ସଦ୍ୟ ପ୍ରକାଶିତ ଶିଳ୍ପ AI ଏବଂ AI ବଜାର ରିପୋର୍ଟ 2021-2026 ଅନୁଯାୟୀ, ଶିଳ୍ପ ସେଟିଂସ୍ରେ AI ଗ୍ରହଣ ହାର ମାତ୍ର ଦୁଇ ବର୍ଷ ମଧ୍ୟରେ 19 ପ୍ରତିଶତରୁ 31 ପ୍ରତିଶତକୁ ବୃଦ୍ଧି ପାଇଛି। ସମ୍ପୂର୍ଣ୍ଣ କିମ୍ବା ଆଂଶିକ ଭାବରେ ସେମାନଙ୍କ କାର୍ଯ୍ୟରେ AI ବ୍ୟବହାର କରିଥିବା 31 ପ୍ରତିଶତ ଉତ୍ତରଦାତାଙ୍କ ବ୍ୟତୀତ, ଅନ୍ୟ 39 ପ୍ରତିଶତ ବର୍ତ୍ତମାନ ପ୍ରଯୁକ୍ତିବିଦ୍ୟାର ପରୀକ୍ଷଣ କିମ୍ବା ପାଇଲଟ୍ କରୁଛନ୍ତି।
ବିଶ୍ୱବ୍ୟାପୀ ନିର୍ମାତା ଏବଂ ଶକ୍ତି କମ୍ପାନୀଗୁଡ଼ିକ ପାଇଁ AI ଏକ ପ୍ରମୁଖ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଭାବରେ ଉଭା ହେଉଛି, ଏବଂ IoT ବିଶ୍ଳେଷଣ ପୂର୍ବାନୁମାନ କରିଛି ଯେ ଶିଳ୍ପ AI ସମାଧାନ ବଜାର 2026 ସୁଦ୍ଧା 35% ର ଏକ ଦୃଢ଼ ପରବର୍ତ୍ତୀ ମହାମାରୀ ଯୌଗିକ ବାର୍ଷିକ ଅଭିବୃଦ୍ଧି ହାର (CAGR) ଦେଖାଇ 102.17 ବିଲିୟନ ଡଲାରରେ ପହଞ୍ଚିବ।
ଡିଜିଟାଲ ଯୁଗ ଇଣ୍ଟରନେଟ୍ ଅଫ୍ ଥିଙ୍ଗସ୍କୁ ଜନ୍ମ ଦେଇଛି। ଏହା ଦେଖାଯାଉଛି ଯେ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତାର ଆବିର୍ଭାବ ଇଣ୍ଟରନେଟ୍ ଅଫ୍ ଥିଙ୍ଗସ୍ର ବିକାଶର ଗତିକୁ ତ୍ୱରାନ୍ୱିତ କରିଛି।
ଆସନ୍ତୁ ଶିଳ୍ପ AI ଏବଂ AIoT ର ଉତ୍ଥାନକୁ ଚାଳିତ କରୁଥିବା କିଛି କାରଣ ଉପରେ ନଜର ପକାଇବା।
ଫ୍ୟାକ୍ଟର ୧: ଶିଳ୍ପ AIoT ପାଇଁ ଅଧିକରୁ ଅଧିକ ସଫ୍ଟୱେର୍ ଉପକରଣ
୨୦୧୯ ମସିହାରେ, ଯେତେବେଳେ Iot ଆନାଲିଟିକ୍ସ ଶିଳ୍ପ AI କୁ କଭର କରିବା ଆରମ୍ଭ କଲା, ସେତେବେଳେ କାର୍ଯ୍ୟକ୍ଷମ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା (OT) ବିକ୍ରେତାଙ୍କଠାରୁ କିଛି ଉତ୍ସର୍ଗୀକୃତ AI ସଫ୍ଟୱେର୍ ଉତ୍ପାଦ ଥିଲା। ସେବେଠାରୁ, ଅନେକ OT ବିକ୍ରେତା କାରଖାନା ମହଲା ପାଇଁ AI ପ୍ଲାଟଫର୍ମ ଆକାରରେ AI ସଫ୍ଟୱେର୍ ସମାଧାନ ବିକାଶ ଏବଂ ପ୍ରଦାନ କରି AI ବଜାରରେ ପ୍ରବେଶ କରିଛନ୍ତି।
