పారిశ్రామిక AIoT ని కొత్త అభిమానంగా మార్చే నాలుగు అంశాలు

ఇటీవల విడుదలైన పారిశ్రామిక AI మరియు AI మార్కెట్ నివేదిక 2021-2026 ప్రకారం, పారిశ్రామిక సెట్టింగులలో AI యొక్క స్వీకరణ రేటు కేవలం రెండు సంవత్సరాలలో 19 శాతం నుండి 31 శాతానికి పెరిగింది. తమ కార్యకలాపాలలో AIని పూర్తిగా లేదా పాక్షికంగా ప్రవేశపెట్టిన 31 శాతం మంది ప్రతివాదులతో పాటు, మరో 39 శాతం మంది ప్రస్తుతం సాంకేతికతను పరీక్షిస్తున్నారు లేదా పైలట్ చేస్తున్నారు.

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

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

పారిశ్రామిక AI మరియు AIoT పెరుగుదలకు కారణమయ్యే కొన్ని అంశాలను పరిశీలిద్దాం.

అంశం 1: పారిశ్రామిక AIoT కోసం మరిన్ని సాఫ్ట్‌వేర్ సాధనాలు

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

డేటా ప్రకారం, దాదాపు 400 మంది విక్రేతలు AIoT సాఫ్ట్‌వేర్‌ను అందిస్తున్నారు. గత రెండు సంవత్సరాలలో పారిశ్రామిక AI మార్కెట్‌లో చేరిన సాఫ్ట్‌వేర్ విక్రేతల సంఖ్య నాటకీయంగా పెరిగింది. అధ్యయనం సమయంలో, IoT Analytics తయారీదారులు/పారిశ్రామిక వినియోగదారులకు AI టెక్నాలజీ యొక్క 634 సరఫరాదారులను గుర్తించింది. ఈ కంపెనీలలో, 389 (61.4%) AI సాఫ్ట్‌వేర్‌ను అందిస్తున్నాయి.

కొత్త AI సాఫ్ట్‌వేర్ ప్లాట్‌ఫామ్ పారిశ్రామిక వాతావరణాలపై దృష్టి పెడుతుంది. అప్‌టేక్, బ్రెయిన్‌క్యూబ్ లేదా C3 AI లతో పాటు, పెరుగుతున్న సంఖ్యలో ఆపరేషనల్ టెక్నాలజీ (OT) విక్రేతలు అంకితమైన AI సాఫ్ట్‌వేర్ ప్లాట్‌ఫామ్‌లను అందిస్తున్నారు. ఉదాహరణలలో ABB యొక్క జెనిక్స్ ఇండస్ట్రియల్ అనలిటిక్స్ మరియు AI సూట్, రాక్‌వెల్ ఆటోమేషన్ యొక్క ఫ్యాక్టరీటాక్ ఇన్నోవేషన్ సూట్, ష్నైడర్ ఎలక్ట్రిక్ యొక్క స్వంత తయారీ కన్సల్టింగ్ ప్లాట్‌ఫామ్ మరియు ఇటీవల, నిర్దిష్ట యాడ్-ఆన్‌లు ఉన్నాయి. ఈ ప్లాట్‌ఫామ్‌లలో కొన్ని విస్తృత శ్రేణి వినియోగ సందర్భాలను లక్ష్యంగా చేసుకుంటాయి. ఉదాహరణకు, ABB యొక్క జెనిక్స్ ప్లాట్‌ఫామ్ కార్యాచరణ పనితీరు నిర్వహణ, ఆస్తి సమగ్రత, స్థిరత్వం మరియు సరఫరా గొలుసు సామర్థ్యం కోసం ముందే నిర్మించిన అప్లికేషన్‌లు మరియు సేవలతో సహా అధునాతన విశ్లేషణలను అందిస్తుంది.

పెద్ద కంపెనీలు తమ AI సాఫ్ట్‌వేర్ సాధనాలను దుకాణంలో ఉంచుతున్నాయి.

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

యూజ్-కేస్-స్పెసిఫిక్ సాఫ్ట్‌వేర్ సొల్యూషన్స్ వినియోగ మెరుగుదలలను నడిపిస్తున్నాయి.

