నాలుగు అంశాలు పారిశ్రామిక AIoTని కొత్త ఇష్టమైనదిగా చేస్తాయి

ఇటీవల విడుదల చేసిన ఇండస్ట్రియల్ AI మరియు AI మార్కెట్ నివేదిక 2021-2026 ప్రకారం, పారిశ్రామిక సెట్టింగ్‌లలో AI యొక్క స్వీకరణ రేటు కేవలం రెండేళ్లలో 19 శాతం నుండి 31 శాతానికి పెరిగింది. వారి కార్యకలాపాలలో AIని పూర్తిగా లేదా పాక్షికంగా రూపొందించిన 31 శాతం మంది ప్రతివాదులతో పాటు, మరో 39 శాతం మంది ప్రస్తుతం సాంకేతికతను పరీక్షిస్తున్నారు లేదా పైలట్ చేస్తున్నారు.

ప్రపంచవ్యాప్తంగా తయారీదారులు మరియు ఇంధన కంపెనీలకు AI కీలక సాంకేతికతగా అభివృద్ధి చెందుతోంది మరియు IoT విశ్లేషణ పారిశ్రామిక AI పరిష్కారాల మార్కెట్ 2026 నాటికి $102.17 బిలియన్లకు చేరుకోవడానికి 35% బలమైన పోస్ట్-పాండమిక్ సమ్మేళనం వార్షిక వృద్ధి రేటు (CAGR) చూపుతుందని అంచనా వేసింది.

డిజిటల్ యుగం ఇంటర్నెట్ ఆఫ్ థింగ్స్‌కు జన్మనిచ్చింది. కృత్రిమ మేధస్సు యొక్క ఆవిర్భావం ఇంటర్నెట్ ఆఫ్ థింగ్స్ అభివృద్ధి వేగాన్ని వేగవంతం చేసిందని చూడవచ్చు.

పారిశ్రామిక AI మరియు AIoT పెరుగుదలకు దారితీసే కొన్ని అంశాలను పరిశీలిద్దాం.

అంశం 1: పారిశ్రామిక AIoT కోసం మరిన్ని సాఫ్ట్‌వేర్ సాధనాలు

2019లో, Iot అనలిటిక్స్ పారిశ్రామిక AIని కవర్ చేయడం ప్రారంభించినప్పుడు, ఆపరేషనల్ టెక్నాలజీ (OT) విక్రేతల నుండి కొన్ని అంకితమైన AI సాఫ్ట్‌వేర్ ఉత్పత్తులు ఉన్నాయి. అప్పటి నుండి, ఫ్యాక్టరీ అంతస్తు కోసం AI ప్లాట్‌ఫారమ్‌ల రూపంలో AI సాఫ్ట్‌వేర్ పరిష్కారాలను అభివృద్ధి చేయడం మరియు అందించడం ద్వారా చాలా మంది OT విక్రేతలు AI మార్కెట్‌లోకి ప్రవేశించారు.

డేటా ప్రకారం, దాదాపు 400 మంది విక్రేతలు AIoT సాఫ్ట్‌వేర్‌ను అందిస్తున్నారు. పారిశ్రామిక AI మార్కెట్‌లో చేరిన సాఫ్ట్‌వేర్ విక్రేతల సంఖ్య గత రెండేళ్లలో అనూహ్యంగా పెరిగింది. అధ్యయనం సమయంలో, IoT Analytics తయారీదారులు/పారిశ్రామిక వినియోగదారులకు 634 AI సాంకేతికత సరఫరాదారులను గుర్తించింది. వీటిలో 389 (61.4%) కంపెనీలు AI సాఫ్ట్‌వేర్‌ను అందిస్తున్నాయి.

