أربعة عوامل تجعل الذكاء الاصطناعي للأشياء الصناعية هو المفضل الجديد

وفقًا لتقرير سوق الذكاء الاصطناعي والذكاء الاصطناعي 2021-2026 الذي تم إصداره مؤخرًا، ارتفع معدل اعتماد الذكاء الاصطناعي في البيئات الصناعية من 19 بالمائة إلى 31 بالمائة خلال ما يزيد قليلاً عن عامين. وبالإضافة إلى 31% من المشاركين الذين قاموا بتطبيق الذكاء الاصطناعي بشكل كامل أو جزئي في عملياتهم، فإن 39% آخرين يقومون حاليًا باختبار التكنولوجيا أو تجريبها.

يبرز الذكاء الاصطناعي كتقنية رئيسية للمصنعين وشركات الطاقة في جميع أنحاء العالم، ويتوقع تحليل إنترنت الأشياء أن يُظهر سوق حلول الذكاء الاصطناعي الصناعي معدل نمو سنوي مركب قوي بعد الوباء بنسبة 35٪ ليصل إلى 102.17 مليار دولار بحلول عام 2026.

لقد أدى العصر الرقمي إلى ظهور إنترنت الأشياء. ويمكن ملاحظة أن ظهور الذكاء الاصطناعي قد أدى إلى تسريع وتيرة تطور إنترنت الأشياء.

دعونا نلقي نظرة على بعض العوامل التي تؤدي إلى ظهور الذكاء الاصطناعي الصناعي والذكاء الاصطناعي للأشياء.

العامل 1: المزيد والمزيد من الأدوات البرمجية للذكاء الاصطناعي للأشياء الصناعية

في عام 2019، عندما بدأت تحليلات إنترنت الأشياء في تغطية الذكاء الاصطناعي الصناعي، كان هناك عدد قليل من منتجات برمجيات الذكاء الاصطناعي المخصصة من موردي التكنولوجيا التشغيلية (OT). منذ ذلك الحين، دخل العديد من بائعي التكنولوجيا التشغيلية سوق الذكاء الاصطناعي من خلال تطوير وتوفير حلول برمجية للذكاء الاصطناعي في شكل منصات للذكاء الاصطناعي لأرضية المصنع.

وفقًا للبيانات، يقدم ما يقرب من 400 بائع برامج AIoT. زاد عدد بائعي البرمجيات المنضمين إلى سوق الذكاء الاصطناعي الصناعي بشكل كبير في العامين الماضيين. خلال الدراسة، حددت IoT Analytics 634 موردًا لتكنولوجيا الذكاء الاصطناعي للمصنعين/العملاء الصناعيين. ومن بين هذه الشركات، تقدم 389 شركة (61.4%) برامج الذكاء الاصطناعي.

تركز منصة برمجيات الذكاء الاصطناعي الجديدة على البيئات الصناعية. بالإضافة إلى Uptake أو Braincube أو C3 AI، يقدم عدد متزايد من بائعي التكنولوجيا التشغيلية (OT) منصات برمجية مخصصة للذكاء الاصطناعي. تشمل الأمثلة مجموعة Genix Industrial للتحليلات والذكاء الاصطناعي من ABB، ومجموعة FactoryTalk Innovation من Rockwell Automation، ومنصة استشارات التصنيع الخاصة بشركة Schneider Electric، ومؤخرًا، إضافات محددة. تستهدف بعض هذه الأنظمة الأساسية نطاقًا واسعًا من حالات الاستخدام. على سبيل المثال، توفر منصة Genix الخاصة بشركة ABB تحليلات متقدمة، بما في ذلك التطبيقات والخدمات المعدة مسبقًا لإدارة الأداء التشغيلي وسلامة الأصول والاستدامة وكفاءة سلسلة التوريد.

تضع الشركات الكبرى أدواتها البرمجية الخاصة بالذكاء الاصطناعي على أرض المتجر.

يعتمد توفر أدوات برمجيات الذكاء الاصطناعي أيضًا على أدوات برمجية جديدة محددة لحالة الاستخدام تم تطويرها بواسطة AWS وشركات كبيرة مثل Microsoft وGoogle. على سبيل المثال، في ديسمبر 2020، أصدرت AWS Amazon SageMaker JumpStart، وهي إحدى ميزات Amazon SageMaker التي توفر مجموعة من الحلول المعدة مسبقًا والقابلة للتخصيص لحالات الاستخدام الصناعي الأكثر شيوعًا، مثل PdM، ورؤية الكمبيوتر، والقيادة الذاتية، ويتم النشر باستخدام فقط بضع نقرات.

تعمل الحلول البرمجية الخاصة بحالة الاستخدام على تحسين قابلية الاستخدام.

