ปัจจัยสี่ประการที่ทำให้ AIoT ในอุตสาหกรรมกลายเป็นที่นิยมมากขึ้น

รายงาน AI อุตสาหกรรมและตลาด AI ประจำปี 2021-2026 ที่เพิ่งเผยแพร่ไปเมื่อเร็วๆ นี้ ระบุว่า อัตราการนำ AI มาใช้ในอุตสาหกรรมเพิ่มขึ้นจาก 19 เปอร์เซ็นต์ เป็น 31 เปอร์เซ็นต์ ในเวลาเพียงกว่าสองปี นอกจากผู้ตอบแบบสอบถาม 31 เปอร์เซ็นต์ที่ได้นำ AI มาใช้ในการดำเนินงานทั้งหมดหรือบางส่วนแล้ว ยังมีอีก 39 เปอร์เซ็นต์ที่กำลังทดสอบหรือนำร่องใช้เทคโนโลยีนี้อยู่

AI กำลังก้าวขึ้นมาเป็นเทคโนโลยีสำคัญสำหรับผู้ผลิตและบริษัทพลังงานทั่วโลก และการวิเคราะห์ IoT คาดการณ์ว่าตลาดโซลูชัน AI ในภาคอุตสาหกรรมจะมีอัตราการเติบโตต่อปีแบบทบต้น (CAGR) หลังการระบาดใหญ่ที่แข็งแกร่งถึง 35% และจะไปถึง 102.17 พันล้านดอลลาร์ภายในปี 2569

ยุคดิจิทัลได้ให้กำเนิดอินเทอร์เน็ตของสรรพสิ่ง (Internet of Things) จะเห็นได้ว่าการเกิดขึ้นของปัญญาประดิษฐ์ (AI) ได้เร่งการพัฒนาอินเทอร์เน็ตของสรรพสิ่ง (Internet of Things) ให้เร็วขึ้น

มาดูปัจจัยบางประการที่ผลักดันให้เกิดการเติบโตของ AI และ AIoT ในภาคอุตสาหกรรมกัน

ปัจจัยที่ 1: เครื่องมือซอฟต์แวร์สำหรับ AIoT ในอุตสาหกรรมเพิ่มมากขึ้น

ในปี 2019 เมื่อการวิเคราะห์ IoT เริ่มครอบคลุม AI เชิงอุตสาหกรรม พบว่ามีผลิตภัณฑ์ซอฟต์แวร์ AI เฉพาะทางจากผู้จำหน่ายเทคโนโลยีปฏิบัติการ (OT) เพียงไม่กี่ราย นับตั้งแต่นั้นมา ผู้จำหน่าย OT หลายรายก็ได้เข้าสู่ตลาด AI ด้วยการพัฒนาและนำเสนอโซลูชันซอฟต์แวร์ AI ในรูปแบบของแพลตฟอร์ม AI สำหรับโรงงาน

จากข้อมูลพบว่ามีผู้จำหน่ายเกือบ 400 รายที่นำเสนอซอฟต์แวร์ AIoT จำนวนผู้จำหน่ายซอฟต์แวร์ที่เข้าร่วมตลาด AI อุตสาหกรรมเพิ่มขึ้นอย่างมากในช่วงสองปีที่ผ่านมา ในการศึกษานี้ IoT Analytics ระบุผู้จำหน่ายเทคโนโลยี AI ให้กับผู้ผลิต/ลูกค้าอุตสาหกรรมจำนวน 634 ราย ในจำนวนนี้ 389 ราย (61.4%) นำเสนอซอฟต์แวร์ AI

แพลตฟอร์มซอฟต์แวร์ AI ใหม่นี้มุ่งเน้นไปที่สภาพแวดล้อมทางอุตสาหกรรม นอกเหนือจาก Uptake, Braincube หรือ C3 AI แล้ว ยังมีผู้จำหน่ายเทคโนโลยีปฏิบัติการ (OT) จำนวนมากขึ้นเรื่อยๆ ที่เสนอแพลตฟอร์มซอฟต์แวร์ AI เฉพาะทาง ตัวอย่างเช่น ชุด Genix Industrial Analytics และ AI ของ ABB, ชุด FactoryTalk Innovation ของ Rockwell Automation, แพลตฟอร์มให้คำปรึกษาด้านการผลิตของ Schneider Electric เอง และล่าสุดคือส่วนเสริมเฉพาะทาง แพลตฟอร์มเหล่านี้บางส่วนมุ่งเน้นไปที่กรณีการใช้งานที่หลากหลาย ตัวอย่างเช่น แพลตฟอร์ม Genix ของ ABB นำเสนอการวิเคราะห์ขั้นสูง ซึ่งรวมถึงแอปพลิเคชันและบริการที่สร้างไว้ล่วงหน้าสำหรับการจัดการประสิทธิภาพการดำเนินงาน ความสมบูรณ์ของสินทรัพย์ ความยั่งยืน และประสิทธิภาพของห่วงโซ่อุปทาน

