أربعة عوامل تجعل الذكاء الاصطناعي الصناعي وإنترنت الأشياء الخيار المفضل الجديد

بحسب التقرير الصادر مؤخراً حول الذكاء الاصطناعي الصناعي وسوق الذكاء الاصطناعي للفترة 2021-2026، ارتفع معدل تبني الذكاء الاصطناعي في القطاعات الصناعية من 19% إلى 31% خلال ما يزيد قليلاً عن عامين. إضافةً إلى 31% من المشاركين الذين طبقوا الذكاء الاصطناعي كلياً أو جزئياً في عملياتهم، يقوم 39% آخرون حالياً باختبار هذه التقنية أو تجريبها.

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

لقد أدى العصر الرقمي إلى ظهور إنترنت الأشياء. ومن الواضح أن ظهور الذكاء الاصطناعي قد سرّع من وتيرة تطور إنترنت الأشياء.

دعونا نلقي نظرة على بعض العوامل التي تدفع صعود الذكاء الاصطناعي الصناعي وإنترنت الأشياء المدعوم بالذكاء الاصطناعي.

العامل الأول: تزايد عدد أدوات البرمجيات الخاصة بإنترنت الأشياء الصناعية المدعومة بالذكاء الاصطناعي

في عام 2019، عندما بدأت تحليلات إنترنت الأشياء تغطي الذكاء الاصطناعي الصناعي، كان عدد منتجات برامج الذكاء الاصطناعي المتخصصة من موردي تكنولوجيا التشغيل (OT) قليلاً. ومنذ ذلك الحين، دخل العديد من موردي تكنولوجيا التشغيل سوق الذكاء الاصطناعي من خلال تطوير وتقديم حلول برمجية للذكاء الاصطناعي على شكل منصات ذكاء اصطناعي لأرضية المصنع.

تشير البيانات إلى أن ما يقارب 400 شركة تقدم برمجيات الذكاء الاصطناعي وإنترنت الأشياء. وقد شهد عدد موردي البرمجيات المنضمين إلى سوق الذكاء الاصطناعي الصناعي زيادةً ملحوظةً خلال العامين الماضيين. وخلال الدراسة، حددت شركة IoT Analytics 634 موردًا لتقنية الذكاء الاصطناعي للمصنعين والعملاء الصناعيين. ومن بين هذه الشركات، تقدم 389 شركة (61.4%) برمجيات الذكاء الاصطناعي.

تركز منصة برمجيات الذكاء الاصطناعي الجديدة على البيئات الصناعية. فإلى جانب منصات Uptake وBraincube وC3 AI، يقدم عدد متزايد من موردي تكنولوجيا التشغيل منصات برمجيات متخصصة في الذكاء الاصطناعي. ومن الأمثلة على ذلك مجموعة Genix Industrial للتحليلات الصناعية والذكاء الاصطناعي من ABB، ومجموعة FactoryTalk Innovation من Rockwell Automation، ومنصة الاستشارات التصنيعية الخاصة بشركة Schneider Electric، بالإضافة إلى إضافات محددة أُضيفت مؤخرًا. وتستهدف بعض هذه المنصات نطاقًا واسعًا من حالات الاستخدام. فعلى سبيل المثال، توفر منصة Genix من ABB تحليلات متقدمة، بما في ذلك تطبيقات وخدمات جاهزة لإدارة الأداء التشغيلي، وسلامة الأصول، والاستدامة، وكفاءة سلسلة التوريد.

تقوم الشركات الكبرى بوضع أدوات برامج الذكاء الاصطناعي الخاصة بها في أرضيات المصانع.

يُعزى توفر أدوات برمجيات الذكاء الاصطناعي أيضًا إلى أدوات برمجية جديدة مُخصصة لحالات استخدام محددة، طورتها شركات كبرى مثل AWS ومايكروسوفت وجوجل. فعلى سبيل المثال، في ديسمبر 2020، أطلقت AWS خدمة Amazon SageMaker JumpStart، وهي ميزة ضمن Amazon SageMaker تُوفر مجموعة من الحلول الجاهزة والقابلة للتخصيص لأكثر حالات الاستخدام الصناعية شيوعًا، مثل الصيانة التنبؤية، ورؤية الحاسوب، والقيادة الذاتية، ويمكن نشرها ببضع نقرات فقط.

تساهم حلول البرمجيات المصممة خصيصاً لحالات الاستخدام المختلفة في تحسين سهولة الاستخدام.

أصبحت مجموعات البرامج المصممة خصيصًا لحالات استخدام محددة، مثل تلك التي تركز على الصيانة التنبؤية، أكثر شيوعًا. وقد لاحظت شركة IoT Analytics أن عدد مزودي حلول برامج إدارة بيانات المنتجات (PdM) القائمة على الذكاء الاصطناعي ارتفع إلى 73 مزودًا في أوائل عام 2021، وذلك نتيجة لزيادة تنوع مصادر البيانات واستخدام نماذج التدريب المسبق، فضلًا عن الانتشار الواسع لتقنيات تحسين البيانات.

