चार घटक औद्योगिक AIoT ला नवीन आवडते बनवतात

नुकत्याच प्रसिद्ध झालेल्या औद्योगिक AI आणि AI मार्केट रिपोर्ट 2021-2026 नुसार, औद्योगिक सेटिंग्जमध्ये AI चा अवलंब दर दोन वर्षांत 19 टक्क्यांवरून 31 टक्क्यांपर्यंत वाढला आहे.31 टक्के प्रतिसादकर्त्यांव्यतिरिक्त ज्यांनी त्यांच्या ऑपरेशन्समध्ये AI पूर्णपणे किंवा अंशतः आणले आहे, आणखी 39 टक्के सध्या तंत्रज्ञानाची चाचणी घेत आहेत किंवा प्रायोगिक तत्त्वावर चालत आहेत.

जगभरातील उत्पादक आणि ऊर्जा कंपन्यांसाठी AI हे प्रमुख तंत्रज्ञान म्हणून उदयास येत आहे आणि IoT विश्लेषणाचा अंदाज आहे की औद्योगिक AI सोल्यूशन्स मार्केट 2026 पर्यंत $102.17 अब्ज डॉलरपर्यंत पोहोचण्यासाठी 35% चा मजबूत पोस्ट-पँडेमिक कंपाऊंड वार्षिक वाढ (CAGR) दर्शवेल.

डिजिटल युगाने इंटरनेट ऑफ थिंग्जला जन्म दिला आहे.हे पाहिले जाऊ शकते की कृत्रिम बुद्धिमत्तेच्या उदयाने इंटरनेट ऑफ थिंग्जच्या विकासाची गती वाढवली आहे.

औद्योगिक AI आणि AIoT च्या उदयास कारणीभूत असलेल्या काही घटकांवर एक नजर टाकूया.

घटक 1: औद्योगिक AIoT साठी अधिकाधिक सॉफ्टवेअर साधने

2019 मध्ये, जेव्हा Iot विश्लेषणाने औद्योगिक AI कव्हर करण्यास सुरुवात केली, तेव्हा ऑपरेशनल तंत्रज्ञान (OT) विक्रेत्यांकडून काही समर्पित AI सॉफ्टवेअर उत्पादने होती.तेव्हापासून, अनेक ओटी विक्रेत्यांनी फॅक्टरी फ्लोरसाठी एआय प्लॅटफॉर्मच्या स्वरूपात एआय सॉफ्टवेअर सोल्यूशन्स विकसित करून आणि प्रदान करून एआय मार्केटमध्ये प्रवेश केला आहे.

आकडेवारीनुसार, जवळपास 400 विक्रेते AIoT सॉफ्टवेअर ऑफर करतात.औद्योगिक एआय मार्केटमध्ये सामील होणाऱ्या सॉफ्टवेअर विक्रेत्यांची संख्या गेल्या दोन वर्षांत नाटकीयरित्या वाढली आहे.अभ्यासादरम्यान, IoT Analytics ने उत्पादक/औद्योगिक ग्राहकांना AI तंत्रज्ञानाचे 634 पुरवठादार ओळखले.यापैकी ३८९ (६१.४%) एआय सॉफ्टवेअर ऑफर करतात.

नवीन एआय सॉफ्टवेअर प्लॅटफॉर्म औद्योगिक वातावरणावर लक्ष केंद्रित करते.Uptake, Braincube किंवा C3 AI च्या पलीकडे, ऑपरेशनल टेक्नॉलॉजी (OT) विक्रेत्यांची वाढती संख्या समर्पित AI सॉफ्टवेअर प्लॅटफॉर्म ऑफर करत आहेत.उदाहरणांमध्ये ABB चे Genix Industrial analytics आणि AI सूट, Rockwell Automation चा FactoryTalk Innovation Suite, Schneider Electric चे स्वतःचे उत्पादन सल्लागार प्लॅटफॉर्म आणि अगदी अलीकडे विशिष्ट ऍड-ऑन यांचा समावेश आहे.यापैकी काही प्लॅटफॉर्म वापराच्या विस्तृत श्रेणीला लक्ष्य करतात.उदाहरणार्थ, ABB चे जेनिक्स प्लॅटफॉर्म ऑपरेशनल परफॉर्मन्स मॅनेजमेंट, मालमत्ता अखंडता, टिकाव आणि पुरवठा साखळी कार्यक्षमतेसाठी पूर्व-निर्मित अनुप्रयोग आणि सेवांसह प्रगत विश्लेषणे प्रदान करते.