ప్రిడిక్టివ్ మెయింటెనెన్స్‌పై దృష్టి సారించిన యూజ్-కేస్-స్పెసిఫిక్ సాఫ్ట్‌వేర్ సూట్‌లు సర్వసాధారణంగా మారుతున్నాయి. డేటా మూలాల వైవిధ్యం మరియు ప్రీ-ట్రైనింగ్ మోడల్‌ల వాడకంలో పెరుగుదల, అలాగే డేటా మెరుగుదల సాంకేతికతలను విస్తృతంగా స్వీకరించడం వల్ల 2021 ప్రారంభంలో AI-ఆధారిత ఉత్పత్తి డేటా నిర్వహణ (PdM) సాఫ్ట్‌వేర్ సొల్యూషన్‌లను ఉపయోగించే ప్రొవైడర్ల సంఖ్య 73కి పెరిగిందని IoT Analytics గమనించింది.

అంశం 2: AI పరిష్కారాల అభివృద్ధి మరియు నిర్వహణ సరళీకృతం చేయబడుతోంది.

ఆటోమేటెడ్ మెషిన్ లెర్నింగ్ (ఆటోఎంఎల్) ఒక ప్రామాణిక ఉత్పత్తిగా మారుతోంది.

మెషిన్ లెర్నింగ్ (ML) తో అనుబంధించబడిన పనుల సంక్లిష్టత కారణంగా, మెషిన్ లెర్నింగ్ అప్లికేషన్ల వేగవంతమైన పెరుగుదల నైపుణ్యం లేకుండా ఉపయోగించగల ఆఫ్-ది-షెల్ఫ్ మెషిన్ లెర్నింగ్ పద్ధతుల అవసరాన్ని సృష్టించింది. ఫలితంగా వచ్చిన పరిశోధన రంగం, మెషిన్ లెర్నింగ్ కోసం ప్రగతిశీల ఆటోమేషన్, ఆటోML అంటారు. కస్టమర్లు ML మోడళ్లను అభివృద్ధి చేయడంలో మరియు పారిశ్రామిక వినియోగ కేసులను వేగంగా అమలు చేయడంలో సహాయపడటానికి వివిధ కంపెనీలు తమ AI సమర్పణలలో భాగంగా ఈ సాంకేతికతను ఉపయోగించుకుంటున్నాయి. ఉదాహరణకు, నవంబర్ 2020లో, SKF ఒక ఆటోఎంఎల్ ఆధారిత ఉత్పత్తిని ప్రకటించింది, ఇది మెషిన్ ప్రాసెస్ డేటాను కంపనం మరియు ఉష్ణోగ్రత డేటాతో కలిపి ఖర్చులను తగ్గించడానికి మరియు కస్టమర్లకు కొత్త వ్యాపార నమూనాలను ప్రారంభించడానికి వీలు కల్పిస్తుంది.

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

తయారీ వాతావరణాలలో AI నమూనాల నిర్వహణను సులభతరం చేయడం ఈ కొత్త మెషిన్ లెర్నింగ్ ఆపరేషన్ల లక్ష్యం. ప్లాంట్‌లోని అనేక అంశాల (ఉదాహరణకు, డేటా పంపిణీ మరియు నాణ్యతా ప్రమాణాలలో మార్పులు) ద్వారా ప్రభావితమైనందున AI నమూనా పనితీరు సాధారణంగా కాలక్రమేణా క్షీణిస్తుంది. ఫలితంగా, పారిశ్రామిక వాతావరణాల యొక్క అధిక నాణ్యత అవసరాలను తీర్చడానికి మోడల్ నిర్వహణ మరియు యంత్ర అభ్యాస కార్యకలాపాలు అవసరమయ్యాయి (ఉదాహరణకు, 99% కంటే తక్కువ పనితీరు ఉన్న మోడల్‌లు కార్మికుల భద్రతకు హాని కలిగించే ప్రవర్తనను గుర్తించడంలో విఫలం కావచ్చు).

