چگونه هوش مصنوعی بر اینترنت صنعتی اشیاء تأثیر می گذارد

■ شاید به همین دلیل است که برای سازمان ها بسیار مهم است که بتوانند از تحول دیجیتال عظیمی که توسط Industry 4.0 ایجاد شده است، بدون کمک حیاتی از IIoT جان سالم به در ببرند. ترکیبی از این دو فناوری، هوش مصنوعی (AI) و IIoT، می‌تواند به طور موثر حجم عظیمی از داده‌های تولید شده در طول تولید دیجیتال را مدیریت کرده و به طور کامل از آن استفاده کند و کنترل فرآیند صنعتی را به سطح کاملا جدیدی برساند.

4 باید-قابلیت هایی برای مدیریت داده های IIoT داشته باشد

با نفوذ موج دیجیتالی شدن در حوزه صنعتی، کلان داده به ورودی دیجیتالی شدن صنعتی تبدیل شده است. بر اساس IDC، حجم داده های جهانی در سال 2019 به 42ZB رسید و انتظار می رود در سال 2022 به 163ZB با نرخ رشد مرکب سالانه 57٪ برسد. و سناریوهای کاربردی داده های صنعتی در حوزه صنعتی نیز در حال افزایش است و آمار Saidi Intelligence نشان می دهد که بازار داده های بزرگ صنعتی چین در سال 2019 حدود 14.69 میلیارد یوان خواهد بود و انتظار می رود نرخ رشد بالای بیش از 30 درصد در آینده حفظ شود. گفته می‌شود، وقتی سازمان‌ها شروع به کار روی استقرار IIoT در سیستم‌های صنعتی خود می‌کنند، یکی از اولین چالش‌هایی که با آن مواجه می‌شوند این است که چگونه داده‌ها را از سیستم IIoT بازیابی کنند و آن‌ها را برای{11}}تحلیل زمان واقعی و تصمیم‌گیری{12}}در فرآیند تولید در دسترس قرار دهند. برای اطمینان از اینکه راه حل های مدیریت داده آماده IIoT{14}} هستند، در اینجا 4 ویژگی وجود دارد که باید روی آنها تمرکز کنید:

اتصال همه کاره برای مدیریت انواع داده ها. استانداردهای مختلفی برای سیستم‌های اینترنت اشیا وجود دارد که داده‌هایی را تولید می‌کنند که باید به پروتکل‌های مختلفی مانند MQTT، OPC، AMQP و غیره پایبند باشند. بنابراین سیستم مدیریت داده باید قابلیت اتصال به تمامی سیستم ها و پایبندی به پروتکل های مختلف را داشته باشد تا بتواند از این سیستم ها داده دریافت کند. در عین حال، راه حل باید از داده های ساخت یافته و بدون ساختار پشتیبانی کند.

قابلیت پردازش لبه غنی یک راه‌حل خوب مدیریت داده باید بتواند گزارش‌های خطا را از سیستم‌ها فیلتر کند، و همچنین باید بتواند داده‌ها را با ابرداده‌ها، مانند مهرهای زمانی یا متن استاتیک، غنی کند تا از تجزیه و تحلیل بهتر داده‌ها پشتیبانی کند.

پردازش داده های بزرگ و قابلیت های یادگیری ماشینی. از آنجایی که مقدار داده های اینترنت اشیا بسیار زیاد است، مهم است که سیستم هنگام انجام تجزیه و تحلیل داده های زمان واقعی-تأخیر بسیار کم داشته باشد تا بتوان داده ها را در زمان واقعی- پردازش کرد.

قابلیت‌های نظارت{0}در زمان واقعی. کسب و پردازش داده‌های اینترنت اشیا یک فرآیند مداوم است، بنابراین راه‌حل‌های مدیریت داده باید نظارت بر زمان واقعی را از طریق تجسم ارائه کنند تا وضعیت فرآیند را از نظر عملکرد و توان عملیاتی در هر زمان مشخص نشان دهد.

