चार घटक औद्योगिक AIoT ला नवीन पसंतीचे बनवतात

नुकत्याच प्रसिद्ध झालेल्या 'इंडस्ट्रियल एआय अँड एआय मार्केट रिपोर्ट २०२१-२०२६' नुसार, औद्योगिक क्षेत्रांमध्ये एआयचा अवलंब करण्याचा दर केवळ दोन वर्षांपेक्षा थोड्या जास्त काळात १९ टक्क्यांवरून ३१ टक्क्यांपर्यंत वाढला आहे. ज्या ३१ टक्के प्रतिसादकर्त्यांनी त्यांच्या कामकाजात एआय पूर्णपणे किंवा अंशतः लागू केले आहे, त्यांच्या व्यतिरिक्त, आणखी ३९ टक्के जण सध्या या तंत्रज्ञानाची चाचणी किंवा प्रायोगिक वापर करत आहेत.

जगभरातील उत्पादक आणि ऊर्जा कंपन्यांसाठी एआय (AI) एक प्रमुख तंत्रज्ञान म्हणून उदयास येत आहे, आणि आयओटी (IoT) विश्लेषणानुसार औद्योगिक एआय सोल्यूशन्स बाजारपेठ महामारीनंतर ३५% च्या मजबूत चक्रवाढ वार्षिक वाढ दराने (CAGR) वाढून २०२६ पर्यंत १०२.१७ अब्ज डॉलर्सपर्यंत पोहोचेल.

डिजिटल युगाने 'इंटरनेट ऑफ थिंग्ज'ला जन्म दिला आहे. यावरून असे दिसून येते की, कृत्रिम बुद्धिमत्तेच्या उदयानंतर 'इंटरनेट ऑफ थिंग्ज'च्या विकासाचा वेग वाढला आहे.

चला, औद्योगिक एआय आणि एआयओटीच्या वाढीस चालना देणाऱ्या काही घटकांवर एक नजर टाकूया.

घटक १: औद्योगिक AIoT साठी अधिकाधिक सॉफ्टवेअर साधने

२०१९ मध्ये, जेव्हा आयओटी ॲनालिटिक्सने औद्योगिक एआयला समाविष्ट करण्यास सुरुवात केली, तेव्हा ऑपरेशनल टेक्नॉलॉजी (ओटी) विक्रेत्यांकडून फार कमी समर्पित एआय सॉफ्टवेअर उत्पादने उपलब्ध होती. तेव्हापासून, अनेक ओटी विक्रेत्यांनी कारखान्यांसाठी एआय प्लॅटफॉर्मच्या स्वरूपात एआय सॉफ्टवेअर सोल्यूशन्स विकसित करून आणि प्रदान करून एआय बाजारपेठेत प्रवेश केला आहे.

डेटानुसार, जवळपास ४०० विक्रेते AIoT सॉफ्टवेअर देतात. गेल्या दोन वर्षांत औद्योगिक AI बाजारात सामील होणाऱ्या सॉफ्टवेअर विक्रेत्यांच्या संख्येत लक्षणीय वाढ झाली आहे. या अभ्यासादरम्यान, IoT Analytics ने उत्पादक/औद्योगिक ग्राहकांना AI तंत्रज्ञान पुरवणाऱ्या ६३४ पुरवठादारांची ओळख पटवली. या कंपन्यांपैकी ३८९ (६१.४%) कंपन्या AI सॉफ्टवेअर देतात.

