Según el Informe de mercado de IA industrial y IA 2021-2026 publicado recientemente, 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 total o parcialmente la IA en sus operaciones, otro 39 por ciento está actualmente probando o poniendo a prueba la tecnología.
La IA está emergiendo como una tecnología clave para los fabricantes y las 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 compuesto (CAGR) pospandemia 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 de Internet de las cosas.
Echemos un vistazo a algunos de los factores que impulsan el aumento de la IA industrial y la AIoT.
Factor 1: Cada vez más herramientas de software para AIoT industrial
En 2019, cuando los análisis de IoT comenzaron a cubrir la IA industrial, había pocos productos de software de IA dedicados de los proveedores de tecnología operativa (OT).Desde entonces, muchos proveedores de OT han entrado en el mercado de la IA desarrollando y proporcionando soluciones de software de IA en forma de plataformas de IA para las fábricas.
Según los datos, casi 400 proveedores ofrecen software AIoT.El número de proveedores de software que se unen al mercado de la IA industrial ha aumentado drásticamente en los últimos dos años.Durante el estudio, IoT Analytics identificó 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.Más allá de Uptake, Braincube o C3 AI, un número creciente de proveedores de tecnología operativa (OT) ofrecen plataformas de software de IA dedicadas.Los ejemplos incluyen la suite de inteligencia artificial y análisis 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 tienen como objetivo una amplia gama de casos de uso.Por ejemplo, la plataforma Genix de ABB proporciona análisis avanzados, incluidas 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 está impulsada por nuevas herramientas de software específicas para casos de uso desarrolladas por AWS y 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 prediseñadas y personalizables para los casos de uso industriales más comunes, como PdM, visión por computadora y conducción autónoma, Implementar con sólo unos pocos clics.
Las soluciones de software específicas para casos de uso están impulsando mejoras en la usabilidad.
Los paquetes de software específicos para casos de uso, como los centrados en el mantenimiento predictivo, son cada vez más comunes.IoT Analytics observó que el número de proveedores que utilizaban soluciones de software de gestión de datos de productos (PdM) basadas en IA aumentó a 73 a principios de 2021 debido a un aumento en la variedad de fuentes de datos y el uso de modelos de capacitación previa, así como a la generalización adopción de tecnologías de mejora de datos.
Factor 2: Se está simplificando el desarrollo y mantenimiento de soluciones de IA
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 disponibles en el mercado que puedan usarse sin experiencia.El campo de investigación resultante, la automatización progresiva para el aprendizaje automático, se llama AutoML.Varias empresas están aprovechando esta tecnología como parte de sus ofertas de IA para ayudar a los clientes a desarrollar modelos de aprendizaje automático e implementar casos de uso industrial más rápidamente.En noviembre de 2020, por ejemplo, SKF anunció un producto basado en automatización que combina datos de procesos de máquinas con datos de vibración y temperatura para reducir costos y permitir 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 operaciones de aprendizaje automático tiene como objetivo simplificar el mantenimiento de modelos de IA en entornos de fabricación.El rendimiento de un modelo de IA normalmente 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 de modelos y las operaciones de aprendizaje automático se han vuelto necesarios 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 comportamientos que pongan en peligro la seguridad de los trabajadores).
En los últimos años, muchas nuevas empresas se han unido al espacio ML Ops, incluidas DataRobot, Grid.AI, Pinecone/Zilliz, Seldon y Weights & Biases.Empresas establecidas han agregado operaciones de aprendizaje automático a sus ofertas de software de inteligencia artificial existentes, incluido 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 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 añadiendo capacidades de IA.
Además de las grandes herramientas de software de IA horizontales existentes, como MS Azure ML, AWS SageMaker y Google Cloud Vertex AI, también se incluyen paquetes de software tradicionales como los sistemas computarizados de gestión de mantenimiento (CAMMS), los sistemas de ejecución de fabricación (MES) o la planificación de recursos empresariales (ERP). Ahora se puede mejorar significativamente inyectando capacidades de IA.Por ejemplo, el proveedor de ERP Epicor Software está agregando capacidades de inteligencia artificial a sus productos existentes a través de su Asistente virtual Epicor (EVA).Los agentes EVA inteligentes se utilizan para automatizar procesos de ERP, como reprogramar operaciones de fabricación o realizar consultas simples (por ejemplo, obtener detalles sobre el precio del producto o la cantidad 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 claro ejemplo 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 parámetros y umbrales predeterminados (por ejemplo, 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, el proveedor de visión artificial 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 Cumple con entornos médicos y electrónicos exigentes que requieren una medición precisa de rayones, contaminación y otros defectos.
Factor 4: Se está mejorando el hardware AIoT industrial
Los chips de IA están mejorando rápidamente.
Los chips de IA de hardware integrado 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 (Gpus) de NVIDIA, A30 y A10, que se introdujeron en marzo de 2021 y son adecuadas 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 (TPus) de cuarta generación de Google, que son potentes circuitos integrados de propósito especial (ASics) que pueden lograr hasta 1.000 veces más eficiencia y velocidad en el desarrollo y la implementación de modelos para cargas de trabajo de IA específicas (por ejemplo, detección de objetos). , clasificación de imágenes y puntos de referencia 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.
Un potente hardware de IA 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 para que los usuarios finales puedan implementar aplicaciones industriales de IA.En noviembre de 2021, por ejemplo, AWS anunció el lanzamiento oficial de sus últimas instancias basadas en GPU, Amazon EC2 G5, impulsadas por la GPU NVIDIA A10G Tensor Core, para una variedad de aplicaciones de aprendizaje automático, incluidos motores de recomendación y visión por computadora.Por ejemplo, el proveedor de sistemas de detección Nanotronics utiliza ejemplos de Amazon EC2 de su solución de control de calidad basada en inteligencia artificial para acelerar los esfuerzos de procesamiento y lograr tasas de detección más precisas en la fabricación de microchips y nanotubos.
Conclusión y perspectiva
La IA está saliendo de fábrica y será omnipresente en nuevas aplicaciones, como PdM basada en IA, y como mejoras al software y casos de uso existentes.Las grandes empresas están implementando varios casos de uso de IA y reportando éxito, y la mayoría de los proyectos tienen un alto retorno de la inversión.En definitiva, el auge de la nube, las plataformas IoT y los potentes chips de IA proporcionan una plataforma para una nueva generación de software y optimización.
Hora de publicación: 12 de enero de 2022