Según el informe "Industrial AI and AI Market Report 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 proyectos piloto con esta tecnología.
La IA se está consolidando como una tecnología clave para fabricantes y empresas energéticas de todo el mundo, y los análisis de IoT predicen que el mercado de soluciones de IA industrial mostrará una sólida tasa de crecimiento anual compuesta (TCAC) pospandemia del 35%, alcanzando 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.
Analicemos algunos de los factores que impulsan el auge de la IA industrial y la IAoT.
Factor 1: Cada vez más herramientas de software para IAoT industrial.
En 2019, cuando el análisis de datos de IoT comenzó a abarcar la IA industrial, existían pocos productos de software de IA específicos de los proveedores de tecnología operativa (OT). Desde entonces, muchos proveedores de OT han entrado en el mercado de la IA desarrollando y ofreciendo soluciones de software de IA en forma de plataformas de IA para la planta de producción.
Según los datos, cerca de 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 634 proveedores de tecnología de IA para fabricantes y 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 (OT) ofrecen plataformas de software de IA especializadas. Algunos ejemplos son la suite de análisis e IA Genix Industrial de ABB, la suite FactoryTalk Innovation de Rockwell Automation, la plataforma de consultoría de fabricación de Schneider Electric y, más recientemente, complementos específicos. Algunas de estas plataformas abarcan una amplia gama de casos de uso. Por ejemplo, la plataforma Genix de ABB proporciona análisis avanzados, incluyendo aplicaciones y servicios preconfigurados 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 implementando sus herramientas de software de inteligencia artificial en la planta de producción.
La disponibilidad de herramientas de software de IA también se ve 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 función de Amazon SageMaker que proporciona un conjunto de soluciones preconfiguradas y personalizables para los casos de uso industriales más comunes, como PdM, visión artificial y conducción autónoma, que se pueden implementar con tan solo unos clics.
Las soluciones de software específicas para cada caso de uso están impulsando mejoras en la 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 productos (PdM) basadas en IA aumentó a 73 a principios de 2021 debido a un incremento en la variedad de fuentes de datos y el uso de modelos de preentrenamiento, así como a la adopción generalizada de tecnologías de mejora de datos.
Factor 2: El desarrollo y 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 al aprendizaje automático (ML), el rápido crecimiento de sus aplicaciones ha generado la necesidad de métodos de aprendizaje automático listos para usar que puedan emplearse sin necesidad de conocimientos especializados. El campo de investigación resultante, la automatización progresiva del aprendizaje automático, se denomina AutoML. Diversas empresas están aprovechando esta tecnología como parte de su oferta 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 habilitar nuevos modelos de negocio para sus clientes.
Las operaciones de aprendizaje automático (ML Ops) simplifican la gestión y el mantenimiento de los modelos.
La nueva disciplina de 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 debido a diversos factores dentro de la planta (por ejemplo, cambios en la distribución de datos y estándares de calidad). En consecuencia, 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, numerosas startups se han sumado al sector de las operaciones de aprendizaje automático (ML Ops), como DataRobot, Grid.AI, Pinecone/Zilliz, Seldon y Weights & Biases. Empresas consolidadas han incorporado operaciones de aprendizaje automático a su oferta de software de IA, entre ellas Microsoft, que introdujo la detección de deriva de datos en Azure ML Studio. Esta nueva función permite a los usuarios detectar cambios en la distribución de los datos de entrada que perjudican el rendimiento del modelo.
Factor 3: Inteligencia artificial aplicada a aplicaciones y casos de uso existentes.
Los proveedores de software tradicionales están incorporando capacidades de inteligencia artificial.
Además de las grandes herramientas de software de IA horizontales 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 fabricación (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 añadiendo 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 fabricación o la realización de consultas sencillas (por ejemplo, obtener detalles sobre el precio del producto o la cantidad de piezas disponibles).
Los casos de uso industrial se están modernizando mediante el uso de AIoT.
Se están mejorando varios casos de uso industrial mediante la incorporación de capacidades de IA a la infraestructura de hardware y software existente. Un ejemplo claro es la visión artificial en aplicaciones de control de calidad. Los sistemas tradicionales de visión artificial procesan imágenes mediante ordenadores integrados o independientes equipados 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 configuraciones de cableado), el número de falsos positivos es muy elevado.
Sin embargo, estos sistemas se están revitalizando gracias a la inteligencia artificial. Por ejemplo, el proveedor de visión artificial industrial Cognex lanzó en julio de 2021 una nueva herramienta de aprendizaje profundo (Vision Pro Deep Learning 2.0). Estas 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 convencionales en la misma aplicación para satisfacer las exigencias de los entornos médicos y electrónicos, que requieren una medición precisa de arañazos, contaminación y otros defectos.
Factor 4: Mejora del hardware de IAoT industrial
Los chips de IA están mejorando rápidamente.
Los chips de IA integrados están experimentando un rápido crecimiento, con una variedad de opciones disponibles para respaldar el desarrollo y la implementación de modelos de IA. Algunos ejemplos son las últimas unidades de procesamiento gráfico (GPU) de NVIDIA, la A30 y la A10, presentadas en marzo de 2021 y adecuadas para casos de uso de IA como sistemas de recomendación y sistemas de visión artificial. Otro ejemplo son las Unidades de Procesamiento Tensorial (TPU) de cuarta generación de Google, potentes circuitos integrados de propósito especial (ASIC) que pueden lograr hasta 1000 veces más eficiencia y velocidad en el desarrollo e implementación de modelos para cargas de trabajo de IA específicas (por ejemplo, detección de objetos, clasificación de imágenes y pruebas de rendimiento de recomendaciones). El uso de hardware de IA dedicado reduce el tiempo de cálculo del modelo de días a minutos y ha demostrado ser revolucionario en muchos casos.
El potente hardware de IA está disponible de inmediato mediante un modelo de pago por uso.
Las grandes empresas actualizan constantemente sus servidores para ofrecer recursos informáticos en la nube y permitir que los usuarios finales implementen aplicaciones de IA industrial. En noviembre de 2021, por ejemplo, AWS anunció el lanzamiento oficial de sus instancias más recientes basadas en GPU, Amazon EC2 G5, con la GPU NVIDIA A10G Tensor Core, para diversas aplicaciones de aprendizaje automático, incluyendo visión artificial y sistemas de recomendación. Por ejemplo, el proveedor de sistemas de detección Nanotronics utiliza instancias de Amazon EC2 de su solución de control de calidad basada en IA para acelerar el procesamiento y lograr tasas de detección más precisas en la fabricación de microchips y nanotubos.
Conclusión y perspectivas
La IA está emergiendo de las fábricas y se generalizará en nuevas aplicaciones, como el mantenimiento predictivo basado en IA, y como mejora 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 ofrecen 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.
Fecha de publicación: 12 de enero de 2022