मोठ्या कंपन्या त्यांचे एआय सॉफ्टवेअर टूल्स शॉप फ्लोरवर ठेवत आहेत.

AI सॉफ्टवेअर टूल्सची उपलब्धता AWS, Microsoft आणि Google सारख्या मोठ्या कंपन्यांनी विकसित केलेल्या नवीन वापर-केस विशिष्ट सॉफ्टवेअर टूल्सद्वारे देखील चालविली जाते.उदाहरणार्थ, डिसेंबर २०२० मध्ये, AWS ने Amazon SageMaker जंपस्टार्ट जारी केले, Amazon SageMaker चे वैशिष्ट्य जे PdM, संगणक दृष्टी आणि स्वायत्त ड्रायव्हिंग यासारख्या सामान्य औद्योगिक वापराच्या प्रकरणांसाठी पूर्व-निर्मित आणि सानुकूल करण्यायोग्य उपायांचा संच प्रदान करते. फक्त काही क्लिक.

वापर-केस-विशिष्ट सॉफ्टवेअर सोल्यूशन्स उपयोगिता सुधारणा आणत आहेत.

वापर-केस-विशिष्ट सॉफ्टवेअर सूट, जसे की भविष्यसूचक देखरेखीवर लक्ष केंद्रित करणारे, अधिक सामान्य होत आहेत.IoT Analytics ने निरीक्षण केले की AI-आधारित उत्पादन डेटा व्यवस्थापन (PdM) सॉफ्टवेअर सोल्यूशन्स वापरणाऱ्यांची संख्या 2021 च्या सुरुवातीस 73 पर्यंत वाढली कारण डेटा स्त्रोतांची विविधता आणि प्री-ट्रेनिंग मॉडेल्सचा वापर तसेच व्यापक प्रमाणात वाढ झाली आहे. डेटा एन्हांसमेंट तंत्रज्ञानाचा अवलंब.

फॅक्टर 2: AI सोल्यूशन्सचा विकास आणि देखभाल सुलभ केली जात आहे

ऑटोमेटेड मशीन लर्निंग (ऑटोएमएल) एक मानक उत्पादन होत आहे.

मशीन लर्निंग (ML) शी निगडीत कार्यांच्या जटिलतेमुळे, मशीन लर्निंग ऍप्लिकेशन्सच्या जलद वाढीमुळे ऑफ-द-शेल्फ मशीन लर्निंग पद्धतींची गरज निर्माण झाली आहे ज्याचा वापर कौशल्याशिवाय केला जाऊ शकतो.संशोधनाचे परिणामी क्षेत्र, मशीन लर्निंगसाठी प्रगतीशील ऑटोमेशन, ऑटोएमएल म्हणतात.ग्राहकांना एमएल मॉडेल विकसित करण्यात आणि औद्योगिक वापराच्या प्रकरणांची जलद अंमलबजावणी करण्यात मदत करण्यासाठी विविध कंपन्या त्यांच्या AI ऑफरचा भाग म्हणून या तंत्रज्ञानाचा लाभ घेत आहेत.नोव्हेंबर 2020 मध्ये, उदाहरणार्थ, SKF ने एक automL-आधारित उत्पादन जाहीर केले जे मशीन प्रक्रिया डेटा कंपन आणि तापमान डेटासह एकत्रित करते आणि खर्च कमी करण्यासाठी आणि ग्राहकांसाठी नवीन व्यवसाय मॉडेल सक्षम करते.

मशीन लर्निंग ऑपरेशन्स (ML Ops) मॉडेल व्यवस्थापन आणि देखभाल सुलभ करतात.

मशीन लर्निंग ऑपरेशन्सच्या नवीन शिस्तीचा उद्देश उत्पादन वातावरणात AI मॉडेल्सची देखभाल सुलभ करणे आहे.एआय मॉडेलचे कार्यप्रदर्शन कालांतराने कमी होत जाते कारण ते प्लांटमधील अनेक घटकांमुळे प्रभावित होते (उदाहरणार्थ, डेटा वितरण आणि गुणवत्ता मानकांमधील बदल).परिणामी, औद्योगिक वातावरणाच्या उच्च गुणवत्तेच्या गरजा पूर्ण करण्यासाठी मॉडेल देखभाल आणि मशीन लर्निंग ऑपरेशन्स आवश्यक बनल्या आहेत (उदाहरणार्थ, 99% पेक्षा कमी कार्यप्रदर्शन असलेले मॉडेल कामगारांची सुरक्षा धोक्यात आणणारे वर्तन ओळखण्यात अयशस्वी होऊ शकतात).