أصبحت مجموعات البرامج الخاصة بحالة الاستخدام، مثل تلك التي تركز على الصيانة التنبؤية، أكثر شيوعًا. لاحظت IoT Analytics أن عدد مقدمي الخدمات الذين يستخدمون حلول برمجيات إدارة بيانات المنتج (PdM) القائمة على الذكاء الاصطناعي ارتفع إلى 73 في أوائل عام 2021 بسبب زيادة تنوع مصادر البيانات واستخدام نماذج ما قبل التدريب، فضلاً عن انتشارها على نطاق واسع. اعتماد تقنيات تعزيز البيانات.

العامل 2: يتم تبسيط عملية تطوير وصيانة حلول الذكاء الاصطناعي

أصبح التعلم الآلي الآلي (AutoML) منتجًا قياسيًا.

نظرًا لتعقيد المهام المرتبطة بالتعلم الآلي (ML)، فقد أدى النمو السريع لتطبيقات التعلم الآلي إلى ظهور حاجة إلى أساليب التعلم الآلي الجاهزة التي يمكن استخدامها دون خبرة. يُطلق على مجال البحث الناتج، وهو الأتمتة التدريجية للتعلم الآلي، اسم AutoML. تستفيد مجموعة متنوعة من الشركات من هذه التكنولوجيا كجزء من عروض الذكاء الاصطناعي الخاصة بها لمساعدة العملاء على تطوير نماذج التعلم الآلي وتنفيذ حالات الاستخدام الصناعي بشكل أسرع. في نوفمبر 2020، على سبيل المثال، أعلنت شركة SKF عن منتج قائم على التشغيل الآلي يجمع بين بيانات معالجة الماكينة وبيانات الاهتزاز ودرجة الحرارة لتقليل التكاليف وتمكين نماذج أعمال جديدة للعملاء.

تعمل عمليات التعلم الآلي (ML Ops) على تبسيط إدارة النموذج وصيانته.

يهدف النظام الجديد لعمليات التعلم الآلي إلى تبسيط صيانة نماذج الذكاء الاصطناعي في بيئات التصنيع. عادةً ما يتدهور أداء نموذج الذكاء الاصطناعي بمرور الوقت لأنه يتأثر بعدة عوامل داخل المصنع (على سبيل المثال، التغييرات في توزيع البيانات ومعايير الجودة). ونتيجة لذلك، أصبحت عمليات صيانة النماذج والتعلم الآلي ضرورية لتلبية متطلبات الجودة العالية للبيئات الصناعية (على سبيل المثال، قد تفشل النماذج ذات الأداء الأقل من 99٪ في تحديد السلوك الذي يعرض سلامة العمال للخطر).

في السنوات الأخيرة، انضمت العديد من الشركات الناشئة إلى مجال ML Ops، بما في ذلك DataRobot وGrid.AI وPinecon/Zilliz وSeldon وWeights & Biases. أضافت الشركات القائمة عمليات التعلم الآلي إلى عروضها الحالية من برامج الذكاء الاصطناعي، بما في ذلك Microsoft، التي قدمت اكتشاف انجراف البيانات في Azure ML Studio. تتيح هذه الميزة الجديدة للمستخدمين اكتشاف التغييرات في توزيع بيانات الإدخال التي تؤدي إلى انخفاض أداء النموذج.

العامل 3: تطبيق الذكاء الاصطناعي على التطبيقات الحالية وحالات الاستخدام

يضيف موفرو البرامج التقليديون قدرات الذكاء الاصطناعي.

بالإضافة إلى أدوات برمجيات الذكاء الاصطناعي الأفقية الكبيرة الحالية مثل MS Azure ML وAWS SageMaker وGoogle Cloud Vertex AI، ومجموعات البرامج التقليدية مثل أنظمة إدارة الصيانة المحوسبة (CAMMS) أو أنظمة تنفيذ التصنيع (MES) أو تخطيط موارد المؤسسات (ERP) يمكن الآن تحسينها بشكل كبير عن طريق ضخ قدرات الذكاء الاصطناعي. على سبيل المثال، تقوم شركة Epicor Software، التي تقدم خدمات تخطيط موارد المؤسسات (ERP)، بإضافة إمكانات الذكاء الاصطناعي إلى منتجاتها الحالية من خلال المساعد الافتراضي Epicor (EVA). يتم استخدام وكلاء EVA الذكيين لأتمتة عمليات تخطيط موارد المؤسسات (ERP)، مثل إعادة جدولة عمليات التصنيع أو إجراء استعلامات بسيطة (على سبيل المثال، الحصول على تفاصيل حول تسعير المنتج أو عدد الأجزاء المتوفرة).

تتم ترقية حالات الاستخدام الصناعي باستخدام AIoT.