ତଥ୍ୟ ଅନୁଯାୟୀ, ପ୍ରାୟ 400 ବିକ୍ରେତା AIoT ସଫ୍ଟୱେର୍ ପ୍ରଦାନ କରନ୍ତି। ଗତ ଦୁଇ ବର୍ଷ ମଧ୍ୟରେ ଶିଳ୍ପ AI ବଜାରରେ ଯୋଗଦାନ କରୁଥିବା ସଫ୍ଟୱେର୍ ବିକ୍ରେତାଙ୍କ ସଂଖ୍ୟା ନାଟକୀୟ ଭାବରେ ବୃଦ୍ଧି ପାଇଛି। ଅଧ୍ୟୟନ ସମୟରେ, IoT ଆନାଲିଟିକ୍ସ ନିର୍ମାତା/ଶିଳ୍ପ ଗ୍ରାହକମାନଙ୍କୁ AI ପ୍ରଯୁକ୍ତିର 634 ଯୋଗାଣକାରୀଙ୍କୁ ଚିହ୍ନଟ କରିଛି। ଏହି କମ୍ପାନୀଗୁଡ଼ିକ ମଧ୍ୟରୁ 389 (61.4%) AI ସଫ୍ଟୱେର୍ ପ୍ରଦାନ କରନ୍ତି।
ନୂତନ AI ସଫ୍ଟୱେର୍ ପ୍ଲାଟଫର୍ମ ଶିଳ୍ପ ପରିବେଶ ଉପରେ ଧ୍ୟାନ ଦିଏ। Uptake, Braincube, କିମ୍ବା C3 AI ବ୍ୟତୀତ, ବର୍ଦ୍ଧିତ ସଂଖ୍ୟକ କାର୍ଯ୍ୟକ୍ଷମ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା (OT) ବିକ୍ରେତାମାନେ ଉତ୍ସର୍ଗୀକୃତ AI ସଫ୍ଟୱେର୍ ପ୍ଲାଟଫର୍ମ ପ୍ରଦାନ କରୁଛନ୍ତି। ଉଦାହରଣଗୁଡ଼ିକ ହେଉଛି ABB ର Genix ଶିଳ୍ପ ଆନାଲିଟିକ୍ସ ଏବଂ AI ସୁଟ୍, Rockwell Automation ର FactoryTalk ଇନୋଭେସନ୍ ସୁଟ୍, Schnaider Electric ର ନିଜସ୍ୱ ଉତ୍ପାଦନ ପରାମର୍ଶ ପ୍ଲାଟଫର୍ମ, ଏବଂ ସମ୍ପ୍ରତି, ନିର୍ଦ୍ଦିଷ୍ଟ ଆଡ-ଅନ୍। ଏହି ପ୍ଲାଟଫର୍ମଗୁଡ଼ିକ ମଧ୍ୟରୁ କିଛି ବ୍ୟବହାର ମାମଲାଗୁଡ଼ିକର ଏକ ବିସ୍ତୃତ ପରିସରକୁ ଲକ୍ଷ୍ୟ କରେ। ଉଦାହରଣ ସ୍ୱରୂପ, ABB ର Genix ପ୍ଲାଟଫର୍ମ ଉନ୍ନତ ବିଶ୍ଳେଷଣ ପ୍ରଦାନ କରେ, ଯେଉଁଥିରେ କାର୍ଯ୍ୟକ୍ଷମ କାର୍ଯ୍ୟଦକ୍ଷତା ପରିଚାଳନା, ସମ୍ପତ୍ତି ଅଖଣ୍ଡତା, ସ୍ଥାୟୀତ୍ୱ ଏବଂ ଯୋଗାଣ ଶୃଙ୍ଖଳା ଦକ୍ଷତା ପାଇଁ ପୂର୍ବ-ନିର୍ମିତ ଆପ୍ଲିକେସନ୍ ଏବଂ ସେବା ଅନ୍ତର୍ଭୁକ୍ତ।
ବଡ଼ ବଡ଼ କମ୍ପାନୀଗୁଡ଼ିକ ସେମାନଙ୍କର ଏଆଇ ସଫ୍ଟୱେର୍ ଉପକରଣଗୁଡ଼ିକୁ ଦୋକାନ ମହଲାରେ ରଖୁଛନ୍ତି।
