កត្តាបួនធ្វើឱ្យ AIoT ឧស្សាហកម្មក្លាយជាចំណូលចិត្តថ្មី។

យោងតាមរបាយការណ៍ទីផ្សារឧស្សាហកម្ម AI និង AI ដែលបានចេញផ្សាយថ្មីៗនេះ 2021-2026 អត្រាទទួលយក AI នៅក្នុងការកំណត់ឧស្សាហកម្មបានកើនឡើងពី 19 ភាគរយដល់ 31 ភាគរយក្នុងរយៈពេលត្រឹមតែ 2 ឆ្នាំប៉ុណ្ណោះ។ បន្ថែមលើ 31 ភាគរយនៃអ្នកឆ្លើយសំណួរដែលបានដាក់ឱ្យដំណើរការ AI ពេញលេញ ឬដោយផ្នែកនៅក្នុងប្រតិបត្តិការរបស់ពួកគេ 39 ភាគរយផ្សេងទៀតកំពុងធ្វើតេស្ត ឬសាកល្បងបច្ចេកវិទ្យានេះ។

AI កំពុងលេចចេញជាបច្ចេកវិជ្ជាសំខាន់សម្រាប់ក្រុមហ៊ុនផលិត និងក្រុមហ៊ុនថាមពលទូទាំងពិភពលោក ហើយការវិភាគ IoT ព្យាករណ៍ថាទីផ្សារដំណោះស្រាយ AI ឧស្សាហកម្មនឹងបង្ហាញពីអត្រាកំណើនប្រចាំឆ្នាំ (CAGR) ដ៏រឹងមាំបន្ទាប់ពីជំងឺរាតត្បាត 35% ដល់ 102.17 ពាន់លានដុល្លារនៅឆ្នាំ 2026 ។

យុគសម័យឌីជីថលបានផ្តល់កំណើតដល់ Internet of Things។ គេ​អាច​មើល​ឃើញ​ថា​ការ​លេច​ចេញ​នៃ​បញ្ញា​សិប្បនិម្មិត​បាន​ពន្លឿន​ល្បឿន​នៃ​ការ​អភិវឌ្ឍ​អ៊ីនធឺណិត​នៃ​អ្វីៗ។

សូមក្រឡេកមើលកត្តាមួយចំនួនដែលជំរុញឱ្យមានការកើនឡើងនៃ AI និង AIoT ឧស្សាហកម្ម។

កត្តាទី 1៖ ឧបករណ៍ផ្នែកទន់កាន់តែច្រើនឡើងសម្រាប់ AIoT ឧស្សាហកម្ម

នៅឆ្នាំ 2019 នៅពេលដែល Iot analytics ចាប់ផ្តើមគ្របដណ្តប់លើ AI ឧស្សាហកម្ម មានផលិតផលសូហ្វវែរ AI ដែលឧទ្ទិសតិចតួចពីអ្នកលក់បច្ចេកវិទ្យាប្រតិបត្តិការ (OT) ។ ចាប់តាំងពីពេលនោះមក អ្នកលក់ OT ជាច្រើនបានចូលក្នុងទីផ្សារ AI ដោយបង្កើត និងផ្តល់ដំណោះស្រាយកម្មវិធី AI ក្នុងទម្រង់ជាវេទិកា AI សម្រាប់ជាន់រោងចក្រ។

យោងតាមទិន្នន័យ អ្នកលក់ជិត 400 នាក់ផ្តល់ជូននូវកម្មវិធី AIoT ។ ចំនួនអ្នកលក់កម្មវិធីដែលចូលរួមក្នុងទីផ្សារ AI ឧស្សាហកម្មបានកើនឡើងយ៉ាងខ្លាំងក្នុងរយៈពេលពីរឆ្នាំចុងក្រោយនេះ។ ក្នុងអំឡុងពេលនៃការសិក្សា IoT Analytics បានកំណត់អ្នកផ្គត់ផ្គង់ 634 នៃបច្ចេកវិទ្យា AI ដល់ក្រុមហ៊ុនផលិត/អតិថិជនឧស្សាហកម្ម។ ក្នុងចំណោមក្រុមហ៊ុនទាំងនេះ 389 (61.4%) ផ្តល់កម្មវិធី AI ។

វេទិកាកម្មវិធី AI ថ្មីផ្តោតលើបរិយាកាសឧស្សាហកម្ម។ Beyond Uptake, Braincube ឬ C3 AI អ្នកលក់បច្ចេកវិជ្ជាប្រតិបត្តិការ (OT) ដែលកំពុងកើនឡើងកំពុងផ្តល់ជូននូវវេទិកាកម្មវិធី AI ពិសេស។ ឧទាហរណ៍រួមមានកម្មវិធី Genix Industrial analytics និង AI suite របស់ ABB ឈុត FactoryTalk Innovation របស់ Rockwell Automation វេទិកាប្រឹក្សាផ្នែកផលិតផ្ទាល់ខ្លួនរបស់ Schneider Electric និងថ្មីៗទៀត កម្មវិធីបន្ថែមជាក់លាក់។ វេទិកាទាំងនេះមួយចំនួនកំណត់គោលដៅនៃករណីប្រើប្រាស់យ៉ាងទូលំទូលាយ។ ឧទាហរណ៍ វេទិកា Genix របស់ ABB ផ្តល់នូវការវិភាគកម្រិតខ្ពស់ រួមទាំងកម្មវិធី និងសេវាកម្មដែលបានបង្កើតជាមុនសម្រាប់ការគ្រប់គ្រងប្រតិបត្តិការ សុចរិតភាពនៃទ្រព្យសកម្ម និរន្តរភាព និងប្រសិទ្ធភាពសង្វាក់ផ្គត់ផ្គង់។

ក្រុមហ៊ុនធំៗកំពុងដាក់ឧបករណ៍សូហ្វវែរ AI របស់ពួកគេនៅជាន់ហាង។

ភាពអាចរកបាននៃឧបករណ៍សូហ្វវែរ ai ក៏ត្រូវបានជំរុញដោយឧបករណ៍កម្មវិធីពិសេសករណីប្រើប្រាស់ថ្មីដែលត្រូវបានបង្កើតឡើងដោយ AWS ក្រុមហ៊ុនធំៗដូចជា Microsoft និង Google ។ ជាឧទាហរណ៍ ក្នុងខែធ្នូ ឆ្នាំ 2020 AWS បានចេញផ្សាយ Amazon SageMaker JumpStart ដែលជាលក្ខណៈពិសេសរបស់ Amazon SageMaker ដែលផ្តល់នូវសំណុំនៃដំណោះស្រាយដែលបានបង្កើតជាមុន និងអាចប្ដូរតាមបំណងបានសម្រាប់ករណីប្រើប្រាស់ក្នុងឧស្សាហកម្មទូទៅបំផុតដូចជា PdM ចក្ខុវិស័យកុំព្យូទ័រ និងការបើកបរដោយស្វ័យភាព។ គ្រាន់តែចុចពីរបី។

ដំណោះស្រាយសូហ្វវែរដែលប្រើករណីជាក់លាក់កំពុងជំរុញឱ្យមានការកែលម្អលទ្ធភាពប្រើប្រាស់។

ឈុតកម្មវិធីដែលប្រើជាករណីជាក់លាក់ ដូចជាកម្មវិធីដែលផ្តោតលើការថែទាំការព្យាករណ៍កំពុងក្លាយជារឿងធម្មតាជាងមុន។ IoT Analytics បានសង្កេតឃើញថាចំនួនអ្នកផ្តល់សេវាដែលប្រើប្រាស់ដំណោះស្រាយកម្មវិធីគ្រប់គ្រងទិន្នន័យផលិតផលដែលមានមូលដ្ឋានលើ AI (PdM) បានកើនឡើងដល់ 73 នៅដើមឆ្នាំ 2021 ដោយសារតែការកើនឡើងនៃប្រភពទិន្នន័យផ្សេងៗគ្នា និងការប្រើប្រាស់គំរូមុនការបណ្តុះបណ្តាល ក៏ដូចជាការរីករាលដាល។ ការទទួលយកបច្ចេកវិទ្យាបង្កើនទិន្នន័យ។

