【儀表網 儀表新概念】導讀：根據最近發布的《2021-2026年工業人工智能和人工智能市場報告》的數據，在兩年多的時間里，人工智能在工業環境中的采用率從19%增加到31%。
 

　　根據最近發布的《2021-2026年工業人工智能和人工智能市場報告》的數據，在兩年多的時間里，人工智能在工業環境中的采用率從19%增加到31%。除了31%的受訪者在其運營中完全或部分推出人工智能技術外，另有39%的受訪者目前正在測試或試用該技術。
 

　　人工智能正在成為全球制造商和能源公司的關鍵技術，物聯網分析預測，工業人工智能解決方案市場將呈現出35%的強勁疫情后復合年增長率(CAGR)，到2026年，市場規模將達到1021.7億美元。
 

　　數字化時代催生了物聯網的產生。可見，人工智能的出現加快了物聯網發展的步伐。
 

　　今天我們就來盤點一下推動工業AI和AIoT興起的因素有哪些。
 

　　驅動因素1：
 

　　越來越多用于工業AIoT的軟件工具
 

　　2019年，當物聯網分析開始覆蓋工業AI領域時，運營技術(OT)供應商提供的專用AI軟件產品很少。從那時起，許多OT供應商通過為工廠車間開發和提供AI平臺形式的AI軟件解決方案進入AI市場。
 

　　據數據顯示，近400家供應商提供AIoT軟件。在過去兩年中，加入工業AI市場的軟件供應商數量大幅增加。在研究期間，IoT Analytics確定了634家為制造商/工業客戶提供AI技術的供應商。在這些公司中，有389家(61.4%)提供人工智能軟件。
 

　　新的AI軟件平臺專注于工業環境。除了Uptake、Braincube或C3 AI等軟件擴容之外，越來越多的運營技術(OT)供應商正在提供專用的AI軟件平臺。例如ABB的Genix工業分析和AI套件，羅克韋爾自動化的FactoryTalk創新套件，施耐德電氣的自主生產顧問平臺以及最近的特定附加組件等。其中一些平臺針對廣泛的用例。例如，ABB的Genix平臺提供高級分析，包括預先構建的應用程序和服務，用于運營績效管理，資產完整性，可持續性和供應鏈效率。
 

　　大企業正在將其人工智能軟件工具產品運用到車間。
 

　　人工智能軟件工具可用性的提高也離不開AWS，微軟和谷歌在內的超大規模企業所新開發的特定于用例的軟件工具。例如，在2020年12月，AWS發布了Amazon SageMaker JumpStart，這是Amazon SageMaker的一項功能，為最常見的工業用例(例如PdM，計算機視覺和自動駕駛)提供了一套預構建和可定制的解決方案，只需點擊幾下即可部署。
 

　　特定于用例的軟件解決方案正在推動可用性的提高。
 

　　特定于用例的軟件套件，例如專注于預測性維護的軟件套件，正變得越來越普遍。IoT Analytics觀察到，由于數據源種類的增加和預訓練模型的使用，以及數據增強技術的廣泛采用，使用基于AI的產品數據管理(PdM)軟件解決方案的提供商數量在2021年初上升至73家。
 

　　驅動因素2：
 

　　正在簡化的人工智能解決方案的開發和維護
 

　　自動化機器學習(AutoML)正在成為一種標準產品。
 

　　由于與機器學習(ML)相關的任務非常復雜，機器學習應用程序的快速增長催生了對現成機器學習方法的需求，這些方法無需專業知識即可使用。由此產生的研究領域，針對機器學習的漸進自動化，被稱為AutoML。各種公司正在利用該技術作為其AI產品的一部分，以幫助客戶開發ML模型并更快地實現工業用例。例如，2020年11月，斯凱孚(SKF)宣布了一項基于AutoML的產品，將機器過程數據與振動和溫度數據相結合，以降低成本，并為客戶實現新的商業模式。
 

　　機器學習操作(ML Ops)簡化了模型管理和維護。
 

　　機器學習操作的新學科旨在簡化制造環境中的AI模型維護。人工智能模型的性能通常會隨著時間的推移而下降，因為它受到工廠內部幾個因素的影響(例如，數據分布和質量標準的變化)。因此，模型維護和機器學習操作已成為滿足工業環境高質量要求的必要條件(例如，性能低于99%的模型可能無法識別危及工人安全的行為)。
 