ai ସଫ୍ଟୱେର୍ ଉପକରଣଗୁଡ଼ିକର ଉପଲବ୍ଧତା AWS, ମାଇକ୍ରୋସଫ୍ଟ ଏବଂ ଗୁଗୁଲ୍ ଭଳି ବଡ଼ କମ୍ପାନୀଗୁଡ଼ିକ ଦ୍ୱାରା ବିକଶିତ ନୂତନ ବ୍ୟବହାର-କେସ୍ ନିର୍ଦ୍ଦିଷ୍ଟ ସଫ୍ଟୱେର୍ ଉପକରଣ ଦ୍ୱାରା ମଧ୍ୟ ପରିଚାଳିତ। ଉଦାହରଣ ସ୍ୱରୂପ, ଡିସେମ୍ବର 2020 ରେ, AWS Amazon SageMaker JumpStart ପ୍ରକାଶ କରିଥିଲା, Amazon SageMaker ର ଏକ ବୈଶିଷ୍ଟ୍ୟ ଯାହା PdM, କମ୍ପ୍ୟୁଟର ଦୃଷ୍ଟିକୋଣ ଏବଂ ସ୍ୱୟଂଚାଳିତ ଡ୍ରାଇଭିଂ ଭଳି ସାଧାରଣ ଶିଳ୍ପ ବ୍ୟବହାର ପାଇଁ ପୂର୍ବ-ନିର୍ମିତ ଏବଂ କଷ୍ଟମାଇଜେବଲ୍ ସମାଧାନର ଏକ ସେଟ୍ ପ୍ରଦାନ କରେ, କେବଳ କିଛି କ୍ଲିକ୍ରେ ଡିପ୍ଲୋଏ।
ବ୍ୟବହାର-କେସ୍-ନିର୍ଦ୍ଦିଷ୍ଟ ସଫ୍ଟୱେର୍ ସମାଧାନଗୁଡ଼ିକ ବ୍ୟବହାରଯୋଗ୍ୟତା ଉନ୍ନତିକୁ ଆକର୍ଷିତ କରୁଛି।
ବ୍ୟବହାର-କେସ୍-ନିର୍ଦ୍ଦିଷ୍ଟ ସଫ୍ଟୱେର୍ ସୁଟ୍, ଯେପରିକି ପୂର୍ବାନୁମାନିକ ରକ୍ଷଣାବେକ୍ଷଣ ଉପରେ କେନ୍ଦ୍ରିତ, ଅଧିକ ସାଧାରଣ ହେବାରେ ଲାଗିଛି। IoT ଆନାଲିଟିକ୍ସ ଦେଖିଛି ଯେ ଡାଟା ଉତ୍ସର ବିଭିନ୍ନତା ଏବଂ ପ୍ରାକ୍-ପ୍ରଶିକ୍ଷଣ ମଡେଲର ବ୍ୟବହାର ବୃଦ୍ଧି ଏବଂ ଡାଟା ବୃଦ୍ଧି ପ୍ରଯୁକ୍ତିବିଦ୍ୟାର ବ୍ୟାପକ ଗ୍ରହଣ ଯୋଗୁଁ 2021 ପ୍ରାରମ୍ଭରେ AI-ଆଧାରିତ ଉତ୍ପାଦ ଡାଟା ପରିଚାଳନା (PdM) ସଫ୍ଟୱେର୍ ସମାଧାନ ବ୍ୟବହାର କରୁଥିବା ପ୍ରଦାନକାରୀଙ୍କ ସଂଖ୍ୟା 73 ରେ ପହଞ୍ଚିଛି।
କାରକ ୨: AI ସମାଧାନର ବିକାଶ ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣକୁ ସରଳୀକୃତ କରାଯାଉଛି।
ସ୍ୱୟଂଚାଳିତ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ (AutoML) ଏକ ମାନକ ଉତ୍ପାଦ ହେବାକୁ ଯାଉଛି।