नवीन एआय सॉफ्टवेअर प्लॅटफॉर्म औद्योगिक वातावरणावर लक्ष केंद्रित करतो. अपटेक, ब्रेनक्यूब किंवा सी३ एआय व्यतिरिक्त, वाढत्या संख्येने ऑपरेशनल टेक्नॉलॉजी (ओटी) विक्रेते समर्पित एआय सॉफ्टवेअर प्लॅटफॉर्म देत आहेत. यामध्ये एबीबीचे जेनिक्स इंडस्ट्रियल ॲनालिटिक्स आणि एआय सूट, रॉकवेल ऑटोमेशनचे फॅक्टरीटॉक इनोव्हेशन सूट, श्नाइडर इलेक्ट्रिकचा स्वतःचा मॅन्युफॅक्चरिंग कन्सल्टिंग प्लॅटफॉर्म आणि अगदी अलीकडे, विशिष्ट ॲड-ऑन्स यांचा समावेश आहे. यापैकी काही प्लॅटफॉर्म विविध प्रकारच्या वापराच्या गरजा पूर्ण करतात. उदाहरणार्थ, एबीबीचा जेनिक्स प्लॅटफॉर्म ऑपरेशनल परफॉर्मन्स मॅनेजमेंट, ॲसेट इंटिग्रिटी, सस्टेनेबिलिटी आणि सप्लाय चेन एफिशियन्सीसाठी पूर्व-निर्मित ॲप्लिकेशन्स आणि सेवांसह प्रगत ॲनालिटिक्स प्रदान करतो.

मोठ्या कंपन्या त्यांची एआय सॉफ्टवेअर साधने प्रत्यक्ष उत्पादन स्थळावर आणत आहेत.

AWS, मायक्रोसॉफ्ट आणि गुगल सारख्या मोठ्या कंपन्यांनी विकसित केलेल्या नवीन, विशिष्ट वापरासाठीच्या सॉफ्टवेअर टूल्समुळे एआय सॉफ्टवेअर टूल्सच्या उपलब्धतेलाही चालना मिळत आहे. उदाहरणार्थ, डिसेंबर २०२० मध्ये, AWS ने Amazon SageMaker JumpStart रिलीज केले, जे Amazon SageMaker चे एक वैशिष्ट्य आहे. हे PdM, कॉम्प्युटर व्हिजन आणि ऑटोनॉमस ड्रायव्हिंग यांसारख्या सर्वात सामान्य औद्योगिक वापरासाठी पूर्वनिर्मित आणि सानुकूल करण्यायोग्य सोल्यूशन्सचा संच प्रदान करते, जे फक्त काही क्लिक्समध्ये तैनात (Deploy) करता येतात.

विशिष्ट वापरानुसार तयार केलेले सॉफ्टवेअर सोल्यूशन्स वापरण्यायोग्यतेत सुधारणा घडवून आणत आहेत.

विशिष्ट वापरासाठीचे सॉफ्टवेअर संच, जसे की भविष्यसूचक देखभालीवर लक्ष केंद्रित करणारे, अधिक सामान्य होत आहेत. आयओटी ॲनालिटिक्सने असे निरीक्षण केले की, डेटा स्रोतांच्या विविधतेत आणि प्री-ट्रेनिंग मॉडेल्सच्या वापरात वाढ, तसेच डेटा वर्धन तंत्रज्ञानाचा व्यापक स्वीकार यामुळे, २०२१ च्या सुरुवातीला एआय-आधारित उत्पादन डेटा व्यवस्थापन (PdM) सॉफ्टवेअर सोल्यूशन्स वापरणाऱ्या प्रदात्यांची संख्या ७३ पर्यंत वाढली.

घटक २: एआय सोल्यूशन्सचा विकास आणि देखभाल सुलभ केली जात आहे.

स्वयंचलित मशीन लर्निंग (AutoML) हे एक मानक उत्पादन बनत आहे.