บริษัทใหญ่ๆ กำลังนำเครื่องมือซอฟต์แวร์ AI มาใช้ในโรงงาน

ความพร้อมใช้งานของเครื่องมือซอฟต์แวร์ AI ยังได้รับแรงผลักดันจากเครื่องมือซอฟต์แวร์เฉพาะกรณีการใช้งานใหม่ๆ ที่พัฒนาโดย AWS บริษัทขนาดใหญ่อย่าง Microsoft และ Google ยกตัวอย่างเช่น ในเดือนธันวาคม 2020 AWS ได้เปิดตัว Amazon SageMaker JumpStart ซึ่งเป็นฟีเจอร์ของ Amazon SageMaker ที่นำเสนอชุดโซลูชันสำเร็จรูปและปรับแต่งได้สำหรับกรณีการใช้งานทางอุตสาหกรรมที่พบบ่อยที่สุด เช่น PdM, คอมพิวเตอร์วิชัน และการขับขี่อัตโนมัติ ซึ่งสามารถปรับใช้ได้ด้วยการคลิกเพียงไม่กี่ครั้ง

โซลูชันซอฟต์แวร์เฉพาะกรณีการใช้งานกำลังขับเคลื่อนการปรับปรุงการใช้งาน

ชุดซอฟต์แวร์เฉพาะกรณีการใช้งาน เช่น ชุดซอฟต์แวร์ที่เน้นการบำรุงรักษาเชิงคาดการณ์ กำลังได้รับความนิยมมากขึ้น IoT Analytics พบว่าจำนวนผู้ให้บริการที่ใช้โซลูชันซอฟต์แวร์การจัดการข้อมูลผลิตภัณฑ์ (PdM) ที่ใช้ AI เพิ่มขึ้นเป็น 73 รายในช่วงต้นปี 2564 เนื่องจากความหลากหลายของแหล่งข้อมูลที่เพิ่มขึ้น การใช้แบบจำลองก่อนการฝึกอบรม รวมถึงการนำเทคโนโลยีการปรับปรุงข้อมูลมาใช้อย่างแพร่หลาย

ปัจจัยที่ 2: การพัฒนาและการบำรุงรักษาโซลูชัน AI กำลังได้รับการทำให้เรียบง่ายขึ้น

การเรียนรู้ของเครื่องจักรอัตโนมัติ (AutoML) กำลังกลายเป็นผลิตภัณฑ์มาตรฐาน

เนื่องจากความซับซ้อนของงานที่เกี่ยวข้องกับการเรียนรู้ของเครื่อง (ML) การเติบโตอย่างรวดเร็วของแอปพลิเคชันการเรียนรู้ของเครื่องจึงก่อให้เกิดความต้องการวิธีการเรียนรู้ของเครื่องสำเร็จรูปที่สามารถใช้งานได้โดยไม่ต้องอาศัยความเชี่ยวชาญ งานวิจัยที่เกิดขึ้นคือระบบอัตโนมัติแบบก้าวหน้าสำหรับการเรียนรู้ของเครื่อง หรือที่เรียกว่า AutoML บริษัทหลายแห่งกำลังใช้ประโยชน์จากเทคโนโลยีนี้เป็นส่วนหนึ่งของบริการ AI เพื่อช่วยให้ลูกค้าพัฒนาแบบจำลอง ML และนำกรณีการใช้งานทางอุตสาหกรรมไปใช้ได้เร็วขึ้น ยกตัวอย่างเช่น ในเดือนพฤศจิกายน 2563 SKF ได้ประกาศเปิดตัวผลิตภัณฑ์ที่ใช้ automL ซึ่งผสานรวมข้อมูลกระบวนการเครื่องจักรเข้ากับข้อมูลการสั่นสะเทือนและอุณหภูมิ เพื่อลดต้นทุนและเปิดทางให้ลูกค้าสร้างโมเดลธุรกิจใหม่ๆ

การดำเนินการการเรียนรู้ของเครื่อง (ML Ops) ช่วยลดความซับซ้อนในการจัดการและการบำรุงรักษาแบบจำลอง

สาขาวิชาใหม่ของการปฏิบัติการการเรียนรู้ของเครื่อง (Machine Learning) มีเป้าหมายเพื่อลดความซับซ้อนของการบำรุงรักษาโมเดล AI ในสภาพแวดล้อมการผลิต ประสิทธิภาพของโมเดล AI มักจะลดลงเมื่อเวลาผ่านไป เนื่องจากได้รับผลกระทบจากปัจจัยหลายประการภายในโรงงาน (เช่น การเปลี่ยนแปลงในการกระจายข้อมูลและมาตรฐานคุณภาพ) ส่งผลให้การบำรุงรักษาโมเดลและการดำเนินงานการเรียนรู้ของเครื่องกลายเป็นสิ่งจำเป็นเพื่อตอบสนองข้อกำหนดด้านคุณภาพระดับสูงของสภาพแวดล้อมอุตสาหกรรม (ตัวอย่างเช่น โมเดลที่มีประสิทธิภาพต่ำกว่า 99% อาจไม่สามารถระบุพฤติกรรมที่เป็นอันตรายต่อความปลอดภัยของคนงานได้)