ମେସିନ୍ ଲର୍ଣ୍ଣିଂ (ML) ସହିତ ଜଡିତ କାର୍ଯ୍ୟଗୁଡ଼ିକର ଜଟିଳତା ଯୋଗୁଁ, ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଆପ୍ଲିକେସନ୍ଗୁଡ଼ିକର ଦ୍ରୁତ ଅଭିବୃଦ୍ଧି ଯୋଗୁଁ ବିଶେଷଜ୍ଞତା ବିନା ବ୍ୟବହାର କରାଯାଇପାରିବା ଭଳି ବାହାର ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ପଦ୍ଧତିର ଆବଶ୍ୟକତା ସୃଷ୍ଟି ହୋଇଛି। ଗବେଷଣାର ଫଳସ୍ୱରୂପ, ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ପାଇଁ ପ୍ରଗତିଶୀଳ ସ୍ୱୟଂଚାଳିତକରଣକୁ AutoML କୁହାଯାଏ। ବିଭିନ୍ନ କମ୍ପାନୀଗୁଡ଼ିକ ଗ୍ରାହକମାନଙ୍କୁ ML ମଡେଲ୍ ବିକଶିତ କରିବାରେ ଏବଂ ଶିଳ୍ପ ବ୍ୟବହାର ମାମଲାଗୁଡ଼ିକୁ ଦ୍ରୁତ ଗତିରେ କାର୍ଯ୍ୟକାରୀ କରିବାରେ ସାହାଯ୍ୟ କରିବା ପାଇଁ ସେମାନଙ୍କର AI ପ୍ରସ୍ତାବର ଅଂଶ ଭାବରେ ଏହି ପ୍ରଯୁକ୍ତିବିଦ୍ୟାକୁ ବ୍ୟବହାର କରୁଛନ୍ତି। ଉଦାହରଣ ସ୍ୱରୂପ, ନଭେମ୍ବର 2020 ରେ, SKF ଏକ automL-ଆଧାରିତ ଉତ୍ପାଦ ଘୋଷଣା କରିଥିଲା ଯାହା ଖର୍ଚ୍ଚ ହ୍ରାସ କରିବା ଏବଂ ଗ୍ରାହକମାନଙ୍କ ପାଇଁ ନୂତନ ବ୍ୟବସାୟିକ ମଡେଲ୍ ସକ୍ଷମ କରିବା ପାଇଁ ମେସିନ୍ ପ୍ରକ୍ରିୟା ତଥ୍ୟକୁ କମ୍ପନ ଏବଂ ତାପମାତ୍ରା ତଥ୍ୟ ସହିତ ମିଶ୍ରଣ କରେ।
ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଅପରେସନ୍ସ (ML Ops) ମଡେଲ୍ ପରିଚାଳନା ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣକୁ ସରଳ କରିଥାଏ।
ମେସିନ୍ ଲର୍ନିଂ ଅପରେସନ୍ସର ନୂତନ ଶୃଙ୍ଖଳା ଉତ୍ପାଦନ ପରିବେଶରେ AI ମଡେଲ୍ଗୁଡ଼ିକର ରକ୍ଷଣାବେକ୍ଷଣକୁ ସରଳ କରିବା ଲକ୍ଷ୍ୟ ରଖିଛି। ଏକ AI ମଡେଲ୍ର କାର୍ଯ୍ୟଦକ୍ଷତା ସାଧାରଣତଃ ସମୟ ସହିତ ହ୍ରାସ ପାଏ କାରଣ ଏହା ପ୍ଲାଣ୍ଟ ମଧ୍ୟରେ ଅନେକ କାରଣ ଦ୍ୱାରା ପ୍ରଭାବିତ ହୁଏ (ଉଦାହରଣ ସ୍ୱରୂପ, ତଥ୍ୟ ବଣ୍ଟନ ଏବଂ ଗୁଣବତ୍ତା ମାନଦଣ୍ଡରେ ପରିବର୍ତ୍ତନ)। ଫଳସ୍ୱରୂପ, ଶିଳ୍ପ ପରିବେଶର ଉଚ୍ଚ ଗୁଣବତ୍ତା ଆବଶ୍ୟକତା ପୂରଣ କରିବା ପାଇଁ ମଡେଲ୍ ରକ୍ଷଣାବେକ୍ଷଣ ଏବଂ ମେସିନ୍ ଲର୍ନିଂ ଅପରେସନ୍ ଆବଶ୍ୟକ ହୋଇଗଲାଣି (ଉଦାହରଣ ସ୍ୱରୂପ, 99% ରୁ କମ୍ କାର୍ଯ୍ୟଦକ୍ଷତା ଥିବା ମଡେଲ୍ଗୁଡ଼ିକ କର୍ମଚାରୀଙ୍କ ସୁରକ୍ଷାକୁ ବିପଦରେ ପକାଇବା ଆଚରଣ ଚିହ୍ନଟ କରିବାରେ ବିଫଳ ହୋଇପାରେ)।
