Selon le rapport sur le marché de l'IA et de l'IA industriel récemment publié 2021-2026, le taux d'adoption de l'IA en milieu industriel est passé de 19% à 31% en un peu plus de deux ans. En plus de 31% des répondants qui ont complètement ou partiellement déployé l'IA dans leurs opérations, 39% supplémentaires testent ou pilotent actuellement la technologie.
L'IA est en train de devenir une technologie clé pour les fabricants et les sociétés énergétiques du monde entier, et l'analyse IoT prévoit que le marché des solutions d'IA industrielle montrera un taux de croissance annuel composé post-pandemique fort (TCAC) de 35% pour atteindre 102,17 milliards de dollars d'ici 2026.
L'ère numérique a donné naissance à l'Internet des objets. On peut voir que l'émergence de l'intelligence artificielle a accéléré le rythme du développement de l'Internet des objets.
Jetons un coup d'œil à certains des facteurs stimulant la montée en puissance de l'IA industrielle et de l'AIOT.
Facteur 1: De plus en plus d'outils logiciels pour industriel AIOT
En 2019, lorsque l'IoT Analytics a commencé à couvrir l'IA industrielle, il y avait peu de produits logiciels d'IA dédiés des fournisseurs de technologies opérationnels (OT). Depuis lors, de nombreux fournisseurs OT sont entrés sur le marché de l'IA en développant et en fournissant des solutions logicielles en IA sous la forme de plates-formes d'IA pour la salle d'usine.
Selon les données, près de 400 fournisseurs proposent un logiciel AIOT. Le nombre de fournisseurs de logiciels rejoignant le marché de l'IA industriel a considérablement augmenté au cours des deux dernières années. Au cours de l'étude, l'IoT Analytics a identifié 634 fournisseurs de technologie d'IA aux fabricants / clients industriels. Parmi ces sociétés, 389 (61,4%) proposent des logiciels d'IA.
La nouvelle plate-forme logicielle AI se concentre sur les environnements industriels. Au-delà de l'absorption, du cerveau ou de l'IA C3, un nombre croissant de fournisseurs de technologies opérationnels (OT) proposent des plateformes logicielles d'IA dédiées. Les exemples incluent Genix Industrial Analytics d'ABB et AI Suite, Factorytalk Innovation Suite de Rockwell Automation, la propre plate-forme de conseil en fabrication de Schneider Electric, et plus récemment, des modules complémentaires spécifiques. Certaines de ces plateformes ciblent une large gamme de cas d'utilisation. Par exemple, la plate-forme Genix d'ABB fournit des analyses avancées, notamment des applications et des services prédéfinis pour la gestion des performances opérationnelles, l'intégrité des actifs, la durabilité et l'efficacité de la chaîne d'approvisionnement.
Les grandes entreprises mettent leurs outils logiciels sur l'IA dans l'atelier.
La disponibilité des outils logiciels d'IA est également tirée par de nouveaux outils logiciels spécifiques à des cas d'utilisation développés par AWS, de grandes entreprises telles que Microsoft et Google. Par exemple, en décembre 2020, AWS a publié Amazon Sagemaker Jumpstart, une fonctionnalité d'Amazon SageMaker qui fournit un ensemble de solutions prédéfinies et personnalisables pour les cas d'utilisation industrielle les plus courants, tels que PDM, Vision par ordinateur et conduite autonome, déploier en quelques clics.
Les solutions logicielles spécifiques à des cas utilisent des améliorations de l'utilisabilité.
Les suites logicielles spécifiques à des cas, telles que celles axées sur la maintenance prédictive, deviennent de plus en plus courantes. L'analyse IoT a observé que le nombre de fournisseurs utilisant des solutions logicielles de gestion des données sur les produits basés sur l'IA (PDM) a atteint 73 au début de 2021 en raison d'une augmentation de la variété des sources de données et de l'utilisation de modèles pré-formation, ainsi que de l'adoption généralisée des technologies d'amélioration des données.
Facteur 2: Le développement et le maintien des solutions d'IA sont en cours de simplification
L'apprentissage automatique automatisé (Automl) devient un produit standard.
En raison de la complexité des tâches associées à l'apprentissage automatique (ML), la croissance rapide des applications d'apprentissage automatique a créé un besoin de méthodes d'apprentissage automatique standard qui peuvent être utilisées sans expertise. Le domaine de recherche qui en résulte, l'automatisation progressive de l'apprentissage automatique, est appelé Automl. Une variété d'entreprises tirent parti de cette technologie dans le cadre de leurs offres d'IA pour aider les clients à développer des modèles ML et mettre en œuvre plus rapidement des cas d'utilisation industrielle. En novembre 2020, par exemple, SKF a annoncé un produit basé sur Automl qui combine des données de processus machine avec des données de vibration et de température pour réduire les coûts et permettre de nouveaux modèles commerciaux pour les clients.
Les opérations d'apprentissage automatique (ML OPS) simplifient la gestion et la maintenance du modèle.
La nouvelle discipline des opérations d'apprentissage automatique vise à simplifier la maintenance des modèles d'IA dans les environnements de fabrication. Les performances d'un modèle d'IA se dégradent généralement au fil du temps car elles sont affectées par plusieurs facteurs au sein de l'usine (par exemple, les changements de distribution des données et les normes de qualité). En conséquence, la maintenance des modèles et les opérations d'apprentissage automatique sont devenues nécessaires pour répondre aux exigences de haute qualité des environnements industriels (par exemple, les modèles avec des performances inférieurs à 99% peuvent ne pas identifier le comportement qui met en danger la sécurité des travailleurs).
