ปัจจัยสี่ประการที่ทำให้ AIoT ในอุตสาหกรรมกลายเป็นที่นิยมมากขึ้น

ตามรายงาน AI เชิงอุตสาหกรรมและตลาด AI ประจำปี 2021-2026 ที่เพิ่งเผยแพร่เมื่อไม่นานมานี้ อัตราการนำ AI มาใช้ในโรงงานอุตสาหกรรมเพิ่มขึ้นจากร้อยละ 19 เป็นร้อยละ 31 ในเวลาเพียงกว่าสองปี นอกจากผู้ตอบแบบสอบถามร้อยละ 31 ที่นำ AI มาใช้ในการดำเนินงานทั้งหมดหรือบางส่วนแล้ว ยังมีอีกร้อยละ 39 ที่อยู่ระหว่างการทดสอบหรือนำร่องเทคโนโลยีดังกล่าว

AI กำลังก้าวขึ้นมาเป็นเทคโนโลยีสำคัญสำหรับผู้ผลิตและบริษัทพลังงานทั่วโลก และการวิเคราะห์ IoT คาดการณ์ว่าตลาดโซลูชัน AI ทางอุตสาหกรรมจะมีอัตราการเติบโตต่อปีแบบทบต้น (CAGR) หลังการระบาดใหญ่ที่แข็งแกร่งถึง 35% ซึ่งจะไปถึง 102.17 พันล้านดอลลาร์ภายในปี 2026

ยุคดิจิทัลได้ก่อให้เกิด Internet of Things จะเห็นได้ว่าการเกิดขึ้นของปัญญาประดิษฐ์ได้เร่งให้การพัฒนา Internet of Things เร็วขึ้น

มาดูปัจจัยบางประการที่ผลักดันการเติบโตของ AI และ AIoT ในภาคอุตสาหกรรมกัน

ปัจจัยที่ 1: มีเครื่องมือซอฟต์แวร์สำหรับ AIoT ในอุตสาหกรรมเพิ่มมากขึ้น

ในปี 2019 เมื่อการวิเคราะห์ IoT เริ่มครอบคลุมถึง AI ในอุตสาหกรรม มีผลิตภัณฑ์ซอฟต์แวร์ AI เฉพาะทางเพียงไม่กี่รายการจากผู้จำหน่ายเทคโนโลยีปฏิบัติการ (OT) ตั้งแต่นั้นมา ผู้จำหน่าย OT หลายรายก็เข้าสู่ตลาด AI โดยพัฒนาและให้บริการโซลูชันซอฟต์แวร์ AI ในรูปแบบของแพลตฟอร์ม AI สำหรับโรงงาน

ตามข้อมูล ผู้จำหน่ายเกือบ 400 รายนำเสนอซอฟต์แวร์ AIoT จำนวนผู้จำหน่ายซอฟต์แวร์ที่เข้าร่วมตลาด AI อุตสาหกรรมเพิ่มขึ้นอย่างมากในช่วงสองปีที่ผ่านมา ในระหว่างการศึกษา IoT Analytics ระบุผู้จำหน่ายเทคโนโลยี AI ให้กับผู้ผลิต/ลูกค้าอุตสาหกรรมจำนวน 634 ราย ในจำนวนนี้ 389 ราย (61.4%) นำเสนอซอฟต์แวร์ AI

แพลตฟอร์มซอฟต์แวร์ AI ใหม่มุ่งเน้นไปที่สภาพแวดล้อมทางอุตสาหกรรม นอกเหนือจาก Uptake, Braincube หรือ C3 AI แล้ว ผู้จำหน่ายเทคโนโลยีปฏิบัติการ (OT) จำนวนมากขึ้นเรื่อยๆ ยังเสนอแพลตฟอร์มซอฟต์แวร์ AI เฉพาะทางอีกด้วย ตัวอย่างได้แก่ Genix Industrial analytics and AI suite ของ ABB, FactoryTalk Innovation suite ของ Rockwell Automation, แพลตฟอร์มที่ปรึกษาการผลิตของ Schneider Electric เอง และล่าสุดคือส่วนเสริมเฉพาะ แพลตฟอร์มเหล่านี้บางส่วนมุ่งเป้าไปที่กรณีการใช้งานที่หลากหลาย ตัวอย่างเช่น แพลตฟอร์ม Genix ของ ABB ให้การวิเคราะห์ขั้นสูง รวมถึงแอปพลิเคชันและบริการที่สร้างไว้ล่วงหน้าสำหรับการจัดการประสิทธิภาพการทำงาน ความสมบูรณ์ของทรัพย์สิน ความยั่งยืน และประสิทธิภาพของห่วงโซ่อุปทาน

