産業用AIoTが「新たな人気」となった4つの主な要因

最近発表された産業用人工知能および人工知能市場レポート 2021-2026 のデータによると、わずか 2 年余りで、産業環境における AI の導入率は 19% から 31% に増加しました。回答者の 31% が業務に AI テクノロジーを全面的または部分的に導入しており、さらに 39% が現在このテクノロジーをテストまたは試験運用しています。

人工知能は、世界中の製造業者やエネルギー企業にとって重要な技術になりつつあります。IoT Analysisは、産業用人工知能ソリューションの市場は、パンデミック後に35％の強力な年間複合成長率（CAGR）を示し、2026年までに市場規模は1,021.7億米ドルに達すると予測しています。

デジタル時代はモノのインターネットを生み出しました。人工知能の出現により、モノのインターネットの発展が加速していることがわかります。

今日は、産業用 AI と AIoT の台頭を推進する要因を検討します。

推進要因1: 産業用AIoT向けソフトウェアツールの増加

2019 年に IoT 分析が産業用 AI 分野をカバーし始めたとき、運用技術 (OT) ベンダーから入手できる専用の AI ソフトウェア製品はほとんどありませんでした。それ以来、多くのOTベンダーが、工場現場向けのAIプラットフォームという形でAIソフトウェアソリューションを開発・提供することで、AI市場に参入してきました。

データによると、約 400 社のサプライヤーが AIoT ソフトウェアを提供しています。過去 2 年間で、産業用 AI 市場に参入するソフトウェア ベンダーの数は大幅に増加しました。調査期間中、IoT Analytics は製造業者/産業顧客に AI テクノロジーを提供するベンダー 634 社を特定しました。このうち389社（61.4%）がAIソフトウェアを提供しています。

新しい AI ソフトウェア プラットフォームは産業環境に重点を置いています。 Uptake、Braincube、C3 AI などのソフトウェア拡張機能に加えて、専用の AI ソフトウェア プラットフォームを提供する運用技術 (OT) ベンダーが増えています。例としては、ABB の Genix Industrial Analytics および AI Suite、Rockwell Automation の FactoryTalk Innovation Suite、Schneider Electric の Autonomous Production Advisor プラットフォーム、さらに最近では特定のアドオンが挙げられます。これらのプラットフォームの中には、幅広いユースケースを対象としたものもあります。たとえば、ABB の Genix プラットフォームは、運用パフォーマンス管理、資産の整合性、持続可能性、サプライ チェーンの効率性のための事前構築されたアプリケーションやサービスを含む高度な分析機能を提供します。

大企業は AI ソフトウェア ツール製品を現場に適用しています。

AI ソフトウェア ツールの利用可能性の向上は、AWS、Microsoft、Google などのハイパースケーラーによって開発された新しいユースケース固有のソフトウェア ツールによっても推進されています。たとえば、2020 年 12 月に AWS は Amazon SageMaker JumpStart をリリースしました。これは、数回クリックするだけでデプロイできる、最も一般的な産業ユースケース (PdM、コンピュータービジョン、自動運転など) 向けに、事前に構築されたカスタマイズ可能なソリューションのセットを提供する Amazon SageMaker の機能です。

ユースケース固有のソフトウェア ソリューションにより、使いやすさが向上します。

予測メンテナンスに重点を置いたものなど、ユースケース固有のソフトウェア スイートが一般的になりつつあります。 IoT Analytics は、データ ソースの多様性の増加、事前トレーニング済みモデルの使用、およびデータ拡張技術の広範な採用により、AI ベースの製品データ管理 (PdM) ソフトウェア ソリューションを使用しているプロバイダーの数が 2021 年初頭に 73 社に増加したことを観察しました。

推進要因2: AIソリューションの開発と保守が簡素化される

自動機械学習 (AutoML) が標準的なサービスになりつつあります。

機械学習 (ML) に関連するタスクの複雑さにより、ML アプリケーションの急速な成長により、専門知識を必要とせずに使用できる既製の ML メソッドに対する需要が生じています。機械学習の段階的な自動化を目的とした研究分野は、AutoML として知られています。さまざまな企業が AI 製品の一部としてこのテクノロジーを活用し、顧客が ML モデルを開発し、産業ユースケースをより迅速に実現できるように支援しています。たとえば、SKF は 2020 年 11 月に、機械プロセス データと振動および温度データを組み合わせてコストを削減し、顧客に新しいビジネス モデルを提供する AutoML ベースの製品を発表しました。

機械学習オペレーション (ML Ops) により、モデルの管理とメンテナンスが簡素化されます。

機械学習運用の新しい分野は、製造環境における AI モデルのメンテナンスを簡素化することを目的としています。 AI モデルのパフォーマンスは、工場内のさまざまな要因 (データ分布や品質基準の変更など) の影響を受けるため、通常は時間の経過とともに低下します。その結果、産業環境の高品質要件を満たすために、モデルのメンテナンスと機械学習の運用が必要になりました (たとえば、パフォーマンスが 99% 未満のモデルでは、作業者の安全を危険にさらす動作を識別できない可能性があります)。

