Основные преимущества для производства:
ИИ обладает потенциалом для повышения ценности во многих секторах, но управление цепочками поставок и передовое производство относятся к числу областей, которые, как ожидается, получат наибольшую выгоду. В отчете McKinsey [1] подсчитано, что ИИ может принести от 1,2 до 2 триллионов долларов, которые могут быть использованы компаниями и их клиентами. В производстве наибольший потенциал ИИ заключается в предиктивном техническом обслуживании благодаря использованию данных датчиков для выявления аномалий и прогнозирования необходимости обслуживания двигателя или технологического оборудования, что предотвращает поломки.
Исследования других аналитиков также дают хорошие новости. В отчете Accenture [2] указано, что производство готово стать одним из победителей в революции ИИ. Благодаря непрерывному обучению процессам в системах на базе ИИ, инженеры по техническому обслуживанию могут забыть о сломанных машинах и неисправном оборудовании, а быстрая разработка прототипов и распределение ресурсов сократят время выхода на рынок и затраты. Все эти улучшения, как ожидается, увеличат прибыльность на 39%.
В другом отчете Accenture [3] говорится, что 71% руководителей в секторе промышленного оборудования считают, что ИИ окажет значительное влияние на их компании, а 78% говорят, что это влияние будет важным для всего сектора. Однако в том же отчете отмечается, что сектор промышленного оборудования недостаточно зрелый с точки зрения внедрения ИИ.
Хорошим примером того, что это может означать на практике, является полупроводниковая промышленность. За счет крупных капиталовложений полупроводниковые компании пытались сократить жизненный цикл продукции и больше сосредоточиться на инновациях, чтобы оставаться конкурентоспособными. По мере того, как каждое новое поколение микросхем уменьшается в размерах, затраты на разработку и производство резко возрастают. Для этих компаний ИИ и машинное обучение потенциально могут трансформировать структуру затрат отрасли за счет повышения производительности на каждом этапе, от исследований до проектирования и производства микросхем. Системы на основе машинного обучения также могут быть обучены автоматически обнаруживать и классифицировать дефекты пластин, тем самым повышая выход годной продукции.
Низкий уровень внедрения ИИ:
Промышленные приложения и приложения Интернета вещей (IoT) часто используют одноплатные компьютеры (SBC): около 50% инженеров, опрошенных Фарнеллом [5], используют эти платы разработки в своих проектах. Хотя высокопроизводительный ИИ является одним из наиболее распространенных требований к улучшению SBC, только 20% инженеров во всем мире используют ИИ и машинное обучение в своих приложениях на SBC.
Причины такого низкого уровня внедрения неясны, но исследование Фарнелла показало, что одной из самых больших проблем для инженеров является сокращение времени выхода их разработок на рынок. Несмотря на простоту использования одноплатных компьютеров (SBC), разработчики могут воспринимать ИИ и машинное обучение (ML) как барьер, а внедрение методов использования этих технологий чрезмерно повлияет на бюджеты и сроки проектов.
ИИ на практике:
При внедрении ИИ одним из основных применений в промышленности является предиктивное техническое обслуживание. Дистрибьютор электроники Avnet помогает производителям и разработчикам получать решения IoT для различных отраслей. Например, Avnet сотрудничала с крупным производителем электромобилей для выявления аномалий в работе его производственных роботов. Методы машинного обучения и статистический анализ отказов позволили клиенту обнаруживать аномалии в режиме реального времени и принимать меры для предотвращения сбоев.
Мониторинг активов также открывает значительные возможности. Американский производитель землеройной и строительной техники, предоставлявший машины и оборудование в аренду на день или месяц, обратился к интеллектуальному мониторингу активов, чтобы внедрить модель «продукт как услуга». Это позволило компании арендовать оборудование на основе использования, а не платить клиентам за целые дни или месяцы.
Обработка изображений и распознавание лиц — классические примеры применения ИИ и машинного обучения, и в производстве их можно использовать для предоставления сотрудникам доступа, отслеживания посещаемости и предотвращения мошенничества и краж. Другой пример — Технологический центр Sony в Великобритании, который внедрил обработку изображений в рамках проекта с использованием технологий ИИ для мониторинга вариативности и качества продукции на заводе. Было установлено более 150 одноплатных компьютеров Raspberry Pi и высококачественных камер Raspberry Pi для проверки таких процессов, как сборка компонентов на платах, с целью обеспечения единообразия.
Это не так уж и сложно.
Хотя термины «ИИ» и «машинное обучение» могут показаться сложными, крупные производители платформ внедряют их на практике, упрощая инженерам и разработчикам встроенных систем использование этой технологии. Одноплатные компьютеры (SBC) становятся все более мощными и позволяют запускать алгоритмы ИИ, такие как классификация изображений, обнаружение объектов и распознавание жестов, непосредственно на плате с помощью таких инструментов, как TensorFlow Lite [6].
