Industriële productie implementeert meer dan 15 miljoen AI-ingeschakelde apparaten voor 2024, ABI Research voorspelt

Het nieuwste rapport van ABI Research projecteert een stijging in AI-adoptie binnen de industriële productiesector, met de schatting dat het totale aantal AI-ingeschakelde apparaten 15,4 miljoen zal overschrijden tegen 2024 - een samengestelde jaargroei van 64,8% van 2019 tot 2024.

"AI in industriële productie is een verhaal van edge-implementatie," zegt Lian Jye Su, principal analyst bij ABI Research. "Omdat fabrikanten hun data liever on-premise houden dan in publieke clouds, vinden bijna alle AI-training en inferentie-workloads plaats op de edge - op apparaten, gateways en on-premise servers."

Om deze shift te ondersteunen, hebben AI-chipsetfabrikanten en serverleveranciers toegewijde AI-ingeschakelde servers geïntroduceerd specifiek ontworpen voor industriële omgevingen. Gevolgelijk is een toenemend deel van de industriële infrastructuur nu uitgerust met AI-software of gespecialiseerde chipsets voor realtime inferentie.

Ondanks de overvloed aan data en beschikbare oplossingen, is AI-implementatie in de productie niet zo naadloos verlopen als verwacht. De meest commercieel rijke toepassingen blijven voorspellend onderhoud en equipment monitoring, met een geïnstalleerde basis die respectievelijk 9,8 miljoen en 6,7 miljoen eenheden zal bereiken tegen 2024.

Veel van deze apparaten zijn multipurpose, dankzij vooruitgang in AI-chipsets. Belangrijke startups zoals Uptake, SparkCognition, FogHorn en Falkonry bieden zowel cloud- als edge-gebaseerde oplossingen die algemene asset-prestaties en processtromen monitoren.

Defectinspectie duikt op als een ander hoog-groei use case. De geïnstalleerde basis voor deze toepassing wordt verwacht te klimmen van 300.000 in 2019 naar meer dan 3,7 miljoen tegen 2024, vooral in elektronica- en semiconductorproductie waar partners samenwerken met chipsetleveranciers en softwareproviders om AI-gedreven machine vision te ontwikkelen voor component-niveau defectdetectie.

Traditionele machine-vision technologie blijft populair in de productie omwille van herhaalbaarheid, betrouwbaarheid en stabiliteit. Diep-lerende algoritmes breiden deze mogelijkheden uit, wat detectie van onverwachte afwijkingen, ontdekking van nieuwe inzichten en het overstijgen van de limieten van conventionele benaderingen mogelijk maakt.

Fabrikanten staan nu intense concurrentie tegenover het bouwen en trainen van in-house data-science teams voor AI-implementatie. De meeste AI-professionals kiuren grote web-scale spelers of vlugge startups, wat talentverwerving een significante uitdaging maakt voor industriële bedrijven.

"Gegeven dit landschap, is de meest haalbare weg partnerschap," merkt Su op. "Samenwerken met cloudproviders, pure-play AI-startups, systeemintegrators, chipset- en serverfabrikanten, en connectiviteitsproviders is essentieel om de diverse AI use cases te navigeren."

Voor meer informatie, bezoek www.abiresearch.com.