ସାମ୍ପ୍ରତିକ ବର୍ଷଗୁଡ଼ିକରେ, ଅନେକ ଷ୍ଟାର୍ଟଅପ୍ ML Ops ସ୍ଥାନରେ ଯୋଗ ଦେଇଛନ୍ତି, ଯେପରିକି DataRobot, Grid.AI, Pinecone/Zilliz, Seldon, ଏବଂ Weights & Biases। ପ୍ରତିଷ୍ଠିତ କମ୍ପାନୀଗୁଡ଼ିକ ସେମାନଙ୍କର ବିଦ୍ୟମାନ AI ସଫ୍ଟୱେର୍ ପ୍ରଦାନଗୁଡ଼ିକରେ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଅପରେସନ୍ ଯୋଡିଛନ୍ତି, ଯେଉଁଥିରେ Microsoft ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ, ଯାହା Azure ML Studioରେ ଡାଟା ଡ୍ରିଫ୍ଟ ଚିହ୍ନଟ ପ୍ରଚଳନ କରିଥିଲା। ଏହି ନୂତନ ବୈଶିଷ୍ଟ୍ୟ ବ୍ୟବହାରକାରୀମାନଙ୍କୁ ଇନପୁଟ୍ ଡାଟା ବଣ୍ଟନରେ ପରିବର୍ତ୍ତନ ଚିହ୍ନଟ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ ଯାହା ମଡେଲ୍ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ହ୍ରାସ କରିଥାଏ।
ଫ୍ୟାକ୍ଟର 3: ବିଦ୍ୟମାନ ପ୍ରୟୋଗ ଏବଂ ବ୍ୟବହାର କ୍ଷେତ୍ରରେ ପ୍ରୟୋଗ କରାଯାଇଥିବା କୃତ୍ରିମ ବୁଦ୍ଧିମତା
ପାରମ୍ପରିକ ସଫ୍ଟୱେର୍ ପ୍ରଦାନକାରୀମାନେ AI କ୍ଷମତା ଯୋଡ଼ୁଛନ୍ତି।
MS Azure ML, AWS SageMaker, ଏବଂ Google Cloud Vertex AI ପରି ବିଦ୍ୟମାନ ବୃହତ୍ ଭୂସମାନ୍ତର AI ସଫ୍ଟୱେର୍ ଉପକରଣ ସହିତ, କମ୍ପ୍ୟୁଟରାଇଜଡ୍ ରକ୍ଷଣାବେକ୍ଷଣ ପରିଚାଳନା ସିଷ୍ଟମ୍ (CAMMS), ଉତ୍ପାଦନ କାର୍ଯ୍ୟନ୍ୱୟନ ସିଷ୍ଟମ୍ (MES) କିମ୍ବା ଏଣ୍ଟରପ୍ରାଇଜ୍ ରିସୋର୍ସ ପ୍ଲାନିଂ (ERP) ଭଳି ପାରମ୍ପରିକ ସଫ୍ଟୱେର୍ ସୁଟ୍ଗୁଡ଼ିକୁ ଏବେ AI କ୍ଷମତାଗୁଡ଼ିକୁ ଇଞ୍ଜେକ୍ଟ୍ କରି ଯଥେଷ୍ଟ ଉନ୍ନତ କରାଯାଇପାରିବ। ଉଦାହରଣ ସ୍ୱରୂପ, ERP ପ୍ରଦାନକାରୀ Epicor ସଫ୍ଟୱେର୍ ଏହାର Epicor Virtual Assistant (EVA) ମାଧ୍ୟମରେ ଏହାର ବିଦ୍ୟମାନ ଉତ୍ପାଦଗୁଡ଼ିକରେ AI କ୍ଷମତା ଯୋଡୁଛି। ବୁଦ୍ଧିମାନ EVA ଏଜେଣ୍ଟଗୁଡ଼ିକୁ ERP ପ୍ରକ୍ରିୟାଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ବ୍ୟବହୃତ କରାଯାଏ, ଯେପରିକି ଉତ୍ପାଦନ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ପୁନଃନିର୍ଦ୍ଧାରିତ କରିବା କିମ୍ବା ସରଳ ପ୍ରଶ୍ନଗୁଡ଼ିକ କରିବା (ଉଦାହରଣ ସ୍ୱରୂପ, ଉତ୍ପାଦ ମୂଲ୍ୟ ନିର୍ଦ୍ଧାରଣ କିମ୍ବା ଉପଲବ୍ଧ ଅଂଶ ସଂଖ୍ୟା ବିଷୟରେ ବିବରଣୀ ପାଇବା)।
AIoT ବ୍ୟବହାର କରି ଶିଳ୍ପ ବ୍ୟବହାର କେସଗୁଡ଼ିକୁ ଅପଗ୍ରେଡ୍ କରାଯାଉଛି।
ବିଦ୍ୟମାନ ହାର୍ଡୱେୟାର/ସଫ୍ଟୱେୟାର ଭିତ୍ତିଭୂମିରେ AI କ୍ଷମତା ଯୋଡି ଅନେକ ଶିଳ୍ପ ବ୍ୟବହାର ମାମଲାକୁ ବୃଦ୍ଧି କରାଯାଉଛି। ଗୁଣବତ୍ତା ନିୟନ୍ତ୍ରଣ ପ୍ରୟୋଗରେ ମେସିନ୍ ଦୃଷ୍ଟି ଏକ ଜ୍ୱଳନ୍ତ ଉଦାହରଣ। ପାରମ୍ପରିକ ମେସିନ୍ ଦୃଷ୍ଟି ସିଷ୍ଟମ୍ ବିଶେଷ ସଫ୍ଟୱେର୍ ସହିତ ସଜ୍ଜିତ ସମନ୍ୱିତ କିମ୍ବା ଭିନ୍ନ କମ୍ପ୍ୟୁଟର ମାଧ୍ୟମରେ ପ୍ରତିଛବିଗୁଡ଼ିକୁ ପ୍ରକ୍ରିୟାକରଣ କରେ ଯାହା ବସ୍ତୁଗୁଡ଼ିକ ତ୍ରୁଟି ପ୍ରଦର୍ଶନ କରେ କି ନାହିଁ ତାହା ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ପୂର୍ବନିର୍ଦ୍ଧାରିତ ପାରାମିଟର ଏବଂ ସୀମା (ଯଥା, ଉଚ୍ଚ ବିପରୀତ) ମୂଲ୍ୟାଙ୍କନ କରେ। ଅନେକ କ୍ଷେତ୍ରରେ (ଉଦାହରଣ ସ୍ୱରୂପ, ବିଭିନ୍ନ ତାର ଆକୃତି ସହିତ ଇଲେକ୍ଟ୍ରୋନିକ୍ ଉପାଦାନ), ମିଥ୍ୟା ପଜିଟିଭ୍ ସଂଖ୍ୟା ବହୁତ ଅଧିକ।
