Selon le rapport 2021-2026 sur l'IA industrielle et le marché de l'IA récemment publié, le taux d'adoption de l'IA dans les environnements industriels est passé de 19 % à 31 % en un peu plus de deux ans.Outre les 31 % des personnes interrogées qui ont déployé entièrement ou partiellement l’IA dans leurs opérations, 39 % testent ou pilotent actuellement la technologie.
L’IA apparaît comme une technologie clé pour les fabricants et les sociétés énergétiques du monde entier, et l’analyse de l’IoT prédit que le marché des solutions d’IA industrielle affichera un fort taux de croissance annuel composé (TCAC) post-pandémique de 35 % pour atteindre 102,17 milliards de dollars d’ici 2026.
L’ère numérique a donné naissance à l’Internet des objets.On constate que l’émergence de l’intelligence artificielle a accéléré le rythme de développement de l’Internet des objets.
Jetons un coup d'œil à certains des facteurs à l'origine de l'essor de l'IA industrielle et de l'AIoT.
Facteur 1 : De plus en plus d’outils logiciels pour l’AIoT industrielle
En 2019, lorsque l’analyse IoT a commencé à couvrir l’IA industrielle, il existait peu de produits logiciels dédiés à l’IA proposés par des fournisseurs de technologies opérationnelles (OT).Depuis lors, de nombreux fournisseurs d’OT sont entrés sur le marché de l’IA en développant et en fournissant des solutions logicielles d’IA sous la forme de plateformes d’IA pour les usines.
Selon les données, près de 400 fournisseurs proposent des logiciels AIoT.Le nombre d’éditeurs de logiciels rejoignant le marché de l’IA industrielle a considérablement augmenté au cours des deux dernières années.Au cours de l'étude, IoT Analytics a identifié 634 fournisseurs de technologie d'IA auprès de fabricants/clients industriels.Parmi ces entreprises, 389 (61,4 %) proposent des logiciels d’IA.
La nouvelle plateforme logicielle d'IA se concentre sur les environnements industriels.Au-delà d'Uptake, Braincube ou C3 AI, un nombre croissant de fournisseurs de technologies opérationnelles (OT) proposent des plates-formes logicielles dédiées à l'IA.Les exemples incluent la suite d'analyse et d'IA Genix Industrial d'ABB, la suite FactoryTalk Innovation de Rockwell Automation, la propre plateforme de conseil en fabrication de Schneider Electric et, plus récemment, des modules complémentaires spécifiques.Certaines de ces plateformes ciblent un large éventail de cas d’utilisation.Par exemple, la plateforme 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 d’IA dans les ateliers.
La disponibilité des outils logiciels d'IA dépend également de nouveaux outils logiciels spécifiques à des cas d'utilisation développés par AWS et 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 la PdM, la vision par ordinateur et la conduite autonome. Déployez avec juste quelques clics.
Les solutions logicielles spécifiques à un cas d'utilisation améliorent la convivialité.
Les suites logicielles spécifiques à des cas d'utilisation, telles que celles axées sur la maintenance prédictive, sont de plus en plus courantes.IoT Analytics a observé que le nombre de fournisseurs utilisant des solutions logicielles de gestion des données produit (PdM) basées sur l'IA est passé à 73 début 2021 en raison d'une augmentation de la variété des sources de données et de l'utilisation de modèles de pré-formation, ainsi que de la généralisation adoption de technologies d’amélioration des données.
Facteur 2 : Le développement et la maintenance des solutions d’IA sont simplifiés
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 prêtes à l'emploi qui peuvent être utilisées sans expertise.Le domaine de recherche qui en résulte, l’automatisation progressive pour l’apprentissage automatique, s’appelle AutoML.Diverses entreprises exploitent cette technologie dans le cadre de leurs offres d'IA pour aider leurs clients à développer des modèles de ML et à mettre en œuvre plus rapidement des cas d'utilisation industrielle.En novembre 2020, par exemple, SKF a annoncé un produit basé sur l'automatisation qui combine les données de processus des machines avec des données de vibration et de température pour réduire les coûts et permettre aux clients de nouveaux modèles commerciaux.
Les opérations d'apprentissage automatique (ML Ops) simplifient la gestion et la maintenance des modèles.
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 avec le temps, car elles sont affectées par plusieurs facteurs au sein de l'usine (par exemple, les changements dans la distribution des données et les normes de qualité).En conséquence, les opérations de maintenance des modèles et d'apprentissage automatique sont devenues nécessaires pour répondre aux exigences de qualité élevées des environnements industriels (par exemple, les modèles dont les performances sont inférieures à 99 % peuvent ne pas identifier les comportements mettant 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 Weights & Biases.Des entreprises établies ont ajouté des opérations d’apprentissage automatique à leurs offres logicielles d’IA existantes, notamment Microsoft, qui a introduit la détection de dérive des données dans Azure ML Studio.Cette nouvelle fonctionnalité permet aux utilisateurs de détecter les changements dans la distribution des données d'entrée qui dégradent les performances du modèle.
