Menurut Laporan Pasar AI dan AI yang baru-baru ini dirilis 2021-2026, tingkat adopsi AI dalam pengaturan industri meningkat dari 19 persen menjadi 31 persen hanya dalam dua tahun. Selain 31 persen responden yang telah meluncurkan AI sepenuhnya atau sebagian dalam operasi mereka, 39 persen lainnya sedang menguji atau mengemudikan teknologi tersebut.
AI muncul sebagai teknologi utama bagi produsen dan perusahaan energi di seluruh dunia, dan analisis IoT memprediksi bahwa pasar Solusi AI Industri akan menunjukkan tingkat pertumbuhan tahunan pasca-pandemi yang kuat (CAGR) sebesar 35% untuk mencapai $ 102,17 miliar pada tahun 2026.
Umur digital telah melahirkan Internet of Things. Dapat dilihat bahwa kemunculan kecerdasan buatan telah mempercepat laju pengembangan Internet of Things.
Mari kita lihat beberapa faktor yang mendorong munculnya AI dan AIOT industri.
Faktor 1: Semakin banyak alat perangkat lunak untuk AIOT Industri
Pada tahun 2019, ketika IoT Analytics mulai mencakup AI industri, ada beberapa produk perangkat lunak AI khusus dari vendor Teknologi Operasional (OT). Sejak itu, banyak vendor OT telah memasuki pasar AI dengan mengembangkan dan memberikan solusi perangkat lunak AI dalam bentuk platform AI untuk lantai pabrik.
Menurut data, hampir 400 vendor menawarkan perangkat lunak AIOT. Jumlah vendor perangkat lunak yang bergabung dengan pasar AI industri telah meningkat secara dramatis dalam dua tahun terakhir. Selama penelitian, IoT Analytics mengidentifikasi 634 pemasok teknologi AI kepada produsen/pelanggan industri. Dari perusahaan -perusahaan ini, 389 (61,4%) menawarkan perangkat lunak AI.
Platform perangkat lunak AI baru berfokus pada lingkungan industri. Di luar penyerapan, BrainCube, atau C3 AI, semakin banyak vendor operasional (OT) yang menawarkan platform perangkat lunak AI khusus. Contohnya termasuk ABB's Genix Industrial Analytics dan AI Suite, Rockwell Automation's FactoryTalk Innovation Suite, platform konsultasi manufaktur Schneider Electric sendiri, dan baru-baru ini, tambahan khusus. Beberapa platform ini menargetkan berbagai kasus penggunaan. Misalnya, platform Genix ABB menyediakan analitik canggih, termasuk aplikasi dan layanan pra-dibangun untuk manajemen kinerja operasional, integritas aset, keberlanjutan dan efisiensi rantai pasokan.
Perusahaan besar menempatkan perangkat perangkat lunak AI mereka di lantai toko.
Ketersediaan alat perangkat lunak AI juga didorong oleh alat perangkat lunak spesifik kasus penggunaan baru yang dikembangkan oleh AWS, perusahaan besar seperti Microsoft dan Google. Misalnya, pada bulan Desember 2020, AWS merilis Amazon Sagemaker Jumpstart, fitur Amazon Sagemaker yang menyediakan serangkaian solusi yang sudah dibangun dan dapat disesuaikan untuk kasus penggunaan industri yang paling umum, seperti PDM, visi komputer, dan mengemudi otonom, digunakan hanya dengan beberapa klik.
Solusi perangkat lunak khusus penggunaan-kasus mendorong peningkatan kegunaan.
Suite perangkat lunak khusus penggunaan-kasus, seperti yang difokuskan pada pemeliharaan prediktif, menjadi lebih umum. IoT Analytics mengamati bahwa jumlah penyedia yang menggunakan solusi perangkat lunak manajemen data produk (PDM) berbasis AI naik menjadi 73 pada awal 2021 karena peningkatan variasi sumber data dan penggunaan model pra-pelatihan, serta adopsi teknologi peningkatan data yang meluas.
Faktor 2: Pengembangan dan pemeliharaan solusi AI sedang disederhanakan
Pembelajaran Mesin Otomatis (AUTOML) menjadi produk standar.
Karena kompleksitas tugas yang terkait dengan pembelajaran mesin (ML), pertumbuhan cepat aplikasi pembelajaran mesin telah menciptakan kebutuhan untuk metode pembelajaran mesin di luar rak yang dapat digunakan tanpa keahlian. Bidang penelitian yang dihasilkan, otomatisasi progresif untuk pembelajaran mesin, disebut Automl. Berbagai perusahaan memanfaatkan teknologi ini sebagai bagian dari penawaran AI mereka untuk membantu pelanggan mengembangkan model ML dan menerapkan kasus penggunaan industri lebih cepat. Pada bulan November 2020, misalnya, SKF mengumumkan produk berbasis automl yang menggabungkan data proses mesin dengan data getaran dan suhu untuk mengurangi biaya dan memungkinkan model bisnis baru untuk pelanggan.
Operasi Pembelajaran Mesin (ML OPS) Menyederhanakan manajemen dan pemeliharaan model.
Disiplin baru operasi pembelajaran mesin bertujuan untuk menyederhanakan pemeliharaan model AI di lingkungan manufaktur. Kinerja model AI biasanya menurun dari waktu ke waktu karena dipengaruhi oleh beberapa faktor dalam pabrik (misalnya, perubahan dalam distribusi data dan standar kualitas). Akibatnya, pemeliharaan model dan operasi pembelajaran mesin menjadi perlu untuk memenuhi persyaratan berkualitas tinggi dari lingkungan industri (misalnya, model dengan kinerja di bawah 99% mungkin gagal mengidentifikasi perilaku yang membahayakan keselamatan pekerja).
