chủ chốt đối với 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 đạt tốc độ tăng trưởng kép hàng năm (CAGR) mạnh mẽ 35% sau đại dịch, đạt 102,17 tỷ đô la vào năm 2026.
Kỷ nguyên kỹ thuật số đã khai sinh ra Internet vạn vật (IoT). Có thể thấy rằng sự xuất hiện của trí tuệ nhân tạo đã thúc đẩy tốc độ phát triển của IoT.
Hãy cùng điểm qua một số yếu tố thúc đẩy sự phát triển của trí tuệ nhân tạo công nghiệp và Internet vạn vật thông minh (AIoT).
Yếu tố 1: Ngày càng nhiều công cụ phần mềm dành cho AIoT công nghiệp.
Năm 2019, khi phân tích IoT bắt đầu bao gồm trí tuệ nhân tạo công nghiệp, có rất ít sản phẩm phần mềm AI chuyên dụng từ các nhà cung cấp công nghệ vận hành (OT). Kể từ đó, nhiều nhà cung cấp OT đã tham gia thị trường AI bằng cách phát triển và cung cấp các giải pháp phần mềm AI dưới dạng nền tảng AI cho nhà máy.
Theo dữ liệu, gần 400 nhà cung cấp đang cung cấp phần mềm AIoT. Số lượng nhà cung cấp phần mềm tham gia thị trường AI công nghiệp đã tăng mạnh trong hai năm qua. Trong quá trình nghiên cứu, IoT Analytics đã xác định được 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. Bên cạnh Uptake, Braincube hay C3 AI, ngày càng nhiều nhà cung cấp công nghệ vận hành (OT) đang cung cấp các nền tảng phần mềm AI chuyên dụng. Ví dụ bao gồm bộ phần mềm phân tích và AI công nghiệp Genix của ABB, bộ phần mềm FactoryTalk Innovation của Rockwell Automation, 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 đến nhiều trường hợp sử dụng khác nhau. Ví dụ, nền tảng Genix của ABB cung cấp phân tích nâng cao, bao gồm các ứng dụng và dịch vụ được xây dựng sẵn cho quản lý hiệu suất vận hành, tính toàn vẹn tài sản, tính bền vững và hiệu quả chuỗi cung ứng.
Các công ty lớn đang đưa các công cụ phần mềm trí tuệ nhân tạo của họ vào dây chuyền sản xuất.
Sự sẵn có của các công cụ phần mềm trí tuệ nhân tạo cũng được thúc đẩy bởi các công cụ phần mềm chuyên 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, chẳng hạn như bảo trì dự đoán (PdM), thị giác máy tính và lái xe tự động, có thể triển khai chỉ với vài cú nhấp chuột.
Các giải pháp phần mềm chuyên biệt cho từng trường hợp sử dụng đang thúc đẩy việc cải thiện khả năng sử dụng.
Các bộ phần mềm chuyên dụng cho từng trường hợp sử dụng cụ thể, chẳng hạn như những bộ phần mềm tập trung vào bảo trì dự đoán, đang trở nên phổ biến hơn. IoT Analytics nhận thấy rằng số lượng nhà cung cấp sử dụng các giải pháp phần mềm quản lý dữ liệu sản phẩm (PdM) dựa trên trí tuệ nhân tạo (AI) đã tăng lên 73 vào đầu năm 2021 do sự gia tăng về tính đa dạng của các nguồn dữ liệu và việc sử dụng các mô hình được đào tạo trước, cũng như việc áp dụng rộng rãi các công nghệ nâng cao dữ liệu.
Yếu tố 2: Việc phát triển và bảo trì các giải pháp AI đang được đơn giản hóa.
Học máy tự động (AutoML) đang trở thành một sản phẩm tiêu chuẩn.
Do tính phức tạp của các nhiệm vụ liên quan đến học máy (ML), sự phát triển nhanh chóng của các ứng dụng học máy đã tạo ra nhu cầu về các phương pháp học máy có sẵn, có thể sử dụng mà không cần chuyên môn. Lĩnh vực nghiên cứu phát sinh từ đó, tự động hóa tiến bộ cho học máy, được gọi là AutoML. Nhiều công ty đang tận dụng công nghệ này như một phần trong các dịch vụ AI của họ để giúp khách hàng phát triển các mô hình ML và triển khai 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 móc với dữ liệu rung động và nhiệt độ để giảm chi phí và cho phép các mô hình kinh doanh mới cho khách hàng.
Các hoạt động học máy (ML Ops) giúp đơn giản hóa việc quản lý và bảo trì mô hình.
Lĩnh vực mới về vận hành học máy nhằm mục đích đơn giản hóa việc bảo trì các mô hình trí tuệ nhân tạo (AI) trong môi trường sản xuất. Hiệu suất của một mô hình AI thường suy giảm theo thời gian do bị ảnh hưởng bởi nhiều yếu tố trong nhà máy (ví dụ: thay đổi về phân phối dữ liệu và tiêu chuẩn chất lượng). Do đó, việc bảo trì mô hình và vận hành học máy 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 vào lĩnh vực ML Ops, bao gồm DataRobot, Grid.AI, Pinecone/Zilliz, Seldon và Weights & Biases. Các công ty lâu đời cũng đã bổ sung các hoạt động học máy vào các sản phẩm phần mềm AI hiện có của họ, trong đó có Microsoft, với việc giới thiệu tính năng phát hiện sự thay đổi dữ liệu trong Azure ML Studio. Tính năng mới này cho phép người dùng phát hiện những thay đổi trong phân bố dữ liệu đầu vào làm giảm hiệu suất của mô hình.