Facteur 3 : L’intelligence artificielle appliquée aux applications et cas d’usage existants
Les fournisseurs de logiciels traditionnels ajoutent des fonctionnalités d’IA.
En plus des grands outils logiciels d'IA horizontaux existants tels que MS Azure ML, AWS SageMaker et Google Cloud Vertex AI, des suites logicielles traditionnelles telles que les systèmes de gestion de la maintenance informatisée (CAMMS), les systèmes d'exécution de fabrication (MES) ou les progiciels de gestion intégrés (ERP) peut désormais être considérablement amélioré en injectant des capacités d’IA.Par exemple, le fournisseur ERP Epicor Software ajoute des fonctionnalités d'IA à ses produits existants via son assistant virtuel Epicor (EVA).Les agents EVA intelligents sont utilisés pour automatiser les processus ERP, tels que la reprogrammation des opérations de fabrication ou l'exécution de requêtes simples (par exemple, obtenir des détails sur le prix d'un produit ou le nombre de pièces disponibles).
Les cas d'utilisation industrielles sont mis à niveau grâce à l'AIoT.
Plusieurs cas d'utilisation industrielle sont améliorés en ajoutant des capacités d'IA à l'infrastructure matérielle/logicielle existante.Un exemple frappant est la vision industrielle dans les applications de contrôle qualité.Les systèmes de vision industrielle traditionnels traitent les images via des ordinateurs intégrés ou discrets équipés d'un logiciel spécialisé qui évalue des paramètres et des seuils prédéterminés (par exemple, un contraste élevé) pour déterminer si les objets présentent des défauts.Dans de nombreux cas (par exemple, composants électroniques avec différentes formes de câblage), le nombre de faux positifs est très élevé.
Cependant, ces systèmes sont en train d’être relancés grâce à l’intelligence artificielle.Par exemple, le fournisseur de vision industrielle Cognex a publié un nouvel outil de Deep Learning (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 les outils de vision traditionnels dans la même application pour répondre aux environnements médicaux et électroniques exigeants qui nécessitent une mesure précise des rayures, de la contamination et d’autres défauts.
Facteur 4 : le matériel industriel AIoT en cours d’amélioration
Les puces IA s’améliorent rapidement.
Les puces d’IA matérielles embarquées connaissent une croissance rapide, avec une variété d’options disponibles pour prendre en charge le développement et le déploiement de modèles d’IA.Les exemples incluent les dernières unités de traitement graphique (Gpus) 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 celui des unités de traitement Tensors (TPus) de quatrième génération de Google, qui sont de puissants circuits intégrés (ASics) à usage spécial qui peuvent atteindre jusqu'à 1 000 fois plus d'efficacité et de rapidité dans le développement et le déploiement de modèles pour des charges de travail d'IA spécifiques (par exemple, détection d'objets). , classification des images et critères de recommandation).L’utilisation d’un matériel d’IA dédié réduit le temps de calcul du modèle de quelques jours à quelques minutes et s’est avérée révolutionnaire dans de nombreux cas.
Un matériel d'IA puissant est immédiatement disponible via un modèle de paiement à l'utilisation.
Les grandes entreprises mettent constamment à niveau leurs serveurs pour rendre les ressources informatiques disponibles dans le cloud afin que les utilisateurs finaux puissent mettre en œuvre des applications d'IA industrielle.En novembre 2021, par exemple, AWS a annoncé la sortie officielle de ses dernières instances basées sur GPU, Amazon EC2 G5, alimentées par le GPU NVIDIA A10G Tensor Core, pour une variété d'applications ML, notamment des moteurs de vision par ordinateur et de recommandation.Par exemple, le fournisseur de systèmes de détection Nanotronics utilise des exemples Amazon EC2 de sa solution de contrôle qualité basée sur l'IA pour accélérer les efforts de traitement et atteindre des taux de détection plus précis dans la fabrication de micropuces et de nanotubes.
Conclusion et perspectives
L'IA sort de l'usine et sera omniprésente dans de nouvelles applications, telles que la PdM basée sur l'IA, ainsi que sous forme d'améliorations des logiciels et des cas d'utilisation existants.Les grandes entreprises déploient plusieurs cas d'utilisation de l'IA et font état de succès, et la plupart des projets ont un retour sur investissement élevé.Dans l’ensemble, l’essor du cloud, des plates-formes IoT et des puissantes puces d’IA fournit une plate-forme pour une nouvelle génération de logiciels et d’optimisation.
Heure de publication : 12 janvier 2022