ନିକଟରେ ପ୍ରକାଶିତ ଇଣ୍ଡଷ୍ଟ୍ରିଆଲ୍ AI ଏବଂ AI ମାର୍କେଟ ରିପୋର୍ଟ 2021-2026 ଅନୁଯାୟୀ, ଶିଳ୍ପ ସେଟିଂସମୂହରେ AI ର ଗ୍ରହଣ ହାର ମାତ୍ର ଦୁଇ ବର୍ଷ ମଧ୍ୟରେ 19 ପ୍ରତିଶତରୁ 31 ପ୍ରତିଶତକୁ ବୃଦ୍ଧି ପାଇଛି। ଏହା ବ୍ୟତୀତ 31 ପ୍ରତିଶତ ଉତ୍ତରଦାତା ଯେଉଁମାନେ ନିଜ କାର୍ଯ୍ୟରେ AI କୁ ସମ୍ପୂର୍ଣ୍ଣ କିମ୍ବା ଆଂଶିକ ରୋଲ୍ କରିଛନ୍ତି, ଅନ୍ୟ 39 ପ୍ରତିଶତ ବର୍ତ୍ତମାନ ଟେକ୍ନୋଲୋଜି ପରୀକ୍ଷା କରୁଛନ୍ତି କିମ୍ବା ପାଇଲଟ୍ କରୁଛନ୍ତି |
ବିଶ୍ worldwide ର ଉତ୍ପାଦକ ଏବଂ ଶକ୍ତି କମ୍ପାନୀଗୁଡିକ ପାଇଁ AI ଏକ ପ୍ରମୁଖ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଭାବରେ ଉଭା ହେଉଛି ଏବଂ IoT ବିଶ୍ଳେଷଣ ପୂର୍ବାନୁମାନ କରିଛି ଯେ ଶିଳ୍ପ AI ସମାଧାନ ବଜାର 2026 ସୁଦ୍ଧା 102.17 ବିଲିୟନ ଡ଼ଲାରରେ 35% ବୃଦ୍ଧି ପାଇବ।
ଡିଜିଟାଲ୍ ଯୁଗ ଇଣ୍ଟରନେଟ୍ ଅଫ୍ ଥିଙ୍ଗ୍ସକୁ ଜନ୍ମ ଦେଇଛି | ଏହା ଦେଖାଯାଇପାରେ ଯେ କୃତ୍ରିମ ବୁଦ୍ଧିମତାର ଆବିର୍ଭାବ ଇଣ୍ଟରନେଟ୍ ଅଫ୍ ଥିଙ୍ଗ୍ସର ବିକାଶର ଗତିକୁ ତ୍ୱରାନ୍ୱିତ କରିଛି |
ଆସନ୍ତୁ ଦେଖିବା ଶିଳ୍ପ AI ଏବଂ AIoT ର ବୃଦ୍ଧି ପାଇଁ କିଛି କାରଣ |
କାରକ 1: ଶିଳ୍ପ AIoT ପାଇଁ ଅଧିକରୁ ଅଧିକ ସଫ୍ଟୱେର୍ ଉପକରଣ |
2019 ରେ, ଯେତେବେଳେ Iot ଆନାଲିଟିକ୍ସ ଶିଳ୍ପ AI କୁ କଭର୍ କରିବାକୁ ଲାଗିଲା, ସେଠାରେ ଅପରେସନ୍ ଟେକ୍ନୋଲୋଜି (OT) ବିକ୍ରେତାଙ୍କ ଠାରୁ କିଛି ଉତ୍ସର୍ଗୀକୃତ AI ସଫ୍ଟୱେର୍ ଉତ୍ପାଦ ଥିଲା | ସେହି ଦିନଠାରୁ, ଅନେକ OT ବିକ୍ରେତା କାରଖାନା ଚଟାଣ ପାଇଁ AI ପ୍ଲାଟଫର୍ମ ଆକାରରେ AI ସଫ୍ଟୱେର୍ ସମାଧାନର ବିକାଶ ଏବଂ ପ୍ରଦାନ କରି AI ବଜାରରେ ପ୍ରବେଶ କଲେ |