កត្តាទី 2៖ ការអភិវឌ្ឍន៍ និងថែទាំដំណោះស្រាយ AI កំពុងត្រូវបានធ្វើឱ្យសាមញ្ញ

ការរៀនម៉ាស៊ីនស្វ័យប្រវត្តិ (AutoML) កំពុងក្លាយជាផលិតផលស្តង់ដារ។

ដោយសារតែភាពស្មុគស្មាញនៃកិច្ចការដែលទាក់ទងនឹងការរៀនម៉ាស៊ីន (ML) ការរីកចម្រើនយ៉ាងឆាប់រហ័សនៃកម្មវិធីរៀនម៉ាស៊ីនបានបង្កើតតម្រូវការសម្រាប់វិធីសាស្រ្តរៀនម៉ាស៊ីនក្រៅធ្នើដែលអាចប្រើបានដោយគ្មានជំនាញ។ វាលលទ្ធផលនៃការស្រាវជ្រាវ ស្វ័យប្រវត្តិកម្មរីកចម្រើនសម្រាប់ការរៀនម៉ាស៊ីនត្រូវបានគេហៅថា AutoML ។ ក្រុមហ៊ុនជាច្រើនកំពុងប្រើប្រាស់បច្ចេកវិទ្យានេះជាផ្នែកមួយនៃការផ្តល់ AI របស់ពួកគេ ដើម្បីជួយអតិថិជនបង្កើតគំរូ ML និងអនុវត្តករណីប្រើប្រាស់ក្នុងឧស្សាហកម្មកាន់តែលឿន។ ជាឧទាហរណ៍ ក្នុងខែវិច្ឆិកា ឆ្នាំ 2020 SKF បានប្រកាសផលិតផលដែលមានមូលដ្ឋានលើ automL ដែលរួមបញ្ចូលគ្នានូវទិន្នន័យដំណើរការម៉ាស៊ីនជាមួយនឹងទិន្នន័យរំញ័រ និងសីតុណ្ហភាព ដើម្បីកាត់បន្ថយការចំណាយ និងបើកដំណើរការគំរូអាជីវកម្មថ្មីសម្រាប់អតិថិជន។

ប្រតិបត្តិការសិក្សាម៉ាស៊ីន (ML Ops) សម្រួលការគ្រប់គ្រង និងថែទាំគំរូ។

វិន័យថ្មីនៃប្រតិបត្តិការសិក្សាម៉ាស៊ីនមានគោលបំណងធ្វើឱ្យងាយស្រួលក្នុងការថែទាំម៉ូដែល AI នៅក្នុងបរិយាកាសផលិតកម្ម។ ដំណើរការនៃគំរូ AI ជាធម្មតាថយចុះតាមពេលវេលា ដោយសារវាត្រូវបានប៉ះពាល់ដោយកត្តាជាច្រើននៅក្នុងរោងចក្រ (ឧទាហរណ៍ ការផ្លាស់ប្តូរក្នុងការចែកចាយទិន្នន័យ និងស្តង់ដារគុណភាព)។ ជាលទ្ធផល ការថែទាំម៉ូដែល និងប្រតិបត្តិការរៀនម៉ាស៊ីនបានក្លាយជាការចាំបាច់ដើម្បីបំពេញតាមតម្រូវការគុណភាពខ្ពស់នៃបរិស្ថានឧស្សាហកម្ម (ឧទាហរណ៍ ម៉ូដែលដែលមានដំណើរការទាបជាង 99% អាចនឹងខកខានក្នុងការកំណត់អត្តសញ្ញាណអាកប្បកិរិយាដែលបង្កគ្រោះថ្នាក់ដល់សុវត្ថិភាពកម្មករ)។