چگونه هوش مصنوعی بر اینترنت اشیا صنعتی تاثیر می گذارد؟

قبل از بحث در مورد این موضوع، اجازه دهید نگاهی به آنچه سازمان های تحقیقاتی متخصص در مورد آینده هر دو فناوری، هوش مصنوعی و اینترنت اشیا دارند، بیندازیم: طبق گفته Markets&Markets، هوش مصنوعی تا سال 2025 یک صنعت 190 میلیارد دلاری خواهد بود. از سوی دیگر، IDC معتقد است که 40 درصد از ابتکارات تحول دیجیتال در سال 2019 توسط هوش مصنوعی هدایت می شود. Business Insider پیش‌بینی می‌کند که تا سال 2025 بیش از 64 میلیارد دستگاه اینترنت اشیاء وجود خواهد داشت که از حدود 10 میلیارد دستگاه در سال 2018 افزایش یافته است. در نتیجه، مک‌کینزی این پیش‌بینی را ارائه می‌دهد که تا سال 2025، اینترنت اشیا پتانسیل تولید بین 4 تا 11 تریلیون دلار ارزش اقتصادی را دارد.

از ارقام بالا، واضح است که هوش مصنوعی و اینترنت اشیا، دو مفهوم تکنولوژیکی که برای دهه‌ها وجود داشته‌اند، در زمان و مکان مناسب دوباره ظهور می‌کنند، هنجارهای سنتی صنعت را مختل می‌کنند و قرار است جرقه انقلاب دیجیتالی را بزنند که انقلاب صنعتی سنتی قرن هجدهم را به قرن بیست و یکم با صنعت و عملکرد صنعت 4، صنعت AI در0 ببرد. اینترنت اشیا قرار است تا حد زیادی افزایش یابد.

هوش مصنوعی در حال تبدیل شدن به مغز هوش صنعتی است

پس از توسعه کافی عناصر اساسی مانند داده‌ها، الگوریتم‌ها و قدرت حسابی، هوش مصنوعی پایه‌ای برای تحقق پیدا می‌کند. در عین حال، توسعه هوش مصنوعی فرصت های خوبی را برای توسعه صنعت تولید به ارمغان می آورد و به طور همه جانبه سطح تولید صنعتی را از ابعاد مختلف بهبود می بخشد. در حال حاضر هوش مصنوعی در تعدادی از سناریوهای کاربردی در حوزه صنعتی مانند بازرسی بصری صنعتی در سناریوهای تولید هوشمند و نگهداری پیش‌بینی‌کننده در حوزه مدیریت تجهیزات استفاده شده است. در طول تعمیر و نگهداری پیش‌بینی، با استفاده از داده‌های موجود، الگوریتم‌های هوش مصنوعی می‌توانند زمان اجرای اقدامات پیشگیرانه را قبل از نیاز به تعمیر ماشین تعیین کنند. بینایی کامپیوتر برای بازرسی بصری نیز یک فناوری کلیدی است که می تواند هزینه ها را کاهش دهد و کارایی را افزایش دهد. وقتی الگوریتم‌های یادگیری ماشینی (ML) با داده‌های آموزشی و سخت‌افزار مناسب ارائه می‌شوند، می‌توانند در بازرسی بصری دقیق‌تر و مؤثرتر از انسان‌ها باشند و برای مثال، برای اطمینان از کنترل کیفیت قطعات خودرو، قبلاً توسط BMW استفاده می‌شود. در سطح جهانی، شرکت های تولیدی به طور فزاینده ای بر بهبود کارایی ماشین آلات و سیستم ها و کاهش هزینه های تولید تمرکز می کنند. همانطور که فناوری نیمه هادی پیشرفت می کند و حسگرها و پردازنده های مقرون به صرفه به طور گسترده در دسترس قرار می گیرند، پذیرش IIoT به رشد خود ادامه خواهد داد. طبق تجزیه و تحلیل گراند ویو ریسرچ، بازار جهانی IIoT در سال 2020 تقریباً 216.13 میلیارد دلار خواهد بود. اکنون که بخش صنعتی به سمت فرآیندهای صنعتی هوشمند و خودمختار سرعت می‌گیرد، جمع‌آوری داده‌ها از دستگاه‌های IoT به مقیاس بی‌سابقه‌ای رسیده است. هنگامی که کلان داده، هوش مصنوعی و اینترنت اشیا با هم ترکیب می شوند، طیف وسیعی از فرصت ها را برای راه حل های پیشرفته تجزیه و تحلیل داده های اینترنت اشیا ایجاد می کند. در این فرآیند، هوش مصنوعی، به ویژه فناوری‌های یادگیری عمیق/ماشین، پشتیبانی قدرتمندی برای مدیریت و تجزیه و تحلیل حجم عظیمی از داده‌های حسی فراهم می‌کند.