ତଥ୍ୟ ଅନୁଯାୟୀ, ପ୍ରାୟ 400 ବିକ୍ରେତା AIoT ସଫ୍ଟୱେର୍ ପ୍ରଦାନ କରନ୍ତି | ବିଗତ ଦୁଇ ବର୍ଷ ମଧ୍ୟରେ ଇଣ୍ଡଷ୍ଟ୍ରିଆଲ୍ AI ବଜାରରେ ଯୋଗ ଦେଉଥିବା ସଫ୍ଟୱେର୍ ବିକ୍ରେତାଙ୍କ ସଂଖ୍ୟା ଆଶ୍ଚର୍ଯ୍ୟଜନକ ଭାବେ ବୃଦ୍ଧି ପାଇଛି | ଅଧ୍ୟୟନ ସମୟରେ, IoT ଆନାଲିଟିକ୍ସ ନିର୍ମାତା / ଶିଳ୍ପ ଗ୍ରାହକଙ୍କୁ AI ଟେକ୍ନୋଲୋଜିର 634 ଯୋଗାଣକାରୀଙ୍କୁ ଚିହ୍ନଟ କଲା | ଏହି କମ୍ପାନୀଗୁଡିକ ମଧ୍ୟରୁ 389 (61.4%) AI ସଫ୍ଟୱେର୍ ପ୍ରଦାନ କରେ |
ନୂତନ AI ସଫ୍ଟୱେର୍ ପ୍ଲାଟଫର୍ମ ଶିଳ୍ପ ପରିବେଶ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ | ଅପ୍ଟେକ୍, ବ୍ରେନକ୍ୟୁବ୍, କିମ୍ବା C3 AI ବାହାରେ, ବହୁ ସଂଖ୍ୟାରେ କାର୍ଯ୍ୟକ୍ଷମ ଟେକ୍ନୋଲୋଜି (OT) ବିକ୍ରେତା ଉତ୍ସର୍ଗୀକୃତ AI ସଫ୍ଟୱେର୍ ପ୍ଲାଟଫର୍ମ ପ୍ରଦାନ କରୁଛନ୍ତି | ଉଦାହରଣଗୁଡିକ ହେଉଛି ABB ର ଜେନିକ୍ସ ଇଣ୍ଡଷ୍ଟ୍ରିଆଲ୍ ଆନାଲିଟିକ୍ସ ଏବଂ ଏଇ ସୁଟ୍, ରକୱେଲ ଅଟୋମେସନ୍ ଫ୍ୟାକ୍ଟ୍ରି ଟ୍ୟାକ୍ ଇନୋଭେସନ୍ ସୁଟ୍, ସ୍ନାଇଡର୍ ଇଲେକ୍ଟ୍ରିକ୍ ର ନିଜସ୍ୱ ଉତ୍ପାଦନ ପରାମର୍ଶ ପ୍ଲାଟଫର୍ମ ଏବଂ ସମ୍ପ୍ରତି ନିର୍ଦ୍ଦିଷ୍ଟ ଆଡ-ଅନଗୁଡିକ | ଏହି ପ୍ଲାଟଫର୍ମଗୁଡିକ ମଧ୍ୟରୁ କେତେକ ବ୍ୟବହାର କ୍ଷେତ୍ରରେ ବ୍ୟାପକ ପରିସରକୁ ଟାର୍ଗେଟ କରନ୍ତି | ଉଦାହରଣ ସ୍ୱରୂପ, ABB ର ଜେନିକ୍ସ ପ୍ଲାଟଫର୍ମ ଉନ୍ନତ ଆନାଲିଟିକ୍ସ ପ୍ରଦାନ କରିଥାଏ, ଯାହାକି କାର୍ଯ୍ୟକ୍ଷମ କାର୍ଯ୍ୟଦକ୍ଷତା ପରିଚାଳନା, ସମ୍ପତ୍ତି ଅଖଣ୍ଡତା, ସ୍ଥିରତା ଏବଂ ଯୋଗାଣ ଶୃଙ୍ଖଳା ଦକ୍ଷତା ପାଇଁ ପୂର୍ବ-ନିର୍ମିତ ପ୍ରୟୋଗ ଏବଂ ସେବା ଅନ୍ତର୍ଭୁକ୍ତ କରେ |
ବଡ କମ୍ପାନୀଗୁଡିକ ସେମାନଙ୍କର ଆଇ ସଫ୍ଟୱେର୍ ଉପକରଣଗୁଡ଼ିକୁ ଦୋକାନ ଚଟାଣରେ ରଖୁଛନ୍ତି |
