Según el Informe de IA Industrial y del Mercado de IA 2021-2026, publicado recientemente, la tasa de adopción de la IA en entornos industriales aumentó del 19 % al 31 % en poco más de dos años. Además del 31 % de los encuestados que han implementado la IA total o parcialmente en sus operaciones, otro 39 % se encuentra actualmente probando o realizando pruebas piloto con la tecnología.
La IA está surgiendo como una tecnología clave para fabricantes y empresas de energía en todo el mundo, y el análisis de IoT predice que el mercado de soluciones de IA industrial mostrará una fuerte tasa de crecimiento anual compuesta (CAGR) pospandémica del 35 % para alcanzar los 102 170 millones de dólares en 2026.
La era digital ha dado origen al Internet de las Cosas. Se puede observar que la aparición de la inteligencia artificial ha acelerado el ritmo de desarrollo del Internet de las Cosas.
Echemos un vistazo a algunos de los factores que impulsan el auge de la IA industrial y la AIoT.
Factor 1: Cada vez hay más herramientas de software para AIoT industrial
En 2019, cuando el análisis de IoT comenzó a abarcar la IA industrial, existían pocos productos de software de IA dedicados a proveedores de tecnología operativa (TO). Desde entonces, muchos proveedores de TO han entrado en el mercado de la IA desarrollando y proporcionando soluciones de software de IA en forma de plataformas de IA para la planta de producción.
Según datos, casi 400 proveedores ofrecen software de IAoT. El número de proveedores de software que se incorporan al mercado de la IA industrial ha aumentado drásticamente en los últimos dos años. Durante el estudio, IoT Analytics identificó a 634 proveedores de tecnología de IA para fabricantes/clientes industriales. De estas empresas, 389 (61,4%) ofrecen software de IA.
La nueva plataforma de software de IA se centra en entornos industriales. Además de Uptake, Braincube o C3 AI, un número creciente de proveedores de tecnología operativa (TO) ofrecen plataformas de software de IA dedicadas. Algunos ejemplos son la suite de análisis e IA industrial Genix de ABB, la suite FactoryTalk Innovation de Rockwell Automation, la plataforma de consultoría de fabricación propia de Schneider Electric y, más recientemente, complementos específicos. Algunas de estas plataformas se centran en una amplia gama de casos de uso. Por ejemplo, la plataforma Genix de ABB proporciona análisis avanzados, incluyendo aplicaciones y servicios prediseñados para la gestión del rendimiento operativo, la integridad de los activos, la sostenibilidad y la eficiencia de la cadena de suministro.
Las grandes empresas están poniendo sus herramientas de software de inteligencia artificial en el taller.
La disponibilidad de herramientas de software de IA también se ve impulsada por nuevas herramientas específicas para cada caso de uso, desarrolladas por AWS y grandes empresas como Microsoft y Google. Por ejemplo, en diciembre de 2020, AWS lanzó Amazon SageMaker JumpStart, una función de Amazon SageMaker que proporciona un conjunto de soluciones prediseñadas y personalizables para los casos de uso industriales más comunes, como el mantenimiento predictivo (PdM), la visión artificial y la conducción autónoma. Se implementa con solo unos clics.
Las soluciones de software específicas para cada caso de uso están impulsando mejoras de usabilidad.
Las suites de software específicas para cada caso de uso, como las centradas en el mantenimiento predictivo, son cada vez más comunes. IoT Analytics observó que el número de proveedores que utilizan soluciones de software de gestión de datos de producto (PdM) basadas en IA aumentó a 73 a principios de 2021 debido al aumento de la variedad de fuentes de datos y al uso de modelos de preentrenamiento, así como a la adopción generalizada de tecnologías de mejora de datos.
Factor 2: El desarrollo y el mantenimiento de soluciones de IA se están simplificando
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 sus aplicaciones ha creado la necesidad de métodos de aprendizaje automático listos para usar que puedan utilizarse sin necesidad de experiencia. El campo de investigación resultante, la automatización progresiva para el aprendizaje automático, se denomina AutoML. Diversas empresas están aprovechando esta tecnología como parte de sus ofertas de IA para ayudar a sus clientes a desarrollar modelos de ML e implementar casos de uso industrial con mayor rapidez. En noviembre de 2020, por ejemplo, SKF anunció un producto basado en automL que combina datos de procesos de máquinas con datos de vibración y temperatura para reducir costes y facilitar nuevos modelos de negocio para los clientes.
Las operaciones de aprendizaje automático (ML Ops) simplifican la gestión y el mantenimiento de modelos.
La nueva disciplina de las operaciones de aprendizaje automático busca simplificar el mantenimiento de los modelos de IA en entornos de fabricación. El rendimiento de un modelo de IA suele degradarse con el tiempo, afectado por diversos factores dentro de la planta (por ejemplo, cambios en la distribución de datos y los estándares de calidad). Por ello, el mantenimiento de modelos y las operaciones de aprendizaje automático se han vuelto necesarios para cumplir con los altos requisitos de calidad de los entornos industriales (por ejemplo, los modelos con un rendimiento inferior al 99 % pueden no identificar comportamientos que pongan en peligro la seguridad de los trabajadores).