یک گزارش توسط شرکت تحقیقاتی MobiDev پیش بینی می کند که تا سال 2025 ارزش هوش مصنوعی و اینترنت اشیاء بیش از 26 میلیارد دلار خواهد بود. آنها همچنین نشان دادند که هوش مصنوعی کارایی داده های اینترنت اشیا را تا 25 درصد و تجزیه و تحلیل صنعت را تا 42 درصد بهبود می بخشد و نقش مهمی را هم در مرکز اینترنت اشیا و هم در شبکه لبه ایفا می کند. به عنوان مثال، در یک خط مونتاژ در یک کارخانه، کنترل کیفیت را می توان با استفاده از بازرسی های بصری هوش مصنوعی انجام داد، که می تواند به طور موثر میزان عیوب تولید را در طول فرآیند تولید کاهش دهد.

راه حل های AI + IIoT

راه حل های IIoT و بازاری که هوش مصنوعی را در خود جای داده است، تحت تاثیر تعدادی از عوامل مطلوب مانند پیشرفت در فناوری نیمه هادی ها و دستگاه های الکترونیکی، افزایش استفاده از پلتفرم های رایانش ابری، استانداردسازی IPv6 و حمایت دولت از فعالیت های تحقیق و توسعه مرتبط با IIoT{1}}به سرعت در حال رشد هستند و بر اساس گزارش تحقیقاتی بازار جدید که توسط Markets&Market به پروژه های جهانی تبدیل شده است. 76.7 میلیارد دلار در سال 2021 به 106.1 میلیارد دلار در سال 2026 و تا سال 2026 انتظار می رود درآمد هوش مصنوعی در این بخش به 16.7 میلیارد دلار برسد.

تحت این مگاترند، فروشندگان بزرگ فناوری نیز در حال حاضر سخت کار می کنند تا راه حل های AI + IIoT را با فناوری ها و محصولات نوآورانه ترویج کنند.

نتیجه گیری

هوش مصنوعی توانایی مدیریت مستقل و هوشمندانه خود و کاربردهایش را دارد. در میان پیشرفت‌های فناوری در دهه گذشته یا بیشتر، تقریباً هیچ چیز به سطح تأثیری که هوش مصنوعی همراه با اینترنت صنعتی اشیا (IoT) بر بخش صنعتی داشته است نرسیده است. بر اساس بررسی‌ها و پیش‌بینی‌های آماری Deloitte، کاربرد هوش مصنوعی در بخش تولید چین بسیار امیدوارکننده است و انتظار می‌رود برنامه‌های کاربردی در سال 2020 حدود 25.22 میلیارد یوان باشد و تا سال 2025 با نرخ رشد مرکب بیش از 4 درصد به 205.76 میلیارد یوان برسد. با ادغام الگوریتم‌های هوش مصنوعی در زیرساخت‌های صنعتی اینترنت اشیا، می‌توان کل ماشین‌آلات و تجهیزات را برای مدیریت و بهره‌برداری هوشمند کارخانه آموزش داد و خودکار کرد. شاید هنوز نتوانیم کاربردهای گسترده AI+IIoT را ببینیم، اما من معتقدم که در چند سال آینده، AI و IoT بیشتر و بیشتر در بخش صنعتی رواج خواهند یافت.