मशीन लर्निंग (ML) शी संबंधित कामांच्या जटिलतेमुळे, मशीन लर्निंग ॲप्लिकेशन्सच्या जलद वाढीमुळे अशा तयार मशीन लर्निंग पद्धतींची गरज निर्माण झाली आहे, ज्या कोणत्याही विशेष कौशल्याशिवाय वापरल्या जाऊ शकतात. यातून निर्माण झालेल्या संशोधन क्षेत्राला, म्हणजेच मशीन लर्निंगसाठीच्या प्रगतिशील ऑटोमेशनला, ऑटोएमएल (AutoML) म्हटले जाते. विविध कंपन्या आपल्या एआय (AI) सेवांचा भाग म्हणून या तंत्रज्ञानाचा उपयोग करत आहेत, जेणेकरून ग्राहकांना एमएल मॉडेल्स विकसित करण्यास आणि औद्योगिक वापराची उदाहरणे अधिक वेगाने अंमलात आणण्यास मदत होईल. उदाहरणार्थ, नोव्हेंबर २०२० मध्ये, एसकेएफ (SKF) ने ऑटोएमएल-आधारित उत्पादनाची घोषणा केली, जे मशीन प्रक्रियेच्या डेटाला कंपन आणि तापमानाच्या डेटासोबत एकत्र करून खर्च कमी करते आणि ग्राहकांसाठी नवीन व्यवसाय मॉडेल सक्षम करते.

मशीन लर्निंग ऑपरेशन्स (एमएल ऑप्स) मॉडेलचे व्यवस्थापन आणि देखभाल सुलभ करतात.

मशीन लर्निंग ऑपरेशन्स या नवीन शाखेचा उद्देश उत्पादन क्षेत्रातील एआय मॉडेल्सची देखभाल सोपी करणे हा आहे. प्लांटमधील अनेक घटकांमुळे (उदाहरणार्थ, डेटा वितरण आणि गुणवत्ता मानकांमधील बदल) प्रभावित झाल्यामुळे, एआय मॉडेलची कार्यक्षमता कालांतराने सामान्यतः कमी होते. परिणामी, औद्योगिक वातावरणातील उच्च गुणवत्तेच्या आवश्यकता पूर्ण करण्यासाठी मॉडेलची देखभाल आणि मशीन लर्निंग ऑपरेशन्स आवश्यक बनले आहेत (उदाहरणार्थ, ९९% पेक्षा कमी कार्यक्षमता असलेले मॉडेल्स कामगारांच्या सुरक्षेला धोका निर्माण करणारे वर्तन ओळखण्यात अयशस्वी होऊ शकतात).

अलिकडच्या वर्षांत, डेटा रोबोट, ग्रिड.एआय, पाइनकोन/झिलिझ, सेल्डन आणि वेट्स अँड बायसेस यांसारख्या अनेक स्टार्टअप्सनी एमएल ऑप्स क्षेत्रात प्रवेश केला आहे. प्रस्थापित कंपन्यांनी त्यांच्या विद्यमान एआय सॉफ्टवेअर सेवांमध्ये मशीन लर्निंग ऑपरेशन्सचा समावेश केला आहे, ज्यामध्ये मायक्रोसॉफ्टचा समावेश आहे, ज्याने अझूर एमएल स्टुडिओमध्ये डेटा ड्रिफ्ट डिटेक्शन सादर केले. हे नवीन वैशिष्ट्य वापरकर्त्यांना इनपुट डेटाच्या वितरणातील असे बदल शोधण्यास सक्षम करते, जे मॉडेलच्या कार्यक्षमतेत घट करतात.

घटक ३: विद्यमान अनुप्रयोग आणि वापराच्या उदाहरणांमध्ये कृत्रिम बुद्धिमत्तेचा वापर

पारंपारिक सॉफ्टवेअर प्रदाते एआय क्षमता समाविष्ट करत आहेत.

