De acordo com o Relatório de Mercado de IA e IA Industrial 2021-2026, lançado recentemente, a taxa de adoção de IA em ambientes industriais aumentou de 19% para 31% em pouco mais de dois anos. Além de 31% dos entrevistados que implementaram total ou parcialmente a IA nas suas operações, outros 39% estão atualmente testando ou testando a tecnologia.
A IA está a emergir como uma tecnologia chave para fabricantes e empresas de energia em todo o mundo, e a análise da IoT prevê que o mercado de soluções industriais de IA apresentará uma forte taxa composta de crescimento anual pós-pandemia (CAGR) de 35%, atingindo 102,17 mil milhões de dólares até 2026.
A era digital deu origem à Internet das Coisas. Percebe-se 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 surgimento da IA industrial e da AIoT.
Fator 1: Mais e 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 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 os dados, quase 400 fornecedores oferecem software AIoT. O número de fornecedores de software ingressando no mercado industrial de IA aumentou dramaticamente 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) está oferecendo plataformas de software de IA dedicadas. Os exemplos incluem o conjunto de análise e IA Genix Industrial da ABB, o conjunto FactoryTalk Innovation da Rockwell Automation, a própria plataforma de consultoria de fabricação da Schneider Electric e, mais recentemente, complementos específicos. Algumas dessas plataformas visam uma ampla variedade de casos de uso. Por exemplo, a plataforma Genix da ABB fornece análises avançadas, incluindo aplicações e serviços pré-construídos para gestão de desempenho operacional, integridade de ativos, sustentabilidade e eficiência da cadeia de fornecimento.
Grandes empresas estão colocando 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, 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 PdM, visão computacional e direção autônoma. apenas alguns cliques.
Soluções de software específicas para casos de uso estão gerando melhorias na usabilidade.
Conjuntos 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 fornecedores que usam soluções de software de gerenciamento de dados de produtos (PdM) baseadas em IA aumentou para 73 no início de 2021 devido a um aumento na variedade de fontes de dados e ao uso de modelos de pré-treinamento, bem como à disseminação generalizada 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 dos aplicativos de aprendizado de máquina criou a necessidade de métodos de aprendizado de máquina prontos para uso que possam ser usados sem conhecimento especializado. O campo de pesquisa resultante, automação progressiva para aprendizado de máquina, é chamado 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 industrial com mais rapidez. Em novembro de 2020, por exemplo, a SKF anunciou um produto baseado em automL que combina dados de processos de máquinas com dados de vibração e temperatura para reduzir custos e permitir novos modelos de negócios para os clientes.
As operações de aprendizado de máquina (ML Ops) simplificam o gerenciamento e a manutenção do modelo.
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 planta (por exemplo, mudanças na distribuição de dados e nos padrões de qualidade). Como resultado, a manutenção de modelos e as operações de aprendizagem automática tornaram-se necessárias para satisfazer os requisitos de alta qualidade dos ambientes industriais (por exemplo, modelos com desempenho inferior a 99% podem não conseguir identificar comportamentos que ponham em risco a segurança dos trabalhadores).
Nos últimos anos, muitas startups aderiram ao espaço 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. Este novo recurso permite que os usuários detectem alterações 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 horizontais existentes, como MS Azure ML, AWS SageMaker e Google Cloud Vertex AI, suítes de software tradicionais, como Sistemas Computadorizados de Gerenciamento de Manutenção (CAMMS), Sistemas de Execução de Manufatura (MES) ou Planejamento de Recursos Empresariais (ERP) agora pode ser significativamente melhorado com a injeção de recursos de IA. Por exemplo, o fornecedor de ERP Epicor Software está adicionando capacidades de IA aos seus produtos existentes através do seu Epicor Virtual Assistant (EVA). Agentes EVA inteligentes são usados para automatizar processos de ERP, como reprogramar operações de fabricação ou realizar consultas simples (por exemplo, obter detalhes sobre preços de produtos ou número de peças disponíveis).
Os casos de uso industrial estão sendo atualizados com o uso de AIoT.
Vários casos de uso industrial estão sendo aprimorados com a adição de recursos de IA à infraestrutura de hardware/software existente. Um exemplo vívido é a visão mecânica em aplicações de controle de qualidade. Os sistemas tradicionais de visão mecânica processam imagens através de computadores integrados ou discretos 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, estes sistemas estão a ser revividos através da inteligência artificial. Por exemplo, o fornecedor de visão industrial Cognex lançou uma nova ferramenta de Deep Learning (Vision Pro Deep Learning 2.0) em julho de 2021. As novas ferramentas integram-se com sistemas de visão tradicionais, permitindo que os usuários finais combinem aprendizagem profunda com ferramentas de visão tradicionais na mesma aplicação para atendem ambientes médicos e eletrônicos exigentes que exigem medição precisa 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 incorporado estão crescendo rapidamente, com uma variedade de opções disponíveis para apoiar o desenvolvimento e a implantação de modelos de IA. Os exemplos incluem as mais recentes unidades de processamento gráfico (Gpus) da NVIDIA, A30 e 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 poderosos circuitos integrados para fins especiais (ASics) 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 cálculo do modelo de dias para minutos e provou ser uma virada de jogo em muitos casos.
Hardware poderoso de IA está imediatamente disponível por meio de um modelo de pagamento conforme o uso.
As grandes empresas estão constantemente atualizando seus servidores para disponibilizar recursos de computação na nuvem, para que os usuários finais possam implementar aplicações industriais de IA. Em novembro de 2021, por exemplo, a AWS anunciou o lançamento oficial de suas mais recentes instâncias baseadas em GPU, Amazon EC2 G5, alimentadas pela GPU NVIDIA A10G Tensor Core, para uma variedade de aplicações de ML, incluindo visão computacional e mecanismos de recomendação. Por exemplo, o fornecedor de sistemas de detecção Nanotronics usa exemplos do Amazon EC2 de sua solução de controle de qualidade baseada em IA para acelerar os esforços de processamento e obter taxas de detecção mais precisas na fabricação de microchips e nanotubos.
Conclusão e perspectiva
A IA está saindo de fábrica e será onipresente em novas aplicações, como PdM baseado em IA, e como melhorias em softwares e casos de uso existentes. As grandes empresas estão a implementar vários casos de utilização de IA e a reportar sucesso, e a maioria dos projetos tem um elevado retorno do investimento. Em suma, a ascensão da nuvem, das plataformas IoT e dos poderosos chips de IA fornece uma plataforma para uma nova geração de software e otimização.
Horário da postagem: 12 de janeiro de 2022