ในช่วงไม่กี่ปีที่ผ่านมา มีสตาร์ทอัพจำนวนมากเข้าร่วมในแวดวง ML Ops ซึ่งรวมถึง DataRobot, Grid.AI, Pinecone/Zilliz, Seldon และ Weights & Biases บริษัทชั้นนำได้เพิ่มการดำเนินการด้านการเรียนรู้ของเครื่อง (machine learning) เข้ากับซอฟต์แวร์ AI ที่มีอยู่เดิม ซึ่งรวมถึง Microsoft ซึ่งได้นำการตรวจจับความคลาดเคลื่อนของข้อมูลมาใช้ใน Azure ML Studio ฟีเจอร์ใหม่นี้ช่วยให้ผู้ใช้สามารถตรวจจับการเปลี่ยนแปลงในการกระจายข้อมูลอินพุตที่ทำให้ประสิทธิภาพของโมเดลลดลง

ปัจจัยที่ 3: ปัญญาประดิษฐ์ที่นำมาใช้กับแอปพลิเคชันและกรณีการใช้งานที่มีอยู่

ผู้ให้บริการซอฟต์แวร์แบบดั้งเดิมกำลังเพิ่มความสามารถ AI

นอกเหนือจากเครื่องมือซอฟต์แวร์ AI แนวนอนขนาดใหญ่ที่มีอยู่แล้ว เช่น MS Azure ML, AWS SageMaker และ Google Cloud Vertex AI แล้ว ชุดซอฟต์แวร์แบบดั้งเดิม เช่น ระบบการจัดการการบำรุงรักษาด้วยคอมพิวเตอร์ (CAMMS), ระบบดำเนินการผลิต (MES) หรือระบบวางแผนทรัพยากรองค์กร (ERP) สามารถปรับปรุงได้อย่างมีนัยสำคัญด้วยการนำความสามารถของ AI มาใช้ ยกตัวอย่างเช่น Epicor Software ผู้ให้บริการ ERP กำลังเพิ่มความสามารถของ AI ให้กับผลิตภัณฑ์ที่มีอยู่เดิมผ่าน Epicor Virtual Assistant (EVA) เอเจนต์ EVA อัจฉริยะถูกนำมาใช้เพื่อทำให้กระบวนการ ERP เป็นแบบอัตโนมัติ เช่น การจัดตารางการผลิตใหม่ หรือการดำเนินการสอบถามข้อมูลง่ายๆ (เช่น การขอรายละเอียดเกี่ยวกับราคาผลิตภัณฑ์หรือจำนวนชิ้นส่วนที่มีอยู่)

กรณีการใช้งานทางอุตสาหกรรมกำลังได้รับการอัพเกรดโดยใช้ AIoT

กรณีการใช้งานทางอุตสาหกรรมหลายกรณีกำลังได้รับการปรับปรุงโดยการเพิ่มความสามารถของ AI ให้กับโครงสร้างพื้นฐานด้านฮาร์ดแวร์/ซอฟต์แวร์ที่มีอยู่ ตัวอย่างที่ชัดเจนคือระบบวิชันซิสเต็มส์ในแอปพลิเคชันการควบคุมคุณภาพ ระบบวิชันซิสเต็มส์แบบดั้งเดิมจะประมวลผลภาพผ่านคอมพิวเตอร์แบบรวมหรือแบบแยกส่วนที่ติดตั้งซอฟต์แวร์เฉพาะทาง ซึ่งประเมินพารามิเตอร์และเกณฑ์ที่กำหนดไว้ล่วงหน้า (เช่น คอนทราสต์สูง) เพื่อตรวจสอบว่าวัตถุมีข้อบกพร่องหรือไม่ ในหลายกรณี (เช่น ชิ้นส่วนอิเล็กทรอนิกส์ที่มีรูปร่างสายไฟแตกต่างกัน) มีจำนวนผลลัพธ์ที่ผิดพลาดสูงมาก

