Вызовы и возможности искусственного интеллекта (ИИ) в промышленном секторе 

Подобно ранее появившимся технологиям Интернета вещей (IoT) и облачных вычислений, искусственный интеллект (ИИ) обладает всеми признаками революционной технологии и имеет огромный потенциал для оптимизации производственных процессов. По мере все большего распространения ИИ наблюдается быстрый рост и изменения в сфере различных программных и аппаратных платформ, а также среди многочисленных поставщиков.

Для технических лидеров, инженеров и лиц, принимающих решения, это является одновременно огромным вызовом и многообещающей возможностью. Для того чтобы разумно инвестировать в технологии, способные в полной мере раскрыть потенциал ИИ в промышленном периферийном секторе, крайне важно справиться с этими сложностями.

Практическое применение ИИ на периферии зависит как от эффективности моделей инференса, так и от их оптимального размещения в каждом конкретном случае использования. Во многих случаях необходимо создать локальный экземпляр модели инференса на периферийном вычислительном устройстве, который может реагировать в режиме реального времени, вместо отправки запросов в облако или на центральный сервер.

В зависимости от конкретных особенностей данного приложения и модели инференса выбор аппаратного обеспечения будет относиться к одному из следующих вариантов:

1.Графический процессор (GPU): известен своей способностью к параллельной обработке и отлично справляется с большими ИИ-нагрузками, такими как обучение сложных нейронных сетей. Они очень эффективны для задач, требующих большого количества матричных вычислений (например, обработка изображений и видео). Однако для развертывания на периферии GPU может потреблять слишком много энергии и быть дорогостоящим.

2.Нейронный процессор (NPU): разработан специально для задач ИИ, обеспечивает отличную производительность при вычислениях на периферии и высокую эффективность в встраиваемых средах с низким энергопотреблением. Хотя NPU отлично подходит для определенных задач ИИ, он, как правило, не отличается гибкостью и не подходит для универсальной обработки.

3.Центральный процессор (CPU): универсальный и широко используемый, способен обрабатывать различные задачи, включая более простые вычисления ИИ, и подходит для приложений, не требующих интенсивной обработки. Несмотря на то, что CPU не обладает параллелизмом и эффективностью, необходимыми для обработки высокоинтенсивных ИИ-нагрузок, производители CPU уже реагируют на этот вызов, выпуская новые продукты с различными уровнями интеграции NPU и GPU.

Использование ИИ для обнаружения утечек на основе видео

Одним из перспективных применений ИИ в промышленном периферийном секторе является обнаружение утечек. Благодаря моделям инференса, способным быстро распознавать потенциальные утечки газа в видеопотоках в реальном времени, производственные предприятия могут обеспечить непрерывное и экономически эффективное обнаружение утечек в реальном времени на сотнях объектов.

Однако, если модель зависит от мощных компьютеров и графических процессоров (GPU), может быть сложно найти подходящее оборудование для ее надежной работы в удаленных и суровых условиях. Если существующая сетевая инфраструктура не способна удовлетворить требования к пропускной способности или задержкам, использование централизованных серверов для размещения моделей инференса также может представлять собой проблему.

Конкретные особенности модели инференса при внедрении решений по обнаружению утечек на базе ИИ также могут существенно повлиять на характер инвестиций и объем инженерных работ. Например, если модель инференса была разработана собственными силами с использованием графических процессоров Nvidia, то выбор может стоять между инвестированием в корпуса и системы охлаждения для необходимого компьютерного оборудования или ожиданием, пока производители предложат более мощные и надежные вычислительные решения. Если модель инференса не зависит от конкретной платформы, то могут появиться и другие варианты, такие как использование энергоэффективных нейронных процессоров (NPU) или ускорителей искусственного интеллекта для оптимизации производительности при выполнении определенных задач искусственного интеллекта.

Эти архитектурные соображения также актуальны для других сценариев использования, связанных с анализом больших потоков данных в реальном времени, например, 3D-облаков точек, генерируемых датчиками LiDAR. Для каждого сценария использования могут быть и другие специфические факторы, такие как эффективность и зрелость модели инференса.