Dalam beberapa tahun terakhir, banyak startup telah bergabung dengan ruang OPS ML, termasuk Dadarobot, Grid.ai, Pinecone/Zilliz, Seldon, dan Bobot & Bias. Perusahaan yang mapan telah menambahkan operasi pembelajaran mesin ke penawaran perangkat lunak AI yang ada, termasuk Microsoft, yang memperkenalkan deteksi drift data di Azure ML Studio. Fitur baru ini memungkinkan pengguna untuk mendeteksi perubahan dalam distribusi data input yang menurunkan kinerja model.
Faktor 3: Kecerdasan buatan diterapkan pada aplikasi yang ada dan kasus penggunaan
Penyedia perangkat lunak tradisional menambahkan kemampuan AI.
Selain alat perangkat lunak AI horizontal besar yang ada seperti MS Azure ML, AWS Sagemaker, dan Google Cloud Vertex AI, suite perangkat lunak tradisional seperti Sistem Manajemen Pemeliharaan Komputerisasi (CAMMs), Sistem Eksekusi Manufaktur (MES) atau Perencanaan Sumber Daya Perusahaan (ERP) sekarang dapat secara signifikan ditingkatkan dengan menyuntikkan kemampuan AI. Misalnya, penyedia ERP Epicor Software menambahkan kemampuan AI ke produk yang ada melalui Epicor Virtual Assistant (EVA). Agen EVA yang cerdas digunakan untuk mengotomatisasi proses ERP, seperti penjadwalan ulang operasi manufaktur atau melakukan kueri sederhana (misalnya, mendapatkan rincian tentang harga produk atau jumlah bagian yang tersedia).
Kasus penggunaan industri sedang ditingkatkan dengan menggunakan AIOT.
Beberapa kasus penggunaan industri sedang ditingkatkan dengan menambahkan kemampuan AI ke infrastruktur perangkat keras/perangkat lunak yang ada. Contoh yang jelas adalah visi mesin dalam aplikasi kontrol kualitas. Sistem visi mesin tradisional memproses gambar melalui komputer terintegrasi atau diskrit yang dilengkapi dengan perangkat lunak khusus yang mengevaluasi parameter dan ambang batas yang telah ditentukan (misalnya, kontras tinggi) untuk menentukan apakah objek menunjukkan cacat. Dalam banyak kasus (misalnya, komponen elektronik dengan bentuk kabel yang berbeda), jumlah positif palsu sangat tinggi.
Namun, sistem ini dihidupkan kembali melalui kecerdasan buatan. Sebagai contoh, penyedia visi mesin industri Cognex merilis alat pembelajaran mendalam baru (Vision Pro Deep Learning 2.0) pada bulan Juli 2021. Alat baru ini terintegrasi dengan sistem penglihatan tradisional, memungkinkan pengguna akhir untuk menggabungkan pembelajaran mendalam dengan alat visi tradisional dalam aplikasi yang sama untuk memenuhi lingkungan medis dan elektronik yang membutuhkan pengukuran goresan, kontaminasi, dan cacat lainnya yang akurat.
Faktor 4: Perangkat keras AIOT industri ditingkatkan
Chip AI membaik dengan cepat.
Chip AI Perangkat Keras Tertanam tumbuh dengan cepat, dengan berbagai pilihan yang tersedia untuk mendukung pengembangan dan penyebaran model AI. Contohnya termasuk unit pemrosesan grafis terbaru NVIDIA (GPU), A30 dan A10, yang diperkenalkan pada Maret 2021 dan cocok untuk kasus penggunaan AI seperti sistem rekomendasi dan sistem visi komputer. Contoh lain adalah unit pemrosesan tensor generasi keempat Google (TPU), yang merupakan sirkuit terintegrasi tujuan khusus (ASIC) yang kuat yang dapat mencapai efisiensi dan kecepatan hingga 1.000 kali lebih banyak dalam pengembangan model dan penyebaran untuk beban kerja AI tertentu (mis. Menggunakan perangkat keras AI khusus mengurangi waktu perhitungan model dari hari menjadi menit, dan telah terbukti menjadi pengubah permainan dalam banyak kasus.
Perangkat keras AI yang kuat segera tersedia melalui model bayar per penggunaan.
SuperScale Enterprises terus -menerus meningkatkan server mereka untuk membuat sumber daya komputasi tersedia di cloud sehingga pengguna akhir dapat menerapkan aplikasi AI industri. Pada bulan November 2021, misalnya, AWS mengumumkan rilis resmi contoh terbaru berbasis GPU, Amazon EC2 G5, yang ditenagai oleh GPU inti Tensor NVIDIA A10G, untuk berbagai aplikasi ML, termasuk visi komputer dan mesin rekomendasi. Sebagai contoh, penyedia sistem deteksi Nanotronics menggunakan contoh Amazon EC2 dari solusi kontrol kualitas berbasis AI untuk mempercepat upaya pemrosesan dan mencapai tingkat deteksi yang lebih akurat dalam pembuatan microchip dan nanotube.
Kesimpulan dan prospek
AI keluar dari pabrik, dan akan ada di mana-mana dalam aplikasi baru, seperti PDM berbasis AI, dan sebagai peningkatan perangkat lunak yang ada dan kasus penggunaan. Perusahaan besar meluncurkan beberapa kasus penggunaan AI dan melaporkan keberhasilan, dan sebagian besar proyek memiliki pengembalian investasi yang tinggi. Secara keseluruhan, kebangkitan cloud, platform IoT dan chip AI yang kuat menyediakan platform untuk generasi baru perangkat lunak dan optimasi.
Waktu posting: Jan-12-2022