Ai ସଫ୍ଟୱେୟାର ଉପକରଣଗୁଡ଼ିକର ଉପଲବ୍ଧତା AWS ଦ୍ developed ାରା ବିକଶିତ ନୂତନ ବ୍ୟବହାର-କେସ୍ ନିର୍ଦ୍ଦିଷ୍ଟ ସଫ୍ଟୱେର୍ ଟୁଲ୍ସ ଦ୍ୱାରା ପରିଚାଳିତ, ମାଇକ୍ରୋସଫ୍ଟ ଏବଂ ଗୁଗୁଲ୍ ପରି ବୃହତ କମ୍ପାନୀଗୁଡିକ | ଉଦାହରଣ ସ୍ୱରୂପ, ଡିସେମ୍ବର 2020 ରେ, AWS ଆମାଜନ୍ ସେଜ୍ ମେକର୍ ଜମ୍ପଷ୍ଟାର୍ଟ ମୁକ୍ତିଲାଭ କରିଥିଲା, ଆମାଜନ ସେଜ୍ ମେକରର ଏକ ବ that ଶିଷ୍ଟ୍ୟ ଯାହା ସାଧାରଣ ଶିଳ୍ପ ବ୍ୟବହାର ମାମଲାଗୁଡ଼ିକ ପାଇଁ ପୂର୍ବ ନିର୍ମିତ ଏବଂ କଷ୍ଟମାଇଜେବଲ୍ ସମାଧାନର ଏକ ସେଟ୍ ପ୍ରଦାନ କରିଥାଏ ଯେପରିକି PdM, କମ୍ପ୍ୟୁଟର ଦର୍ଶନ, ଏବଂ ସ୍ୱୟଂଶାସିତ ଡ୍ରାଇଭିଂ, ନିୟୋଜନ ସହିତ | କେବଳ କିଛି କ୍ଲିକ୍ |
ବ୍ୟବହାର-କେସ୍-ନିର୍ଦ୍ଦିଷ୍ଟ ସଫ୍ଟୱେର୍ ସମାଧାନଗୁଡ଼ିକ ଉପଯୋଗିତା ଉନ୍ନତିକୁ ଚଲାଉଛି |
ବ୍ୟବହାର-କେସ୍-ନିର୍ଦ୍ଦିଷ୍ଟ ସଫ୍ଟୱେର୍ ସୁଟ୍, ଯେପରି ପୂର୍ବାନୁମାନ ରକ୍ଷଣାବେକ୍ଷଣ ଉପରେ ଧ୍ୟାନ ଦିଆଯାଏ, ତାହା ଅଧିକ ସାଧାରଣ ହେବାରେ ଲାଗିଛି | IoT ଆନାଲିଟିକ୍ସ ଦେଖିଲା ଯେ ବିଭିନ୍ନ ତଥ୍ୟ ଉତ୍ସର ବୃଦ୍ଧି ଏବଂ ପ୍ରି-ଟ୍ରେନିଂ ମଡେଲଗୁଡିକର ବ୍ୟବହାର ତଥା ବ୍ୟାପକ ବିସ୍ତାର ହେତୁ 2021 ପ୍ରାରମ୍ଭରେ AI- ଆଧାରିତ ଉତ୍ପାଦ ତଥ୍ୟ ପରିଚାଳନା (PdM) ସଫ୍ଟୱେର୍ ସମାଧାନ ବ୍ୟବହାର କରୁଥିବା ପ୍ରଦାନକାରୀଙ୍କ ସଂଖ୍ୟା 73 କୁ ବୃଦ୍ଧି ପାଇଲା | ତଥ୍ୟ ବୃଦ୍ଧି ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଗ୍ରହଣ
କାରକ ୨: AI ସମାଧାନର ବିକାଶ ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣକୁ ସରଳ କରାଯାଉଛି |
ସ୍ୱୟଂଚାଳିତ ମେସିନ୍ ଲର୍ନିଂ (ଅଟୋଏମ୍ଏଲ୍) ଏକ ମାନକ ଉତ୍ପାଦରେ ପରିଣତ ହେଉଛି |
