Menurut Laporan Industri AI dan Pasar AI 2021-2026 yang baru-baru ini dirilis, tingkat adopsi AI di lingkungan industri meningkat dari 19 persen menjadi 31 persen hanya dalam waktu dua tahun. Selain 31 persen responden yang telah sepenuhnya atau sebagian menerapkan AI dalam operasi mereka, 39 persen lainnya saat ini sedang menguji atau menguji coba teknologi tersebut.
AI muncul sebagai teknologi utama bagi produsen dan perusahaan energi di seluruh dunia, dan analisis IoT memperkirakan bahwa pasar solusi AI industri akan menunjukkan tingkat pertumbuhan tahunan gabungan (CAGR) pascapandemi yang kuat sebesar 35% dan mencapai $102,17 miliar pada tahun 2026.
Era digital telah melahirkan Internet of Things. Terlihat bahwa kemunculan kecerdasan buatan telah mempercepat laju perkembangan Internet of Things.
Mari kita lihat beberapa faktor yang mendorong munculnya AI industri dan AIoT.
Faktor 1: Semakin banyak perangkat lunak untuk AIoT industri
Pada tahun 2019, ketika analisis IoT mulai mencakup AI industri, hanya ada sedikit produk perangkat lunak AI khusus dari vendor teknologi operasional (OT). Sejak saat itu, banyak vendor OT yang memasuki pasar AI dengan mengembangkan dan menyediakan 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 industri AI telah meningkat secara dramatis dalam dua tahun terakhir. Selama penelitian, IoT Analytics mengidentifikasi 634 pemasok teknologi AI untuk produsen/pelanggan industri. Dari perusahaan-perusahaan tersebut, 389 (61,4%) menawarkan perangkat lunak AI.
Platform perangkat lunak AI baru berfokus pada lingkungan industri. Selain Serapan, Braincube, atau C3 AI, semakin banyak vendor teknologi operasional (OT) yang menawarkan platform perangkat lunak AI khusus. Contohnya termasuk rangkaian analitik dan AI Genix Industrial dari ABB, rangkaian Inovasi FactoryTalk dari Rockwell Automation, platform konsultasi manufaktur milik Schneider Electric, dan yang terbaru, add-on khusus. Beberapa dari platform ini menargetkan berbagai kasus penggunaan. Misalnya, platform Genix ABB menyediakan analisis tingkat lanjut, termasuk aplikasi dan layanan siap pakai untuk manajemen kinerja operasional, integritas aset, keberlanjutan, dan efisiensi rantai pasokan.
Perusahaan-perusahaan besar menempatkan perangkat lunak AI mereka di lantai pabrik.
Ketersediaan perangkat lunak AI juga didorong oleh perangkat lunak khusus kasus penggunaan baru yang dikembangkan oleh AWS, perusahaan besar seperti Microsoft dan Google. Misalnya, pada bulan Desember 2020, AWS merilis Amazon SageMaker JumpStart, sebuah fitur Amazon SageMaker yang menyediakan serangkaian solusi siap pakai dan dapat disesuaikan untuk kasus penggunaan industri paling umum, seperti PdM, visi komputer, dan mengemudi otonom, Terapkan dengan hanya beberapa klik.
Solusi perangkat lunak khusus kasus penggunaan mendorong peningkatan kegunaan.
Rangkaian perangkat lunak yang spesifik untuk kasus penggunaan, seperti yang berfokus pada pemeliharaan prediktif, menjadi lebih umum. IoT Analytics mengamati bahwa jumlah penyedia yang menggunakan solusi perangkat lunak manajemen data produk (PdM) berbasis AI meningkat menjadi 73 pada awal tahun 2021 karena peningkatan variasi sumber data dan penggunaan model pra-pelatihan, serta meluasnya adopsi teknologi peningkatan data.
Faktor 2: Pengembangan dan pemeliharaan solusi AI disederhanakan
Pembelajaran mesin otomatis (AutoML) menjadi produk standar.
Karena kompleksitas tugas yang terkait dengan pembelajaran mesin (ML), pesatnya pertumbuhan aplikasi pembelajaran mesin telah menciptakan kebutuhan akan metode pembelajaran mesin siap pakai 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 mengimplementasikan kasus penggunaan industri dengan 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 bagi pelanggan.
Operasi pembelajaran mesin (ML Ops) menyederhanakan pengelolaan dan pemeliharaan model.
Disiplin baru operasi pembelajaran mesin bertujuan untuk menyederhanakan pemeliharaan model AI di lingkungan manufaktur. Performa model AI biasanya menurun seiring berjalannya waktu karena dipengaruhi oleh beberapa faktor di dalam pabrik (misalnya, perubahan distribusi data dan standar kualitas). Akibatnya, pemeliharaan model dan operasi pembelajaran mesin menjadi penting untuk memenuhi persyaratan kualitas lingkungan industri yang tinggi (misalnya, model dengan kinerja di bawah 99% Mungkin gagal mengidentifikasi perilaku yang membahayakan keselamatan pekerja).