บริษัทใหญ่ๆ กำลังนำเครื่องมือซอฟต์แวร์ AI ของตนมาใช้ในพื้นที่ปฏิบัติงาน

ความพร้อมใช้งานของเครื่องมือซอฟต์แวร์ AI นั้นขับเคลื่อนโดยเครื่องมือซอฟต์แวร์เฉพาะกรณีการใช้งานใหม่ที่พัฒนาโดย AWS บริษัทขนาดใหญ่ เช่น Microsoft และ Google ตัวอย่างเช่น ในเดือนธันวาคม 2020 AWS ได้เปิดตัว Amazon SageMaker JumpStart ซึ่งเป็นฟีเจอร์ของ Amazon SageMaker ที่ให้ชุดโซลูชันที่สร้างไว้ล่วงหน้าและปรับแต่งได้สำหรับกรณีการใช้งานในอุตสาหกรรมทั่วไป เช่น PdM, คอมพิวเตอร์วิชัน และการขับขี่อัตโนมัติ ปรับใช้ด้วยการคลิกเพียงไม่กี่ครั้ง

โซลูชันซอฟต์แวร์ที่เฉพาะกรณีการใช้งานกำลังขับเคลื่อนการปรับปรุงการใช้งาน

ชุดซอฟต์แวร์เฉพาะกรณีการใช้งาน เช่น ชุดซอฟต์แวร์ที่เน้นการบำรุงรักษาเชิงคาดการณ์ กำลังได้รับความนิยมมากขึ้น IoT Analytics พบว่าจำนวนผู้ให้บริการที่ใช้โซลูชันซอฟต์แวร์การจัดการข้อมูลผลิตภัณฑ์ (PdM) ที่ใช้ AI เพิ่มขึ้นเป็น 73 รายในช่วงต้นปี 2021 เนื่องมาจากความหลากหลายของแหล่งข้อมูลที่เพิ่มขึ้นและการใช้โมเดลการฝึกอบรมล่วงหน้า รวมถึงการนำเทคโนโลยีปรับปรุงข้อมูลมาใช้กันอย่างแพร่หลาย

ปัจจัยที่ 2: การพัฒนาและการบำรุงรักษาโซลูชัน AI ได้รับการทำให้เรียบง่ายขึ้น

การเรียนรู้ของเครื่องจักรอัตโนมัติ (AutoML) กำลังจะกลายเป็นผลิตภัณฑ์มาตรฐาน

เนื่องจากความซับซ้อนของงานที่เกี่ยวข้องกับการเรียนรู้ของเครื่องจักร (ML) การเติบโตอย่างรวดเร็วของแอปพลิเคชันการเรียนรู้ของเครื่องจักรจึงทำให้เกิดความต้องการวิธีการเรียนรู้ของเครื่องจักรสำเร็จรูปที่สามารถใช้ได้โดยไม่ต้องมีความเชี่ยวชาญ สาขาการวิจัยที่เกิดขึ้นคือระบบอัตโนมัติที่ก้าวหน้าสำหรับการเรียนรู้ของเครื่องจักร ซึ่งเรียกว่า AutoML บริษัทต่างๆ มากมายกำลังใช้ประโยชน์จากเทคโนโลยีนี้เป็นส่วนหนึ่งของข้อเสนอ AI เพื่อช่วยให้ลูกค้าพัฒนาโมเดล ML และนำกรณีการใช้งานในอุตสาหกรรมไปใช้ได้เร็วขึ้น ตัวอย่างเช่น ในเดือนพฤศจิกายน 2020 SKF ได้ประกาศเปิดตัวผลิตภัณฑ์ที่ใช้ automL ซึ่งรวมข้อมูลกระบวนการเครื่องจักรเข้ากับข้อมูลการสั่นสะเทือนและอุณหภูมิเพื่อลดต้นทุนและเปิดใช้งานรูปแบบธุรกิจใหม่สำหรับลูกค้า

การดำเนินการการเรียนรู้ของเครื่อง (ML Ops) ช่วยลดความซับซ้อนในการจัดการและการบำรุงรักษาแบบจำลอง

สาขาวิชาใหม่ของการดำเนินการด้านการเรียนรู้ของเครื่องจักรมีจุดมุ่งหมายเพื่อลดความซับซ้อนของการบำรุงรักษาโมเดล AI ในสภาพแวดล้อมการผลิต ประสิทธิภาพของโมเดล AI มักจะลดลงเมื่อเวลาผ่านไป เนื่องจากได้รับผลกระทบจากปัจจัยหลายประการภายในโรงงาน (เช่น การเปลี่ยนแปลงในการกระจายข้อมูลและมาตรฐานคุณภาพ) ส่งผลให้การบำรุงรักษาโมเดลและการดำเนินการด้านการเรียนรู้ของเครื่องจักรมีความจำเป็นเพื่อตอบสนองความต้องการด้านคุณภาพสูงของสภาพแวดล้อมอุตสาหกรรม (เช่น โมเดลที่มีประสิทธิภาพต่ำกว่า 99% อาจไม่สามารถระบุพฤติกรรมที่เป็นอันตรายต่อความปลอดภัยของคนงานได้)