ମେସିନ୍ ଲର୍ନିଂ (ML) ସହିତ ଜଡିତ କାର୍ଯ୍ୟଗୁଡ଼ିକର ଜଟିଳତା ହେତୁ, ମେସିନ୍ ଲର୍ନିଂ ପ୍ରୟୋଗଗୁଡ଼ିକର ଦ୍ରୁତ ଅଭିବୃଦ୍ଧି ଅଫ୍ ଦି ସେଲ୍ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ପଦ୍ଧତିର ଆବଶ୍ୟକତା ସୃଷ୍ଟି କରିଛି ଯାହା ବିନା ଜ୍ଞାନରେ ବ୍ୟବହାର କରାଯାଇପାରିବ | ଅନୁସନ୍ଧାନର ଫଳାଫଳ କ୍ଷେତ୍ର, ମେସିନ୍ ଲର୍ନିଂ ପାଇଁ ପ୍ରଗତିଶୀଳ ସ୍ୱୟଂଚାଳିତତାକୁ ଅଟୋଏମ୍ଏଲ୍ କୁହାଯାଏ | ଗ୍ରାହକଙ୍କୁ ML ମଡେଲଗୁଡିକର ବିକାଶ ଏବଂ ଶିଳ୍ପ ବ୍ୟବହାର ମାମଲାକୁ ଶୀଘ୍ର କାର୍ଯ୍ୟକାରୀ କରିବାରେ ସାହାଯ୍ୟ କରିବାକୁ ବିଭିନ୍ନ କମ୍ପାନୀ ସେମାନଙ୍କର AI ଅଫରର ଏକ ଅଂଶ ଭାବରେ ଏହି ଟେକ୍ନୋଲୋଜିକୁ ବ୍ୟବହାର କରୁଛନ୍ତି | ନଭେମ୍ବର 2020 ରେ, ଉଦାହରଣ ସ୍ୱରୂପ, SKF ଏକ ଅଟୋ-ଆଧାରିତ ଉତ୍ପାଦ ଘୋଷଣା କଲା ଯାହା ମେସିନ୍ ପ୍ରକ୍ରିୟା ତଥ୍ୟକୁ କମ୍ପନ ଏବଂ ତାପମାତ୍ରା ତଥ୍ୟ ସହିତ ମିଶ୍ରଣ କରି ଗ୍ରାହକଙ୍କ ପାଇଁ ନୂତନ ବ୍ୟବସାୟ ମଡେଲ ସକ୍ଷମ କରେ |
ମେସିନ୍ ଲର୍ନିଂ ଅପରେସନ୍ (ML Ops) ମଡେଲ୍ ପରିଚାଳନା ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣକୁ ସରଳ କରିଥାଏ |
ମେସିନ୍ ଲର୍ନିଂ ଅପରେସନ୍ ର ନୂତନ ଅନୁଶାସନ ଉତ୍ପାଦନ ପରିବେଶରେ AI ମଡେଲଗୁଡିକର ରକ୍ଷଣାବେକ୍ଷଣକୁ ସରଳ କରିବାକୁ ଲକ୍ଷ୍ୟ ରଖିଛି | ଏକ AI ମଡେଲର କାର୍ଯ୍ୟଦକ୍ଷତା ସାଧାରଣତ time ସମୟ ସହିତ ଖରାପ ହୋଇଯାଏ କାରଣ ଏହା ଉଦ୍ଭିଦ ମଧ୍ୟରେ ଅନେକ କାରଣ ଦ୍ୱାରା ପ୍ରଭାବିତ ହୋଇଥାଏ (ଉଦାହରଣ ସ୍ୱରୂପ, ତଥ୍ୟ ବଣ୍ଟନ ଏବଂ ଗୁଣାତ୍ମକ ମାନର ପରିବର୍ତ୍ତନ) | ଫଳସ୍ୱରୂପ, ଶିଳ୍ପ ପରିବେଶର ଉଚ୍ଚ ଗୁଣବତ୍ତା ଆବଶ୍ୟକତା ପୂରଣ କରିବା ପାଇଁ ମଡେଲ୍ ରକ୍ଷଣାବେକ୍ଷଣ ଏବଂ ମେସିନ୍ ଲର୍ନିଂ ଅପରେସନ୍ ଆବଶ୍ୟକ ହୋଇପାରିଛି (ଉଦାହରଣ ସ୍ୱରୂପ, 99% ରୁ କମ୍ କାର୍ଯ୍ୟଦକ୍ଷତା ଥିବା ମଡେଲଗୁଡିକ କର୍ମଚାରୀଙ୍କ ସୁରକ୍ଷା ପ୍ରତି ବିପଦ ଥିବା ଆଚରଣ ଚିହ୍ନଟ କରିବାରେ ବିଫଳ ହୋଇପାରନ୍ତି) |
