ปัจจัยสี่ประการทำให้ AIoT ทางอุตสาหกรรมกลายเป็นสิ่งใหม่ยอดนิยม

ตามรายงานตลาด AI อุตสาหกรรมและ AI ประจำปี 2564-2569 ที่เผยแพร่เมื่อเร็ว ๆ นี้ อัตราการนำ AI ไปใช้ในสภาพแวดล้อมทางอุตสาหกรรมเพิ่มขึ้นจาก 19 เปอร์เซ็นต์เป็น 31 เปอร์เซ็นต์ในเวลาเพียงสองปีนอกเหนือจาก 31 เปอร์เซ็นต์ของผู้ตอบแบบสอบถามที่ได้นำ AI มาใช้อย่างเต็มที่หรือบางส่วนในการดำเนินงานแล้ว ยังมีอีก 39 เปอร์เซ็นต์ที่กำลังทดสอบหรือนำร่องเทคโนโลยีนี้

AI กำลังกลายเป็นเทคโนโลยีหลักสำหรับผู้ผลิตและบริษัทพลังงานทั่วโลก และการวิเคราะห์ IoT คาดการณ์ว่าตลาดโซลูชัน AI เชิงอุตสาหกรรมจะแสดงอัตราการเติบโตต่อปี (CAGR) ที่แข็งแกร่งหลังการแพร่ระบาดที่ 35% สู่ระดับ 102.17 พันล้านดอลลาร์ภายในปี 2569

ยุคดิจิทัลได้ให้กำเนิด Internet of Thingsจะเห็นได้ว่าการเกิดขึ้นของปัญญาประดิษฐ์ได้เร่งการพัฒนา Internet of Things

เรามาดูปัจจัยบางประการที่ผลักดันให้เกิดการเพิ่มขึ้นของ AI อุตสาหกรรมและ AIoT กัน

ปัจจัยที่ 1: เครื่องมือซอฟต์แวร์สำหรับ AIoT อุตสาหกรรมมีมากขึ้นเรื่อยๆ

ในปี 2019 เมื่อการวิเคราะห์ Iot เริ่มครอบคลุมถึง AI ระดับอุตสาหกรรม มีผลิตภัณฑ์ซอฟต์แวร์ AI เฉพาะด้านจำนวนไม่มากจากผู้ขายเทคโนโลยีการดำเนินงาน (OT)ตั้งแต่นั้นมา ผู้จำหน่าย OT จำนวนมากได้เข้าสู่ตลาด AI โดยการพัฒนาและจัดหาโซลูชันซอฟต์แวร์ AI ในรูปแบบของแพลตฟอร์ม AI สำหรับพื้นที่โรงงาน

ตามข้อมูล ผู้จำหน่ายเกือบ 400 รายเสนอซอฟต์แวร์ AIoTจำนวนผู้จำหน่ายซอฟต์แวร์ที่เข้าร่วมตลาด AI อุตสาหกรรมเพิ่มขึ้นอย่างมากในช่วงสองปีที่ผ่านมาในระหว่างการศึกษา IoT Analytics ระบุซัพพลายเออร์เทคโนโลยี AI จำนวน 634 รายให้กับผู้ผลิต/ลูกค้าอุตสาหกรรมในบรรดาบริษัทเหล่านี้ 389 แห่ง (61.4%) นำเสนอซอฟต์แวร์ AI

แพลตฟอร์มซอฟต์แวร์ AI ใหม่มุ่งเน้นไปที่สภาพแวดล้อมทางอุตสาหกรรมนอกเหนือจาก Uptake, Braincube หรือ C3 AI แล้ว ผู้จำหน่ายเทคโนโลยีการดำเนินงาน (OT) ที่มีจำนวนเพิ่มขึ้นเรื่อยๆ กำลังนำเสนอแพลตฟอร์มซอฟต์แวร์ AI โดยเฉพาะตัวอย่างได้แก่ ชุดการวิเคราะห์ Genix Industrial และ AI ของ ABB, ชุด FactoryTalk Innovation ของ Rockwell Automation, แพลตฟอร์มให้คำปรึกษาด้านการผลิตของ Schneider Electric และล่าสุดคือส่วนเสริมเฉพาะแพลตฟอร์มเหล่านี้บางส่วนกำหนดเป้าหมายไปที่กรณีการใช้งานที่หลากหลายตัวอย่างเช่น แพลตฟอร์ม Genix ของ ABB นำเสนอการวิเคราะห์ขั้นสูง รวมถึงแอปพลิเคชันและบริการที่สร้างไว้ล่วงหน้าสำหรับการจัดการประสิทธิภาพการปฏิบัติงาน ความสมบูรณ์ของสินทรัพย์ ความยั่งยืน และประสิทธิภาพของห่วงโซ่อุปทาน