Dalam beberapa tahun terakhir, banyak startup yang bergabung dengan bidang ML Ops, termasuk DataRobot, Grid.AI, Pinecone/Zilliz, Seldon, dan Weights & Biases. Perusahaan-perusahaan mapan telah menambahkan operasi pembelajaran mesin ke penawaran perangkat lunak AI mereka yang sudah ada, termasuk Microsoft, yang memperkenalkan deteksi penyimpangan data di Azure ML Studio. Fitur baru ini memungkinkan pengguna mendeteksi perubahan distribusi data masukan yang menurunkan kinerja model.
Faktor 3: Kecerdasan buatan diterapkan pada aplikasi dan kasus penggunaan yang ada
Penyedia perangkat lunak tradisional menambahkan kemampuan AI.
Selain perangkat lunak AI horizontal besar yang sudah ada seperti MS Azure ML, AWS SageMaker, dan Google Cloud Vertex AI, rangkaian perangkat lunak tradisional seperti Sistem Manajemen Pemeliharaan Terkomputerisasi (CAMMS), Sistem Eksekusi Manufaktur (MES) atau perencanaan sumber daya perusahaan (ERP) kini dapat ditingkatkan secara signifikan dengan menyuntikkan kemampuan AI. Misalnya, penyedia ERP Epicor Software menambahkan kemampuan AI ke produk yang sudah ada melalui Epicor Virtual Assistant (EVA). Agen EVA yang cerdas digunakan untuk mengotomatisasi proses ERP, seperti menjadwal ulang operasi manufaktur atau melakukan pertanyaan sederhana (misalnya, mendapatkan rincian tentang harga produk atau jumlah suku cadang yang tersedia).
Kasus penggunaan industri ditingkatkan dengan menggunakan AIoT.
Beberapa kasus penggunaan industri ditingkatkan dengan menambahkan kemampuan AI ke infrastruktur perangkat keras/perangkat lunak yang ada. Contoh nyata adalah visi mesin dalam aplikasi kendali mutu. Sistem visi mesin tradisional memproses gambar melalui komputer terintegrasi atau terpisah 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 berbeda), jumlah positif palsu sangat tinggi.
Namun, sistem ini dihidupkan kembali melalui kecerdasan buatan. Misalnya, penyedia Vision mesin industri Cognex merilis alat Pembelajaran Mendalam baru (Vision Pro Deep Learning 2.0) pada bulan Juli 2021. Alat baru ini terintegrasi dengan sistem visi tradisional, memungkinkan pengguna akhir untuk menggabungkan pembelajaran mendalam dengan alat visi tradisional dalam aplikasi yang sama untuk memenuhi tuntutan lingkungan medis dan elektronik yang memerlukan pengukuran goresan, kontaminasi, dan cacat lainnya secara akurat.
Faktor 4: Perangkat keras AIoT industri ditingkatkan
Chip AI berkembang pesat.
Chip AI perangkat keras yang tertanam berkembang pesat, dengan beragam opsi tersedia untuk mendukung pengembangan dan penerapan model AI. Contohnya termasuk unit pemrosesan grafis (Gpus) terbaru NVIDIA, A30 dan A10, yang diperkenalkan pada Maret 2021 dan cocok untuk kasus penggunaan AI seperti sistem rekomendasi dan sistem visi komputer. Contoh lainnya adalah Tensors Processing Unit (TPus) generasi keempat Google, yang merupakan sirkuit terintegrasi tujuan khusus (ASics) canggih yang dapat mencapai efisiensi dan kecepatan hingga 1.000 kali lebih besar dalam pengembangan dan penerapan model untuk beban kerja AI tertentu (misalnya, deteksi objek , klasifikasi gambar, dan tolok ukur rekomendasi). Penggunaan perangkat keras AI khusus mengurangi waktu komputasi model dari hitungan hari menjadi menit, dan telah terbukti menjadi terobosan dalam banyak kasus.
Perangkat keras AI yang kuat segera tersedia melalui model bayar per penggunaan.
Perusahaan skala besar terus meningkatkan server mereka untuk menyediakan sumber daya komputasi di cloud sehingga pengguna akhir dapat mengimplementasikan aplikasi AI industri. Pada bulan November 2021, misalnya, AWS mengumumkan rilis resmi instans berbasis GPU terbarunya, Amazon EC2 G5, yang didukung oleh GPU NVIDIA A10G Tensor Core, untuk berbagai aplikasi ML, termasuk visi komputer dan mesin rekomendasi. Misalnya, 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 akan hadir di pabrik, dan akan ada di mana-mana dalam aplikasi baru, seperti PdM berbasis AI, dan sebagai penyempurnaan pada perangkat lunak dan kasus penggunaan yang sudah ada. Perusahaan-perusahaan besar meluncurkan beberapa kasus penggunaan AI dan melaporkan keberhasilannya, dan sebagian besar proyek memiliki laba atas investasi yang tinggi. Secara keseluruhan, kebangkitan platform cloud, iot, dan chip AI yang kuat menyediakan platform untuk perangkat lunak dan pengoptimalan generasi baru.
Waktu posting: 12 Januari 2022