　　近年來，許多初創公司都加入了ML Ops領域，包括DataRobot，Grid.AI，Pinecone / Zilliz，Seldon和Weights & Biases。老牌公司已經將機器學習操作功能添加到他們現有的AI軟件產品中，包括微軟，它在Azure ML Studio中引入了數據漂移檢測。這項新功能使用戶能夠檢測輸入數據分布中導致模型性能下降的變化。
 

　　驅動因素3：
 

　　被應用到現有應用程序和用例中的人工智能
 

　　傳統軟件提供商正在添加AI功能。
 

　　除了現有的大型橫向AI軟件工具(例如MS Azure ML，AWS SageMaker和Google Cloud Vertex AI)之外，傳統軟件套件(例如計算機化維護管理系統(CAMMS)，制造執行系統(MES)或企業資源規劃(ERP))現在可以通過注入AI功能獲得顯著提升。例如，ERP提供商Epicor Software正在通過其Epicor虛擬助手(EVA)在其現有產品中添加AI功能。智能EVA代理用于自動化ERP流程，例如重新安排制造作業或執行簡單查詢(例如，獲取有關產品定價或可用零件數量的詳細信息)。
 

　　工業用例正在通過使用AIoT進行升級。
 

　　通過向現有硬件/軟件基礎設施添加AI功能，正在增強幾個工業用例。一個生動的例子是質量控制應用中的機器視覺。傳統的機器視覺系統通過配備專用軟件的集成或離散計算機處理圖像，該軟件評估預定的參數和閾值(例如，高對比度)，以確定物體是否表現出缺陷。在許多情況下(例如，具有不同布線形狀的電子組件)，誤報的數量非常高。
 

　　然而，這些系統正在通過人工智能復興。例如，工業機器視覺提供商康耐視(Cognex)于2021年7月發布了一款新的深度學習工具(Vision Pro Deep Learning 2.0)。新工具與傳統視覺系統集成，使最終用戶能夠在同一應用中將深度學習與傳統視覺工具相結合，以滿足需要精確測量劃痕、污染和其他缺陷的苛刻醫療和電子環境。
 

　　驅動因素4：
 

　　正在改進的工業AIoT硬件
 

　　AI芯片正在迅速改進。
 

　　嵌入式硬件AI芯片發展迅速，多種選項可用于支持AI模型的開發和部署。示例包括NVIDIA最新的圖形處理單元(GPU)，A30和A10，它們于2021年3月推出，適用于AI用例，例如推薦系統和計算機視覺系統。另一個例子是谷歌的第四代張量處理單元(TPU)，它們是功能強大的專用集成電路(ASIC)，可以在特定AI工作負載(例如，對象檢測，圖像分類和推薦基準)的模型開發和部署中實現高達1，000倍的效率和速度。使用專用的AI硬件將模型計算時間從幾天縮短到幾分鐘，并且在許多情況下已被證明是游戲規則的改變者。
 

　　強大的AI硬件可通過按使用量付費的模式立即獲得。
 

　　超大規模企業不斷升級其服務器，使計算資源在云中可用，以便最終用戶能夠實現工業AI應用。例如，在2021年11月，AWS宣布其最新的基于GPU的實例Amazon EC2 G5正式發布，這些實例由NVIDIA A10G Tensor Core GPU提供支持，可用于各種ML應用程序，包括計算機視覺和推薦引擎。例如，檢測系統提供商 Nanotronics利用其基于 AI的質量控制解決方案的 Amazon EC2 實例來加快加工工作，并在微芯片和納米管的制造中實現更準確的檢測率。
 

　　結論與展望
 

　　人工智能即將出廠，它將普遍存在于新的應用中，例如基于AI的PdM，并作為現有軟件和用例的增強。大型企業正在推出幾個人工智能用例并報告成功案例，大多數項目的投資回報率都很高。總而言之，云、物聯網平臺和強大的AI芯片的興起為新一代軟件和優化提供了一個平臺。