Yếu tố 3: Ứng dụng trí tuệ nhân tạo vào các ứng dụng và trường hợp sử dụng hiện có
Các nhà cung cấp phần mềm truyền thống đang bổ sung các khả năng trí tuệ nhân tạo.
Bên cạnh các công cụ phần mềm AI đa ngành quy mô 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 Điều hành Sản xuất (MES) hoặc Hệ thống Hoạch định Nguồn lực Doanh nghiệp (ERP) giờ đây cũng có thể được cải thiện đáng kể bằng cách tích hợp khả năng AI. Ví dụ, nhà cung cấp ERP Epicor Software đang bổ sung khả năng AI vào các sản phẩm hiện có 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 lên lịch lại các hoạt động sản xuất hoặc thực hiện các truy vấn đơn giản (ví dụ: lấy thông tin chi tiết về giá sản phẩm hoặc số lượng linh kiện có sẵn).
Các trường hợp ứng dụng công nghiệp đang được nâng cấp nhờ sử dụng AIoT.
Nhiều trường hợp ứng dụng công nghiệp đang được nâng cao nhờ việc bổ sung khả năng trí tuệ nhân tạo (AI) vào cơ sở hạ tầng phần cứng/phần mềm hiện có. Một ví dụ điển hình là thị giác máy tính trong các ứng dụng kiểm soát chất lượng. Các hệ thống thị giác máy tính truyền thống xử lý hình ảnh thông qua các máy tính tích hợp hoặc riêng biệt được trang bị phần mềm chuyên dụng để đánh giá các thông số và ngưỡng đã được xác định trước (ví dụ: độ tương phản cao) nhằm xác định xem các vật thể có khuyết tật hay không. Trong nhiều trường hợp (ví dụ: các linh kiện điện tử có hình dạng dây dẫn khác nhau), tỷ lệ dương tính giả rất cao.
Tuy nhiên, những hệ thống này đang được hồi sinh thông qua trí tuệ nhân tạo. Ví dụ, nhà cung cấp phần mềm thị giác máy công nghiệp Cognex đã phát hành công cụ Học sâu mới (Vision Pro Deep Learning 2.0) vào tháng 7 năm 2021. Công cụ mới này tích hợp với các hệ thống thị giác truyền thống, cho phép người dùng cuối kết hợp học sâu với các công cụ thị giác truyền thống trong cùng một ứng dụng để đáp ứng các môi trường y tế và điện tử khắt khe, đòi hỏi đo lường chính xác các vết xước, ô nhiễm và các khuyết tật khác.
Yếu tố 4: Phần cứng AIoT công nghiệp đang được cải tiến
Các chip AI đang được cải tiến nhanh chóng.
Các chip AI phần cứng nhúng đang phát triển nhanh chóng, với nhiều tùy chọn khác nhau để hỗ trợ việc phát triển và triển khai các mô hình AI. Ví dụ bao gồm các bộ xử lý đồ họa (GPU) mới nhất của NVIDIA, A30 và A10, được giới thiệu vào tháng 3 năm 2021 và phù hợp với các trường hợp sử dụng AI như hệ thống đề xuất và hệ thống thị giác máy tính. Một ví dụ khác là các bộ xử lý Tensor (TPU) thế hệ thứ tư của Google, là các mạch tích hợp chuyên dụng (ASIC) mạnh mẽ có thể đạt được hiệu quả và tốc độ cao hơn tới 1.000 lần trong việc phát triển và triển khai mô hình cho các khối lượng công việc AI cụ thể (ví dụ: phát hiện đối tượng, phân loại hình ảnh và các bài kiểm tra hiệu năng đề xuất). Sử dụng phần cứng AI chuyên dụng giúp giảm thời gian tính toán mô hình từ nhiều ngày xuống còn vài phút và đã được chứng minh là yếu tố thay đổi cuộc chơi trong nhiều trường hợp.
Phần cứng AI mạnh mẽ hiện có sẵn thông qua mô hình trả phí theo từng lần sử dụng.
Các doanh nghiệp siêu quy mô liên tục nâng cấp máy chủ của họ để cung cấp tài nguyên tính toán trên đám mây, cho phép người dùng cuối triển khai các ứng dụng AI công nghiệp. Ví dụ, vào tháng 11 năm 2021, AWS đã công bố phát hành chính thức các phiên bản dựa trên GPU mới nhất của mình, Amazon EC2 G5, được trang bị GPU NVIDIA A10G Tensor Core, dành cho nhiều ứng dụng học máy, bao gồm thị giác máy tính và công cụ đề xuất. Ví dụ, nhà cung cấp hệ thống phát hiện Nanotronics sử dụng các phiên bản Amazon EC2 của giải pháp kiểm soát chất lượng dựa trên AI để tăng tốc quá trình xử lý và đạt được tỷ lệ phát hiện chính xác hơn trong sản xuất vi mạch và ống nano.
Kết luận và triển vọng
Trí tuệ nhân tạo (AI) đang dần được sản xuất hàng loạt và sẽ trở nên phổ biến trong các ứng dụng mới, chẳng hạn như bảo trì dự đoán dựa trên AI (AI-based PdM), và như một sự nâng cấp cho phần mềm và các trường hợp sử dụng hiện có. Các doanh nghiệp lớn đang triển khai nhiều trường hợp sử dụng AI và báo cáo thành công, và hầu hết các dự án đều có tỷ suất lợi nhuận đầu tư cao. Nhìn chung, sự phát triển của điện toán đám mây, nền tảng IoT và các chip AI mạnh mẽ tạo ra một nền tảng cho thế hệ phần mềm và tối ưu hóa mới.
Thời gian đăng bài: 12/01/2022