MS Azure ML, AWS SageMaker, आणि Google Cloud Vertex AI यांसारख्या विद्यमान मोठ्या हॉरिझॉन्टल AI सॉफ्टवेअर साधनांव्यतिरिक्त, कॉम्प्युटराइज्ड मेंटेनन्स मॅनेजमेंट सिस्टीम्स (CAMMS), मॅन्युफॅक्चरिंग एक्झिक्युशन सिस्टीम्स (MES) किंवा एंटरप्राइज रिसोर्स प्लॅनिंग (ERP) यांसारख्या पारंपरिक सॉफ्टवेअर संचांमध्ये आता AI क्षमता समाविष्ट करून लक्षणीय सुधारणा करता येते. उदाहरणार्थ, ERP प्रदाता एपिकॉर सॉफ्टवेअर आपल्या एपिकॉर व्हर्च्युअल असिस्टंट (EVA) द्वारे आपल्या विद्यमान उत्पादनांमध्ये AI क्षमता जोडत आहे. बुद्धिमान EVA एजंट्सचा उपयोग ERP प्रक्रिया स्वयंचलित करण्यासाठी केला जातो, जसे की उत्पादन कार्यांचे पुनर्नियोजन करणे किंवा साध्या क्वेरी करणे (उदाहरणार्थ, उत्पादनाच्या किंमतीबद्दल किंवा उपलब्ध भागांच्या संख्येबद्दल तपशील मिळवणे).

AIoT चा वापर करून औद्योगिक वापराच्या पद्धतींमध्ये सुधारणा केली जात आहे.

विद्यमान हार्डवेअर/सॉफ्टवेअर पायाभूत सुविधांमध्ये एआय क्षमता जोडून अनेक औद्योगिक उपयोगांमध्ये सुधारणा केली जात आहे. गुणवत्ता नियंत्रण अनुप्रयोगांमधील मशीन व्हिजन हे याचे एक उत्तम उदाहरण आहे. पारंपरिक मशीन व्हिजन प्रणाली, वस्तूंमध्ये दोष आहेत की नाही हे ठरवण्यासाठी पूर्वनिर्धारित मापदंड आणि मर्यादा (उदा., उच्च कॉन्ट्रास्ट) यांचे मूल्यांकन करणाऱ्या विशेष सॉफ्टवेअरने सुसज्ज असलेल्या एकात्मिक किंवा स्वतंत्र संगणकांद्वारे प्रतिमांवर प्रक्रिया करतात. अनेक प्रकरणांमध्ये (उदाहरणार्थ, वेगवेगळ्या वायरिंग आकारांचे इलेक्ट्रॉनिक घटक), चुकीच्या सकारात्मक निष्कर्षांची संख्या खूप जास्त असते.

तथापि, कृत्रिम बुद्धिमत्तेद्वारे या प्रणालींना पुनरुज्जीवित केले जात आहे. उदाहरणार्थ, औद्योगिक मशीन व्हिजन प्रदाता कॉग्नेक्सने जुलै २०२१ मध्ये एक नवीन डीप लर्निंग टूल (व्हिजन प्रो डीप लर्निंग २.०) सादर केले. ही नवीन साधने पारंपरिक व्हिजन प्रणालींसोबत एकीकृत होतात, ज्यामुळे अंतिम वापरकर्त्यांना ओरखडे, दूषितता आणि इतर दोषांचे अचूक मोजमाप आवश्यक असलेल्या आव्हानात्मक वैद्यकीय आणि इलेक्ट्रॉनिक वातावरणाच्या गरजा पूर्ण करण्यासाठी, एकाच ॲप्लिकेशनमध्ये डीप लर्निंगला पारंपरिक व्हिजन साधनांसोबत जोडता येते.

घटक ४: औद्योगिक AIoT हार्डवेअरमध्ये सुधारणा होत आहे

एआय चिप्समध्ये वेगाने सुधारणा होत आहे.