TensorFlow Lite оптимизирован для машинного обучения на устройстве, поэтому он помогает разработчикам запускать модели на мобильных, встроенных и IoT-устройствах. Этот инструмент устраняет некоторые из основных ограничений SBC: он исключает задержки, не отправляя данные на сервер; он обеспечивает конфиденциальность, поскольку никакие личные данные не покидают устройство; он не требует подключения к интернету; он предлагает небольшой размер модели; и он минимизирует энергопотребление.
TensorFlow Lite предлагает несколько предварительно обученных моделей, которые могут подойти для промышленных или производственных приложений. Эти «рецепты» значительно упрощают развертывание решений на основе ИИ для выполнения таких функций, как модели классификации изображений, способные идентифицировать сотни объектов, включая людей и действия, а также обработку естественного языка для ответов на вопросы и распознавание жестов. Многие другие библиотеки позволяют разрабатывать решения для обработки данных с помощью ИИ, но, хотя это снижает требуемый уровень квалификации, все еще необходимы опытные специалисты по ИИ.
Доступ к облачным сервисам через подключенные устройства предоставляет возможность анализа данных без необходимости использования огромных вычислительных мощностей. Облачные сервисы могут упростить развертывание ИИ, и существует гораздо больше разработчиков, имеющих опыт работы с этими платформами.
Microsoft является лидером в этой области и запустила свою платформу Azure Sphere for IoT, которая также предоставляет ядро ОС Linux для встроенных микроконтроллеров, используемых в IoT-устройствах. Практические приложения включают пилотный проект Starbucks, использующий встроенные микроконтроллеры с Azure Sphere для сбора телеметрических данных с кофемашин, установленных в магазинах компании. Компания надеется, что собранные данные помогут предотвратить потенциальные проблемы до того, как кофемашины и другое оборудование в помещениях потребуют ремонта. Микроконтроллеры Azure экономически эффективны и предлагают множество вариантов подключения, таких как сотовая связь и Ethernet, и поддерживаются рядом плат разработки и базовых комплектов.
Еще одна важная облачная платформа — Amazon Web Services (AWS). Эта платформа использует граничные вычисления и передовые аналитические инструменты для повышения производительности на интеллектуальных заводах путем сбора и анализа данных о производстве. Она включает доступ к облачному ИИ и машинному обучению для предоставления прогнозной аналитики в реальном времени.
Другой вариант — использование облачных сервисов в сочетании с средами с открытым исходным кодом, такими как Caffe и TensorFlow. Caffe — это известная среда, разработанная аспирантом Беркли Янцин Цзя, а платформа TensorFlow была разработана командой Brain Team компании Google и предлагает широкий спектр инструментов, библиотек и ресурсов сообщества.
Облачные решения также предоставляют удобную альтернативу. ARM обеспечивает интеграцию с Watson через свою платформу Mbed для разработки устройств IoT [7]. IBM также разработала прямые интерфейсы к своей платформе Watson AI с помощью плат разработки, таких как Raspberry Pi, что упрощает разработку приложений ИИ в прототипах до принятия решения о создании окончательной архитектуры.
одноплатные компьютеры (SBC)
для встроенных приложений ИИ. Среди них — самый популярный SBC: Raspberry Pi 4. Версия Model B имеет до 8 ГБ оперативной памяти DDR4. Arduino Portenta — это очень мощный SBC, два асимметричных ядра которого могут одновременно выполнять высокоуровневый код, такой как стеки протоколов, ИИ или даже интерпретируемые языки, такие как MicroPython или JavaScript. Сочетание этих мощных, удобных в использовании плат с простыми в использовании облачными платформами дает разработчикам IoT-устройств возможность использовать ИИ и машинное обучение в своих проектах. Для производственных предприятий преимущества очевидны и станут необходимостью для повышения качества продукции, производительности производства и многого другого.
Будущее встроенного ИИ: улучшенная
производительность системы делает неизбежным более широкое внедрение ИИ и машинного обучения во встроенные приложения. Несмотря на сложность технологии, уже существуют решения, значительно упрощающие интеграцию и внедрение ИИ и машинного обучения. Учитывая ограниченные основания для задержки внедрения и вероятность того, что продукты конкурентов предложат дополнительные преимущества этих технологий, есть веские основания для внедрения технологий ИИ и машинного обучения в существующие встроенные системы.
Клифф Ортмайер, глобальный руководитель отдела технического маркетинга компании Farnell.
Ссылки:
[2] https://www.accenture.com/fr-fr/_acnmedia/36dc7f76eab444cab6a7f44017cc3997.pdf
[3] https://www.accenture.com/_acnmedia/PDF-74/Accenture-Pov-Manufacturing-Digital-Final.pdf
[4] https://www.accenture.com/us-en/insights/artificial-intelligence-summary-index