บริษัทใหญ่ๆ กำลังนำเครื่องมือซอฟต์แวร์ AI ของตนมาวางขายในโรงงาน

ความพร้อมใช้งานของเครื่องมือซอฟต์แวร์ ai ยังได้รับแรงหนุนจากเครื่องมือซอฟต์แวร์เฉพาะกรณีการใช้งานใหม่ที่พัฒนาโดย AWS บริษัทขนาดใหญ่ เช่น Microsoft และ Googleตัวอย่างเช่น ในเดือนธันวาคม 2020 AWS ได้เปิดตัว Amazon SageMaker JumpStart ซึ่งเป็นคุณสมบัติของ Amazon SageMaker ที่ให้ชุดโซลูชันที่สร้างไว้ล่วงหน้าและปรับแต่งได้สำหรับกรณีการใช้งานทางอุตสาหกรรมทั่วไป เช่น PdM, คอมพิวเตอร์วิทัศน์ และการขับขี่อัตโนมัติ ปรับใช้กับ เพียงไม่กี่คลิก

โซลูชันซอฟต์แวร์เฉพาะกรณีการใช้งานกำลังผลักดันการปรับปรุงการใช้งาน

ชุดซอฟต์แวร์เฉพาะกรณีการใช้งาน เช่น ชุดซอฟต์แวร์ที่เน้นการบำรุงรักษาเชิงคาดการณ์ กำลังกลายเป็นเรื่องปกติมากขึ้นIoT Analytics สังเกตว่าจำนวนผู้ให้บริการที่ใช้โซลูชันซอฟต์แวร์การจัดการข้อมูลผลิตภัณฑ์ (PdM) ที่ใช้ AI เพิ่มขึ้นเป็น 73 รายในต้นปี 2564 เนื่องจากการเพิ่มขึ้นในแหล่งข้อมูลที่หลากหลายและการใช้แบบจำลองก่อนการฝึกอบรม รวมถึงการแพร่กระจายอย่างกว้างขวาง การนำเทคโนโลยีการปรับปรุงข้อมูลมาใช้

ปัจจัยที่ 2: การพัฒนาและการบำรุงรักษาโซลูชัน AI กำลังง่ายขึ้น

การเรียนรู้ของเครื่องอัตโนมัติ (AutoML) กำลังกลายเป็นผลิตภัณฑ์มาตรฐาน

เนื่องจากความซับซ้อนของงานที่เกี่ยวข้องกับการเรียนรู้ของเครื่อง (ML) การเติบโตอย่างรวดเร็วของแอปพลิเคชันการเรียนรู้ของเครื่องทำให้เกิดความต้องการวิธีการเรียนรู้ของเครื่องที่มีจำหน่ายทั่วไปซึ่งสามารถใช้งานได้โดยไม่ต้องเชี่ยวชาญผลการวิจัยสาขาระบบอัตโนมัติแบบก้าวหน้าสำหรับการเรียนรู้ของเครื่องเรียกว่า AutoMLบริษัทหลายแห่งใช้ประโยชน์จากเทคโนโลยีนี้โดยเป็นส่วนหนึ่งของข้อเสนอ AI เพื่อช่วยให้ลูกค้าพัฒนาโมเดล ML และนำกรณีการใช้งานทางอุตสาหกรรมไปใช้ได้เร็วขึ้นตัวอย่างเช่น ในเดือนพฤศจิกายน ปี 2020 SKF ได้ประกาศผลิตภัณฑ์ที่ใช้ระบบอัตโนมัติซึ่งรวมข้อมูลกระบวนการของเครื่องจักรเข้ากับข้อมูลการสั่นสะเทือนและอุณหภูมิเพื่อลดต้นทุนและเปิดใช้งานโมเดลธุรกิจใหม่สำหรับลูกค้า

การดำเนินการแมชชีนเลิร์นนิง (ML Ops) ช่วยให้การจัดการและบำรุงรักษาโมเดลง่ายขึ้น

วินัยใหม่ของการดำเนินการเรียนรู้ของเครื่องมีเป้าหมายเพื่อลดความซับซ้อนในการบำรุงรักษาโมเดล AI ในสภาพแวดล้อมการผลิตโดยทั่วไปประสิทธิภาพของโมเดล AI จะลดลงเมื่อเวลาผ่านไป เนื่องจากได้รับผลกระทบจากปัจจัยหลายประการภายในโรงงาน (เช่น การเปลี่ยนแปลงในการกระจายข้อมูลและมาตรฐานคุณภาพ)ด้วยเหตุนี้ การบำรุงรักษาโมเดลและการดำเนินการเรียนรู้ของเครื่องจักรจึงมีความจำเป็นเพื่อให้เป็นไปตามข้อกำหนดคุณภาพสูงของสภาพแวดล้อมทางอุตสาหกรรม (เช่น โมเดลที่มีประสิทธิภาพต่ำกว่า 99% อาจล้มเหลวในการระบุพฤติกรรมที่เป็นอันตรายต่อความปลอดภัยของพนักงาน)