ସାମ୍ପ୍ରତିକ ବର୍ଷଗୁଡିକରେ, ଅନେକ ଷ୍ଟାର୍ଟଅପ୍ ML Ops ସ୍ପେସ୍ ସହିତ ଡାଟା ରୋବଟ୍, ଗ୍ରୀଡ୍.ଏ, ପିନକୋନ୍ / ଜିଲିଜ୍, ସେଲଡନ୍, ଏବଂ ଓଜନ ଏବଂ ବିବିଧତା ସହିତ ଯୋଗ ଦେଇଛନ୍ତି | ପ୍ରତିଷ୍ଠିତ କମ୍ପାନୀଗୁଡିକ ମାଇକ୍ରୋସଫ୍ଟକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରି ସେମାନଙ୍କର ବିଦ୍ୟମାନ AI ସଫ୍ଟୱେର୍ ଅଫର୍ରେ ମେସିନ୍ ଲର୍ନିଂ ଅପରେସନ୍ ଯୋଡିଛନ୍ତି, ଯାହା ଆଜୁର୍ ML ଷ୍ଟୁଡିଓରେ ଡାଟା ଡ୍ରାଇଫ୍ ଚିହ୍ନଟ କରିଥିଲା | ଏହି ନୂତନ ବ feature ଶିଷ୍ଟ୍ୟ ଉପଭୋକ୍ତାମାନଙ୍କୁ ଇନପୁଟ୍ ଡାଟା ବଣ୍ଟନରେ ପରିବର୍ତ୍ତନ ଚିହ୍ନଟ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ ଯାହା ମଡେଲ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ହ୍ରାସ କରିଥାଏ |
ଫ୍ୟାକ୍ଟର୍ 3: କୃତ୍ରିମ ବୁଦ୍ଧି ବିଦ୍ୟମାନ ପ୍ରୟୋଗରେ ପ୍ରୟୋଗ ହୁଏ ଏବଂ ମାମଲା ବ୍ୟବହାର କରେ |
ପାରମ୍ପାରିକ ସଫ୍ଟୱେର୍ ପ୍ରଦାନକାରୀମାନେ AI କ୍ଷମତା ଯୋଗ କରୁଛନ୍ତି |
ବିଦ୍ୟମାନ ବୃହତ ଭୂସମାନ୍ତର AI ସଫ୍ଟୱେୟାର ଉପକରଣ ଯେପରିକି MS Azure ML, AWS SageMaker, ଏବଂ Google Cloud Vertex AI, ପାରମ୍ପାରିକ ସଫ୍ଟୱେର୍ ସୁଟ୍ ଯେପରିକି କମ୍ପ୍ୟୁଟରାଇଜଡ୍ ମେଣ୍ଟେନାନ୍ସ ମ୍ୟାନେଜମେଣ୍ଟ ସିଷ୍ଟମ୍ (CAMMS), ଉତ୍ପାଦନ ନିର୍ବାହ ପ୍ରଣାଳୀ (MES) କିମ୍ବା ଏଣ୍ଟରପ୍ରାଇଜ୍ ଉତ୍ସ ଯୋଜନା (ERP) | AI କ୍ଷମତାକୁ ଇଞ୍ଜେକ୍ସନ ଦେଇ ବର୍ତ୍ତମାନ ଯଥେଷ୍ଟ ଉନ୍ନତ ହୋଇପାରିବ | ଉଦାହରଣ ସ୍ୱରୂପ, ERP ପ୍ରଦାନକାରୀ ଏପିକୋର ସଫ୍ଟୱେର୍ ଏହାର ଏପିକର୍ ଭର୍ଚୁଆଲ୍ ଆସିଷ୍ଟାଣ୍ଟ (ଇଭିଏ) ମାଧ୍ୟମରେ ଏହାର ବିଦ୍ୟମାନ ଉତ୍ପାଦଗୁଡିକରେ AI କ୍ଷମତା ଯୋଗ କରୁଛି | ଇଆରପି ପ୍ରକ୍ରିୟାଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ବ Intell ଦ୍ଧିକ ଇଭିଏ ଏଜେଣ୍ଟଗୁଡିକ ବ୍ୟବହୃତ ହୁଏ, ଯେପରିକି ଉତ୍ପାଦନ କାର୍ଯ୍ୟକୁ ପୁନ ched ସ୍ଥିର କରିବା କିମ୍ବା ସରଳ ଜିଜ୍ଞାସା କରିବା (ଉଦାହରଣ ସ୍ୱରୂପ, ଉତ୍ପାଦ ମୂଲ୍ୟ କିମ୍ବା ଉପଲବ୍ଧ ଅଂଶ ସଂଖ୍ୟା ବିଷୟରେ ବିବରଣୀ ପାଇବା) |
AIoT ବ୍ୟବହାର କରି ଶିଳ୍ପ ବ୍ୟବହାର ମାମଲାଗୁଡ଼ିକ ନବୀକରଣ କରାଯାଉଛି |
ବିଦ୍ୟମାନ ହାର୍ଡୱେର୍ / ସଫ୍ଟୱେର୍ ଭିତ୍ତିଭୂମିରେ AI ସାମର୍ଥ୍ୟ ଯୋଗ କରି ଅନେକ ଶିଳ୍ପ ବ୍ୟବହାର ମାମଲା ବୃଦ୍ଧି କରାଯାଉଛି | ଗୁଣାତ୍ମକ ନିୟନ୍ତ୍ରଣ ପ୍ରୟୋଗଗୁଡ଼ିକରେ ମେସିନ୍ ଦର୍ଶନ ହେଉଛି ଏହାର ଏକ ଜ୍ୱଳନ୍ତ ଉଦାହରଣ | ପାରମ୍ପାରିକ ମେସିନ୍ ଭିଜନ୍ ସିଷ୍ଟମ୍ ଏକୀକୃତ କିମ୍ବା ପୃଥକ କମ୍ପ୍ୟୁଟର ମାଧ୍ୟମରେ ଚିତ୍ରଗୁଡ଼ିକୁ ପ୍ରକ୍ରିୟାକରଣ କରିଥାଏ ଯାହାକି ନିର୍ଦ୍ଦିଷ୍ଟ ସଫ୍ଟୱେର୍ ସହିତ ସଜ୍ଜିତ ଯାହା ପୂର୍ବ ନିର୍ଦ୍ଧାରିତ ପାରାମିଟର ଏବଂ ଥ୍ରେଶୋଲ୍ଡକୁ ମୂଲ୍ୟାଙ୍କନ କରିଥାଏ (ଯଥା, ଉଚ୍ଚ ବିପରୀତ) ବସ୍ତୁଗୁଡିକ ତ୍ରୁଟି ପ୍ରଦର୍ଶନ କରେ କି ନାହିଁ ତାହା ନିର୍ଣ୍ଣୟ କରିବାକୁ | ଅନେକ କ୍ଷେତ୍ରରେ (ଉଦାହରଣ ସ୍ୱରୂପ, ବିଭିନ୍ନ ତାରଯୁକ୍ତ ଆକୃତି ସହିତ ଇଲେକ୍ଟ୍ରୋନିକ୍ ଉପାଦାନଗୁଡିକ), ମିଥ୍ୟା ପଜିଟିଭ୍ ସଂଖ୍ୟା ବହୁତ ଅଧିକ |