కొత్త AI సాఫ్ట్‌వేర్ ప్లాట్‌ఫారమ్ పారిశ్రామిక వాతావరణాలపై దృష్టి పెడుతుంది. అప్‌టేక్, బ్రెయిన్‌క్యూబ్ లేదా C3 AIకి మించి, పెరుగుతున్న సంఖ్యలో కార్యాచరణ సాంకేతికత (OT) విక్రేతలు ప్రత్యేక AI సాఫ్ట్‌వేర్ ప్లాట్‌ఫారమ్‌లను అందిస్తున్నారు. ఉదాహరణలలో ABB యొక్క జెనిక్స్ ఇండస్ట్రియల్ అనలిటిక్స్ మరియు AI సూట్, రాక్‌వెల్ ఆటోమేషన్ యొక్క ఫ్యాక్టరీ టాక్ ఇన్నోవేషన్ సూట్, ష్నీడర్ ఎలక్ట్రిక్ యొక్క స్వంత తయారీ కన్సల్టింగ్ ప్లాట్‌ఫారమ్ మరియు ఇటీవల నిర్దిష్ట యాడ్-ఆన్‌లు ఉన్నాయి. ఈ ప్లాట్‌ఫారమ్‌లలో కొన్ని విస్తృత శ్రేణి వినియోగ కేసులను లక్ష్యంగా చేసుకుంటాయి. ఉదాహరణకు, ABB యొక్క Genix ప్లాట్‌ఫారమ్ కార్యాచరణ పనితీరు నిర్వహణ, ఆస్తి సమగ్రత, సుస్థిరత మరియు సరఫరా గొలుసు సామర్థ్యం కోసం ముందస్తుగా నిర్మించిన అప్లికేషన్‌లు మరియు సేవలతో సహా అధునాతన విశ్లేషణలను అందిస్తుంది.

పెద్ద కంపెనీలు తమ AI సాఫ్ట్‌వేర్ సాధనాలను షాప్ ఫ్లోర్‌లో ఉంచుతున్నాయి.

AWS, Microsoft మరియు Google వంటి పెద్ద కంపెనీలు అభివృద్ధి చేసిన కొత్త వినియోగ-కేస్ నిర్దిష్ట సాఫ్ట్‌వేర్ సాధనాల ద్వారా AI సాఫ్ట్‌వేర్ సాధనాల లభ్యత కూడా నడపబడుతుంది. ఉదాహరణకు, డిసెంబర్ 2020లో, AWS అమెజాన్ సేజ్‌మేకర్ జంప్‌స్టార్ట్‌ను విడుదల చేసింది, ఇది అమెజాన్ సేజ్‌మేకర్ యొక్క లక్షణం, ఇది PdM, కంప్యూటర్ విజన్ మరియు అటానమస్ డ్రైవింగ్ వంటి అత్యంత సాధారణ పారిశ్రామిక వినియోగ కేసుల కోసం ముందుగా నిర్మించిన మరియు అనుకూలీకరించదగిన పరిష్కారాల సమితిని అందిస్తుంది. కేవలం కొన్ని క్లిక్‌లు.

వినియోగ-కేస్-నిర్దిష్ట సాఫ్ట్‌వేర్ పరిష్కారాలు వినియోగ మెరుగుదలలను పెంచుతున్నాయి.

ప్రిడిక్టివ్ మెయింటెనెన్స్‌పై దృష్టి పెట్టడం వంటి వినియోగ-కేస్-నిర్దిష్ట సాఫ్ట్‌వేర్ సూట్‌లు సర్వసాధారణంగా మారుతున్నాయి. IoT Analytics వివిధ రకాల డేటా సోర్స్‌లు మరియు ప్రీ-ట్రైనింగ్ మోడల్‌ల వినియోగం, అలాగే విస్తృతంగా విస్తరించిన కారణంగా 2021 ప్రారంభంలో AI-ఆధారిత ఉత్పత్తి డేటా నిర్వహణ (PdM) సాఫ్ట్‌వేర్ సొల్యూషన్‌లను ఉపయోగించే ప్రొవైడర్ల సంఖ్య 73కి పెరిగింది. డేటా మెరుగుదల సాంకేతికతలను స్వీకరించడం.

అంశం 2: AI పరిష్కారాల అభివృద్ధి మరియు నిర్వహణ సరళీకృతం చేయబడుతున్నాయి

ఆటోమేటెడ్ మెషీన్ లెర్నింగ్ (AutoML) ఒక ప్రామాణిక ఉత్పత్తిగా మారుతోంది.