ในช่วงไม่กี่ปีที่ผ่านมา มีสตาร์ทอัพจำนวนมากได้เข้าร่วมในพื้นที่ ML Ops รวมถึง DataRobot, Grid.AI, Pinecone/Zilliz, Seldon และ Weights & Biasesบริษัทที่จัดตั้งขึ้นได้เพิ่มการดำเนินการเรียนรู้ของเครื่องให้กับซอฟต์แวร์ AI ที่มีอยู่ ซึ่งรวมถึง Microsoft ซึ่งเปิดตัวการตรวจจับการเบี่ยงเบนข้อมูลใน Azure ML Studioคุณสมบัติใหม่นี้ช่วยให้ผู้ใช้ตรวจจับการเปลี่ยนแปลงในการกระจายข้อมูลอินพุตที่ทำให้ประสิทธิภาพของโมเดลลดลง

ปัจจัยที่ 3: ปัญญาประดิษฐ์นำไปใช้กับแอปพลิเคชันและกรณีการใช้งานที่มีอยู่

ผู้ให้บริการซอฟต์แวร์แบบดั้งเดิมกำลังเพิ่มความสามารถด้าน AI

นอกเหนือจากเครื่องมือซอฟต์แวร์ AI แนวนอนขนาดใหญ่ที่มีอยู่แล้ว เช่น MS Azure ML, AWS SageMaker และ Google Cloud Vertex AI แล้ว ชุดซอฟต์แวร์แบบดั้งเดิม เช่น Computerized Maintenance Management Systems (CAMMS), Manufacturing Execution Systems (MES) หรือการวางแผนทรัพยากรองค์กร (ERP) ขณะนี้สามารถปรับปรุงให้ดีขึ้นได้อย่างมากโดยการเพิ่มความสามารถด้าน AIตัวอย่างเช่น Epicor Software ผู้ให้บริการ ERP กำลังเพิ่มความสามารถด้าน AI ให้กับผลิตภัณฑ์ที่มีอยู่ผ่านทาง Epicor Virtual Assistant (EVA)ตัวแทน EVA อัจฉริยะถูกใช้เพื่อทำให้กระบวนการ ERP เป็นอัตโนมัติ เช่น การจัดกำหนดการการผลิตใหม่ หรือดำเนินการสอบถามง่ายๆ (เช่น การได้รับรายละเอียดเกี่ยวกับราคาผลิตภัณฑ์หรือจำนวนชิ้นส่วนที่พร้อมใช้งาน)

กรณีการใช้งานทางอุตสาหกรรมกำลังได้รับการอัปเกรดโดยใช้ AIoT

กรณีการใช้งานทางอุตสาหกรรมหลายกรณีได้รับการปรับปรุงโดยการเพิ่มความสามารถด้าน AI ให้กับโครงสร้างพื้นฐานฮาร์ดแวร์/ซอฟต์แวร์ที่มีอยู่ตัวอย่างที่ชัดเจนคือวิชันซิสเต็มในแอปพลิเคชันการควบคุมคุณภาพระบบวิชันซิสเต็มแบบดั้งเดิมจะประมวลผลภาพผ่านคอมพิวเตอร์แบบรวมหรือแบบแยกที่ติดตั้งซอฟต์แวร์พิเศษที่ประเมินพารามิเตอร์และเกณฑ์ที่กำหนดไว้ล่วงหน้า (เช่น คอนทราสต์สูง) เพื่อตรวจสอบว่าวัตถุมีข้อบกพร่องหรือไม่ในหลายกรณี (เช่น ชิ้นส่วนอิเล็กทรอนิกส์ที่มีรูปทรงสายไฟต่างกัน) จำนวนผลบวกลวงจะสูงมาก