एम्बेडेड हार्डवेअर एआय चिप्सचा झपाट्याने विकास होत आहे, आणि एआय मॉडेल्सच्या विकासाला व उपयोजनाला समर्थन देण्यासाठी विविध पर्याय उपलब्ध आहेत. उदाहरणांमध्ये एनव्हिडियाचे नवीनतम ग्राफिक्स प्रोसेसिंग युनिट्स (जीपीयू), ए३० आणि ए१० यांचा समावेश आहे, जे मार्च २०२१ मध्ये सादर करण्यात आले होते आणि शिफारस प्रणाली (recommendation systems) व संगणक दृष्टी प्रणाली (computer vision systems) यांसारख्या एआय वापरासाठी योग्य आहेत. दुसरे उदाहरण म्हणजे गूगलचे चौथ्या पिढीचे टेन्सर्स प्रोसेसिंग युनिट्स (टीपीयू), जे शक्तिशाली विशेष-उद्देशीय एकात्मिक सर्किट्स (एएसआयसीएस) आहेत. हे विशिष्ट एआय वर्कलोड्ससाठी (उदा., ऑब्जेक्ट डिटेक्शन, इमेज क्लासिफिकेशन आणि शिफारस बेंचमार्क्स) मॉडेल विकास आणि उपयोजनामध्ये १००० पटींपर्यंत अधिक कार्यक्षमता आणि वेग प्राप्त करू शकतात. समर्पित एआय हार्डवेअर वापरल्याने मॉडेलच्या गणनेचा वेळ दिवसांवरून मिनिटांपर्यंत कमी होतो आणि अनेक प्रकरणांमध्ये तो एक महत्त्वपूर्ण बदल घडवणारा ठरला आहे.

शक्तिशाली एआय हार्डवेअर 'वापरानुसार पैसे द्या' या मॉडेलद्वारे तात्काळ उपलब्ध आहे.

मोठ्या कंपन्या क्लाउडमध्ये संगणकीय संसाधने उपलब्ध करून देण्यासाठी त्यांचे सर्व्हर सतत अपग्रेड करत असतात, जेणेकरून अंतिम वापरकर्ते औद्योगिक एआय ॲप्लिकेशन्स कार्यान्वित करू शकतील. उदाहरणार्थ, नोव्हेंबर २०२१ मध्ये, एडब्ल्यूएसने (AWS) कॉम्प्युटर व्हिजन आणि रेकमेंडेशन इंजिन्ससह विविध एमएल (ML) ॲप्लिकेशन्ससाठी, एनव्हीडिया ए१०जी टेन्सर कोअर जीपीयूद्वारे (NVIDIA A10G Tensor Core GPU) समर्थित, आपल्या नवीनतम जीपीयू-आधारित इन्स्टन्सेस, ॲमेझॉन ईसी२ जी५ (Amazon EC2 G5) च्या अधिकृत प्रकाशनाची घोषणा केली. उदाहरणार्थ, डिटेक्शन सिस्टीम प्रदाता नॅनोट्रॉनिक्स (Nanotronics) मायक्रोचिप्स आणि नॅनोट्यूब्सच्या निर्मितीमध्ये प्रक्रिया जलद करण्यासाठी आणि अधिक अचूक डिटेक्शन दर मिळवण्यासाठी आपल्या एआय-आधारित गुणवत्ता नियंत्रण सोल्यूशनच्या ॲमेझॉन ईसी२ (Amazon EC2) उदाहरणांचा वापर करते.

निष्कर्ष आणि भविष्य

एआय आता प्रत्यक्ष वापरात येत आहे, आणि एआय-आधारित पीडीएम (PdM) सारख्या नवीन ॲप्लिकेशन्समध्ये, तसेच विद्यमान सॉफ्टवेअर आणि वापराच्या पद्धतींमध्ये सुधारणा म्हणून ते सर्वव्यापी होईल. मोठ्या कंपन्या एआयच्या अनेक वापराच्या पद्धती राबवत आहेत आणि यशाची नोंद करत आहेत, तसेच बहुतेक प्रकल्पांमध्ये गुंतवणुकीवर चांगला परतावा मिळत आहे. एकंदरीत, क्लाउड, आयओटी प्लॅटफॉर्म्स आणि शक्तिशाली एआय चिप्सचा उदय हा सॉफ्टवेअर आणि ऑप्टिमायझेशनच्या नवीन पिढीसाठी एक व्यासपीठ उपलब्ध करून देतो.