สี่ปัจจัยที่ทำให้ AIoT ในภาคอุตสาหกรรมกลายเป็นที่นิยมมากขึ้น

จากรายงานตลาด AI ในภาคอุตสาหกรรมและรายงาน AI ปี 2021-2026 ที่เพิ่งเผยแพร่ไปเมื่อเร็ว ๆ นี้ พบว่าอัตราการนำ AI มาใช้ในภาคอุตสาหกรรมเพิ่มขึ้นจาก 19 เปอร์เซ็นต์เป็น 31 เปอร์เซ็นต์ภายในเวลาเพียงสองปีเศษ นอกจากนี้ 31 เปอร์เซ็นต์ของผู้ตอบแบบสอบถามได้นำ AI มาใช้ในกระบวนการผลิตอย่างเต็มรูปแบบหรือบางส่วนแล้ว และอีก 39 เปอร์เซ็นต์กำลังทดสอบหรือทดลองใช้เทคโนโลยีนี้อยู่

ปัญญาประดิษฐ์ (AI) กำลังกลายเป็นเทคโนโลยีสำคัญสำหรับผู้ผลิตและบริษัทพลังงานทั่วโลก และการวิเคราะห์ IoT คาดการณ์ว่าตลาดโซลูชัน AI สำหรับภาคอุตสาหกรรมจะมีการเติบโตเฉลี่ยต่อปี (CAGR) ที่แข็งแกร่งหลังการระบาดใหญ่ถึง 35% และจะแตะระดับ 102.17 พันล้านดอลลาร์สหรัฐภายในปี 2026

ยุคดิจิทัลได้ก่อให้เกิดอินเทอร์เน็ตของสรรพสิ่ง (Internet of Things หรือ IoT) และจะเห็นได้ว่าการเกิดขึ้นของปัญญาประดิษฐ์ (AI) ได้เร่งความเร็วในการพัฒนาอินเทอร์เน็ตของสรรพสิ่งให้สูงขึ้น

เรามาดูกันว่ามีปัจจัยอะไรบ้างที่ผลักดันการเติบโตของ AI ในภาคอุตสาหกรรมและ AIoT

ปัจจัยที่ 1: มีเครื่องมือซอฟต์แวร์สำหรับ AIoT ในภาคอุตสาหกรรมเพิ่มมากขึ้นเรื่อยๆ

ในปี 2019 เมื่อการวิเคราะห์ข้อมูล IoT เริ่มครอบคลุมถึง AI ในภาคอุตสาหกรรม มีผลิตภัณฑ์ซอฟต์แวร์ AI เฉพาะทางจากผู้จำหน่ายเทคโนโลยีการปฏิบัติงาน (OT) เพียงไม่กี่ราย ตั้งแต่นั้นมา ผู้จำหน่าย OT หลายรายได้เข้าสู่ตลาด AI โดยการพัฒนาและนำเสนอโซลูชันซอฟต์แวร์ AI ในรูปแบบของแพลตฟอร์ม AI สำหรับสายการผลิต

จากข้อมูลพบว่ามีผู้จำหน่ายซอฟต์แวร์ AIoT เกือบ 400 ราย จำนวนผู้จำหน่ายซอฟต์แวร์ที่เข้าร่วมตลาด AI ภาคอุตสาหกรรมเพิ่มขึ้นอย่างมากในช่วงสองปีที่ผ่านมา ในระหว่างการศึกษา IoT Analytics ได้ระบุผู้จำหน่ายเทคโนโลยี AI จำนวน 634 รายให้กับผู้ผลิต/ลูกค้าในภาคอุตสาหกรรม ในจำนวนนี้ 389 บริษัท (61.4%) เสนอซอฟต์แวร์ AI