อย่างไรก็ตาม ระบบเหล่านี้กำลังได้รับการฟื้นฟูด้วยปัญญาประดิษฐ์ตัวอย่างเช่น Cognex ผู้ให้บริการแมชชีนวิชั่นในอุตสาหกรรมได้เปิดตัวเครื่องมือ Deep Learning ใหม่ (Vision Pro Deep Learning 2.0) ในเดือนกรกฎาคม 2021 เครื่องมือใหม่นี้ผสานรวมกับระบบวิชั่นแบบดั้งเดิม ทำให้ผู้ใช้สามารถรวมการเรียนรู้เชิงลึกเข้ากับเครื่องมือวิชั่นแบบดั้งเดิมในแอปพลิเคชันเดียวกัน ตอบสนองความต้องการในสภาพแวดล้อมทางการแพทย์และอิเล็กทรอนิกส์ที่ต้องการการตรวจวัดรอยขีดข่วน การปนเปื้อน และข้อบกพร่องอื่นๆ ที่แม่นยำ

ปัจจัยที่ 4: ฮาร์ดแวร์ AIoT อุตสาหกรรมได้รับการปรับปรุง

ชิป AI กำลังพัฒนาอย่างรวดเร็ว

ชิป AI ฮาร์ดแวร์แบบฝังกำลังเติบโตอย่างรวดเร็ว โดยมีตัวเลือกมากมายเพื่อรองรับการพัฒนาและการปรับใช้โมเดล AIตัวอย่าง ได้แก่ หน่วยประมวลผลกราฟิก (Gpus) ล่าสุดของ NVIDIA รุ่น A30 และ A10 ซึ่งเปิดตัวในเดือนมีนาคม 2564 และเหมาะสำหรับกรณีการใช้งาน AI เช่น ระบบแนะนำ และระบบคอมพิวเตอร์วิทัศน์อีกตัวอย่างหนึ่งคือ หน่วยประมวลผลเทนเซอร์รุ่นที่สี่ (TPus) ของ Google ซึ่งเป็นวงจรรวมวัตถุประสงค์พิเศษ (ASics) ที่ทรงพลัง ซึ่งสามารถบรรลุประสิทธิภาพและความเร็วมากกว่าถึง 1,000 เท่าในการพัฒนาโมเดลและการปรับใช้สำหรับปริมาณงาน AI ที่เฉพาะเจาะจง (เช่น การตรวจจับวัตถุ) การจัดหมวดหมู่รูปภาพ และเกณฑ์มาตรฐานคำแนะนำ)การใช้ฮาร์ดแวร์ AI เฉพาะจะช่วยลดเวลาในการคำนวณโมเดลจากหลายวันเหลือเพียงนาที และได้รับการพิสูจน์แล้วว่าเป็นผู้เปลี่ยนเกมในหลายกรณี

ฮาร์ดแวร์ AI อันทรงพลังพร้อมใช้งานทันทีผ่านโมเดลแบบจ่ายตามการใช้งาน

องค์กรขนาดใหญ่กำลังอัปเกรดเซิร์ฟเวอร์ของตนอย่างต่อเนื่องเพื่อให้ทรัพยากรการประมวลผลพร้อมใช้งานในระบบคลาวด์ เพื่อให้ผู้ใช้สามารถใช้งานแอปพลิเคชัน AI ทางอุตสาหกรรมได้ตัวอย่างเช่น ในเดือนพฤศจิกายน 2021 AWS ได้ประกาศเปิดตัวอินสแตนซ์ที่ใช้ GPU ล่าสุดอย่างเป็นทางการ นั่นคือ Amazon EC2 G5 ซึ่งขับเคลื่อนโดย NVIDIA A10G Tensor Core GPU สำหรับแอปพลิเคชัน ML ที่หลากหลาย รวมถึงคอมพิวเตอร์วิทัศน์และกลไกการแนะนำตัวอย่างเช่น ผู้ให้บริการระบบการตรวจจับ Nanotronics ใช้ตัวอย่างของ Amazon EC2 ของโซลูชันการควบคุมคุณภาพที่ใช้ AI เพื่อเร่งความพยายามในการประมวลผลและให้อัตราการตรวจจับที่แม่นยำยิ่งขึ้นในการผลิตไมโครชิปและท่อนาโน

บทสรุปและโอกาส

AI กำลังออกมาจากโรงงาน และจะแพร่หลายในแอปพลิเคชันใหม่ เช่น PdM ที่ใช้ AI และเป็นการเพิ่มประสิทธิภาพซอฟต์แวร์และกรณีการใช้งานที่มีอยู่องค์กรขนาดใหญ่กำลังเปิดตัวกรณีการใช้งาน AI หลายกรณีและรายงานความสำเร็จ และโครงการส่วนใหญ่ก็มีผลตอบแทนจากการลงทุนสูงโดยรวมแล้ว การเพิ่มขึ้นของระบบคลาวด์ แพลตฟอร์ม IoT และชิป AI อันทรงพลัง ทำให้เกิดแพลตฟอร์มสำหรับซอฟต์แวร์เจเนอเรชั่นใหม่และการเพิ่มประสิทธิภาพ