Ces dernières années, de nombreuses startups ont rejoint l'espace ML OPS, notamment Datarobot, Grid.ai, Pinecone / Zilliz, Seldon et poids et biais. Les entreprises établies ont ajouté des opérations d'apprentissage automatique à leurs offres de logiciels d'IA existantes, notamment Microsoft, qui a introduit la détection de dérive de données dans Azure ML Studio. Cette nouvelle fonctionnalité permet aux utilisateurs de détecter les modifications de la distribution des données d'entrée qui dégradent les performances du modèle.
Facteur 3: intelligence artificielle appliquée aux applications et cas d'utilisation existants
Les fournisseurs de logiciels traditionnels ajoutent des capacités d'IA.
En plus des grands outils logiciels horizontaux de l'IA existants tels que MS Azure ML, AWS Sagemaker et Google Cloud Vertex IA, des suites logicielles traditionnelles telles que les systèmes de gestion de la maintenance informatisée (CAMM), les systèmes d'exécution manufacturière (MES) ou la planification des ressources d'entreprise (ERP) peuvent désormais être considérablement améliorés par les capacités de l'incmission AI. Par exemple, le logiciel ERP Provider Epicor ajoute des capacités d'IA à ses produits existants via son assistant virtuel Epicor (EVA). Les agents d'EVA intelligents sont utilisés pour automatiser les processus ERP, tels que la réévaluation des opérations de fabrication ou la réalisation de requêtes simples (par exemple, l'obtention de détails sur la tarification des produits ou le nombre de pièces disponibles).
Les cas d'utilisation industrielle sont mis à niveau en utilisant AIOT.
Plusieurs cas d'utilisation industrielle sont améliorés en ajoutant des capacités d'IA à l'infrastructure matérielle / logicielle existante. Un exemple vivant est la vision machine dans les applications de contrôle de la qualité. Les systèmes de vision machine traditionnels traitent les images via des ordinateurs intégrés ou discrets équipés d'un logiciel spécialisé qui évalue les paramètres et seuils prédéterminés (par exemple, contraste élevé) pour déterminer si les objets présentent des défauts. Dans de nombreux cas (par exemple, des composants électroniques avec différentes formes de câblage), le nombre de faux positifs est très élevé.
Cependant, ces systèmes sont relancés par l'intelligence artificielle. Par exemple, le fournisseur de vision industrielle industrielle Cognex a publié un nouvel outil d'apprentissage en profondeur (Vision Pro Deep Learning 2.0) en juillet 2021. Les nouveaux outils s'intègrent aux systèmes de vision traditionnels, permettant aux utilisateurs finaux de combiner l'apprentissage en profondeur avec des outils de vision traditionnels dans la même application pour rencontrer des environnements médicaux et électroniques exigeants qui nécessitent une mesure précise des rayures, de la contamination et des autres défauts.
Facteur 4: Le matériel AIOT industriel est amélioré
Les puces AI s'améliorent rapidement.
Les puces IA matériel intégrées se développent rapidement, avec une variété d'options disponibles pour soutenir le développement et le déploiement de modèles d'IA. Les exemples incluent les dernières unités de traitement graphique (GPU) de NVIDIA, les A30 et A10, qui ont été introduites en mars 2021 et conviennent aux cas d'utilisation de l'IA tels que les systèmes de recommandation et les systèmes de vision par ordinateur. Un autre exemple est les unités de traitement des tenseurs de quatrième génération de Google (TPU), qui sont de puissants circuits intégrés à usage spécial (ASIC) qui peuvent atteindre jusqu'à 1000 fois plus d'efficacité et de vitesse dans le développement et le déploiement de modèles pour des charges de travail AI spécifiques (par exemple, la détection d'objets, la classification des images et les benchmarks de recommandation). L'utilisation du matériel d'IA dédié réduit le temps de calcul du modèle de jours à quelques minutes et s'est avéré changer la donne dans de nombreux cas.
Le matériel d'IA puissant est immédiatement disponible via un modèle de paiement.
Les entreprises SuperScale améliorent constamment leurs serveurs pour rendre les ressources informatiques disponibles dans le cloud afin que les utilisateurs finaux puissent implémenter des applications d'IA industrielles. En novembre 2021, par exemple, AWS a annoncé la sortie officielle de ses dernières instances basées sur GPU, Amazon EC2 G5, propulsée par le GPU de base du tenseur NVIDIA A10G, pour une variété d'applications ML, y compris les moteurs de vision par ordinateur et de recommandation. Par exemple, la nanotronique du fournisseur de systèmes de détection utilise des exemples d'Amazon EC2 de sa solution de contrôle de la qualité basé sur l'IA pour accélérer les efforts de traitement et obtenir des taux de détection plus précis dans la fabrication de micropuces et de nanotubes.
Conclusion et perspective
L'IA sort de l'usine, et elle sera omniprésente dans de nouvelles applications, telles que PDM basée sur l'IA, et en tant qu'améliorations des logiciels et des cas d'utilisation existants. Les grandes entreprises déploient plusieurs cas d'utilisation de l'IA et rapportent le succès, et la plupart des projets ont un rendement élevé des investissements. Dans l'ensemble, la montée en puissance du cloud, des plates-formes IoT et des puces AI puissantes fournit une plate-forme pour une nouvelle génération de logiciels et d'optimisation.
Heure du poste: 12 janvier-2022