ក្នុងប៉ុន្មានឆ្នាំថ្មីៗនេះ ការចាប់ផ្តើមអាជីវកម្មជាច្រើនបានចូលរួមជាមួយ ML Ops space រួមទាំង DataRobot, Grid.AI, Pinecone/Zilliz, Seldon និង Weights & Biases។ ក្រុមហ៊ុនដែលបានបង្កើតឡើងបានបន្ថែមប្រតិបត្តិការសិក្សាម៉ាស៊ីនទៅនឹងការផ្តល់ជូនកម្មវិធី AI ដែលមានស្រាប់របស់ពួកគេ រួមទាំងក្រុមហ៊ុន Microsoft ដែលបានណែនាំការរកឃើញទិន្នន័យនៅក្នុង Azure ML Studio ។ មុខងារថ្មីនេះ អាចឱ្យអ្នកប្រើប្រាស់រកឃើញការផ្លាស់ប្តូរក្នុងការបែងចែកទិន្នន័យបញ្ចូល ដែលធ្វើឲ្យខូចមុខងាររបស់ម៉ូដែល។

កត្តាទី 3៖ បញ្ញាសិប្បនិម្មិតបានអនុវត្តចំពោះកម្មវិធីដែលមានស្រាប់ និងករណីប្រើប្រាស់

អ្នកផ្តល់កម្មវិធីបុរាណកំពុងបន្ថែមសមត្ថភាព AI ។

បន្ថែមពីលើឧបករណ៍កម្មវិធី AI ផ្ដេកធំដែលមានស្រាប់ដូចជា MS Azure ML, AWS SageMaker និង Google Cloud Vertex AI ឈុតកម្មវិធីបែបប្រពៃណីដូចជា Computerized Maintenance Management Systems (CAMMS), Manufacturing execution systems (MES) ឬផែនការធនធានសហគ្រាស (ERP) ឥឡូវនេះអាចត្រូវបានធ្វើឱ្យប្រសើរឡើងយ៉ាងខ្លាំងដោយការចាក់បញ្ចូលសមត្ថភាព AI ។ ឧទាហរណ៍ អ្នកផ្តល់សេវា ERP Epicor Software កំពុងបន្ថែមសមត្ថភាព AI ទៅកាន់ផលិតផលដែលមានស្រាប់របស់ខ្លួន តាមរយៈជំនួយការនិម្មិត Epicor (EVA) របស់ខ្លួន។ ភ្នាក់ងារ EVA ឆ្លាតវៃត្រូវបានប្រើដើម្បីធ្វើស្វ័យប្រវត្តិកម្មដំណើរការ ERP ដូចជាការកំណត់ពេលប្រតិបត្តិការផលិតកម្មឡើងវិញ ឬអនុវត្តសំណួរសាមញ្ញ (ឧទាហរណ៍ ការទទួលបានព័ត៌មានលម្អិតអំពីតម្លៃផលិតផល ឬចំនួនផ្នែកដែលមាន)។