يتم تعزيز العديد من حالات الاستخدام الصناعي من خلال إضافة قدرات الذكاء الاصطناعي إلى البنية التحتية الحالية للأجهزة/البرمجيات. ومن الأمثلة الحية على ذلك رؤية الآلة في تطبيقات مراقبة الجودة. تقوم أنظمة الرؤية الآلية التقليدية بمعالجة الصور من خلال أجهزة كمبيوتر متكاملة أو منفصلة مزودة ببرامج متخصصة تقوم بتقييم المعلمات والعتبات المحددة مسبقًا (على سبيل المثال، التباين العالي) لتحديد ما إذا كانت الكائنات تظهر عليها عيوب. في العديد من الحالات (على سبيل المثال، المكونات الإلكترونية ذات أشكال الأسلاك المختلفة)، يكون عدد النتائج الإيجابية الكاذبة مرتفعًا جدًا.

ومع ذلك، يتم إحياء هذه الأنظمة من خلال الذكاء الاصطناعي. على سبيل المثال، أصدرت شركة Cognex، المزودة للرؤية الآلية الصناعية، أداة جديدة للتعلم العميق (Vision Pro Deep Learning 2.0) في يوليو 2021. وتتكامل الأدوات الجديدة مع أنظمة الرؤية التقليدية، مما يمكّن المستخدمين النهائيين من الجمع بين التعلم العميق وأدوات الرؤية التقليدية في نفس التطبيق تلبية البيئات الطبية والإلكترونية الصعبة التي تتطلب قياسًا دقيقًا للخدوش والتلوث والعيوب الأخرى.

العامل 4: تحسين أجهزة AIoT الصناعية

تتحسن رقائق الذكاء الاصطناعي بسرعة.

تنمو رقائق الذكاء الاصطناعي للأجهزة المضمنة بسرعة، مع توفر مجموعة متنوعة من الخيارات لدعم تطوير نماذج الذكاء الاصطناعي ونشرها. تشمل الأمثلة أحدث وحدات معالجة الرسومات (Gpus) من NVIDIA، A30 وA10، والتي تم طرحها في مارس 2021 وهي مناسبة لحالات استخدام الذكاء الاصطناعي مثل أنظمة التوصية وأنظمة رؤية الكمبيوتر. مثال آخر هو وحدات معالجة Tensors (TPus) من الجيل الرابع من Google، وهي عبارة عن دوائر متكاملة قوية ذات أغراض خاصة (ASics) يمكنها تحقيق ما يصل إلى 1000 مرة من الكفاءة والسرعة في تطوير النماذج ونشرها لأحمال عمل محددة للذكاء الاصطناعي (على سبيل المثال، اكتشاف الكائنات وتصنيف الصور ومعايير التوصية). يؤدي استخدام أجهزة الذكاء الاصطناعي المخصصة إلى تقليل وقت حساب النموذج من أيام إلى دقائق، وقد أثبت أنه يغير قواعد اللعبة في كثير من الحالات.

تتوفر أجهزة الذكاء الاصطناعي القوية على الفور من خلال نموذج الدفع لكل استخدام.

تعمل المؤسسات كبيرة الحجم باستمرار على ترقية خوادمها لإتاحة موارد الحوسبة في السحابة حتى يتمكن المستخدمون النهائيون من تنفيذ تطبيقات الذكاء الاصطناعي الصناعية. في نوفمبر 2021، على سبيل المثال، أعلنت AWS عن الإصدار الرسمي لأحدث مثيلاتها المستندة إلى وحدة معالجة الرسومات، Amazon EC2 G5، المدعومة بوحدة معالجة الرسوميات NVIDIA A10G Tensor Core، لمجموعة متنوعة من تطبيقات تعلم الآلة، بما في ذلك محركات رؤية الكمبيوتر والتوصية. على سبيل المثال، يستخدم مزود أنظمة الكشف Nanotronics أمثلة Amazon EC2 لحل مراقبة الجودة القائم على الذكاء الاصطناعي لتسريع جهود المعالجة وتحقيق معدلات اكتشاف أكثر دقة في تصنيع الرقائق الدقيقة والأنابيب النانوية.

الاستنتاج والتوقعات

لقد خرج الذكاء الاصطناعي من المصنع، وسيكون موجودًا في كل مكان في التطبيقات الجديدة، مثل إدارة البيانات الشخصية القائمة على الذكاء الاصطناعي، ولتعزيز البرامج الحالية وحالات الاستخدام. تقوم المؤسسات الكبيرة بطرح العديد من حالات استخدام الذكاء الاصطناعي والإبلاغ عن النجاح، وتتمتع معظم المشاريع بعائد مرتفع على الاستثمار. بشكل عام، يوفر ظهور السحابة ومنصات إنترنت الأشياء ورقائق الذكاء الاصطناعي القوية منصة لجيل جديد من البرامج والتحسين.