Theo Báo cáo Thị trường AI và Trí tuệ Nhân tạo Công nghiệp 2021-2026 vừa được công bố, tỷ lệ ứng dụng AI trong các lĩnh vực công nghiệp đã tăng từ 19% lên 31% chỉ sau hơn hai năm. Bên cạnh 31% số người được hỏi đã triển khai AI toàn diện hoặc một phần vào hoạt động của mình, 39% khác hiện đang thử nghiệm hoặc thí điểm công nghệ này.
AI đang nổi lên như một công nghệ quan trọng đối với các nhà sản xuất và 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 kép hàng năm (CAGR) mạnh mẽ sau đại dịch là 35%, đạt 102,17 tỷ đô la vào năm 2026.
Thời đại kỹ thuật số đã khai sinh ra Internet vạn vật. Có thể thấy, sự xuất hiện của trí tuệ nhân tạo đã đẩy nhanh tốc độ phát triển của Internet vạn vật.
Hãy cùng xem xét một số yếu tố thúc đẩy sự phát triển của AI công nghiệp và AIoT.
Yếu tố 1: Ngày càng có nhiều công cụ phần mềm cho AIoT công nghiệp
Vào năm 2019, khi phân tích IoT bắt đầu bao phủ AI 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 cung cấp phần mềm AIoT. Số lượng nhà cung cấp phần mềm tham gia thị trường AI công nghiệp đã tăng đáng kể 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 này, 389 công ty (61,4%) cung cấp phần mềm AI.
Nền tảng phần mềm AI mới tập trung vào môi trường công nghiệp. Ngoài 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 phân tích và AI Genix Industrial của ABB, bộ FactoryTalk Innovation của Rockwell Automation, nền tảng tư vấn sản xuất của Schneider Electric, và gần đây hơn là các tiện ích bổ sung cụ thể. Một số nền tảng này hướng đến nhiều trường hợp sử dụng khác nhau. 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 sẵn để 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 AI của mình vào sản xuất.
Sự sẵn có của các công cụ phần mềm AI cũng được thúc đẩy bởi các công cụ phần mềm mới dành riêng cho từng trường hợp sử dụng do AWS, các công ty lớn như Microsoft và Google, phát triển. 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 tùy chỉnh cho các trường hợp sử dụng công nghiệp phổ biến nhất, chẳng hạn như PdM (Quản lý Dữ liệu Cá nhân), thị giác máy tính và lái xe tự động. Triển khai chỉ với vài cú nhấp chuột.
Các giải pháp phần mềm dành riêng cho từng trường hợp sử dụng đang thúc đẩy cải thiện khả năng sử dụng.
Các bộ phần mềm chuyên biệt cho từng trường hợp sử dụng, chẳng hạn như các bộ phần mềm tập trung vào bảo trì dự đoán, đang ngày càng phổ biến. IoT Analytics nhận thấy số lượng nhà cung cấp sử dụng giải pháp phần mềm quản lý dữ liệu sản phẩm (PdM) dựa trên AI đã tăng lên 73 vào đầu năm 2021 do sự gia tăng về tính đa dạng của nguồn dữ liệu và việc sử dụng các mô hình tiền đào tạo, cũng như việc áp dụng rộng rãi các công nghệ tăng cường dữ liệu.
Yếu tố 2: Việc 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 tính phức tạp của các tác 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 kết quả, 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 với dữ liệu rung động và nhiệt độ để giảm chi phí và tạo điều kiện cho các mô hình kinh doanh mới cho khách hàng.
Hoạt động học máy (ML Ops) giúp đơn giản hóa việc quản lý và bảo trì mô hình.
Ngành học mới về vận hành máy học nhằm mục đích đơn giản hóa việc bảo trì các mô hình AI trong môi trường sản xuất. Hiệu suất của một mô hình AI thường giảm dần theo thời gian do 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, việc bảo trì mô hình và vận hành máy học 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 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 đã bổ sung các hoạt động học máy vào các dịch vụ phần mềm AI hiện có của họ, bao gồm cả Microsoft, công ty đã giới thiệu tính năng phát hiện trôi dữ liệu trong Azure ML Studio. Tính năng mới này cho phép người dùng phát hiện những thay đổi trong phân phối dữ liệu đầu vào làm giảm hiệu suất của mô hình.
Yếu tố 3: Trí tuệ nhân tạo được áp dụng vào các ứng dụng và trường hợp sử dụng hiện có
Các nhà cung cấp phần mềm truyền thống đang bổ sung thêm khả năng AI.
Bên cạnh 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 thi Sản xuất (MES) hoặc Lập kế hoạch Nguồn lực Doanh nghiệp (ERP) giờ đây có thể được cải thiện đáng kể bằng cách tích hợp các khả năng AI. Ví dụ: nhà cung cấp ERP Epicor Software 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 sắp xếp lại lịch trình 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 sử dụng công nghiệp đang được nâng cấp bằng cách sử dụng AIoT.
Một số ứng dụng công nghiệp đang được cải thiện bằng cách bổ sung khả năng AI vào cơ sở hạ tầng phần cứng/phần mềm hiện có. Một ví dụ điển hình là thị giác máy trong các ứng dụng kiểm soát chất lượng. Các hệ thống thị giác 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 thông số và ngưỡng được xác định trước (ví dụ: độ tương phản cao) để xác định xem 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), số lượng kết quả dương tính giả rất cao.
Tuy nhiên, các hệ thống này đang được hồi sinh nhờ trí tuệ nhân tạo. Ví dụ, nhà cung cấp thị giác máy công nghiệp Cognex đã phát hành công cụ Học sâu (Deep Learning) mới (Vision Pro Deep Learning 2.0) vào tháng 7 năm 2021. Các 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 phải đo chính xác các vết xước, nhiễm bẩn và các khuyết tật khác.
Yếu tố 4: Phần cứng AIoT công nghiệp đang được cải thiện
Chip AI đang được cải thiện nhanh chóng.
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. 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 cho các trường hợp sử dụng AI như hệ thống đề xuất và hệ thống thị giác máy tính. Một ví dụ khác là Bộ xử lý Tensor (TPU) thế hệ thứ tư của Google, là các mạch tích hợp chuyên dụng (ASIC) mạnh mẽ có thể đạt hiệu suất 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 điểm chuẩn đề xuất). Việc 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 một bước đột phá trong nhiều trường hợp.
Phần cứng AI mạnh mẽ có thể được sử dụng ngay thông qua mô hình trả tiền theo mức sử dụng.
Các doanh nghiệp siêu quy mô đang liên tục nâng cấp máy chủ của mình để cung cấp tài nguyên điện 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 chính thức phát hành phiên bản mới nhất dựa trên GPU, Amazon EC2 G5, được hỗ trợ bởi GPU NVIDIA A10G Tensor Core, cho nhiều ứng dụng học máy (ML), bao gồm thị giác máy tính và công cụ đề xuất. Ví dụ, nhà cung cấp hệ thống phát hiện Nanotronics sử dụng các ví dụ Amazon EC2 về giải pháp kiểm soát chất lượng dựa trên AI của mình 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 ứng dụng rộng rãi, và sẽ xuất hiện ở khắp mọi nơi trong các ứng dụng mới, chẳng hạn như quản lý dự án (PdM) dựa trên AI, cũng như các cải tiến cho phần mềm và 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 lệ hoàn vốn đầu tư cao. Nhìn chung, sự trỗi dậy của điện toán đám mây, nền tảng IoT và chip AI mạnh mẽ tạo ra nền tảng cho thế hệ phần mềm và tối ưu hóa mới.
Thời gian đăng: 12-01-2022