ករណីប្រើប្រាស់ឧស្សាហកម្មកំពុងត្រូវបានធ្វើឱ្យប្រសើរឡើងដោយប្រើ AIoT ។

ករណីប្រើប្រាស់ក្នុងឧស្សាហកម្មជាច្រើនកំពុងត្រូវបានពង្រឹងដោយការបន្ថែមសមត្ថភាព AI ទៅលើហេដ្ឋារចនាសម្ព័ន្ធផ្នែករឹង/កម្មវិធីដែលមានស្រាប់។ ឧទាហរណ៍ដ៏រស់រវើកគឺចក្ខុវិស័យម៉ាស៊ីននៅក្នុងកម្មវិធីត្រួតពិនិត្យគុណភាព។ ប្រព័ន្ធចក្ខុវិស័យម៉ាស៊ីនបែបបុរាណដំណើរការរូបភាពតាមរយៈកុំព្យូទ័ររួមបញ្ចូលគ្នា ឬដាច់ដោយឡែកដែលបំពាក់ដោយកម្មវិធីឯកទេសដែលវាយតម្លៃប៉ារ៉ាម៉ែត្រ និងកម្រិតកំណត់ដែលបានកំណត់ទុកជាមុន (ឧទាហរណ៍កម្រិតពណ៌ខ្ពស់) ដើម្បីកំណត់ថាតើវត្ថុបង្ហាញពិការភាពឬអត់។ ក្នុងករណីជាច្រើន (ឧទាហរណ៍ គ្រឿងអេឡិចត្រូនិចដែលមានរាងខ្សែភ្លើងខុសៗគ្នា) ចំនួននៃវិជ្ជមានមិនពិតគឺខ្ពស់ណាស់។

ទោះជាយ៉ាងណាក៏ដោយ ប្រព័ន្ធទាំងនេះកំពុងត្រូវបានធ្វើឱ្យរស់ឡើងវិញតាមរយៈបញ្ញាសិប្បនិម្មិត។ ឧទាហរណ៍ ម៉ាស៊ីនឧស្សាហកម្ម Vision provider Cognex បានចេញផ្សាយឧបករណ៍ Deep Learning ថ្មី (Vision Pro Deep Learning 2.0) នៅក្នុងខែកក្កដា ឆ្នាំ 2021។ ឧបករណ៍ថ្មីនេះរួមបញ្ចូលជាមួយប្រព័ន្ធចក្ខុវិស័យបែបប្រពៃណី ដែលអនុញ្ញាតឱ្យអ្នកប្រើប្រាស់ចុងក្រោយរួមបញ្ចូលគ្នានូវការរៀនស៊ីជម្រៅជាមួយនឹងឧបករណ៍ចក្ខុវិស័យបែបប្រពៃណីនៅក្នុងកម្មវិធីតែមួយដើម្បី បំពេញតាមតម្រូវការបរិស្ថានវេជ្ជសាស្រ្ត និងអេឡិចត្រូនិក ដែលទាមទារការវាស់វែងត្រឹមត្រូវនៃកោស ការចម្លងរោគ និងពិការភាពផ្សេងទៀត។

កត្តាទី 4៖ ផ្នែករឹង AIoT ឧស្សាហកម្មកំពុងត្រូវបានកែលម្អ

បន្ទះឈីប AI កំពុងមានភាពប្រសើរឡើងយ៉ាងឆាប់រហ័ស។

បន្ទះឈីប AI ដែលបង្កប់ដោយផ្នែករឹងកំពុងរីកចម្រើនយ៉ាងឆាប់រហ័ស ជាមួយនឹងជម្រើសជាច្រើនដែលអាចរកបានដើម្បីគាំទ្រដល់ការអភិវឌ្ឍន៍ និងការដាក់ឱ្យប្រើប្រាស់ម៉ូដែល AI ។ ឧទាហរណ៍រួមមានអង្គភាពដំណើរការក្រាហ្វិក (Gpus) ចុងក្រោយបង្អស់របស់ NVIDIA A30 និង A10 ដែលត្រូវបានណែនាំក្នុងខែមីនា ឆ្នាំ 2021 ហើយស័ក្តិសមសម្រាប់ករណីប្រើប្រាស់ AI ដូចជាប្រព័ន្ធណែនាំ និងប្រព័ន្ធមើលឃើញកុំព្យូទ័រ។ ឧទាហរណ៍មួយទៀតគឺអង្គភាពដំណើរការ Tensors (TPus) ជំនាន់ទី 4 របស់ Google ដែលជាសៀគ្វីរួមបញ្ចូលគ្នាដែលមានគោលបំណងពិសេស (ASics) ដែលអាចសម្រេចបាននូវប្រសិទ្ធភាព និងល្បឿនច្រើនជាងមុនដល់ទៅ 1,000 ដងក្នុងការអភិវឌ្ឍន៍គំរូ និងការដាក់ឱ្យប្រើប្រាស់សម្រាប់បន្ទុកការងារ AI ជាក់លាក់ (ឧទាហរណ៍ ការរកឃើញវត្ថុ ការចាត់ថ្នាក់រូបភាព និងគោលការណ៍ណែនាំ)។ ការប្រើប្រាស់ផ្នែករឹង AI ពិសេសកាត់បន្ថយពេលវេលាគណនាគំរូពីមួយថ្ងៃទៅមួយនាទី ហើយបានបង្ហាញថាជាអ្នកផ្លាស់ប្តូរហ្គេមនៅក្នុងករណីជាច្រើន។