ତଥାପି, ଏହି ସିଷ୍ଟମଗୁଡ଼ିକୁ କୃତ୍ରିମ ବୁଦ୍ଧିମତା ମାଧ୍ୟମରେ ପୁନର୍ଜୀବିତ କରାଯାଉଛି। ଉଦାହରଣ ସ୍ୱରୂପ, ଶିଳ୍ପ ମେସିନ୍ ଭିଜନ ପ୍ରଦାନକାରୀ କଗ୍ନେକ୍ସ ଜୁଲାଇ 2021 ରେ ଏକ ନୂତନ ଡିପ୍ ଲର୍ଣ୍ଣିଂ ଟୁଲ୍ (ଭିଜନ ପ୍ରୋ ଡିପ୍ ଲର୍ଣ୍ଣିଂ 2.0) ପ୍ରକାଶ କରିଛି। ନୂତନ ଟୁଲ୍ସଗୁଡ଼ିକ ପାରମ୍ପରିକ ଦୃଷ୍ଟି ସିଷ୍ଟମ ସହିତ ସମନ୍ୱିତ ହୋଇଛି, ଯାହା ଶେଷ ବ୍ୟବହାରକାରୀମାନଙ୍କୁ ସମାନ ଆପ୍ଲିକେସନରେ ପାରମ୍ପରିକ ଦୃଷ୍ଟି ଉପକରଣ ସହିତ ଡିପ୍ ଲର୍ଣ୍ଣିଂକୁ ମିଶ୍ରଣ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ ଯାହା ଦ୍ୱାରା ସ୍କ୍ରାଚ୍, ପ୍ରଦୂଷଣ ଏବଂ ଅନ୍ୟାନ୍ୟ ତ୍ରୁଟିର ସଠିକ୍ ମାପ ଆବଶ୍ୟକ ହେଉଥିବା ଦାବି ପୂରଣ କରାଯାଇପାରିବ।
ଫ୍ୟାକ୍ଟର ୪: ଶିଳ୍ପ AIoT ହାର୍ଡୱେର୍ ଉନ୍ନତ କରାଯାଉଛି
ଏଆଇ ଚିପ୍ସ ଦ୍ରୁତ ଗତିରେ ଉନ୍ନତି କରୁଛି।
ଏମ୍ବେଡେଡ୍ ହାର୍ଡୱେର୍ AI ଚିପ୍ସ ଦ୍ରୁତ ଗତିରେ ବଢ଼ୁଛି, AI ମଡେଲ୍ଗୁଡ଼ିକର ବିକାଶ ଏବଂ ନିୟୋଜନକୁ ସମର୍ଥନ କରିବା ପାଇଁ ବିଭିନ୍ନ ବିକଳ୍ପ ଉପଲବ୍ଧ ଅଛି। ଉଦାହରଣଗୁଡ଼ିକ ମଧ୍ୟରେ NVIDIAର ସର୍ବଶେଷ ଗ୍ରାଫିକ୍ସ ପ୍ରକ୍ରିୟାକରଣ ୟୁନିଟ୍ (Gpus), A30 ଏବଂ A10 ଅନ୍ତର୍ଭୁକ୍ତ, ଯାହା ମାର୍ଚ୍ଚ 2021 ରେ ପ୍ରଚଳନ କରାଯାଇଥିଲା ଏବଂ ସୁପାରିଶ ସିଷ୍ଟମ୍ ଏବଂ କମ୍ପ୍ୟୁଟର ଦୃଷ୍ଟି ସିଷ୍ଟମ୍ ଭଳି AI ବ୍ୟବହାର ପାଇଁ ଉପଯୁକ୍ତ। ଅନ୍ୟ ଏକ ଉଦାହରଣ ହେଉଛି Google ର ଚତୁର୍ଥ ପିଢ଼ିର ଟେନ୍ସର୍ସ ପ୍ରୋସେସିଂ ୟୁନିଟ୍ (TPus), ଯାହା ହେଉଛି ଶକ୍ତିଶାଳୀ ସ୍ୱତନ୍ତ୍ର-ଉଦ୍ଦେଶ୍ୟ ସମନ୍ୱିତ ସର୍କିଟ୍ (ASics) ଯାହା ନିର୍ଦ୍ଦିଷ୍ଟ AI କାର୍ଯ୍ୟଭାର (ଯଥା, ବସ୍ତୁ ଚିହ୍ନଟ, ପ୍ରତିଛବି ବର୍ଗୀକରଣ ଏବଂ ସୁପାରିଶ ମାନଦଣ୍ଡ) ପାଇଁ ମଡେଲ୍ ବିକାଶ ଏବଂ ନିୟୋଜନରେ 1,000 ଗୁଣ ଅଧିକ ଦକ୍ଷତା ଏବଂ ଗତି ହାସଲ କରିପାରିବ। ସମର୍ପିତ AI ହାର୍ଡୱେର୍ ବ୍ୟବହାର କରିବା ଦ୍ୱାରା ମଡେଲ୍ ଗଣନା ସମୟ ଦିନରୁ ମିନିଟ୍କୁ ହ୍ରାସ ପାଇଥାଏ, ଏବଂ ଅନେକ କ୍ଷେତ୍ରରେ ଏହା ଏକ ଖେଳ ପରିବର୍ତ୍ତକ ପ୍ରମାଣିତ ହୋଇଛି।