మెషీన్ లెర్నింగ్ (ML)తో అనుబంధించబడిన టాస్క్‌ల సంక్లిష్టత కారణంగా, మెషిన్ లెర్నింగ్ అప్లికేషన్‌ల వేగవంతమైన పెరుగుదల నైపుణ్యం లేకుండా ఉపయోగించగల ఆఫ్-ది-షెల్ఫ్ మెషిన్ లెర్నింగ్ పద్ధతుల అవసరాన్ని సృష్టించింది. మెషిన్ లెర్నింగ్ కోసం ప్రోగ్రెసివ్ ఆటోమేషన్, పరిశోధన యొక్క ఫలిత రంగాన్ని AutoML అంటారు. కస్టమర్‌లు ML మోడల్‌లను అభివృద్ధి చేయడంలో మరియు పారిశ్రామిక వినియోగ కేసులను వేగంగా అమలు చేయడంలో సహాయపడేందుకు వివిధ కంపెనీలు తమ AI ఆఫర్‌లలో భాగంగా ఈ సాంకేతికతను ఉపయోగించుకుంటున్నాయి. ఉదాహరణకు, నవంబర్ 2020లో, SKF ఒక automL-ఆధారిత ఉత్పత్తిని ప్రకటించింది, ఇది మెషిన్ ప్రాసెస్ డేటాను కంపనం మరియు ఉష్ణోగ్రత డేటాతో కలిపి ఖర్చులను తగ్గించడానికి మరియు కస్టమర్‌ల కోసం కొత్త వ్యాపార నమూనాలను ఎనేబుల్ చేస్తుంది.

మెషిన్ లెర్నింగ్ కార్యకలాపాలు (ML Ops) మోడల్ నిర్వహణ మరియు నిర్వహణను సులభతరం చేస్తాయి.

మెషిన్ లెర్నింగ్ కార్యకలాపాల యొక్క కొత్త విభాగం తయారీ పరిసరాలలో AI నమూనాల నిర్వహణను సులభతరం చేయడం లక్ష్యంగా పెట్టుకుంది. ప్లాంట్‌లోని అనేక కారకాలు (ఉదాహరణకు, డేటా పంపిణీ మరియు నాణ్యతా ప్రమాణాలలో మార్పులు) ప్రభావంతో AI మోడల్ పనితీరు సాధారణంగా కాలక్రమేణా క్షీణిస్తుంది. ఫలితంగా, పారిశ్రామిక పరిసరాల యొక్క అధిక నాణ్యత అవసరాలను తీర్చడానికి మోడల్ నిర్వహణ మరియు యంత్ర అభ్యాస కార్యకలాపాలు అవసరమయ్యాయి (ఉదాహరణకు, 99% కంటే తక్కువ పనితీరు ఉన్న మోడల్‌లు కార్మికుల భద్రతకు ప్రమాదం కలిగించే ప్రవర్తనను గుర్తించడంలో విఫలం కావచ్చు).

ఇటీవలి సంవత్సరాలలో, DataRobot, Grid.AI, Pinecone/Zilliz, Seldon మరియు వెయిట్స్ & బయాస్‌లతో సహా అనేక స్టార్టప్‌లు ML Ops స్పేస్‌లో చేరాయి. Azure ML స్టూడియోలో డేటా డ్రిఫ్ట్ డిటెక్షన్‌ను ప్రవేశపెట్టిన మైక్రోసాఫ్ట్‌తో సహా, స్థాపించబడిన కంపెనీలు తమ ప్రస్తుత AI సాఫ్ట్‌వేర్ ఆఫర్‌లకు మెషిన్ లెర్నింగ్ కార్యకలాపాలను జోడించాయి. ఈ కొత్త ఫీచర్ మోడల్ పనితీరును తగ్గించే ఇన్‌పుట్ డేటా పంపిణీలో మార్పులను గుర్తించడానికి వినియోగదారులను అనుమతిస్తుంది.

అంశం 3: ఇప్పటికే ఉన్న అప్లికేషన్లు మరియు వినియోగ కేసులకు కృత్రిమ మేధస్సు వర్తించబడుతుంది

సాంప్రదాయ సాఫ్ట్‌వేర్ ప్రొవైడర్లు AI సామర్థ్యాలను జోడిస్తున్నారు.

MS Azure ML, AWS SageMaker మరియు Google Cloud Vertex AI వంటి ఇప్పటికే ఉన్న పెద్ద సమాంతర AI సాఫ్ట్‌వేర్ సాధనాలతో పాటు, కంప్యూటరైజ్డ్ మెయింటెనెన్స్ మేనేజ్‌మెంట్ సిస్టమ్స్ (CAMMS), మాన్యుఫ్యాక్చరింగ్ ఎగ్జిక్యూషన్ సిస్టమ్స్ (MES) లేదా ఎంటర్‌ప్రైజ్ రిసోర్స్ ప్లానింగ్ (ERP) వంటి సాంప్రదాయ సాఫ్ట్‌వేర్ సూట్‌లు AI సామర్థ్యాలను ఇంజెక్ట్ చేయడం ద్వారా ఇప్పుడు గణనీయంగా మెరుగుపరచవచ్చు. ఉదాహరణకు, ERP ప్రొవైడర్ Epicor సాఫ్ట్‌వేర్ దాని Epicor వర్చువల్ అసిస్టెంట్ (EVA) ద్వారా ఇప్పటికే ఉన్న ఉత్పత్తులకు AI సామర్థ్యాలను జోడిస్తోంది. ఇంటెలిజెంట్ EVA ఏజెంట్లు తయారీ కార్యకలాపాలను రీషెడ్యూల్ చేయడం లేదా సాధారణ ప్రశ్నలను నిర్వహించడం వంటి ERP ప్రక్రియలను ఆటోమేట్ చేయడానికి ఉపయోగిస్తారు (ఉదాహరణకు, ఉత్పత్తి ధర లేదా అందుబాటులో ఉన్న భాగాల సంఖ్య గురించి వివరాలను పొందడం).

