De acordo com o recém-lançado Relatório de IA Industrial e Mercado de IA 2021-2026, a taxa de adoção de IA em ambientes industriais aumentou de 19% para 31% em pouco mais de dois anos. Além dos 31% dos entrevistados que implementaram a IA total ou parcialmente em suas operações, outros 39% estão atualmente testando ou pilotando a tecnologia.
A IA está emergindo como uma tecnologia essencial para fabricantes e empresas de energia no mundo todo, e a análise da IoT prevê que o mercado de soluções industriais de IA apresentará uma forte taxa de crescimento anual composta (CAGR) pós-pandemia de 35%, atingindo US$ 102,17 bilhões até 2026.
A era digital deu origem à Internet das Coisas. É possível observar que o surgimento da inteligência artificial acelerou o ritmo de desenvolvimento da Internet das Coisas.
Vamos dar uma olhada em alguns dos fatores que impulsionam o crescimento da IA industrial e da AIoT.
Fator 1: Cada vez mais ferramentas de software para AIoT industrial
Em 2019, quando a análise de IoT começou a abranger a IA industrial, havia poucos produtos de software dedicados à IA de fornecedores de tecnologia operacional (TO). Desde então, muitos fornecedores de TO entraram no mercado de IA desenvolvendo e fornecendo soluções de software de IA na forma de plataformas de IA para o chão de fábrica.
De acordo com os dados, quase 400 fornecedores oferecem software de IAoT. O número de fornecedores de software que ingressaram no mercado de IA industrial aumentou drasticamente nos últimos dois anos. Durante o estudo, a IoT Analytics identificou 634 fornecedores de tecnologia de IA para fabricantes/clientes industriais. Dessas empresas, 389 (61,4%) oferecem software de IA.
A nova plataforma de software de IA concentra-se em ambientes industriais. Além do Uptake, Braincube ou C3 AI, um número crescente de fornecedores de tecnologia operacional (TO) oferece plataformas de software de IA dedicadas. Exemplos incluem o pacote de análise e IA Genix Industrial da ABB, o pacote FactoryTalk Innovation da Rockwell Automation, a plataforma de consultoria de manufatura da Schneider Electric e, mais recentemente, complementos específicos. Algumas dessas plataformas atendem a uma ampla gama de casos de uso. Por exemplo, a plataforma Genix da ABB oferece análises avançadas, incluindo aplicativos e serviços pré-desenvolvidos para gestão de desempenho operacional, integridade de ativos, sustentabilidade e eficiência da cadeia de suprimentos.
Grandes empresas estão colocando suas ferramentas de software de IA na linha de produção.
A disponibilidade de ferramentas de software de IA também é impulsionada por novas ferramentas de software específicas para cada caso de uso, desenvolvidas pela AWS e por grandes empresas como Microsoft e Google. Por exemplo, em dezembro de 2020, a AWS lançou o Amazon SageMaker JumpStart, um recurso do Amazon SageMaker que oferece um conjunto de soluções pré-desenvolvidas e personalizáveis para os casos de uso industrial mais comuns, como PdM, visão computacional e direção autônoma. Implante com apenas alguns cliques.
Soluções de software específicas para casos de uso estão impulsionando melhorias de usabilidade.
Pacotes de software específicos para casos de uso, como aqueles focados em manutenção preditiva, estão se tornando mais comuns. A IoT Analytics observou que o número de provedores que utilizam soluções de software de gerenciamento de dados de produtos (PdM) baseadas em IA aumentou para 73 no início de 2021 devido ao aumento na variedade de fontes de dados e ao uso de modelos de pré-treinamento, bem como à ampla adoção de tecnologias de aprimoramento de dados.
Fator 2: O desenvolvimento e a manutenção de soluções de IA estão sendo simplificados
O aprendizado de máquina automatizado (AutoML) está se tornando um produto padrão.
Devido à complexidade das tarefas associadas ao aprendizado de máquina (ML), o rápido crescimento das aplicações de aprendizado de máquina criou a necessidade de métodos de aprendizado de máquina prontos para uso, que possam ser utilizados sem a necessidade de especialistas. O campo de pesquisa resultante, a automação progressiva para aprendizado de máquina, é chamado de AutoML. Diversas empresas estão utilizando essa tecnologia como parte de suas ofertas de IA para ajudar os clientes a desenvolver modelos de ML e implementar casos de uso industrial com mais rapidez. Em novembro de 2020, por exemplo, a SKF anunciou um produto baseado em AutoML que combina dados de processo da máquina com dados de vibração e temperatura para reduzir custos e possibilitar novos modelos de negócios para os clientes.
As operações de aprendizado de máquina (ML Ops) simplificam o gerenciamento e a manutenção de modelos.
A nova disciplina de operações de aprendizado de máquina visa simplificar a manutenção de modelos de IA em ambientes de manufatura. O desempenho de um modelo de IA normalmente se degrada com o tempo, pois é afetado por diversos fatores dentro da fábrica (por exemplo, mudanças na distribuição de dados e nos padrões de qualidade). Como resultado, a manutenção de modelos e as operações de aprendizado de máquina tornaram-se necessárias para atender aos altos requisitos de qualidade dos ambientes industriais (por exemplo, modelos com desempenho abaixo de 99% podem não identificar comportamentos que colocam em risco a segurança dos trabalhadores).