العامل الثاني: يجري تبسيط تطوير وصيانة حلول الذكاء الاصطناعي

أصبح التعلم الآلي المؤتمت (AutoML) منتجًا قياسيًا.

نظراً لتعقيد المهام المرتبطة بتعلّم الآلة، أدى النمو السريع لتطبيقاته إلى الحاجة إلى أساليب جاهزة للاستخدام دون الحاجة إلى خبرة متخصصة. وقد نتج عن ذلك مجال بحثي يُعرف باسم الأتمتة التدريجية لتعلّم الآلة، ويُطلق عليه اسم AutoML. تستفيد العديد من الشركات من هذه التقنية كجزء من عروضها في مجال الذكاء الاصطناعي لمساعدة عملائها على تطوير نماذج تعلّم الآلة وتنفيذ تطبيقات صناعية بشكل أسرع. فعلى سبيل المثال، أعلنت شركة SKF في نوفمبر 2020 عن منتج قائم على AutoML يجمع بيانات عمليات الآلات مع بيانات الاهتزاز ودرجة الحرارة لخفض التكاليف وتمكين نماذج أعمال جديدة للعملاء.

تعمل عمليات التعلم الآلي (ML Ops) على تبسيط إدارة النماذج وصيانتها.

يهدف مجال عمليات التعلم الآلي الجديد إلى تبسيط صيانة نماذج الذكاء الاصطناعي في بيئات التصنيع. عادةً ما يتراجع أداء نموذج الذكاء الاصطناعي بمرور الوقت نتيجة لتأثره بعوامل عديدة داخل المصنع (مثل التغيرات في توزيع البيانات ومعايير الجودة). ونتيجةً لذلك، أصبحت صيانة النماذج وعمليات التعلم الآلي ضرورية لتلبية متطلبات الجودة العالية في البيئات الصناعية (على سبيل المثال، قد تفشل النماذج ذات الأداء الأقل من 99% في تحديد السلوكيات التي تُعرّض سلامة العمال للخطر).

في السنوات الأخيرة، انضمت العديد من الشركات الناشئة إلى مجال عمليات التعلم الآلي، بما في ذلك DataRobot وGrid.AI وPinecone/Zilliz وSeldon وWeights & Biases. كما أضافت الشركات الراسخة عمليات التعلم الآلي إلى برامج الذكاء الاصطناعي الحالية لديها، ومنها مايكروسوفت التي قدمت ميزة اكتشاف انحراف البيانات في Azure ML Studio. تُمكّن هذه الميزة الجديدة المستخدمين من رصد التغيرات في توزيع بيانات الإدخال التي تُؤثر سلبًا على أداء النموذج.

العامل الثالث: تطبيق الذكاء الاصطناعي على التطبيقات وحالات الاستخدام الحالية

يقوم مزودو البرامج التقليديون بإضافة إمكانيات الذكاء الاصطناعي.

بالإضافة إلى أدوات برمجيات الذكاء الاصطناعي الأفقية الكبيرة الحالية، مثل MS Azure ML وAWS SageMaker وGoogle Cloud Vertex AI، يمكن الآن تحسين حزم البرامج التقليدية، مثل أنظمة إدارة الصيانة المحوسبة (CAMMS) وأنظمة تنفيذ التصنيع (MES) وأنظمة تخطيط موارد المؤسسات (ERP)، بشكل ملحوظ من خلال دمج إمكانيات الذكاء الاصطناعي. على سبيل المثال، تُضيف شركة Epicor Software، المزودة لأنظمة تخطيط موارد المؤسسات، إمكانيات الذكاء الاصطناعي إلى منتجاتها الحالية من خلال مساعدها الافتراضي Epicor Virtual Assistant (EVA). تُستخدم وكلاء EVA الأذكياء لأتمتة عمليات تخطيط موارد المؤسسات، مثل إعادة جدولة عمليات التصنيع أو إجراء استعلامات بسيطة (على سبيل المثال، الحصول على تفاصيل حول أسعار المنتجات أو عدد الأجزاء المتاحة).

يتم تطوير حالات الاستخدام الصناعية باستخدام تقنية الذكاء الاصطناعي وإنترنت الأشياء.

