Según el informe del mercado industrial de IA e IA recientemente publicado 2021-2026, la tasa de adopción de IA en entornos industriales aumentó del 19 por ciento al 31 por ciento en poco más de dos años. Además del 31 por ciento de los encuestados que han implementado plena o parcialmente la IA en sus operaciones, otro 39 por ciento está probando o pilotando la tecnología.
La IA está emergiendo como una tecnología clave para fabricantes y compañías de energía en todo el mundo, y el análisis de IoT predice que el mercado industrial de soluciones de IA mostrará una fuerte tasa de crecimiento anual compuesto post-pandemia (CAGR) de 35% para alcanzar los $ 102.17 mil millones para 2026.
La era digital ha dado a luz a Internet de las cosas. Se puede ver que el surgimiento de la inteligencia artificial ha acelerado el ritmo del desarrollo de Internet de las cosas.
Echemos un vistazo a algunos de los factores que impulsan el surgimiento de la IA industrial y la AIOT.
Factor 1: Más y más herramientas de software para AIOT industrial
En 2019, cuando IoT Analytics comenzó a cubrir la IA industrial, había pocos productos de software de IA dedicados de proveedores de tecnología operativa (OT). Desde entonces, muchos proveedores de OT han ingresado al mercado de IA mediante el desarrollo y el proporcionando soluciones de software de IA en forma de plataformas de IA para el piso de fábrica.
Según datos, casi 400 proveedores ofrecen software AIOT. El número de proveedores de software que se unen al mercado industrial de IA ha aumentado dramáticamente en los últimos dos años. Durante el estudio, IoT Analytics identificó 634 proveedores de tecnología de IA para fabricantes/clientes industriales. De estas compañías, 389 (61.4%) ofrecen software AI.
La nueva plataforma de software de IA se centra en entornos industriales. Más allá de la absorción, Braincube o C3 AI, un número creciente de proveedores de tecnología operativa (OT) ofrecen plataformas de software de IA dedicadas. Los ejemplos incluyen Genix Industrial Analytics y AI Suite de ABB, la suite de innovación FactoryTalk de Rockwell Automation, la propia plataforma de consultoría de fabricación de Schneider Electric, y más recientemente, complementos específicos. Algunas de estas plataformas se dirigen a una amplia gama de casos de uso. Por ejemplo, la plataforma Genix de ABB proporciona análisis avanzados, incluidas aplicaciones y servicios preconstruidos para la gestión del rendimiento operativo, integridad de activos, sostenibilidad y eficiencia de la cadena de suministro.
Las grandes empresas están poniendo sus herramientas de software de IA en el taller.
La disponibilidad de herramientas de software de IA también está impulsada por nuevas herramientas de software específicas de uso desarrolladas por AWS, grandes empresas como Microsoft y Google. Por ejemplo, en diciembre de 2020, AWS lanzó Amazon Sagemaker JumpStart, una característica de Amazon Sagemaker que proporciona un conjunto de soluciones previas y personalizables para los casos de uso industrial más comunes, como PDM, visión por computadora y conducción autónoma, implementada con solo unos pocos clics.
Las soluciones de software específicas para el uso de casos están impulsando las mejoras de usabilidad.
Las suites de software específicas de los casos de uso, como las centradas en el mantenimiento predictivo, se están volviendo más comunes. IoT Analytics observó que el número de proveedores que utilizan soluciones de software de gestión de datos de productos basadas en IA (PDM) aumentó a 73 a principios de 2021 debido a un aumento en la variedad de fuentes de datos y el uso de modelos previos a la capacitación, así como a la adopción generalizada de las tecnologías de mejora de datos.
Factor 2: El desarrollo y el mantenimiento de las soluciones de IA se simplifican
El aprendizaje automático automatizado (AUTOML) se está convirtiendo en un producto estándar.
Debido a la complejidad de las tareas asociadas con el aprendizaje automático (ML), el rápido crecimiento de las aplicaciones de aprendizaje automático ha creado la necesidad de métodos de aprendizaje automático estándar que se pueden usar sin experiencia. El campo de investigación resultante, la automatización progresiva para el aprendizaje automático, se llama Automl. Una variedad de empresas están aprovechando esta tecnología como parte de sus ofertas de IA para ayudar a los clientes a desarrollar modelos ML e implementar casos de uso industrial más rápido. En noviembre de 2020, por ejemplo, SKF anunció un producto basado en AutomL que combina datos de procesos de máquina con datos de vibración y temperatura para reducir costos y permitir nuevos modelos de negocio para los clientes.
Operaciones de aprendizaje automático (ML OPS) simplifica la gestión y el mantenimiento del modelo.
La nueva disciplina de las operaciones de aprendizaje automático tiene como objetivo simplificar el mantenimiento de los modelos de IA en entornos de fabricación. El rendimiento de un modelo de IA generalmente se degrada con el tiempo, ya que se ve afectado por varios factores dentro de la planta (por ejemplo, cambios en la distribución de datos y los estándares de calidad). Como resultado, el mantenimiento del modelo y las operaciones de aprendizaje automático se han vuelto necesarias para cumplir con los requisitos de alta calidad de los entornos industriales (por ejemplo, los modelos con un rendimiento inferior al 99% pueden no identificar el comportamiento que pone en peligro la seguridad de los trabajadores).