अलिकडच्या वर्षांत, अनेक स्टार्टअप्स ML Ops स्पेसमध्ये सामील झाले आहेत, ज्यात DataRobot, Grid.AI, Pinecone/Zilliz, Seldon आणि Weights & Biases यांचा समावेश आहे.प्रस्थापित कंपन्यांनी त्यांच्या विद्यमान AI सॉफ्टवेअर ऑफरिंगमध्ये मशीन लर्निंग ऑपरेशन्स जोडल्या आहेत, ज्यात मायक्रोसॉफ्टचा समावेश आहे, ज्याने Azure ML स्टुडिओमध्ये डेटा ड्रिफ्ट डिटेक्शन सुरू केले.हे नवीन वैशिष्ट्य वापरकर्त्यांना इनपुट डेटाच्या वितरणातील बदल शोधण्यास सक्षम करते जे मॉडेल कार्यप्रदर्शन खराब करते.

घटक 3: कृत्रिम बुद्धिमत्ता विद्यमान ऍप्लिकेशन्स आणि वापर केसेसवर लागू होते

पारंपारिक सॉफ्टवेअर प्रदाते AI क्षमता जोडत आहेत.

MS Azure ML, AWS SageMaker आणि Google Cloud Vertex AI सारख्या विद्यमान मोठ्या क्षैतिज AI सॉफ्टवेअर टूल्स व्यतिरिक्त, संगणकीकृत देखभाल व्यवस्थापन प्रणाली (CAMMS), मॅन्युफॅक्चरिंग एक्झिक्यूशन सिस्टम (MES) किंवा एंटरप्राइझ रिसोर्स प्लॅनिंग (ERP) सारख्या पारंपारिक सॉफ्टवेअर सूट. एआय क्षमता इंजेक्ट करून आता लक्षणीयरीत्या सुधारल्या जाऊ शकतात.उदाहरणार्थ, ERP प्रदाता Epicor Software त्याच्या Epicor Virtual Assistant (EVA) द्वारे त्याच्या विद्यमान उत्पादनांमध्ये AI क्षमता जोडत आहे.इंटेलिजेंट ईव्हीए एजंट्सचा वापर ईआरपी प्रक्रिया स्वयंचलित करण्यासाठी केला जातो, जसे की मॅन्युफॅक्चरिंग ऑपरेशन्सची पुनर्रचना करणे किंवा साध्या प्रश्नांसाठी (उदाहरणार्थ, उत्पादनाच्या किंमतीबद्दल तपशील किंवा उपलब्ध भागांची संख्या मिळवणे).

AIoT वापरून औद्योगिक वापर प्रकरणे अपग्रेड केली जात आहेत.

विद्यमान हार्डवेअर/सॉफ्टवेअर इन्फ्रास्ट्रक्चरमध्ये AI क्षमता जोडून अनेक औद्योगिक वापर प्रकरणे वाढवली जात आहेत.एक ज्वलंत उदाहरण म्हणजे गुणवत्ता नियंत्रण अनुप्रयोगांमधील मशीन दृष्टी.पारंपारिक मशीन व्हिजन सिस्टम विशिष्ट सॉफ्टवेअरसह सुसज्ज एकात्मिक किंवा स्वतंत्र संगणकाद्वारे प्रतिमांवर प्रक्रिया करतात जे वस्तूंमध्ये दोष प्रदर्शित करतात की नाही हे निर्धारित करण्यासाठी पूर्वनिर्धारित पॅरामीटर्स आणि थ्रेशोल्डचे (उदा. उच्च कॉन्ट्रास्ट) मूल्यांकन करते.बर्याच प्रकरणांमध्ये (उदाहरणार्थ, वेगवेगळ्या वायरिंग आकारांसह इलेक्ट्रॉनिक घटक), खोट्या सकारात्मकतेची संख्या खूप जास्त आहे.

मात्र, कृत्रिम बुद्धिमत्तेच्या माध्यमातून या यंत्रणांचे पुनरुज्जीवन केले जात आहे.उदाहरणार्थ, औद्योगिक मशीन व्हिजन प्रदाता कॉग्नेक्सने जुलै 2021 मध्ये एक नवीन डीप लर्निंग टूल (व्हिजन प्रो डीप लर्निंग 2.0) जारी केले. नवीन टूल्स पारंपारिक व्हिजन सिस्टमसह एकत्रित होतात, अंतिम वापरकर्त्यांना त्याच ऍप्लिकेशनमध्ये पारंपारिक व्हिजन टूल्ससह सखोल शिक्षण एकत्र करण्यास सक्षम करते. स्क्रॅच, दूषितता आणि इतर दोषांचे अचूक मापन आवश्यक असलेल्या वैद्यकीय आणि इलेक्ट्रॉनिक वातावरणाची मागणी पूर्ण करा.