يتم تعزيز العديد من التطبيقات الصناعية بإضافة قدرات الذكاء الاصطناعي إلى البنية التحتية الحالية للأجهزة والبرامج. ومن الأمثلة البارزة على ذلك استخدام الرؤية الآلية في تطبيقات مراقبة الجودة. تعالج أنظمة الرؤية الآلية التقليدية الصور من خلال حواسيب مدمجة أو منفصلة مزودة ببرامج متخصصة تُقيّم معايير وعتبات محددة مسبقًا (مثل التباين العالي) لتحديد ما إذا كانت الأجسام بها عيوب. في كثير من الحالات (على سبيل المثال، المكونات الإلكترونية ذات أشكال الأسلاك المختلفة)، يكون عدد النتائج الإيجابية الخاطئة مرتفعًا للغاية.

مع ذلك، يجري إحياء هذه الأنظمة بفضل الذكاء الاصطناعي. فعلى سبيل المثال، أطلقت شركة Cognex، المتخصصة في أنظمة الرؤية الآلية الصناعية، أداة جديدة للتعلم العميق (Vision Pro Deep Learning 2.0) في يوليو 2021. تتكامل هذه الأدوات الجديدة مع أنظمة الرؤية التقليدية، مما يُمكّن المستخدمين من دمج التعلم العميق مع أدوات الرؤية التقليدية في التطبيق نفسه، لتلبية متطلبات البيئات الطبية والإلكترونية الدقيقة التي تتطلب قياسًا دقيقًا للخدوش والتلوث والعيوب الأخرى.

العامل الرابع: تحسين أجهزة إنترنت الأشياء الصناعية المدعومة بالذكاء الاصطناعي

تتطور رقائق الذكاء الاصطناعي بسرعة.

تتطور رقائق الذكاء الاصطناعي المدمجة في الأجهزة بسرعة، مع توفر خيارات متنوعة لدعم تطوير ونشر نماذج الذكاء الاصطناعي. ومن الأمثلة على ذلك أحدث وحدات معالجة الرسومات (GPUs) من NVIDIA، وهما A30 وA10، اللتان طُرحتا في مارس 2021، وهما مناسبتان لتطبيقات الذكاء الاصطناعي مثل أنظمة التوصية وأنظمة رؤية الحاسوب. مثال آخر هو وحدات معالجة الموترات (TPUs) من الجيل الرابع من جوجل، وهي عبارة عن دوائر متكاملة خاصة (ASics) فائقة الأداء، قادرة على تحقيق كفاءة وسرعة تصل إلى 1000 ضعف في تطوير ونشر النماذج لأحمال عمل محددة في مجال الذكاء الاصطناعي (مثل اكتشاف الكائنات، وتصنيف الصور، ومعايير التوصية). يُقلل استخدام أجهزة الذكاء الاصطناعي المخصصة وقت حساب النموذج من أيام إلى دقائق، وقد أثبت فعاليته في إحداث نقلة نوعية في العديد من الحالات.

تتوفر أجهزة الذكاء الاصطناعي القوية على الفور من خلال نموذج الدفع حسب الاستخدام.

تُجري الشركات العملاقة تحديثات مستمرة لخوادمها لتوفير موارد الحوسبة السحابية، مما يُمكّن المستخدمين النهائيين من تطبيق تطبيقات الذكاء الاصطناعي الصناعية. فعلى سبيل المثال، أعلنت AWS في نوفمبر 2021 عن الإطلاق الرسمي لأحدث مثيلاتها القائمة على وحدات معالجة الرسومات (GPU)، وهي Amazon EC2 G5، المدعومة بمعالج الرسومات NVIDIA A10G Tensor Core، لتطبيقات متنوعة في مجال التعلم الآلي، بما في ذلك أنظمة رؤية الحاسوب وأنظمة التوصية. فعلى سبيل المثال، تستخدم شركة Nanotronics، المتخصصة في أنظمة الكشف، نماذج Amazon EC2 من حلولها لمراقبة الجودة القائمة على الذكاء الاصطناعي لتسريع عمليات المعالجة وتحقيق معدلات كشف أكثر دقة في تصنيع الرقائق الدقيقة والأنابيب النانوية.

الخلاصة والتوقعات

بات الذكاء الاصطناعي جزءًا لا يتجزأ من حياتنا اليومية، وسينتشر استخدامه في تطبيقات جديدة، مثل الصيانة التنبؤية القائمة على الذكاء الاصطناعي، فضلًا عن كونه إضافة قيّمة للبرامج الحالية وحالات الاستخدام المختلفة. وتقوم الشركات الكبرى بتطبيق العديد من حالات استخدام الذكاء الاصطناعي، محققةً نجاحات ملموسة، كما أن معظم المشاريع تحقق عائدًا استثماريًا مرتفعًا. وبشكل عام، يُوفر صعود الحوسبة السحابية ومنصات إنترنت الأشياء ورقائق الذكاء الاصطناعي المتطورة بيئةً مثاليةً لجيل جديد من البرامج والتحسينات.