أربعة عوامل تجعل الذكاء الاصطناعي للأشياء الصناعية هو المفضل الجديد

وفقًا لتقرير "الذكاء الاصطناعي الصناعي وسوق الذكاء الاصطناعي 2021-2026" الصادر مؤخرًا، ارتفع معدل تبني الذكاء الاصطناعي في البيئات الصناعية من 19% إلى 31% خلال عامين تقريبًا. وبالإضافة إلى 31% من المشاركين الذين طبّقوا الذكاء الاصطناعي كليًا أو جزئيًا في عملياتهم، يقوم 39% منهم حاليًا باختبار هذه التقنية أو تجربتها.

تبرز الذكاء الاصطناعي كتكنولوجيا رئيسية للشركات المصنعة 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 أثمر العصر الرقمي عن إنترنت الأشياء. ومن الواضح أن ظهور الذكاء الاصطناعي قد سرّع وتيرة تطوير إنترنت الأشياء.

دعونا نلقي نظرة على بعض العوامل التي تؤدي إلى صعود الذكاء الاصطناعي الصناعي وإنترنت الأشياء الاصطناعي.

العامل الأول: المزيد والمزيد من أدوات البرمجيات لإنترنت الأشياء الصناعي

في عام ٢٠١٩، عندما بدأت تحليلات إنترنت الأشياء تغطي الذكاء الاصطناعي الصناعي، كانت منتجات برمجيات الذكاء الاصطناعي المخصصة من مُورّدي التكنولوجيا التشغيلية (OT) قليلة. منذ ذلك الحين، دخل العديد من مُورّدي التكنولوجيا التشغيلية سوق الذكاء الاصطناعي من خلال تطوير وتوفير حلول برمجيات الذكاء الاصطناعي على شكل منصات ذكاء اصطناعي للمصانع.

وفقًا للبيانات، يُقدّم ما يقرب من 400 مُورّد برامج إنترنت الأشياء الاصطناعي. وقد ازداد عدد مُورّدي البرامج المُنضمّين إلى سوق الذكاء الاصطناعي الصناعي بشكل كبير خلال العامين الماضيين. خلال الدراسة، حدّدت شركة IoT Analytics 634 مُورّدًا لتقنيات الذكاء الاصطناعي للمُصنّعين/العملاء الصناعيين. من بين هذه الشركات، تُقدّم 389 شركة (61.4%) برامج الذكاء الاصطناعي.

تُركز منصة برمجيات الذكاء الاصطناعي الجديدة على البيئات الصناعية. فإلى جانب Uptake وBraincube وC3 AI، يُقدم عدد متزايد من مُورّدي تقنيات التشغيل (OT) منصات برمجيات ذكاء اصطناعي مُخصصة. ومن الأمثلة على ذلك حزمة التحليلات والذكاء الاصطناعي Genix الصناعية من ABB، وحزمة FactoryTalk Innovation من Rockwell Automation، ومنصة الاستشارات التصنيعية الخاصة بشركة Schneider Electric، ومؤخرًا إضافات مُحددة. تستهدف بعض هذه المنصات مجموعة واسعة من حالات الاستخدام. على سبيل المثال، تُوفر منصة Genix من ABB تحليلات مُتقدمة، بما في ذلك تطبيقات وخدمات مُصممة مسبقًا لإدارة الأداء التشغيلي، وسلامة الأصول، والاستدامة، وكفاءة سلسلة التوريد.

تضع الشركات الكبرى أدوات برمجيات الذكاء الاصطناعي الخاصة بها على أرض المصنع.

يُعزى توافر أدوات برمجيات الذكاء الاصطناعي أيضًا إلى أدوات برمجية جديدة مُخصصة لحالات الاستخدام، طورتها AWS وشركات كبرى مثل مايكروسوفت وجوجل. على سبيل المثال، في ديسمبر 2020، أطلقت AWS ميزة Amazon SageMaker JumpStart، وهي إحدى ميزات Amazon SageMaker التي تُوفر مجموعة من الحلول المُعدّة مسبقًا والقابلة للتخصيص لأكثر حالات الاستخدام الصناعية شيوعًا، مثل PdM، والرؤية الحاسوبية، والقيادة الذاتية، والتي يُمكن نشرها ببضع نقرات فقط.

تؤدي حلول البرامج المخصصة لحالات الاستخدام إلى تحسينات في قابلية الاستخدام.