En los últimos años, muchas startups se han unido al sector de las operaciones de aprendizaje automático, como DataRobot, Grid.AI, Pinecone/Zilliz, Seldon y Weights & Biases. Empresas consolidadas han incorporado operaciones de aprendizaje automático a sus ofertas de software de IA, como Microsoft, que introdujo la detección de desviaciones de datos en Azure ML Studio. Esta nueva función permite a los usuarios detectar cambios en la distribución de los datos de entrada que degradan el rendimiento del modelo.
Factor 3: Inteligencia artificial aplicada a aplicaciones y casos de uso existentes
Los proveedores de software tradicionales están agregando capacidades de IA.
Además de las grandes herramientas de software de IA horizontal existentes, como MS Azure ML, AWS SageMaker y Google Cloud Vertex AI, las suites de software tradicionales, como los Sistemas de Gestión de Mantenimiento Computarizado (CAMMS), los Sistemas de Ejecución de Manufactura (MES) o la Planificación de Recursos Empresariales (ERP), ahora pueden mejorarse significativamente mediante la incorporación de capacidades de IA. Por ejemplo, el proveedor de ERP Epicor Software está incorporando 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 de ERP, como la reprogramación de operaciones de manufactura o la realización de consultas sencillas (por ejemplo, para obtener detalles sobre el precio de un producto o la cantidad de piezas disponibles).
Los casos de uso industriales se están actualizando mediante el uso de AIoT.
Varios casos de uso industrial se están optimizando mediante la incorporación de capacidades de IA a la infraestructura de hardware y software existente. Un claro ejemplo es la visión artificial en aplicaciones de control de calidad. Los sistemas tradicionales de visión artificial procesan imágenes mediante computadoras integradas o discretas equipadas con software especializado que evalúa parámetros y umbrales predeterminados (p. ej., alto contraste) para determinar si los objetos presentan defectos. En muchos casos (por ejemplo, componentes electrónicos con diferentes formas de cableado), el número de falsos positivos es muy elevado.
Sin embargo, estos sistemas están reviviendo gracias a la inteligencia artificial. Por ejemplo, Cognex, proveedor de visión artificial industrial, lanzó una nueva herramienta de aprendizaje profundo (Vision Pro Deep Learning 2.0) en julio de 2021. Estas nuevas herramientas se integran con los sistemas de visión tradicionales, lo que permite a los usuarios finales combinar el aprendizaje profundo con herramientas de visión tradicionales en la misma aplicación para satisfacer las necesidades de entornos médicos y electrónicos exigentes que requieren la medición precisa de arañazos, contaminación y otros defectos.
Factor 4: Se está mejorando el hardware AIoT industrial
Los chips de IA están mejorando rápidamente.
Los chips de IA con hardware integrado están creciendo rápidamente, con una variedad de opciones disponibles para respaldar el desarrollo y la implementación de modelos de IA. Algunos ejemplos incluyen las últimas unidades de procesamiento gráfico (Gpu) de NVIDIA, la A30 y la A10, presentadas en marzo de 2021 y aptas para casos de uso de IA como sistemas de recomendación y sistemas de visión artificial. Otro ejemplo son las Unidades de Procesamiento de Tensores (TPus) de cuarta generación de Google, que son potentes circuitos integrados de propósito especial (ASics) que pueden lograr hasta 1000 veces más eficiencia y velocidad en el desarrollo e implementación de modelos para cargas de trabajo de IA específicas (p. ej., detección de objetos, clasificación de imágenes y benchmarks de recomendación). El uso de hardware de IA dedicado reduce el tiempo de cálculo del modelo de días a minutos y ha demostrado ser un punto de inflexión en muchos casos.
El potente hardware de inteligencia artificial está disponible de inmediato a través de un modelo de pago por uso.
Las empresas de gran escala actualizan constantemente sus servidores para que los recursos informáticos estén disponibles en la nube y los usuarios finales puedan implementar aplicaciones de IA industrial. En noviembre de 2021, por ejemplo, AWS anunció el lanzamiento oficial de sus últimas instancias basadas en GPU, Amazon EC2 G5, con la tecnología de la GPU NVIDIA A10G Tensor Core, para diversas aplicaciones de aprendizaje automático (ML), como la visión artificial y los motores de 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 agilizar el procesamiento y lograr tasas de detección más precisas en la fabricación de microchips y nanotubos.
Conclusión y perspectiva
La IA está saliendo de las fábricas y será omnipresente en nuevas aplicaciones, como el mantenimiento predictivo basado en IA, y en mejoras del software y los casos de uso existentes. Las grandes empresas están implementando diversos casos de uso de IA y reportando éxito, y la mayoría de los proyectos tienen un alto retorno de la inversión (ROI). En resumen, el auge de la nube, las plataformas del IoT y los potentes chips de IA proporciona una plataforma para una nueva generación de software y optimización.
Hora de publicación: 12 de enero de 2022