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 ឧស្សាហកម្មនឹងបង្ហាញនូវអត្រាកំណើនប្រចាំឆ្នាំ (CAGR) ដ៏រឹងមាំបន្ទាប់ពីជំងឺរាតត្បាត (CAGR) ចំនួន 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។

ប្រតិបត្តិការរៀនម៉ាស៊ីន (ML Ops) សម្រួលការគ្រប់គ្រង និងថែទាំម៉ូដែល។

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 ។ឧទាហរណ៍រួមមាន អង្គភាពដំណើរការក្រាហ្វិក (Gpus) ចុងក្រោយបំផុតរបស់ 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។