ଏକ ପେ-ପର୍-ୟୁଜ୍ ମଡେଲ୍ ମାଧ୍ୟମରେ ଶକ୍ତିଶାଳୀ AI ହାର୍ଡୱେର୍ ତୁରନ୍ତ ଉପଲବ୍ଧ।
ସୁପରସ୍କେଲ ଏଣ୍ଟରପ୍ରାଇଜେସ୍ କ୍ଲାଉଡ୍ରେ କମ୍ପ୍ୟୁଟିଂ ସମ୍ବଳ ଉପଲବ୍ଧ କରାଇବା ପାଇଁ ସେମାନଙ୍କର ସର୍ଭରଗୁଡ଼ିକୁ ନିରନ୍ତର ଅପଗ୍ରେଡ୍ କରୁଛନ୍ତି ଯାହା ଦ୍ଵାରା ଅନ୍ତିମ ବ୍ୟବହାରକାରୀମାନେ ଶିଳ୍ପ AI ଆପ୍ଲିକେସନ୍ କାର୍ଯ୍ୟକାରୀ କରିପାରିବେ। ଉଦାହରଣ ସ୍ୱରୂପ, ନଭେମ୍ବର 2021ରେ, AWS କମ୍ପ୍ୟୁଟର ଦୃଷ୍ଟି ଏବଂ ସୁପାରିଶ ଇଞ୍ଜିନ୍ ସମେତ ବିଭିନ୍ନ ML ଆପ୍ଲିକେସନ୍ ପାଇଁ NVIDIA A10G ଟେନ୍ସର କୋର୍ GPU ଦ୍ୱାରା ପରିଚାଳିତ ଏହାର ନୂତନତମ GPU-ଆଧାରିତ ଇନଷ୍ଟାନ୍ସ, Amazon EC2 G5 ର ଆନୁଷ୍ଠାନିକ ପ୍ରକାଶନ ଘୋଷଣା କରିଥିଲା। ଉଦାହରଣ ସ୍ୱରୂପ, ଚିହ୍ନଟ ସିଷ୍ଟମ୍ ପ୍ରଦାନକାରୀ ନାନୋଟ୍ରୋନିକ୍ସ ପ୍ରକ୍ରିୟାକରଣ ପ୍ରୟାସକୁ ତ୍ୱରାନ୍ୱିତ କରିବା ଏବଂ ମାଇକ୍ରୋଚିପ୍ ଏବଂ ନାନୋଟ୍ୟୁବ୍ ନିର୍ମାଣରେ ଅଧିକ ସଠିକ୍ ଚିହ୍ନଟ ହାର ହାସଲ କରିବା ପାଇଁ ଏହାର AI-ଆଧାରିତ ଗୁଣବତ୍ତା ନିୟନ୍ତ୍ରଣ ସମାଧାନର Amazon EC2 ଉଦାହରଣ ବ୍ୟବହାର କରେ।
ନିଷ୍କର୍ଷ ଏବଂ ସମ୍ଭାବନା
କାରଖାନାରୁ AI ବାହାରକୁ ଆସୁଛି, ଏବଂ ଏହା AI-ଆଧାରିତ PdM ଭଳି ନୂତନ ପ୍ରୟୋଗରେ ଏବଂ ବିଦ୍ୟମାନ ସଫ୍ଟୱେର୍ ଏବଂ ବ୍ୟବହାର କ୍ଷେତ୍ରରେ ଉନ୍ନତି ଭାବରେ ସର୍ବବ୍ୟାପୀ ହେବ। ବଡ଼ ଉଦ୍ୟୋଗଗୁଡ଼ିକ ଅନେକ AI ବ୍ୟବହାର ମାମଲା ପ୍ରସ୍ତୁତ କରୁଛନ୍ତି ଏବଂ ସଫଳତା ରିପୋର୍ଟ କରୁଛନ୍ତି, ଏବଂ ଅଧିକାଂଶ ପ୍ରକଳ୍ପର ନିବେଶ ଉପରେ ଅଧିକ ଲାଭ ମିଳୁଛି। ସର୍ବମୋଟ, କ୍ଲାଉଡ୍, iot ପ୍ଲାଟଫର୍ମ ଏବଂ ଶକ୍ତିଶାଳୀ AI ଚିପ୍ସର ଉତ୍ଥାନ ନୂତନ ପିଢ଼ିର ସଫ୍ଟୱେର୍ ଏବଂ ଅପ୍ଟିମାଇଜେସନ୍ ପାଇଁ ଏକ ପ୍ଲାଟଫର୍ମ ପ୍ରଦାନ କରେ।
ପୋଷ୍ଟ ସମୟ: ଜାନୁଆରୀ-୧୨-୨୦୨୨