แพลตฟอร์มซอฟต์แวร์ AI ใหม่นี้มุ่งเน้นไปที่สภาพแวดล้อมทางอุตสาหกรรม นอกเหนือจาก Uptake, Braincube หรือ C3 AI แล้ว ผู้จำหน่ายเทคโนโลยีการดำเนินงาน (OT) จำนวนมากขึ้นเรื่อยๆ กำลังนำเสนอแพลตฟอร์มซอฟต์แวร์ AI โดยเฉพาะ ตัวอย่างเช่น ชุดซอฟต์แวร์วิเคราะห์และ AI Genix Industrial ของ ABB, ชุดซอฟต์แวร์ FactoryTalk Innovation ของ Rockwell Automation, แพลตฟอร์มให้คำปรึกษาด้านการผลิตของ Schneider Electric และล่าสุดคือส่วนเสริมเฉพาะต่างๆ บางแพลตฟอร์มเหล่านี้มุ่งเป้าไปที่กรณีการใช้งานที่หลากหลาย ตัวอย่างเช่น แพลตฟอร์ม Genix ของ ABB ให้การวิเคราะห์ขั้นสูง รวมถึงแอปพลิเคชันและบริการสำเร็จรูปสำหรับการจัดการประสิทธิภาพการดำเนินงาน ความสมบูรณ์ของสินทรัพย์ ความยั่งยืน และประสิทธิภาพของห่วงโซ่อุปทาน

บริษัทขนาดใหญ่กำลังนำเครื่องมือซอฟต์แวร์ AI ของตนไปใช้ในสายการผลิต

ความพร้อมใช้งานของเครื่องมือซอฟต์แวร์ AI ยังได้รับแรงผลักดันจากเครื่องมือซอฟต์แวร์เฉพาะกรณีการใช้งานใหม่ๆ ที่พัฒนาโดย AWS และบริษัทขนาดใหญ่ เช่น Microsoft และ Google ตัวอย่างเช่น ในเดือนธันวาคม 2020 AWS ได้เปิดตัว Amazon SageMaker JumpStart ซึ่งเป็นฟีเจอร์หนึ่งของ Amazon SageMaker ที่มีชุดโซลูชันสำเร็จรูปและปรับแต่งได้สำหรับกรณีการใช้งานทางอุตสาหกรรมทั่วไป เช่น การบำรุงรักษาเชิงป้องกัน (PdM) คอมพิวเตอร์วิชั่น และการขับขี่อัตโนมัติ ซึ่งสามารถใช้งานได้ด้วยการคลิกเพียงไม่กี่ครั้ง

โซลูชันซอฟต์แวร์ที่ออกแบบมาเฉพาะสำหรับการใช้งานแต่ละกรณี ช่วยปรับปรุงประสิทธิภาพการใช้งานให้ดียิ่งขึ้น

ชุดซอฟต์แวร์เฉพาะกรณีการใช้งาน เช่น ชุดซอฟต์แวร์ที่เน้นการบำรุงรักษาเชิงคาดการณ์ กำลังเป็นที่นิยมมากขึ้น IoT Analytics พบว่าจำนวนผู้ให้บริการที่ใช้ซอฟต์แวร์การจัดการข้อมูลผลิตภัณฑ์ (PdM) ที่ใช้ AI เพิ่มขึ้นเป็น 73 รายในช่วงต้นปี 2021 เนื่องจากการเพิ่มขึ้นของแหล่งข้อมูลที่หลากหลายและการใช้โมเดลที่ฝึกฝนล่วงหน้า รวมถึงการนำเทคโนโลยีการเพิ่มประสิทธิภาพข้อมูลมาใช้กันอย่างแพร่หลาย