ఇటీవలి సంవత్సరాలలో, DataRobot, Grid.AI, Pinecone/Zilliz, Seldon, మరియు Weights & Biases వంటి అనేక స్టార్టప్‌లు ML Ops రంగంలోకి చేరాయి. స్థాపించబడిన కంపెనీలు వారి ప్రస్తుత AI సాఫ్ట్‌వేర్ ఆఫర్‌లకు మెషిన్ లెర్నింగ్ ఆపరేషన్‌లను జోడించాయి, వీటిలో Azure ML Studioలో డేటా డ్రిఫ్ట్ డిటెక్షన్‌ను ప్రవేశపెట్టిన Microsoft కూడా ఉంది. ఈ కొత్త ఫీచర్ వినియోగదారులు మోడల్ పనితీరును దిగజార్చే ఇన్‌పుట్ డేటా పంపిణీలో మార్పులను గుర్తించడానికి వీలు కల్పిస్తుంది.

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

సాంప్రదాయ సాఫ్ట్‌వేర్ ప్రొవైడర్లు AI సామర్థ్యాలను జోడిస్తున్నారు.

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

AIoT ని ఉపయోగించడం ద్వారా పారిశ్రామిక వినియోగ కేసులను అప్‌గ్రేడ్ చేస్తున్నారు.

ఇప్పటికే ఉన్న హార్డ్‌వేర్/సాఫ్ట్‌వేర్ మౌలిక సదుపాయాలకు AI సామర్థ్యాలను జోడించడం ద్వారా అనేక పారిశ్రామిక వినియోగ సందర్భాలను మెరుగుపరుస్తున్నారు. నాణ్యత నియంత్రణ అనువర్తనాల్లో యంత్ర దృష్టి ఒక స్పష్టమైన ఉదాహరణ. సాంప్రదాయ యంత్ర దృష్టి వ్యవస్థలు వస్తువులు లోపాలను ప్రదర్శిస్తాయో లేదో నిర్ణయించడానికి ముందుగా నిర్ణయించిన పారామితులు మరియు థ్రెషోల్డ్‌లను (ఉదా., అధిక కాంట్రాస్ట్) మూల్యాంకనం చేసే ప్రత్యేక సాఫ్ట్‌వేర్‌తో కూడిన ఇంటిగ్రేటెడ్ లేదా వివిక్త కంప్యూటర్ల ద్వారా చిత్రాలను ప్రాసెస్ చేస్తాయి. చాలా సందర్భాలలో (ఉదాహరణకు, విభిన్న వైరింగ్ ఆకారాలతో ఎలక్ట్రానిక్ భాగాలు), తప్పుడు పాజిటివ్‌ల సంఖ్య చాలా ఎక్కువగా ఉంటుంది.

అయితే, ఈ వ్యవస్థలను కృత్రిమ మేధస్సు ద్వారా పునరుద్ధరించబడుతున్నాయి. ఉదాహరణకు, పారిశ్రామిక యంత్ర విజన్ ప్రొవైడర్ కాగ్నెక్స్ జూలై 2021లో కొత్త డీప్ లెర్నింగ్ సాధనం (విజన్ ప్రో డీప్ లెర్నింగ్ 2.0)ను విడుదల చేసింది. కొత్త సాధనాలు సాంప్రదాయ దృష్టి వ్యవస్థలతో అనుసంధానించబడతాయి, తుది వినియోగదారులు గీతలు, కాలుష్యం మరియు ఇతర లోపాల యొక్క ఖచ్చితమైన కొలత అవసరమయ్యే డిమాండ్ ఉన్న వైద్య మరియు ఎలక్ట్రానిక్ వాతావరణాలను తీర్చడానికి ఒకే అప్లికేషన్‌లో సాంప్రదాయ దృష్టి సాధనాలతో లోతైన అభ్యాసాన్ని కలపడానికి వీలు కల్పిస్తుంది.

అంశం 4: పారిశ్రామిక AIoT హార్డ్‌వేర్ మెరుగుపరచబడుతోంది

AI చిప్‌లు వేగంగా మెరుగుపడుతున్నాయి.