Nos últimos anos, muitas startups aderiram ao segmento de ML Ops, incluindo DataRobot, Grid.AI, Pinecone/Zilliz, Seldon e Weights & Biases. Empresas estabelecidas adicionaram operações de aprendizado de máquina às suas ofertas de software de IA existentes, incluindo a Microsoft, que introduziu a detecção de desvio de dados no Azure ML Studio. Esse novo recurso permite que os usuários detectem alterações na distribuição de dados de entrada que degradam o desempenho do modelo.
Fator 3: Inteligência artificial aplicada a aplicações e casos de uso existentes
Os provedores de software tradicionais estão adicionando recursos de IA.
Além das grandes ferramentas de software de IA horizontal existentes, como MS Azure ML, AWS SageMaker e Google Cloud Vertex AI, suítes de software tradicionais, como Sistemas Computadorizados de Gestão de Manutenção (CAMMS), Sistemas de Execução de Manufatura (MES) ou Planejamento de Recursos Empresariais (ERP), agora podem ser significativamente aprimoradas com a inclusão de recursos de IA. Por exemplo, a provedora de ERP Epicor Software está adicionando recursos de IA aos seus produtos existentes por meio do Assistente Virtual Epicor (EVA). Agentes EVA inteligentes são usados para automatizar processos de ERP, como o reagendamento de operações de manufatura ou a realização de consultas simples (por exemplo, para obter detalhes sobre preços de produtos ou o número de peças disponíveis).
Os casos de uso industrial estão sendo atualizados com o uso da AIoT.
Diversos casos de uso industrial estão sendo aprimorados com a adição de recursos de IA à infraestrutura de hardware/software existente. Um exemplo claro é a visão computacional em aplicações de controle de qualidade. Sistemas tradicionais de visão computacional processam imagens por meio de computadores integrados ou discretos, equipados com software especializado que avalia parâmetros e limites pré-determinados (por exemplo, alto contraste) para determinar se os objetos apresentam defeitos. Em muitos casos (por exemplo, componentes eletrônicos com diferentes formatos de fiação), o número de falsos positivos é muito alto.
No entanto, esses sistemas estão sendo revitalizados pela inteligência artificial. Por exemplo, a Cognex, fornecedora de visão industrial, lançou uma nova ferramenta de Deep Learning (Vision Pro Deep Learning 2.0) em julho de 2021. As novas ferramentas integram-se a sistemas de visão tradicionais, permitindo que os usuários finais combinem deep learning com ferramentas de visão tradicionais na mesma aplicação para atender aos exigentes ambientes médicos e eletrônicos que exigem medições precisas de arranhões, contaminação e outros defeitos.
Fator 4: Hardware AIoT industrial sendo aprimorado
Os chips de IA estão melhorando rapidamente.
Os chips de IA de hardware embarcado estão crescendo rapidamente, com uma variedade de opções disponíveis para dar suporte ao desenvolvimento e à implantação de modelos de IA. Exemplos incluem as mais recentes unidades de processamento gráfico (Gpus) da NVIDIA, a A30 e a A10, que foram lançadas em março de 2021 e são adequadas para casos de uso de IA, como sistemas de recomendação e sistemas de visão computacional. Outro exemplo são as Unidades de Processamento de Tensores (TPus) de quarta geração do Google, que são circuitos integrados de propósito especial (ASics) poderosos que podem atingir até 1.000 vezes mais eficiência e velocidade no desenvolvimento e implantação de modelos para cargas de trabalho específicas de IA (por exemplo, detecção de objetos, classificação de imagens e benchmarks de recomendação). O uso de hardware de IA dedicado reduz o tempo de computação do modelo de dias para minutos e provou ser um divisor de águas em muitos casos.
Hardware de IA poderoso está imediatamente disponível por meio de um modelo de pagamento por uso.
Empresas de grande porte estão constantemente atualizando seus servidores para disponibilizar recursos de computação na nuvem, permitindo que os usuários finais implementem aplicações de IA industrial. Em novembro de 2021, por exemplo, a AWS anunciou o lançamento oficial de suas mais recentes instâncias baseadas em GPU, o Amazon EC2 G5, equipado com a GPU NVIDIA A10G Tensor Core, para uma variedade de aplicações de ML, incluindo visão computacional e mecanismos de recomendação. Por exemplo, a fornecedora de sistemas de detecção Nanotronics utiliza exemplos do Amazon EC2 de sua solução de controle de qualidade baseada em IA para acelerar os esforços de processamento e alcançar taxas de detecção mais precisas na fabricação de microchips e nanotubos.
Conclusão e Perspectiva
A IA está saindo da fábrica e será onipresente em novas aplicações, como PdM baseado em IA, e em melhorias em softwares e casos de uso existentes. Grandes empresas estão implementando diversos casos de uso de IA e relatando sucesso, e a maioria dos projetos apresenta alto retorno sobre o investimento. Em suma, a ascensão da nuvem, das plataformas de IoT e dos poderosos chips de IA fornece uma plataforma para uma nova geração de software e otimização.
Data de publicação: 12/01/2022