ปัจจัยที่ 2: การพัฒนาและการบำรุงรักษาระบบ AI กำลังง่ายขึ้น

การเรียนรู้ของเครื่องจักรแบบอัตโนมัติ (AutoML) กำลังกลายเป็นผลิตภัณฑ์มาตรฐาน

เนื่องจากความซับซ้อนของงานที่เกี่ยวข้องกับการเรียนรู้ของเครื่อง (Machine Learning หรือ ML) การเติบโตอย่างรวดเร็วของแอปพลิเคชันการเรียนรู้ของเครื่องจึงสร้างความต้องการวิธีการเรียนรู้ของเครื่องสำเร็จรูปที่สามารถใช้งานได้โดยไม่ต้องมีความเชี่ยวชาญ สาขาการวิจัยที่เกิดขึ้นใหม่นี้เรียกว่า AutoML (Progressive Automation for Machine Learning) หรือระบบอัตโนมัติแบบก้าวหน้า บริษัทต่างๆ กำลังใช้ประโยชน์จากเทคโนโลยีนี้เป็นส่วนหนึ่งของบริการ AI ของตนเพื่อช่วยให้ลูกค้าพัฒนาโมเดล ML และนำไปใช้ในอุตสาหกรรมได้เร็วขึ้น ตัวอย่างเช่น ในเดือนพฤศจิกายน 2020 SKF ได้ประกาศผลิตภัณฑ์ที่ใช้ AutoML ซึ่งรวมข้อมูลกระบวนการทำงานของเครื่องจักรเข้ากับข้อมูลการสั่นสะเทือนและอุณหภูมิเพื่อลดต้นทุนและเปิดโอกาสให้ลูกค้าสร้างโมเดลธุรกิจใหม่ๆ

การดำเนินการด้านการเรียนรู้ของเครื่อง (ML Ops) ช่วยลดความซับซ้อนในการจัดการและบำรุงรักษาโมเดล

สาขาวิชาใหม่ของการเรียนรู้ของเครื่องจักร (Machine Learning Operations) มีเป้าหมายเพื่อลดความซับซ้อนในการบำรุงรักษาโมเดล AI ในสภาพแวดล้อมการผลิต ประสิทธิภาพของโมเดล AI มักจะลดลงเมื่อเวลาผ่านไป เนื่องจากได้รับผลกระทบจากหลายปัจจัยภายในโรงงาน (เช่น การเปลี่ยนแปลงในการกระจายข้อมูลและมาตรฐานคุณภาพ) ดังนั้น การบำรุงรักษาโมเดลและการเรียนรู้ของเครื่องจักรจึงกลายเป็นสิ่งจำเป็นเพื่อให้เป็นไปตามข้อกำหนดด้านคุณภาพสูงของสภาพแวดล้อมทางอุตสาหกรรม (ตัวอย่างเช่น โมเดลที่มีประสิทธิภาพต่ำกว่า 99% อาจไม่สามารถระบุพฤติกรรมที่เป็นอันตรายต่อความปลอดภัยของคนงานได้)

ในช่วงไม่กี่ปีที่ผ่านมา สตาร์ทอัพจำนวนมากได้เข้ามาในวงการ ML Ops รวมถึง DataRobot, Grid.AI, Pinecone/Zilliz, Seldon และ Weights & Biases บริษัทที่ก่อตั้งมานานแล้วก็ได้เพิ่มการดำเนินงานด้านแมชชีนเลิร์นนิงเข้าไปในซอฟต์แวร์ AI ที่มีอยู่เดิม เช่น Microsoft ซึ่งได้แนะนำฟีเจอร์ตรวจจับการเปลี่ยนแปลงของข้อมูล (data drift detection) ใน Azure ML Studio ฟีเจอร์ใหม่นี้ช่วยให้ผู้ใช้สามารถตรวจจับการเปลี่ยนแปลงในการกระจายของข้อมูลอินพุตที่ทำให้ประสิทธิภาพของโมเดลลดลงได้

ปัจจัยที่ 3: การนำปัญญาประดิษฐ์ไปประยุกต์ใช้กับแอปพลิเคชันและกรณีการใช้งานที่มีอยู่

ผู้ให้บริการซอฟต์แวร์แบบดั้งเดิมกำลังเพิ่มความสามารถด้าน AI เข้ามาในซอฟต์แวร์ของตน