ତଥାପି, ଏହି ପ୍ରଣାଳୀଗୁଡ଼ିକ କୃତ୍ରିମ ବୁଦ୍ଧି ମାଧ୍ୟମରେ ପୁନର୍ଜୀବିତ ହେଉଛି | ଉଦାହରଣ ସ୍ୱରୂପ, ଇଣ୍ଡଷ୍ଟ୍ରିଆଲ୍ ମେସିନ୍ ଭିଜନ୍ ପ୍ରଦାନକାରୀ କଗ୍ନେକ୍ସ ଜୁଲାଇ 2021 ରେ ଏକ ନୂତନ ଡିପ୍ ଲର୍ନିଂ ଟୁଲ୍ (ଭିଜନ୍ ପ୍ରୋ ଡିପ୍ ଲର୍ନିଂ 2.0) ରିଲିଜ୍ କଲା | ଡାକ୍ତରୀ ଏବଂ ବ electronic ଦ୍ୟୁତିକ ପରିବେଶର ଆବଶ୍ୟକତା ପୂରଣ କରନ୍ତୁ ଯାହା ସ୍କ୍ରାଚ୍, ପ୍ରଦୂଷଣ ଏବଂ ଅନ୍ୟାନ୍ୟ ତ୍ରୁଟିର ସଠିକ୍ ମାପ ଆବଶ୍ୟକ କରେ |
ଫ୍ୟାକ୍ଟର୍ 4: ଇଣ୍ଡଷ୍ଟ୍ରିଆଲ୍ AIoT ହାର୍ଡୱେର୍ ଉନ୍ନତ ହେଉଛି |
AI ଚିପ୍ସ ଦ୍ରୁତ ଗତିରେ ଉନ୍ନତି କରୁଛି |
ଏମ୍ବେଡେଡ୍ ହାର୍ଡୱେର୍ AI ଚିପ୍ସ ଦ୍ରୁତ ଗତିରେ ବ growing ୁଛି, AI ମଡେଲଗୁଡିକର ବିକାଶ ଏବଂ ନିୟୋଜନକୁ ସମର୍ଥନ କରିବାକୁ ବିଭିନ୍ନ ବିକଳ୍ପ ଉପଲବ୍ଧ | ଉଦାହରଣଗୁଡିକ ହେଉଛି NVIDIA ର ସର୍ବଶେଷ ଗ୍ରାଫିକ୍ସ ପ୍ରକ୍ରିୟାକରଣ ୟୁନିଟ୍ (Gpus), A30 ଏବଂ A10, ଯାହା ମାର୍ଚ୍ଚ 2021 ରେ ଆରମ୍ଭ ହୋଇଥିଲା ଏବଂ ସୁପାରିଶ ପ୍ରଣାଳୀ ଏବଂ କମ୍ପ୍ୟୁଟର ଭିଜନ୍ ସିଷ୍ଟମ୍ ପରି AI ବ୍ୟବହାର ମାମଲା ପାଇଁ ଉପଯୁକ୍ତ | ଅନ୍ୟ ଏକ ଉଦାହରଣ ହେଉଛି ଗୁଗୁଲର ଚତୁର୍ଥ ପି generation ଼ିର ଟେନସର୍ ପ୍ରୋସେସିଂ ୟୁନିଟ୍ (ଟିପିଏସ୍), ଯାହା ଶକ୍ତିଶାଳୀ ସ୍ୱତନ୍ତ୍ର ଉଦ୍ଦେଶ୍ୟ ବିଶିଷ୍ଟ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ସର୍କିଟ୍ (ASics) ଯାହାକି ମଡେଲ୍ ବିକାଶ ଏବଂ ନିର୍ଦ୍ଦିଷ୍ଟ AI କାର୍ଯ୍ୟଭାର ପାଇଁ ନିୟୋଜନରେ 1000 ଗୁଣ ଅଧିକ ଦକ୍ଷତା ଏବଂ ଗତି ହାସଲ କରିପାରିବ (ଯଥା, ବସ୍ତୁ ଚିହ୍ନଟ) , ପ୍ରତିଛବି ବର୍ଗୀକରଣ, ଏବଂ ସୁପାରିଶ ମାନଦଣ୍ଡ) | ଉତ୍ସର୍ଗୀକୃତ AI ହାର୍ଡୱେର୍ ବ୍ୟବହାର କରିବା ଦ୍ୱାରା ମଡେଲ୍ ଗଣନା ସମୟ ଦିନରୁ ମିନିଟ୍ କମିଯାଏ, ଏବଂ ଅନେକ କ୍ଷେତ୍ରରେ ଖେଳ ପରିବର୍ତ୍ତନକାରୀ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି |
ଶକ୍ତିଶାଳୀ AI ହାର୍ଡୱେର୍ ତୁରନ୍ତ ବ୍ୟବହାର-ପ୍ରତି ମଡେଲ ମାଧ୍ୟମରେ ଉପଲବ୍ଧ |
ସୁପରସ୍କେଲ୍ ଉଦ୍ୟୋଗଗୁଡିକ କ୍ଲାଉଡ୍ ରେ କମ୍ପ୍ୟୁଟିଂ ଉତ୍ସ ଉପଲବ୍ଧ କରାଇବା ପାଇଁ କ୍ରମାଗତ ଭାବରେ ସେମାନଙ୍କର ସର୍ଭରଗୁଡ଼ିକୁ ଅପଗ୍ରେଡ୍ କରୁଛନ୍ତି ଯାହା ଦ୍ end ାରା ଶେଷ ଉପଭୋକ୍ତାମାନେ ଶିଳ୍ପ AI ପ୍ରୟୋଗଗୁଡିକ କାର୍ଯ୍ୟକାରୀ କରିପାରିବେ | ନଭେମ୍ବର 2021 ରେ, ଉଦାହରଣ ସ୍ୱରୂପ, AWS ଏହାର ସର୍ବଶେଷ GPU- ଆଧାରିତ ଉଦାହରଣ, ଆମାଜନ EC2 G5, NVIDIA A10G ଟେନସର୍ କୋର GPU ଦ୍ୱାରା ଚାଳିତ, କମ୍ପ୍ୟୁଟର ଦର୍ଶନ ଏବଂ ସୁପାରିଶ ଇଞ୍ଜିନ୍ ସହିତ ବିଭିନ୍ନ ML ପ୍ରୟୋଗ ପାଇଁ ଅଫିସିଆଲ୍ ରିଲିଜ୍ ଘୋଷଣା କଲା | ଉଦାହରଣ ସ୍ୱରୂପ, ପ୍ରକ୍ରିୟାକରଣ ପ୍ରୟାସକୁ ତ୍ୱରାନ୍ୱିତ କରିବା ଏବଂ ମାଇକ୍ରୋଚିପ୍ ଏବଂ ନାନୋଟ୍ୟୁବ୍ ଉତ୍ପାଦନରେ ଅଧିକ ସଠିକ୍ ଚିହ୍ନଟ ହାର ହାସଲ କରିବା ପାଇଁ ଚିହ୍ନଟ ପ୍ରଣାଳୀ ପ୍ରଦାନକାରୀ ନାନୋଟ୍ରୋନିକ୍ସ ଏହାର AI- ଆଧାରିତ ଗୁଣବତ୍ତା ନିୟନ୍ତ୍ରଣ ସମାଧାନର ଆମାଜନ EC2 ଉଦାହରଣ ବ୍ୟବହାର କରେ |
ସିଦ୍ଧାନ୍ତ ଏବଂ ଆଶା
AI କାରଖାନାରୁ ବାହାରକୁ ଆସୁଛି, ଏବଂ ଏହା ନୂତନ ପ୍ରୟୋଗଗୁଡ଼ିକରେ ସର୍ବବ୍ୟାପୀ ହେବ, ଯେପରିକି AI- ଆଧାରିତ PdM, ଏବଂ ବିଦ୍ୟମାନ ସଫ୍ଟୱେର୍ ଏବଂ ବ୍ୟବହାର କ୍ଷେତ୍ରରେ ଉନ୍ନତି ଭାବରେ | ବୃହତ ଉଦ୍ୟୋଗଗୁଡିକ ଅନେକ AI ବ୍ୟବହାର ମାମଲା ଏବଂ ସଫଳତା ରିପୋର୍ଟ କରିବା ପାଇଁ ରୋଲ୍ କରୁଛନ୍ତି ଏବଂ ଅଧିକାଂଶ ପ୍ରକଳ୍ପର ପୁଞ୍ଜି ବିନିଯୋଗରେ ଅଧିକ ଲାଭ ଅଛି | ମୋଟାମୋଟି, କ୍ଲାଉଡ୍, ଆଇଟ୍ ପ୍ଲାଟଫର୍ମ ଏବଂ ଶକ୍ତିଶାଳୀ AI ଚିପ୍ସର ବୃଦ୍ଧି ଏକ ନୂତନ ପି generation ଼ିର ସଫ୍ଟୱେର୍ ଏବଂ ଅପ୍ଟିମାଇଜେସନ୍ ପାଇଁ ଏକ ପ୍ଲାଟଫର୍ମ ପ୍ରଦାନ କରେ |
ପୋଷ୍ଟ ସମୟ: ଜାନ -12-2022 |