近年、DataRobot、Grid.AI、Pinecone/Zilliz、Seldon、Weights & Biases など、数多くのスタートアップ企業が ML Ops 分野に参入しています。大手企業は、既存の AI ソフトウェア製品に機械学習の運用機能を追加してきました。その中には、Azure ML Studio にデータ ドリフト検出を導入した Microsoft も含まれます。この新しい機能により、ユーザーはモデルのパフォーマンスを低下させる入力データ分布の変化を検出できるようになります。

推進要因3: 既存のアプリケーションとユースケースにAIが適用される

従来のソフトウェアプロバイダーは AI 機能を追加しています。

MS Azure ML、AWS SageMaker、Google Cloud Vertex AI などの既存の大規模な水平 AI ソフトウェア ツールに加えて、コンピュータ化された保守管理システム (CAMMS)、製造実行システム (MES)、エンタープライズ リソース プランニング (ERP) などの従来のソフトウェア スイートも、AI 機能を組み込むことで大幅に強化できるようになりました。たとえば、ERP プロバイダーの Epicor Software は、Epicor Virtual Assistant (EVA) を通じて既存の製品に AI 機能を追加しています。インテリジェント EVA エージェントは、製造ジョブの再スケジュールや簡単なクエリの実行 (例: 製品価格や入手可能な部品の数量に関する詳細の取得) などの ERP プロセスを自動化するために使用されます。

AIoT の活用により、産業ユースケースがアップグレードされています。

既存のハードウェア/ソフトウェア インフラストラクチャに AI 機能を追加することで、いくつかの産業ユースケースが強​​化されています。わかりやすい例としては、品質管理アプリケーションにおけるマシンビジョンが挙げられます。従来のマシン ビジョン システムは、所定のパラメータとしきい値 (高コントラストなど) を評価してオブジェクトに欠陥があるかどうかを判断する特殊なソフトウェアを搭載した統合型または個別型のコンピューターを介して画像を処理します。多くの場合（配線形状が異なる電子部品など）、誤検出の数は非常に多くなります。

しかし、これらのシステムは人工知能を通じてルネッサンスを迎えています。たとえば、産業用マシンビジョンプロバイダーの Cognex は、2021 年 7 月に新しいディープラーニングツール (Vision Pro Deep Learning 2.0) をリリースしました。この新しいツールは従来のビジョン システムと統合されており、エンド ユーザーは、傷、汚染、その他の欠陥の正確な測定が求められる厳しい医療および電子機器環境向けに、同じアプリケーションでディープラーニングと従来のビジョン ツールを組み合わせることができます。

推進要因4: 産業用AIoTハードウェアの改善

AIチップは急速に進歩しています。

組み込みハードウェア AI チップは急速に発展しており、AI モデルの開発と展開をサポートするさまざまなオプションが利用可能です。例としては、2021 年 3 月に発売され、推奨システムやコンピューター ビジョン システムなどの AI ユース ケースに適した NVIDIA の最新のグラフィックス プロセッシング ユニット (GPU) である A30 と A10 が挙げられます。もう 1 つの例は、Google の第 4 世代 Tensor Processing Unit (TPU) です。これは、特定の AI ワークロード (オブジェクト検出、画像分類、推奨ベンチマークなど) のモデル開発と展開において最大 1,000 倍の効率と速度を実現できる強力な特定用途向け集積回路 (ASIC) です。専用の AI ハードウェアを使用すると、モデルの計算時間が数日から数分に短縮され、多くの場合、ゲームチェンジャーとなることが証明されています。

強力な AI ハードウェアは、従量課金モデルですぐにご利用いただけます。

ハイパースケール企業は、エンドユーザーが産業用 AI アプリケーションを実現できるように、サーバーを継続的にアップグレードし、コンピューティング リソースをクラウドで利用できるようにしています。たとえば、2021 年 11 月、AWS は最新の GPU ベースのインスタンスである Amazon EC2 G5 の一般提供を発表しました。これは NVIDIA A10G Tensor Core GPU を搭載し、コンピューター ビジョンや推奨エンジンなどのさまざまな ML アプリケーションに使用できます。たとえば、検査システムプロバイダーの Nanotronics は、AI ベースの品質管理ソリューションに Amazon EC2 インスタンスを活用して、マイクロチップやナノチューブの製造における処理を高速化し、より正確な検査率を実現しています。

結論と展望

AI は工場の現場に導入されつつあり、AI ベースの PdM などの新しいアプリケーションや、既存のソフトウェアやユースケースの強化として普及するでしょう。大企業は AI のユースケースをいくつか立ち上げ、成功事例を報告しており、ほとんどのプロジェクトで高い ROI を実現しています。要約すると、クラウド、IoT プラットフォーム、強力な AI チップの台頭により、新世代のソフトウェアと最適化のためのプラットフォームが提供されます。