Использование ИИ для прогнозного технического обслуживания

По сравнению с вычислительно-емкими приложениями реального времени, такими как видеоанализ, приложения для прогнозного технического обслуживания, возможно, легче адаптировать к ИИ с помощью дополнительных инвестиций и существующей архитектуры. Важно отметить, что системы сбора ценных данных с помощью программируемых логических контроллеров (ПЛК) и платформ промышленного Интернета вещей, которые могут использовать ИИ для поддержки платформ прогнозного технического обслуживания, возможно, уже существуют. Поскольку прогнозное техническое обслуживание не зависит от мгновенного анализа огромных объемов данных в реальном времени, модели инференса могут размещаться на центральных или облачных серверах, а периферийные устройства будут отвечать лишь за простой и экономичный сбор данных об оборудовании.

В контексте прогнозного технического обслуживания периферийные устройства также могут запускать модели инференса локально, без необходимости использования специального оборудования, такого как GPU или NPU. Высокооптимизированные прогнозные модели могут работать на легких процессорах с низким энергопотреблением, например на системах на базе Arm. Для многих клиентов это также является естественным шагом вперед: они используют промышленный Интернет вещей для получения видимости оборудования и процессов в режиме реального времени, что позволяет им обнаружить ценность использования этих данных для обеспечения более эффективной эксплуатации и технического обслуживания.

Регулирование и вопросы, связанные с пограничными вычислениями

Регуляторная среда, связанная с ИИ, создает как вызовы, так и возможности для роста в сфере промышленных пограничных приложений. Например, нормативные требования по отчетности о выбросах могут стимулировать спрос на решения по обнаружению утечек на основе ИИ, которые используют пограничную обработку для всестороннего мониторинга по цене, составляющей лишь небольшую часть стоимости традиционных систем. Аналогичным образом, нормативные требования по управлению или сокращению энергопотребления могут открыть дорогу для приложений ИИ, способных быстро выявлять области растраты энергии и оптимизировать работу.

Однако регулирование может также создавать препятствия для решений на базе ИИ или изменять их экономическую эффективность. Например, появление новых классификаций для определенных технологий может изменить способы применения инструментов искусственного интеллекта — будь то введение дополнительных ограничений, обязательных мер по обеспечению соответствия или изменение политики стимулирования импорта и экспорта технологий ИИ.

Быстрое развитие сферы искусственного интеллекта также несет риск рыночной нестабильности. По мере появления новых участников с инновационными решениями, трансформации существующих компаний или слияний и поглощений, которые изменяют предложение продуктов и экономическую эффективность поддержки, рыночная структура может претерпеть изменения. Например, запуск крупной языковой модели ChatGPT и ее эффективность изменили ландшафт и восприятие приложений ИИ, побудив другие компании быстро скорректировать свои стратегии и даже разработать новые коммерческие продукты на основе GPT-движка. Остается посмотреть, как инновационные платформы искусственного интеллекта от таких компаний, как Meta, Anthropic и DeepSeek, создадут новые возможности или сделают существующие решения устаревшими.

Предприятиям необходимо внимательно следить за этими рыночными и регуляторными изменениями, чтобы защитить свои инвестиции и обеспечить долгосрочный успех и конкурентоспособность. На таком захватывающем и быстрорастущем рынке высокая степень неопределенности неизбежна. Поэтому необходимо учитывать риски, связанные с зависимостью решений от доступности этих платформ, в частности неопределенность в отношении будущих лицензионных сборов, а также правовые вопросы, касающиеся прав собственности на обучающие данные и запросы.

ИИ быстро становится мощным инструментом для периферийных вычислений в промышленности, обладая потенциалом для повышения эффективности, предоставления прогнозных аналитических данных и усиления операционной устойчивости. Однако это также требует от лиц, принимающих решения, тщательного учета компромиссов в отношении аппаратного обеспечения, меняющихся сценариев применения, влияния регулирования, а также гибкости в адаптации к новым технологиям и новым участникам рынка. Как и в случае с любой технологией, находящейся на переднем крае инноваций, путь к полному раскрытию потенциала ИИ в промышленной среде будет сопровождаться динамичными изменениями. Взвешенные и стратегические инвестиции сегодня могут заложить основу для устойчивого роста и конкурентного преимущества в будущем.