تزداد شيوعًا مجموعات البرامج المخصصة لحالات الاستخدام، مثل تلك التي تُركز على الصيانة التنبؤية. وقد لاحظت شركة IoT Analytics أن عدد مُزوّدي الخدمات الذين يستخدمون حلول برمجيات إدارة بيانات المنتجات (PdM) القائمة على الذكاء الاصطناعي ارتفع إلى 73 مُزوّدًا في أوائل عام 2021، وذلك بفضل زيادة تنوع مصادر البيانات واستخدام نماذج التدريب المسبق، بالإضافة إلى الانتشار الواسع لتقنيات تحسين البيانات.

العامل الثاني: تبسيط عملية تطوير وصيانة حلول الذكاء الاصطناعي

أصبح التعلم الآلي الآلي (AutoML) منتجًا قياسيًا.

نظرًا لتعقيد المهام المرتبطة بالتعلم الآلي (ML)، أدى النمو السريع لتطبيقات التعلم الآلي إلى الحاجة إلى أساليب تعلم آلي جاهزة للاستخدام دون الحاجة إلى خبرة. ويُطلق على مجال البحث الناتج، وهو الأتمتة التقدمية للتعلم الآلي، اسم AutoML. وتستفيد العديد من الشركات من هذه التقنية كجزء من عروض الذكاء الاصطناعي التي تقدمها لمساعدة عملائها على تطوير نماذج التعلم الآلي وتنفيذ حالات الاستخدام الصناعي بشكل أسرع. ففي نوفمبر 2020، على سبيل المثال، أعلنت شركة SKF عن منتج قائم على التعلم الآلي يجمع بيانات عمليات الآلة مع بيانات الاهتزاز ودرجة الحرارة لخفض التكاليف وتمكين نماذج أعمال جديدة للعملاء.

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

يهدف التخصص الجديد في عمليات التعلم الآلي إلى تبسيط صيانة نماذج الذكاء الاصطناعي في بيئات التصنيع. عادةً ما يتدهور أداء نموذج الذكاء الاصطناعي بمرور الوقت نتيجةً لتأثره بعوامل متعددة داخل المصنع (مثل التغيرات في توزيع البيانات ومعايير الجودة). ونتيجةً لذلك، أصبحت صيانة النماذج وعمليات التعلم الآلي ضروريةً لتلبية متطلبات الجودة العالية للبيئات 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 شركات راسخة عمليات التعلم الآلي إلى عروضها الحالية من برامج الذكاء الاصطناعي، بما في ذلك مايكروسوفت التي أضافت خاصية اكتشاف انحراف البيانات في Azure ML Studio. تُمكّن هذه الميزة الجديدة المستخدمين من اكتشاف التغييرات في توزيع بيانات الإدخال التي تُؤثر سلبًا على أداء النموذج.

العامل الثالث: تطبيق الذكاء الاصطناعي على التطبيقات وحالات الاستخدام الحالية

يضيف مزودو البرامج التقليدية قدرات الذكاء الاصطناعي.

بالإضافة إلى أدوات برمجيات الذكاء الاصطناعي الأفقية الكبيرة الحالية، مثل MS Azure ML وAWS SageMaker وGoogle Cloud Vertex AI، يُمكن الآن تحسين حزم البرامج التقليدية، مثل أنظمة إدارة الصيانة المحوسبة (CAMMS) وأنظمة تنفيذ التصنيع (MES) وتخطيط موارد المؤسسات (ERP)، بشكل كبير من خلال دمج قدرات الذكاء الاصطناعي. على سبيل المثال، تُضيف شركة Epicor Software، مُزودة حلول تخطيط موارد المؤسسات (ERP)، قدرات الذكاء الاصطناعي إلى منتجاتها الحالية من خلال مساعد Epicor الافتراضي (EVA). تُستخدم وكلاء EVA الأذكياء لأتمتة عمليات تخطيط موارد المؤسسات (ERP)، مثل إعادة جدولة عمليات التصنيع أو إجراء استعلامات بسيطة (على سبيل المثال، الحصول على تفاصيل حول أسعار المنتجات أو عدد القطع المتوفرة).

تتم ترقية حالات الاستخدام الصناعية باستخدام إنترنت الأشياء الاصطناعي.