ផ្នែករឹង AI ដ៏មានអានុភាពអាចរកបានភ្លាមៗតាមរយៈគំរូបង់ប្រាក់ក្នុងមួយការប្រើប្រាស់។

សហគ្រាស Superscale កំពុងធ្វើបច្ចុប្បន្នភាពម៉ាស៊ីនមេរបស់ពួកគេឥតឈប់ឈរដើម្បីធ្វើឱ្យធនធានកុំព្យូទ័រមាននៅក្នុងពពក ដូច្នេះអ្នកប្រើប្រាស់ចុងក្រោយអាចអនុវត្តកម្មវិធី AI ឧស្សាហកម្ម។ ជាឧទាហរណ៍ ក្នុងខែវិច្ឆិកា ឆ្នាំ 2021 AWS បានប្រកាសការចេញផ្សាយជាផ្លូវការនៃករណីដែលមានមូលដ្ឋានលើ GPU ចុងក្រោយបំផុតរបស់ខ្លួន Amazon EC2 G5 ដែលដំណើរការដោយ NVIDIA A10G Tensor Core GPU សម្រាប់កម្មវិធី ML ជាច្រើន រួមទាំងចក្ខុវិស័យកុំព្យូទ័រ និងម៉ាស៊ីនណែនាំ។ ជាឧទាហរណ៍ អ្នកផ្តល់ប្រព័ន្ធរាវរក Nanotronics ប្រើឧទាហរណ៍ Amazon EC2 នៃដំណោះស្រាយត្រួតពិនិត្យគុណភាពដែលមានមូលដ្ឋានលើ AI របស់ខ្លួន ដើម្បីបង្កើនល្បឿននៃកិច្ចខិតខំប្រឹងប្រែងដំណើរការ និងសម្រេចបាននូវអត្រាការរកឃើញត្រឹមត្រូវបន្ថែមទៀតនៅក្នុងការផលិតមីក្រូឈីប និង nanotubes ។

សេចក្តីសន្និដ្ឋាន និងការរំពឹងទុក

AI កំពុង​ចេញ​ពី​រោងចក្រ ហើយ​វា​នឹង​មាន​នៅ​គ្រប់​ទីកន្លែង​ក្នុង​កម្មវិធី​ថ្មីៗ​ដូចជា AI-based PdM និង​ជា​ការ​កែលម្អ​កម្មវិធី​ដែល​មាន​ស្រាប់ និង​ករណី​ប្រើប្រាស់។ សហគ្រាសធំៗកំពុងដាក់ចេញនូវករណីប្រើប្រាស់ AI ជាច្រើន និងរាយការណ៍ពីភាពជោគជ័យ ហើយគម្រោងភាគច្រើនទទួលបានផលចំណេញខ្ពស់លើការវិនិយោគ។ សរុបមក ការកើនឡើងនៃពពក វេទិកា iot និងបន្ទះឈីប AI ដ៏មានអានុភាពផ្តល់នូវវេទិកាសម្រាប់កម្មវិធីជំនាន់ថ្មី និងការបង្កើនប្រសិទ្ធភាព។