En los últimos años, muchas startups se han unido al espacio ML Ops, incluidos Datarobot, Grid.ai, Pinecone/Zilliz, Seldon y Peso y Pargos. Las empresas establecidas han agregado operaciones de aprendizaje automático a sus ofertas de software de IA existentes, incluida Microsoft, que introdujo la detección de deriva de datos en Azure ML Studio. Esta nueva característica permite a los usuarios detectar cambios en la distribución de datos de entrada que degradan el rendimiento del modelo.
Factor 3: Inteligencia artificial aplicada a las aplicaciones y casos de uso existentes
Los proveedores de software tradicionales están agregando capacidades de IA.
Además de las herramientas de software de IA horizontales grandes existentes como MS Azure ML, AWS SageMaker y Google Cloud Vertex AI, los suites de software tradicionales como los sistemas de gestión de mantenimiento computarizados (CAMMS), los sistemas de ejecución de fabricación (MES) o la planificación de recursos empresariales (ERP) ahora pueden mejorarse significativamente mediante las capacidades de AI inyectantes. Por ejemplo, el proveedor ERP Epicor Software está agregando capacidades de IA a sus productos existentes a través de su Asistente Virtual Epicor (EVA). Los agentes inteligentes de EVA se utilizan para automatizar procesos ERP, como reprogramar las operaciones de fabricación o realizar consultas simples (por ejemplo, obtener detalles sobre los precios del producto o el número de piezas disponibles).
Los casos de uso industrial se están actualizando mediante el uso de AIOT.
Se están mejorando varios casos de uso industrial agregando capacidades de IA a la infraestructura de hardware/software existente. Un ejemplo vívido es la visión artificial en aplicaciones de control de calidad. Los sistemas tradicionales de visión artificial procesan imágenes a través de computadoras integradas o discretas equipadas con software especializado que evalúa los parámetros y los umbrales predeterminados (por ejemplo, alto contraste) para determinar si los objetos exhiben defectos. En muchos casos (por ejemplo, componentes electrónicos con diferentes formas de cableado), el número de falsos positivos es muy alto.
Sin embargo, estos sistemas se reviven a través de la inteligencia artificial. Por ejemplo, el proveedor de visión de máquina industrial Cognex lanzó una nueva herramienta de aprendizaje profundo (Vision Pro Deep Learning 2.0) en julio de 2021. Las nuevas herramientas se integran con los sistemas de visión tradicionales, lo que permite a los usuarios finales combinar el aprendizaje profundo con las herramientas de visión tradicionales en la misma aplicación para conocer entornos médicos y electrónicos exigentes que requieren medidas precisas de los rasguños, contaminación y otras defectos.
Factor 4: Mejora el hardware industrial de AIOT
Los chips AI están mejorando rápidamente.
Los chips de IA de hardware integrados están creciendo rápidamente, con una variedad de opciones disponibles para respaldar el desarrollo y la implementación de modelos de IA. Los ejemplos incluyen las últimas unidades de procesamiento de gráficos de NVIDIA (GPU), el A30 y A10, que se introdujeron en marzo de 2021 y son adecuados para casos de uso de IA como sistemas de recomendación y sistemas de visión por computadora. Otro ejemplo son las unidades de procesamiento de tensores de cuarta generación de Google (TPU), que son poderosos circuitos integrados de uso especial (ASIC) que pueden lograr hasta 1,000 veces más eficiencia y velocidad en el desarrollo y implementación del modelo para cargas de trabajo de IA específicas (p. Ej. El uso de hardware de IA dedicado reduce el tiempo de cálculo del modelo de días a minutos, y ha demostrado ser un cambio de juego en muchos casos.
El potente hardware de IA está disponible de inmediato a través de un modelo de pago por uso.
Las empresas de superscala están actualizando constantemente sus servidores para que los recursos informáticos estén disponibles en la nube para que los usuarios finales puedan implementar aplicaciones de IA industriales. En noviembre de 2021, por ejemplo, AWS anunció el lanzamiento oficial de sus últimas instancias basadas en GPU, Amazon EC2 G5, impulsada por la GPU de nvidia A10G Tensor Core, para una variedad de aplicaciones ML, incluidos los motores de visión por computadora y recomendación. Por ejemplo, el proveedor de sistemas de detección Nanotronics utiliza ejemplos de Amazon EC2 de su solución de control de calidad basada en IA para acelerar los esfuerzos de procesamiento y lograr tasas de detección más precisas en la fabricación de microchips y nanotubos.
Conclusión y perspectiva
AI sale de la fábrica, y será omnipresente en nuevas aplicaciones, como PDM basada en AI, y como mejoras para el software y los casos de uso existentes. Las grandes empresas están implementando varios casos de uso de IA y el éxito de informes, y la mayoría de los proyectos tienen un alto rendimiento de la inversión. En general, el surgimiento de las plataformas de nube, IoT y poderosos chips AI proporcionan una plataforma para una nueva generación de software y optimización.
Tiempo de publicación: enero-12-2022