घटक 4: औद्योगिक AIoT हार्डवेअर सुधारले जात आहे

एआय चिप्स वेगाने सुधारत आहेत.

एम्बेडेड हार्डवेअर AI चीप वेगाने वाढत आहेत, AI मॉडेल्सच्या विकास आणि उपयोजनाला समर्थन देण्यासाठी विविध पर्याय उपलब्ध आहेत.उदाहरणांमध्ये NVIDIA ची नवीनतम ग्राफिक्स प्रोसेसिंग युनिट्स (Gpus), A30 आणि A10 यांचा समावेश आहे, जे मार्च 2021 मध्ये सादर केले गेले होते आणि शिफारस प्रणाली आणि संगणक दृष्टी प्रणाली यासारख्या AI वापरासाठी योग्य आहेत.दुसरे उदाहरण म्हणजे Google चे चौथ्या पिढीतील टेन्सर्स प्रोसेसिंग युनिट्स (TPus), जे शक्तिशाली स्पेशल पर्पज इंटिग्रेटेड सर्किट्स (ASics) आहेत जे मॉडेल डेव्हलपमेंटमध्ये आणि विशिष्ट AI वर्कलोड्स (उदा., ऑब्जेक्ट डिटेक्शन) मध्ये 1,000 पट अधिक कार्यक्षमता आणि गती प्राप्त करू शकतात. , प्रतिमा वर्गीकरण आणि शिफारस बेंचमार्क).समर्पित AI हार्डवेअर वापरल्याने मॉडेल गणनेचा वेळ काही दिवसांपासून मिनिटांपर्यंत कमी होतो आणि अनेक प्रकरणांमध्ये ते गेम चेंजर असल्याचे सिद्ध झाले आहे.

शक्तिशाली AI हार्डवेअर पे-पर-वापर मॉडेलद्वारे त्वरित उपलब्ध आहे.

सुपरस्केल एंटरप्रायझेस क्लाउडमध्ये संगणकीय संसाधने उपलब्ध करून देण्यासाठी त्यांचे सर्व्हर सतत अपग्रेड करत आहेत जेणेकरुन अंतिम वापरकर्ते औद्योगिक AI अनुप्रयोग लागू करू शकतील.नोव्हेंबर २०२१ मध्ये, उदाहरणार्थ, AWS ने त्याच्या नवीनतम GPU-आधारित उदाहरणे, Amazon EC2 G5, NVIDIA A10G Tensor Core GPU द्वारे समर्थित, संगणक दृष्टी आणि शिफारस इंजिनसह विविध ML ऍप्लिकेशन्ससाठी अधिकृत प्रकाशन जाहीर केले.उदाहरणार्थ, डिटेक्शन सिस्टम प्रदाता नॅनोट्रॉनिक्स प्रक्रिया प्रयत्नांना गती देण्यासाठी आणि मायक्रोचिप आणि नॅनोट्यूबच्या निर्मितीमध्ये अधिक अचूक शोध दर मिळविण्यासाठी त्याच्या AI-आधारित गुणवत्ता नियंत्रण समाधानाची Amazon EC2 उदाहरणे वापरते.

निष्कर्ष आणि संभाव्यता

AI फॅक्टरीमधून बाहेर येत आहे, आणि ते AI-आधारित PdM सारख्या नवीन अनुप्रयोगांमध्ये आणि विद्यमान सॉफ्टवेअर आणि वापर प्रकरणांमध्ये सुधारणा म्हणून सर्वव्यापी असेल.मोठे उद्योग अनेक एआय वापर प्रकरणे आणत आहेत आणि यशाचा अहवाल देत आहेत आणि बहुतेक प्रकल्पांना गुंतवणुकीवर उच्च परतावा मिळतो.एकूणच, क्लाउडचा उदय, आयओटी प्लॅटफॉर्म आणि शक्तिशाली एआय चिप्स सॉफ्टवेअर आणि ऑप्टिमायझेशनच्या नवीन पिढीसाठी एक व्यासपीठ प्रदान करतात.