ในช่วงไม่กี่ปีที่ผ่านมา มีบริษัทสตาร์ทอัพจำนวนมากเข้าร่วมในพื้นที่ ML Ops รวมถึง DataRobot, Grid.AI, Pinecone/Zilliz, Seldon และ Weights & Biases บริษัทที่ก่อตั้งมานานได้เพิ่มการทำงานของการเรียนรู้ของเครื่องให้กับข้อเสนอซอฟต์แวร์ AI ที่มีอยู่แล้ว รวมถึง Microsoft ซึ่งนำการตรวจจับการเบี่ยงเบนของข้อมูลมาใช้ใน Azure ML Studio ฟีเจอร์ใหม่นี้ช่วยให้ผู้ใช้สามารถตรวจจับการเปลี่ยนแปลงในการกระจายข้อมูลอินพุตที่ทำให้ประสิทธิภาพของโมเดลลดลง

ปัจจัยที่ 3: ปัญญาประดิษฐ์ที่ประยุกต์ใช้กับแอปพลิเคชันและกรณีการใช้งานที่มีอยู่

ผู้ให้บริการซอฟต์แวร์แบบดั้งเดิมกำลังเพิ่มความสามารถ AI

นอกเหนือจากเครื่องมือซอฟต์แวร์ AI ขนาดใหญ่ในแนวนอนที่มีอยู่ เช่น MS Azure ML, AWS SageMaker และ Google Cloud Vertex AI ชุดซอฟต์แวร์ดั้งเดิม เช่น ระบบการจัดการการบำรุงรักษาด้วยคอมพิวเตอร์ (CAMMS), ระบบการดำเนินการผลิต (MES) หรือการวางแผนทรัพยากรขององค์กร (ERP) สามารถปรับปรุงได้อย่างมีนัยสำคัญโดยการเพิ่มความสามารถของ AI ตัวอย่างเช่น ผู้ให้บริการ ERP อย่าง Epicor Software กำลังเพิ่มความสามารถของ AI ให้กับผลิตภัณฑ์ที่มีอยู่ผ่าน Epicor Virtual Assistant (EVA) ตัวแทน EVA อัจฉริยะใช้เพื่อทำให้กระบวนการ ERP เป็นอัตโนมัติ เช่น การกำหนดตารางการดำเนินการผลิตใหม่หรือดำเนินการสอบถามแบบง่ายๆ (เช่น การรับรายละเอียดเกี่ยวกับราคาผลิตภัณฑ์หรือจำนวนชิ้นส่วนที่มีจำหน่าย)

กรณีการใช้งานทางอุตสาหกรรมกำลังได้รับการอัพเกรดโดยใช้ AIoT

กรณีการใช้งานในอุตสาหกรรมหลายกรณีได้รับการปรับปรุงโดยการเพิ่มความสามารถของ AI ให้กับโครงสร้างพื้นฐานฮาร์ดแวร์/ซอฟต์แวร์ที่มีอยู่ ตัวอย่างที่ชัดเจนคือระบบการมองเห็นของเครื่องจักรในแอปพลิเคชันการควบคุมคุณภาพ ระบบการมองเห็นของเครื่องจักรแบบดั้งเดิมจะประมวลผลภาพผ่านคอมพิวเตอร์แบบรวมหรือแยกส่วนที่ติดตั้งซอฟต์แวร์เฉพาะทางที่ประเมินพารามิเตอร์และเกณฑ์ที่กำหนดไว้ล่วงหน้า (เช่น คอนทราสต์สูง) เพื่อตรวจสอบว่าวัตถุแสดงข้อบกพร่องหรือไม่ ในหลายกรณี (เช่น ส่วนประกอบอิเล็กทรอนิกส์ที่มีรูปร่างสายไฟที่แตกต่างกัน) จำนวนบวกปลอมจะสูงมาก