อย่างไรก็ตาม ระบบเหล่านี้กำลังได้รับการฟื้นฟูด้วยปัญญาประดิษฐ์ ยกตัวอย่างเช่น Cognex ผู้ให้บริการระบบวิชันแมชชีนวิชันสำหรับอุตสาหกรรม ได้เปิดตัวเครื่องมือการเรียนรู้เชิงลึก (Deep Learning) ใหม่ (Vision Pro Deep Learning 2.0) ในเดือนกรกฎาคม 2564 เครื่องมือใหม่นี้สามารถผสานรวมเข้ากับระบบวิชันแบบดั้งเดิม ช่วยให้ผู้ใช้สามารถผสานการเรียนรู้เชิงลึกเข้ากับเครื่องมือวิชันแบบดั้งเดิมในแอปพลิเคชันเดียวกัน เพื่อตอบสนองความต้องการด้านสภาพแวดล้อมทางการแพทย์และอิเล็กทรอนิกส์ที่ต้องการการวัดรอยขีดข่วน การปนเปื้อน และข้อบกพร่องอื่นๆ อย่างแม่นยำ

ปัจจัยที่ 4: ฮาร์ดแวร์ AIoT อุตสาหกรรมได้รับการปรับปรุง

ชิป AI กำลังพัฒนาอย่างรวดเร็ว

ชิป AI แบบฮาร์ดแวร์ฝังตัวกำลังเติบโตอย่างรวดเร็ว โดยมีตัวเลือกมากมายให้เลือกใช้เพื่อสนับสนุนการพัฒนาและการใช้งานโมเดล AI ตัวอย่างเช่น หน่วยประมวลผลกราฟิก (Gpus) รุ่นล่าสุดของ NVIDIA รุ่น A30 และ A10 ซึ่งเปิดตัวในเดือนมีนาคม 2564 และเหมาะสำหรับการใช้งาน AI เช่น ระบบแนะนำและระบบคอมพิวเตอร์วิชัน อีกตัวอย่างหนึ่งคือ หน่วยประมวลผล Tensors (TPus) รุ่นที่สี่ของ Google ซึ่งเป็นวงจรรวมเฉพาะทาง (ASics) ที่ทรงพลัง ซึ่งสามารถเพิ่มประสิทธิภาพและความเร็วในการพัฒนาและใช้งานโมเดลสำหรับเวิร์กโหลด AI เฉพาะทางได้มากถึง 1,000 เท่า (เช่น การตรวจจับวัตถุ การจำแนกภาพ และเกณฑ์มาตรฐานการแนะนำ) การใช้ฮาร์ดแวร์ AI เฉพาะทางช่วยลดเวลาในการประมวลผลโมเดลจากหลายวันเหลือเพียงไม่กี่นาที และในหลายกรณีก็พิสูจน์แล้วว่าเป็นตัวพลิกเกม

ฮาร์ดแวร์ AI อันทรงพลังพร้อมใช้งานทันทีผ่านรูปแบบการจ่ายตามการใช้งาน

องค์กรขนาดใหญ่กำลังอัปเกรดเซิร์ฟเวอร์อย่างต่อเนื่องเพื่อให้ทรัพยากรการประมวลผลพร้อมใช้งานบนคลาวด์ เพื่อให้ผู้ใช้ปลายทางสามารถนำแอปพลิเคชัน AI เชิงอุตสาหกรรมไปใช้งานได้ ยกตัวอย่างเช่น ในเดือนพฤศจิกายน 2564 AWS ได้ประกาศเปิดตัวอินสแตนซ์ล่าสุดที่ใช้ GPU คือ Amazon EC2 G5 ซึ่งขับเคลื่อนด้วย NVIDIA A10G Tensor Core GPU อย่างเป็นทางการสำหรับแอปพลิเคชัน ML ที่หลากหลาย รวมถึงคอมพิวเตอร์วิทัศน์และเอนจินแนะนำ ยกตัวอย่างเช่น Nanotronics ผู้ให้บริการระบบตรวจจับ ได้ใช้ตัวอย่าง Amazon EC2 ของโซลูชันการควบคุมคุณภาพที่ใช้ AI เพื่อเร่งการประมวลผลและบรรลุอัตราการตรวจจับที่แม่นยำยิ่งขึ้นในการผลิตไมโครชิปและนาโนทิวบ์

บทสรุปและแนวโน้ม

AI กำลังก้าวออกมาจากโรงงาน และจะแพร่หลายในแอปพลิเคชันใหม่ๆ เช่น PdM ที่ใช้ AI และในฐานะส่วนเสริมของซอฟต์แวร์และกรณีการใช้งานที่มีอยู่ องค์กรขนาดใหญ่กำลังนำกรณีการใช้งาน AI มาใช้หลายกรณีและรายงานความสำเร็จ โดยโครงการส่วนใหญ่ให้ผลตอบแทนจากการลงทุนที่สูง โดยรวมแล้ว การเติบโตของแพลตฟอร์มคลาวด์ แพลตฟอร์ม IoT และชิป AI อันทรงพลัง ถือเป็นแพลตฟอร์มสำหรับซอฟต์แวร์และการปรับแต่งประสิทธิภาพยุคใหม่