นอกเหนือจากเครื่องมือซอฟต์แวร์ AI ขนาดใหญ่ที่มีอยู่แล้ว เช่น MS Azure ML, AWS SageMaker และ Google Cloud Vertex AI แล้ว ชุดซอฟต์แวร์แบบดั้งเดิม เช่น ระบบจัดการบำรุงรักษาด้วยคอมพิวเตอร์ (CAMMS), ระบบการจัดการการผลิต (MES) หรือระบบวางแผนทรัพยากรองค์กร (ERP) ก็สามารถปรับปรุงได้อย่างมีนัยสำคัญด้วยการเพิ่มความสามารถด้าน AI เข้าไป ตัวอย่างเช่น Epicor Software ผู้ให้บริการ ERP กำลังเพิ่มความสามารถด้าน AI ให้กับผลิตภัณฑ์ที่มีอยู่ผ่าน Epicor Virtual Assistant (EVA) โดยใช้เอเจนต์ EVA อัจฉริยะเพื่อทำให้กระบวนการ ERP เป็นไปโดยอัตโนมัติ เช่น การจัดตารางการผลิตใหม่ หรือการสอบถามข้อมูลอย่างง่าย (เช่น การขอรายละเอียดเกี่ยวกับราคาสินค้าหรือจำนวนชิ้นส่วนที่มีอยู่)

กรณีการใช้งานในภาคอุตสาหกรรมกำลังได้รับการยกระดับโดยการใช้ AIoT

มีการพัฒนาการใช้งานในภาคอุตสาหกรรมหลายด้านโดยการเพิ่มความสามารถด้าน AI เข้าไปในโครงสร้างพื้นฐานฮาร์ดแวร์/ซอฟต์แวร์ที่มีอยู่ ตัวอย่างที่เห็นได้ชัดคือระบบวิชั่นแมชชีนในงานควบคุมคุณภาพ ระบบวิชั่นแมชชีนแบบดั้งเดิมประมวลผลภาพผ่านคอมพิวเตอร์แบบรวมหรือแบบแยกส่วนที่ติดตั้งซอฟต์แวร์เฉพาะทาง ซึ่งจะประเมินพารามิเตอร์และเกณฑ์ที่กำหนดไว้ล่วงหน้า (เช่น ความคมชัดสูง) เพื่อพิจารณาว่าวัตถุนั้นมีข้อบกพร่องหรือไม่ ในหลายกรณี (เช่น ชิ้นส่วนอิเล็กทรอนิกส์ที่มีรูปทรงการเดินสายไฟแตกต่างกัน) จำนวนผลลัพธ์ที่ผิดพลาดจะสูงมาก

อย่างไรก็ตาม ระบบเหล่านี้กำลังได้รับการฟื้นฟูผ่านปัญญาประดิษฐ์ ตัวอย่างเช่น บริษัท Cognex ผู้ให้บริการระบบวิชั่นสำหรับเครื่องจักรในอุตสาหกรรม ได้เปิดตัวเครื่องมือ Deep Learning ใหม่ (Vision Pro Deep Learning 2.0) ในเดือนกรกฎาคม 2021 เครื่องมือใหม่นี้ผสานรวมเข้ากับระบบวิชั่นแบบดั้งเดิม ทำให้ผู้ใช้สามารถผสมผสาน Deep Learning กับเครื่องมือวิชั่นแบบดั้งเดิมในแอปพลิเคชันเดียวกัน เพื่อตอบสนองความต้องการด้านการวัดที่แม่นยำในสภาพแวดล้อมทางการแพทย์และอิเล็กทรอนิกส์