อย่างไรก็ตาม ระบบเหล่านี้กำลังได้รับการฟื้นคืนชีพผ่านปัญญาประดิษฐ์ ตัวอย่างเช่น ผู้ให้บริการระบบภาพสำหรับเครื่องจักรในอุตสาหกรรมอย่าง Cognex เปิดตัวเครื่องมือ Deep Learning ใหม่ (Vision Pro Deep Learning 2.0) ในเดือนกรกฎาคม 2021 เครื่องมือใหม่นี้จะรวมเข้ากับระบบภาพแบบเดิม ทำให้ผู้ใช้สามารถรวมการเรียนรู้แบบลึกเข้ากับเครื่องมือภาพแบบเดิมในแอปพลิเคชันเดียวกัน เพื่อตอบสนองความต้องการด้านการแพทย์และอิเล็กทรอนิกส์ที่ต้องมีการวัดรอยขีดข่วน การปนเปื้อน และข้อบกพร่องอื่นๆ อย่างแม่นยำ

ปัจจัยที่ 4: ฮาร์ดแวร์ AIoT อุตสาหกรรมได้รับการปรับปรุง

ชิป AI กำลังพัฒนาอย่างรวดเร็ว

ชิป AI ฮาร์ดแวร์ฝังตัวกำลังเติบโตอย่างรวดเร็ว โดยมีตัวเลือกต่างๆ ให้เลือกเพื่อรองรับการพัฒนาและการใช้งานโมเดล AI ตัวอย่างเช่น หน่วยประมวลผลกราฟิก (Gpus) ล่าสุดของ NVIDIA รุ่น A30 และ A10 ซึ่งเปิดตัวในเดือนมีนาคม 2021 และเหมาะสำหรับกรณีการใช้งาน AI เช่น ระบบแนะนำและระบบคอมพิวเตอร์วิชัน อีกตัวอย่างหนึ่งคือ หน่วยประมวลผล Tensors รุ่นที่สี่ (TPus) ของ Google ซึ่งเป็นวงจรรวมเฉพาะทาง (ASics) ที่มีประสิทธิภาพ ซึ่งสามารถบรรลุประสิทธิภาพและความเร็วที่มากขึ้นถึง 1,000 เท่าในการพัฒนาและใช้งานโมเดลสำหรับเวิร์กโหลด AI เฉพาะ (เช่น การตรวจจับวัตถุ การจำแนกภาพ และเกณฑ์มาตรฐานคำแนะนำ) การใช้ฮาร์ดแวร์ AI เฉพาะช่วยลดเวลาการคำนวณโมเดลจากหลายวันเหลือเพียงไม่กี่นาที และพิสูจน์แล้วว่าเป็นตัวเปลี่ยนเกมในหลายกรณี

ฮาร์ดแวร์ AI อันทรงพลังจะพร้อมให้ใช้ได้ทันทีผ่านรูปแบบการจ่ายตามการใช้งาน

องค์กรขนาดใหญ่ต่างอัปเกรดเซิร์ฟเวอร์ของตนอย่างต่อเนื่องเพื่อให้ทรัพยากรคอมพิวเตอร์พร้อมใช้งานบนคลาวด์ เพื่อให้ผู้ใช้ปลายทางสามารถนำแอปพลิเคชัน AI ในอุตสาหกรรมไปใช้งานได้ ตัวอย่างเช่น ในเดือนพฤศจิกายน 2021 AWS ได้ประกาศเปิดตัวอินสแตนซ์ล่าสุดบน GPU อย่างเป็นทางการ นั่นคือ Amazon EC2 G5 ซึ่งขับเคลื่อนโดย NVIDIA A10G Tensor Core GPU สำหรับแอปพลิเคชัน ML ที่หลากหลาย รวมถึงคอมพิวเตอร์วิชันและเอ็นจิ้นคำแนะนำ ตัวอย่างเช่น ผู้ให้บริการระบบตรวจจับอย่าง Nanotronics ใช้ตัวอย่าง Amazon EC2 ของโซลูชันการควบคุมคุณภาพบน AI เพื่อเร่งความพยายามในการประมวลผลและให้อัตราการตรวจจับแม่นยำยิ่งขึ้นในการผลิตไมโครชิปและนาโนทิวบ์

บทสรุปและแนวโน้ม

AI กำลังก้าวออกจากโรงงาน และจะแพร่หลายในแอปพลิเคชันใหม่ๆ เช่น PdM ที่ใช้ AI และเป็นส่วนเสริมให้กับซอฟต์แวร์และกรณีการใช้งานที่มีอยู่ องค์กรขนาดใหญ่กำลังเปิดตัวกรณีการใช้งาน AI หลายกรณีและรายงานความสำเร็จ และโครงการส่วนใหญ่มีผลตอบแทนจากการลงทุนสูง โดยรวมแล้ว การเติบโตของระบบคลาวด์ แพลตฟอร์ม IoT และชิป AI อันทรงพลังมอบแพลตฟอร์มสำหรับซอฟต์แวร์และการเพิ่มประสิทธิภาพรุ่นใหม่