ఎంబెడెడ్ హార్డ్‌వేర్ AI చిప్‌లు వేగంగా అభివృద్ధి చెందుతున్నాయి, AI మోడల్‌ల అభివృద్ధి మరియు విస్తరణకు మద్దతు ఇవ్వడానికి వివిధ ఎంపికలు అందుబాటులో ఉన్నాయి. ఉదాహరణలలో NVIDIA యొక్క తాజా గ్రాఫిక్స్ ప్రాసెసింగ్ యూనిట్లు (Gpus), A30 మరియు A10 ఉన్నాయి, ఇవి మార్చి 2021లో ప్రవేశపెట్టబడ్డాయి మరియు సిఫార్సు వ్యవస్థలు మరియు కంప్యూటర్ విజన్ సిస్టమ్‌ల వంటి AI వినియోగ సందర్భాలకు అనుకూలంగా ఉంటాయి. మరొక ఉదాహరణ Google యొక్క నాల్గవ తరం టెన్సర్స్ ప్రాసెసింగ్ యూనిట్లు (TPus), ఇవి శక్తివంతమైన ప్రత్యేక-ప్రయోజన ఇంటిగ్రేటెడ్ సర్క్యూట్‌లు (ASics), ఇవి నిర్దిష్ట AI పనిభారాలకు (ఉదాహరణకు, ఆబ్జెక్ట్ డిటెక్షన్, ఇమేజ్ వర్గీకరణ మరియు సిఫార్సు బెంచ్‌మార్క్‌లు) మోడల్ అభివృద్ధి మరియు విస్తరణలో 1,000 రెట్లు ఎక్కువ సామర్థ్యం మరియు వేగాన్ని సాధించగలవు. అంకితమైన AI హార్డ్‌వేర్‌ను ఉపయోగించడం వల్ల మోడల్ గణన సమయం రోజుల నుండి నిమిషాలకు తగ్గుతుంది మరియు అనేక సందర్భాల్లో గేమ్ ఛేంజర్‌గా నిరూపించబడింది.

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

సూపర్‌స్కేల్ ఎంటర్‌ప్రైజెస్ నిరంతరం తమ సర్వర్‌లను అప్‌గ్రేడ్ చేస్తూనే ఉన్నాయి, తద్వారా తుది వినియోగదారులు పారిశ్రామిక AI అప్లికేషన్‌లను అమలు చేయగలరు. ఉదాహరణకు, నవంబర్ 2021లో, AWS దాని తాజా GPU-ఆధారిత సందర్భాలు, Amazon EC2 G5, NVIDIA A10G టెన్సర్ కోర్ GPU ద్వారా ఆధారితమైనది, కంప్యూటర్ విజన్ మరియు సిఫార్సు ఇంజిన్‌లతో సహా వివిధ ML అప్లికేషన్‌ల కోసం అధికారికంగా విడుదల చేస్తున్నట్లు ప్రకటించింది. ఉదాహరణకు, డిటెక్షన్ సిస్టమ్స్ ప్రొవైడర్ నానోట్రోనిక్స్ ప్రాసెసింగ్ ప్రయత్నాలను వేగవంతం చేయడానికి మరియు మైక్రోచిప్‌లు మరియు నానోట్యూబ్‌ల తయారీలో మరింత ఖచ్చితమైన గుర్తింపు రేట్లను సాధించడానికి దాని AI-ఆధారిత నాణ్యత నియంత్రణ పరిష్కారం యొక్క Amazon EC2 ఉదాహరణలను ఉపయోగిస్తుంది.

ముగింపు మరియు అంచనా

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 ప్రాజెక్టులు పెట్టుబడిపై అధిక రాబడిని కలిగి ఉన్నాయి. మొత్తం మీద, క్లౌడ్, IOT ప్లాట్‌ఫారమ్‌లు మరియు శక్తివంతమైన AI చిప్‌ల పెరుగుదల కొత్త తరం సాఫ్ట్‌వేర్ మరియు ఆప్టిమైజేషన్‌కు ఒక వేదికను అందిస్తుంది.