ปัจจัยที่ 4: การพัฒนาฮาร์ดแวร์ AIoT ภาคอุตสาหกรรม

ชิป AI กำลังพัฒนาอย่างรวดเร็ว

ชิป AI แบบฝังตัวกำลังเติบโตอย่างรวดเร็ว โดยมีตัวเลือกมากมายที่พร้อมรองรับการพัฒนาและการใช้งานโมเดล AI ตัวอย่างเช่น หน่วยประมวลผลกราฟิก (GPU) รุ่นล่าสุดของ NVIDIA คือ A30 และ A10 ซึ่งเปิดตัวในเดือนมีนาคม 2021 และเหมาะสำหรับกรณีการใช้งาน AI เช่น ระบบแนะนำและระบบคอมพิวเตอร์วิชั่น อีกตัวอย่างหนึ่งคือ หน่วยประมวลผล Tensor (TPU) รุ่นที่สี่ของ Google ซึ่งเป็นวงจรรวมเฉพาะทาง (ASIC) ที่ทรงพลัง สามารถเพิ่มประสิทธิภาพและความเร็วในการพัฒนาและใช้งานโมเดลสำหรับงาน AI เฉพาะด้าน (เช่น การตรวจจับวัตถุ การจำแนกภาพ และเกณฑ์มาตรฐานการแนะนำ) ได้ถึง 1,000 เท่า การใช้ฮาร์ดแวร์ AI เฉพาะทางช่วยลดเวลาในการคำนวณโมเดลจากหลายวันเหลือเพียงไม่กี่นาที และพิสูจน์แล้วว่าเป็นตัวเปลี่ยนเกมในหลายกรณี

ฮาร์ดแวร์ AI ที่ทรงพลังพร้อมใช้งานได้ทันทีผ่านโมเดลการจ่ายตามการใช้งาน

องค์กรขนาดใหญ่กำลังอัปเกรดเซิร์ฟเวอร์ของตนอย่างต่อเนื่องเพื่อให้ทรัพยากรการประมวลผลพร้อมใช้งานในระบบคลาวด์ เพื่อให้ผู้ใช้ปลายทางสามารถนำแอปพลิเคชัน AI ในภาคอุตสาหกรรมไปใช้งานได้ ตัวอย่างเช่น ในเดือนพฤศจิกายน 2021 AWS ได้ประกาศเปิดตัวอินสแตนซ์ที่ใช้ GPU รุ่นล่าสุดอย่างเป็นทางการ คือ Amazon EC2 G5 ซึ่งขับเคลื่อนด้วย GPU NVIDIA A10G Tensor Core สำหรับแอปพลิเคชัน ML ที่หลากหลาย รวมถึงคอมพิวเตอร์วิชั่นและระบบแนะนำ ตัวอย่างเช่น บริษัท Nanotronics ผู้ให้บริการระบบตรวจจับ ใช้ตัวอย่าง Amazon EC2 ของโซลูชันควบคุมคุณภาพที่ใช้ AI เพื่อเร่งความเร็วในการประมวลผลและบรรลุอัตราการตรวจจับที่แม่นยำยิ่งขึ้นในการผลิตไมโครชิปและนาโนทิวบ์

บทสรุปและแนวโน้มในอนาคต

ปัญญาประดิษฐ์ (AI) กำลังก้าวออกมาจากโรงงาน และจะแพร่หลายในแอปพลิเคชันใหม่ๆ เช่น การบำรุงรักษาเชิงป้องกัน (PdM) ที่ใช้ AI และเป็นส่วนเสริมให้กับซอฟต์แวร์และกรณีการใช้งานที่มีอยู่เดิม องค์กรขนาดใหญ่กำลังนำ AI มาใช้ในหลายกรณีและรายงานความสำเร็จ และโครงการส่วนใหญ่มีผลตอบแทนจากการลงทุนสูง โดยรวมแล้ว การเติบโตของคลาวด์ แพลตฟอร์ม IoT และชิป AI ที่ทรงพลังได้สร้างแพลตฟอร์มสำหรับซอฟต์แวร์และการเพิ่มประสิทธิภาพรุ่นใหม่