AIoTని ఉపయోగించడం ద్వారా పారిశ్రామిక వినియోగ కేసులు అప్‌గ్రేడ్ చేయబడుతున్నాయి.

ఇప్పటికే ఉన్న హార్డ్‌వేర్/సాఫ్ట్‌వేర్ ఇన్‌ఫ్రాస్ట్రక్చర్‌కు AI సామర్థ్యాలను జోడించడం ద్వారా అనేక పారిశ్రామిక వినియోగ కేసులు మెరుగుపరచబడుతున్నాయి. నాణ్యత నియంత్రణ అనువర్తనాల్లో మెషిన్ విజన్ ఒక స్పష్టమైన ఉదాహరణ. సాంప్రదాయిక మెషిన్ విజన్ సిస్టమ్‌లు ప్రత్యేక సాఫ్ట్‌వేర్‌తో కూడిన ఇంటిగ్రేటెడ్ లేదా డిస్క్రీట్ కంప్యూటర్‌ల ద్వారా ఇమేజ్‌లను ప్రాసెస్ చేస్తాయి, ఇవి వస్తువులు లోపాలను ప్రదర్శిస్తాయో లేదో నిర్ధారించడానికి ముందుగా నిర్ణయించిన పారామితులు మరియు థ్రెషోల్డ్‌లను (ఉదా, అధిక కాంట్రాస్ట్) మూల్యాంకనం చేస్తాయి. అనేక సందర్భాల్లో (ఉదాహరణకు, వివిధ వైరింగ్ ఆకృతులతో ఎలక్ట్రానిక్ భాగాలు), తప్పుడు పాజిటివ్ల సంఖ్య చాలా ఎక్కువగా ఉంటుంది.

అయితే, ఈ వ్యవస్థలు కృత్రిమ మేధస్సు ద్వారా పునరుద్ధరించబడుతున్నాయి. ఉదాహరణకు, ఇండస్ట్రియల్ మెషీన్ విజన్ ప్రొవైడర్ కాగ్నెక్స్ జూలై 2021లో కొత్త డీప్ లెర్నింగ్ టూల్‌ను (విజన్ ప్రో డీప్ లెర్నింగ్ 2.0) విడుదల చేసింది. కొత్త టూల్స్ సాంప్రదాయ విజన్ సిస్టమ్‌లతో అనుసంధానం అవుతాయి, తుది వినియోగదారులకు అదే అప్లికేషన్‌లోని సాంప్రదాయ విజన్ టూల్స్‌తో డీప్ లెర్నింగ్‌ని మిళితం చేయడానికి వీలు కల్పిస్తుంది. గీతలు, కాలుష్యం మరియు ఇతర లోపాల యొక్క ఖచ్చితమైన కొలమానం అవసరమయ్యే వైద్య మరియు ఎలక్ట్రానిక్ వాతావరణాలను డిమాండ్ చేస్తుంది.

అంశం 4: పారిశ్రామిక AIoT హార్డ్‌వేర్ మెరుగుపరచబడుతోంది

AI చిప్‌లు వేగంగా అభివృద్ధి చెందుతున్నాయి.

