De acordo com o relatório "Industrial AI and AI Market Report 2021-2026", recentemente divulgado, 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 já implementaram IA total ou parcialmente em suas operações, outros 39% estão atualmente testando ou implementando a tecnologia em caráter piloto.
A inteligência artificial (IA) está emergindo como uma tecnologia fundamental para fabricantes e empresas de energia em todo o mundo, e análises da Internet das Coisas (IoT) preveem que o mercado de soluções de IA industrial 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 evidente que o surgimento da inteligência artificial acelerou o ritmo de desenvolvimento da Internet das Coisas.
Vamos analisar alguns dos fatores que impulsionam o crescimento da IA industrial e da IAoT.
Fator 1: Cada vez mais ferramentas de software para IAoT industrial.
Em 2019, quando a análise de IoT começou a abranger a IA industrial, havia poucos produtos de software de IA dedicados 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.
Segundo dados, quase 400 fornecedores oferecem software de IA para a Internet das Coisas (AIoT). O número de fornecedores de software que entraram 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 de empresas como Uptake, Braincube e 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 industrial Genix 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 visam uma ampla gama de casos de uso. Por exemplo, a plataforma Genix da ABB fornece análises avançadas, incluindo aplicativos e serviços pré-construídos para gerenciamento de desempenho operacional, integridade de ativos, sustentabilidade e eficiência da cadeia de suprimentos.
Grandes empresas estão implementando suas ferramentas de software de IA no chão de fábrica.
A disponibilidade de ferramentas de software de IA também é impulsionada por novas ferramentas de software específicas para casos 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 fornece um conjunto de soluções pré-construídas e personalizáveis para os casos de uso industrial mais comuns, como manutenção preditiva (PdM), visão computacional e direção autônoma, que podem ser implantadas com apenas alguns cliques.
Soluções de software específicas para cada caso de uso estão impulsionando melhorias na usabilidade.
Suítes de software específicas para casos de uso, como aquelas focadas em manutenção preditiva, estão se tornando mais comuns. A IoT Analytics observou que o número de fornecedores que utilizam soluções de software de gerenciamento de dados de produtos (PdM) baseadas em IA subiu para 73 no início de 2021 devido ao aumento na variedade de fontes de dados e ao uso de modelos pré-treinados, 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.
A aprendizagem automática automatizada (AutoML) está se tornando um produto padrão.
Devido à complexidade das tarefas associadas à aprendizagem de máquina (ML), o rápido crescimento das aplicações de ML criou a necessidade de métodos de aprendizagem de máquina prontos para uso, que possam ser utilizados sem conhecimento especializado. O campo de pesquisa resultante, a automação progressiva para aprendizagem de máquina, é chamado de AutoML. Diversas empresas estão aproveitando essa tecnologia como parte de suas ofertas de IA para ajudar os clientes a desenvolver modelos de ML e implementar casos de uso industriais mais rapidamente. Em novembro de 2020, por exemplo, a SKF anunciou um produto baseado em AutoML que combina dados de processo de máquinas com dados de vibração e temperatura para reduzir custos e viabilizar 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 ao longo do tempo, pois é afetado por diversos fatores dentro da planta (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 falhar na identificação de comportamentos que coloquem em risco a segurança dos trabalhadores).
Nos últimos anos, muitas startups entraram no espaço de ML Ops, incluindo DataRobot, Grid.AI, Pinecone/Zilliz, Seldon e Weights & Biases. Empresas já consolidadas 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 mudanças na distribuição dos dados de entrada que degradam o desempenho do modelo.
Fator 3: Inteligência artificial aplicada a aplicações e casos de uso existentes.
Os fornecedores de software tradicionais estão adicionando recursos de IA.
Além das grandes ferramentas de software de IA horizontal já existentes, como o Microsoft Azure ML, o AWS SageMaker e o Google Cloud Vertex AI, os pacotes de software tradicionais, como os Sistemas de Gerenciamento de Manutenção Computadorizada (CAMMS), os Sistemas de Execução de Manufatura (MES) ou os Sistemas de Planejamento de Recursos Empresariais (ERP), agora podem ser significativamente aprimorados com a incorporação de recursos de IA. Por exemplo, a Epicor Software, fornecedora de ERP, está adicionando recursos de IA aos seus produtos existentes por meio do Epicor Virtual Assistant (EVA). Agentes inteligentes do EVA são usados para automatizar processos de ERP, como o reagendamento de operações de manufatura ou a execução de consultas simples (por exemplo, obter detalhes sobre preços de produtos ou a quantidade de peças disponíveis).
Os casos de uso industrial estão sendo aprimorados com o uso de IAoT (Inteligência Artificial das Coisas).
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. Os sistemas tradicionais de visão computacional processam imagens por meio de computadores integrados ou dedicados, equipados com software especializado que avalia parâmetros e limites predeterminados (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 por meio da inteligência artificial. Por exemplo, a Cognex, fornecedora de soluções de visão industrial, lançou uma nova ferramenta de aprendizado profundo (Vision Pro Deep Learning 2.0) em julho de 2021. As novas ferramentas se integram aos sistemas de visão tradicionais, permitindo que os usuários finais combinem o aprendizado profundo com ferramentas de visão tradicionais na mesma aplicação para atender às exigências de ambientes médicos e eletrônicos que requerem medições precisas de arranhões, contaminação e outros defeitos.
Fator 4: Melhorias no hardware de IAoT industrial
Os chips de IA estão melhorando rapidamente.
Os chips de IA embarcados estão crescendo rapidamente, com uma variedade de opções disponíveis para suportar o desenvolvimento e a implementação de modelos de IA. Exemplos incluem as mais recentes unidades de processamento gráfico (GPUs) da NVIDIA, a A30 e a A10, lançadas em março de 2021 e 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 específico (ASICs) poderosos que podem alcançar até 1.000 vezes mais eficiência e velocidade no desenvolvimento e implementação 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 disponível imediatamente através de um modelo de pagamento por uso.
Grandes empresas estão constantemente atualizando seus servidores para disponibilizar recursos computacionais 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 instâncias mais recentes baseadas em GPU, o Amazon EC2 G5, equipado com a GPU NVIDIA A10G Tensor Core, para uma variedade de aplicações de aprendizado de máquina, incluindo visão computacional e sistemas de recomendação. Por exemplo, a Nanotronics, fornecedora de sistemas de detecção, utiliza instâncias do Amazon EC2 em sua solução de controle de qualidade baseada em IA para acelerar o processamento e alcançar taxas de detecção mais precisas na fabricação de microchips e nanotubos.
Conclusão e Perspectivas
A inteligência artificial está saindo de fábrica e será onipresente em novas aplicações, como a manutenção preditiva baseada em IA, e como aprimoramento de 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 um 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 da publicação: 12 de janeiro de 2022