تُحسّن العديد من حالات الاستخدام الصناعية بإضافة قدرات الذكاء الاصطناعي إلى البنية التحتية الحالية للأجهزة والبرمجيات. ومن الأمثلة الواضحة على ذلك الرؤية الآلية في تطبيقات مراقبة الجودة. تُعالج أنظمة الرؤية الآلية التقليدية الصور عبر حواسيب متكاملة أو منفصلة مزودة ببرامج متخصصة تُقيّم معايير وحدودًا مُحددة مسبقًا (مثل التباين العالي) لتحديد ما إذا كانت الأجسام تُظهر عيوبًا. في كثير من الحالات (مثل المكونات الإلكترونية ذات أشكال الأسلاك المختلفة)، يكون عدد النتائج الإيجابية الخاطئة مرتفعًا جدًا.

ومع ذلك، تُنعش هذه الأنظمة بفضل الذكاء الاصطناعي. على سبيل المثال، أصدرت شركة Cognex، مُزوّدة حلول رؤية الآلات الصناعية، أداة جديدة للتعلم العميق (Vision Pro Deep Learning 2.0) في يوليو 2021. تتكامل الأدوات الجديدة مع أنظمة الرؤية التقليدية، مما يُمكّن المستخدمين النهائيين من دمج التعلم العميق مع أدوات الرؤية التقليدية في التطبيق نفسه لتلبية متطلبات البيئات الطبية والإلكترونية المُتطلبة التي تتطلب قياسًا دقيقًا للخدوش والتلوث والعيوب الأخرى.

العامل الرابع: تحسين أجهزة إنترنت الأشياء الصناعية AIoT

تتحسن شرائح الذكاء الاصطناعي بسرعة.

تشهد شرائح الذكاء الاصطناعي المدمجة نموًا سريعًا، مع توفر خيارات متنوعة لدعم تطوير نماذج الذكاء الاصطناعي ونشرها. ومن الأمثلة على ذلك أحدث وحدات معالجة الرسومات (Gpus) من NVIDIA، A30 وA10، اللتين طُرحتا في مارس 2021، وهما مناسبتان لحالات استخدام الذكاء الاصطناعي مثل أنظمة التوصية وأنظمة الرؤية الحاسوبية. ومن الأمثلة الأخرى وحدات معالجة Tensors (TPus) من الجيل الرابع من Google، وهي دوائر متكاملة قوية لأغراض خاصة (ASICs) قادرة على تحقيق كفاءة وسرعة أكبر بما يصل إلى 1000 مرة في تطوير النماذج ونشرها لأحمال عمل ذكاء اصطناعي محددة (مثل اكتشاف الكائنات، وتصنيف الصور، ومعايير التوصية). يُقلل استخدام أجهزة ذكاء اصطناعي مخصصة وقت حساب النماذج من أيام إلى دقائق، وقد أثبت أنه يُحدث نقلة نوعية في كثير من الحالات.

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

تُحدّث الشركات العملاقة خوادمها باستمرار لتوفير موارد الحوسبة في السحابة، مما يُمكّن المستخدمين النهائيين من تطبيق تطبيقات الذكاء الاصطناعي الصناعي. على سبيل المثال، في نوفمبر 2021، أعلنت AWS عن الإصدار الرسمي لأحدث مثيلاتها القائمة على وحدات معالجة الرسومات، Amazon EC2 G5، المُشغّلة بوحدة معالجة الرسومات NVIDIA A10G Tensor Core، لمجموعة متنوعة من تطبيقات التعلم الآلي، بما في ذلك محركات الرؤية الحاسوبية والتوصيات. على سبيل المثال، تستخدم شركة Nanotronics، مُزوّدة أنظمة الكشف، نماذج Amazon EC2 من حلها لمراقبة الجودة القائم على الذكاء الاصطناعي لتسريع عمليات المعالجة وتحقيق معدلات كشف أكثر دقة في تصنيع الرقائق الدقيقة والأنابيب النانوية.

الخاتمة والتوقعات

الذكاء الاصطناعي قادمٌ من المصنع، وسيكون واسع الانتشار في التطبيقات الجديدة، مثل إدارة البيانات الشخصية القائمة على الذكاء الاصطناعي، وكتحسينات للبرامج وحالات الاستخدام الحالية. تُطلق الشركات الكبرى العديد من حالات استخدام الذكاء الاصطناعي وتُحقق نجاحًا، وتحقق معظم المشاريع عائدًا استثماريًا مرتفعًا. إجمالًا، يُوفر صعود السحابة ومنصات إنترنت الأشياء ورقائق الذكاء الاصطناعي القوية منصةً لجيل جديد من البرامج والتحسينات.