ఎంబెడెడ్ హార్డ్‌వేర్ AI చిప్‌లు వేగంగా అభివృద్ధి చెందుతున్నాయి, AI మోడల్‌ల అభివృద్ధి మరియు విస్తరణకు మద్దతుగా వివిధ రకాల ఎంపికలు అందుబాటులో ఉన్నాయి. ఉదాహరణలలో NVIDIA యొక్క తాజా గ్రాఫిక్స్ ప్రాసెసింగ్ యూనిట్లు (Gpus), A30 మరియు A10 ఉన్నాయి, ఇవి మార్చి 2021లో ప్రవేశపెట్టబడ్డాయి మరియు రికమండేషన్ సిస్టమ్‌లు మరియు కంప్యూటర్ విజన్ సిస్టమ్‌లు వంటి AI వినియోగ సందర్భాలలో అనుకూలంగా ఉంటాయి. మరొక ఉదాహరణ Google యొక్క నాల్గవ తరం టెన్సర్ల ప్రాసెసింగ్ యూనిట్లు (TPus), ఇవి శక్తివంతమైన ప్రత్యేక ప్రయోజన ఇంటిగ్రేటెడ్ సర్క్యూట్‌లు (ASics), ఇవి మోడల్ డెవలప్‌మెంట్ మరియు నిర్దిష్ట AI వర్క్‌లోడ్‌ల (ఉదా, ఆబ్జెక్ట్ డిటెక్షన్) కోసం 1,000 రెట్లు ఎక్కువ సామర్థ్యం మరియు వేగాన్ని సాధించగలవు. , చిత్రం వర్గీకరణ మరియు సిఫార్సు బెంచ్‌మార్క్‌లు). అంకితమైన AI హార్డ్‌వేర్‌ను ఉపయోగించడం వల్ల మోడల్ గణన సమయాన్ని రోజుల నుండి నిమిషాలకు తగ్గిస్తుంది మరియు అనేక సందర్భాల్లో గేమ్ ఛేంజర్‌గా నిరూపించబడింది.

పే-పర్-యూజ్ మోడల్ ద్వారా శక్తివంతమైన AI హార్డ్‌వేర్ వెంటనే అందుబాటులో ఉంటుంది.

సూపర్‌స్కేల్ ఎంటర్‌ప్రైజెస్ క్లౌడ్‌లో కంప్యూటింగ్ వనరులను అందుబాటులో ఉంచడానికి తమ సర్వర్‌లను నిరంతరం అప్‌గ్రేడ్ చేస్తూ ఉంటాయి, తద్వారా తుది వినియోగదారులు పారిశ్రామిక AI అప్లికేషన్‌లను అమలు చేయవచ్చు. ఉదాహరణకు, నవంబర్ 2021లో, కంప్యూటర్ విజన్ మరియు రికమండేషన్ ఇంజన్‌లతో సహా అనేక రకాల ML అప్లికేషన్‌ల కోసం, NVIDIA A10G టెన్సర్ కోర్ GPU ద్వారా ఆధారితమైన Amazon EC2 G5, తన తాజా GPU ఆధారిత ఉదంతాల అధికారిక విడుదలను AWS ప్రకటించింది. ఉదాహరణకు, డిటెక్షన్ సిస్టమ్స్ ప్రొవైడర్ నానోట్రానిక్స్ ప్రాసెసింగ్ ప్రయత్నాలను వేగవంతం చేయడానికి మరియు మైక్రోచిప్‌లు మరియు నానోట్యూబ్‌ల తయారీలో మరింత ఖచ్చితమైన గుర్తింపు రేట్లను సాధించడానికి అమెజాన్ EC2 ఉదాహరణలను AI-ఆధారిత నాణ్యత నియంత్రణ పరిష్కారాన్ని ఉపయోగిస్తుంది.

ముగింపు మరియు ప్రాస్పెక్ట్

AI ఫ్యాక్టరీ నుండి బయటకు వస్తోంది మరియు ఇది AI-ఆధారిత PdM వంటి కొత్త అప్లికేషన్‌లలో మరియు ఇప్పటికే ఉన్న సాఫ్ట్‌వేర్ మరియు వినియోగ కేసులకు మెరుగుదలలుగా సర్వవ్యాప్తి చెందుతుంది. పెద్ద సంస్థలు అనేక AI వినియోగ కేసులను విడుదల చేస్తున్నాయి మరియు విజయాన్ని నివేదిస్తున్నాయి మరియు చాలా ప్రాజెక్ట్‌లు పెట్టుబడిపై అధిక రాబడిని కలిగి ఉన్నాయి. మొత్తం మీద, క్లౌడ్, iot ప్లాట్‌ఫారమ్‌లు మరియు శక్తివంతమైన AI చిప్‌ల పెరుగుదల కొత్త తరం సాఫ్ట్‌వేర్ మరియు ఆప్టిమైజేషన్ కోసం ఒక వేదికను అందిస్తుంది.