ປັດໄຈສີ່ເຮັດໃຫ້ AIoT ອຸດສາຫະກໍາເປັນທີ່ນິຍົມໃຫມ່

ອີງຕາມບົດລາຍງານຂອງອຸດສາຫະກໍາ AI ແລະ AI ຕະຫຼາດ 2021-2026 ທີ່ປ່ອຍອອກມາເມື່ອບໍ່ດົນມານີ້, ອັດຕາການຮັບຮອງເອົາ AI ໃນການຕັ້ງຄ່າອຸດສາຫະກໍາເພີ່ມຂຶ້ນຈາກ 19 ສ່ວນຮ້ອຍເປັນ 31 ສ່ວນຮ້ອຍໃນເວລາພຽງແຕ່ສອງປີ. ນອກເໜືອໄປຈາກ 31 ເປີເຊັນຂອງຜູ້ຕອບທີ່ໄດ້ນຳໃຊ້ AI ທັງໝົດ ຫຼືບາງສ່ວນໃນການປະຕິບັດງານຂອງເຂົາເຈົ້າ, ອີກ 39 ເປີເຊັນແມ່ນກຳລັງທົດສອບ ຫຼືທົດລອງເທັກໂນໂລຍີ.

AI ກໍາລັງພົ້ນເດັ່ນຂື້ນເປັນເທກໂນໂລຍີທີ່ສໍາຄັນສໍາລັບຜູ້ຜະລິດແລະບໍລິສັດພະລັງງານທົ່ວໂລກ, ແລະການວິເຄາະ IoT ຄາດຄະເນວ່າຕະຫຼາດການແກ້ໄຂ AI ອຸດສາຫະກໍາຈະສະແດງອັດຕາການເຕີບໂຕປະຈໍາປີ (CAGR) ທີ່ເຂັ້ມແຂງຫຼັງການແຜ່ລະບາດຂອງ 35% ເພື່ອບັນລຸ 102.17 ຕື້ໂດລາໃນປີ 2026.

ຍຸກດິຈິຕອນໄດ້ໃຫ້ກໍາເນີດອິນເຕີເນັດຂອງສິ່ງຕ່າງໆ. ມັນສາມາດເຫັນໄດ້ວ່າການປະກົດຕົວຂອງປັນຍາປະດິດໄດ້ເລັ່ງຈັງຫວະການພັດທະນາຂອງອິນເຕີເນັດຂອງສິ່ງຕ່າງໆ.

ຂໍໃຫ້ພິຈາລະນາບາງປັດໃຈທີ່ເຮັດໃຫ້ເກີດການເພີ່ມຂຶ້ນຂອງ AI ແລະ AIoT ອຸດສາຫະກໍາ.

ປັດໄຈ 1: ເຄື່ອງມືຊອບແວຫຼາຍຂຶ້ນສໍາລັບ AIoT ອຸດສາຫະກໍາ

ໃນປີ 2019, ເມື່ອການວິເຄາະ Iot ເລີ່ມຕົ້ນກວມເອົາ AI ອຸດສາຫະກໍາ, ມີຜະລິດຕະພັນຊອບແວ AI ທີ່ອຸທິດຕົນຈໍານວນຫນ້ອຍຈາກຜູ້ຂາຍເຕັກໂນໂລຢີປະຕິບັດງານ (OT). ນັບຕັ້ງແຕ່ນັ້ນມາ, ຜູ້ຂາຍ OT ຫຼາຍຄົນໄດ້ເຂົ້າສູ່ຕະຫຼາດ AI ໂດຍການພັດທະນາແລະສະຫນອງການແກ້ໄຂຊອບແວ AI ໃນຮູບແບບຂອງເວທີ AI ສໍາລັບຊັ້ນໂຮງງານ.

ອີງຕາມຂໍ້ມູນ, ເກືອບ 400 ຜູ້ຂາຍສະເຫນີຊອບແວ AIoT. ຈໍານວນຜູ້ຂາຍຊອບແວທີ່ເຂົ້າຮ່ວມຕະຫຼາດ AI ອຸດສາຫະກໍາໄດ້ເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍໃນສອງປີທີ່ຜ່ານມາ. ໃນລະຫວ່າງການສຶກສາ, IoT Analytics ໄດ້ກໍານົດ 634 ຜູ້ສະຫນອງເຕັກໂນໂລຢີ AI ໃຫ້ແກ່ຜູ້ຜະລິດ / ລູກຄ້າອຸດສາຫະກໍາ. ຂອງບໍລິສັດເຫຼົ່ານີ້, 389 (61.4%) ສະເຫນີຊອບແວ AI.

ແພລະຕະຟອມຊອບແວ AI ໃຫມ່ສຸມໃສ່ສະພາບແວດລ້ອມອຸດສາຫະກໍາ. Beyond Uptake, Braincube, ຫຼື C3 AI, ຈໍານວນຜູ້ຂາຍເຕັກໂນໂລຢີປະຕິບັດງານ (OT) ເພີ່ມຂຶ້ນແມ່ນສະເຫນີແພລະຕະຟອມຊອບແວ AI ທີ່ອຸທິດຕົນ. ຕົວຢ່າງລວມມີຊຸດການວິເຄາະອຸດສາຫະກໍາ Genix ແລະ AI ຂອງ ABB, ຊຸດປະດິດສ້າງຂອງ FactoryTalk ຂອງ Rockwell Automation, ແພລະຕະຟອມໃຫ້ຄໍາປຶກສາດ້ານການຜະລິດຂອງຕົນເອງຂອງ Schneider Electric, ແລະຫຼາຍກວ່ານີ້, ສະເພາະ add-ons ສະເພາະ. ບາງແພລະຕະຟອມເຫຼົ່ານີ້ເປົ້າຫມາຍກໍລະນີການນໍາໃຊ້ຢ່າງກວ້າງຂວາງ. ຕົວຢ່າງເຊັ່ນ, ແພລະຕະຟອມ Genix ຂອງ ABB ສະຫນອງການວິເຄາະແບບພິເສດ, ລວມທັງຄໍາຮ້ອງສະຫມັກແລະການບໍລິການທີ່ສ້າງມາກ່ອນສໍາລັບການຄຸ້ມຄອງການປະຕິບັດ, ຄວາມສົມບູນຂອງຊັບສິນ, ຄວາມຍືນຍົງແລະປະສິດທິພາບລະບົບຕ່ອງໂສ້ການສະຫນອງ.

ບໍລິສັດໃຫຍ່ກໍາລັງວາງເຄື່ອງມືຊອບແວ ai ຂອງພວກເຂົາຢູ່ເທິງຊັ້ນຮ້ານຄ້າ.

ຄວາມພ້ອມຂອງເຄື່ອງມືຊອຟແວ ai ຍັງຖືກຂັບເຄື່ອນໂດຍເຄື່ອງມືຊໍແວສະເພາະກໍລະນີທີ່ໃຊ້ໃໝ່ທີ່ພັດທະນາໂດຍ AWS, ບໍລິສັດໃຫຍ່ເຊັ່ນ Microsoft ແລະ Google. ຕົວຢ່າງເຊັ່ນ, ໃນເດືອນທັນວາ 2020, AWS ໄດ້ປ່ອຍ Amazon SageMaker JumpStart, ຄຸນນະສົມບັດຂອງ Amazon SageMaker ທີ່ສະຫນອງຊຸດຂອງການແກ້ໄຂທີ່ສ້າງຂຶ້ນກ່ອນແລະປັບແຕ່ງໄດ້ສໍາລັບກໍລະນີການນໍາໃຊ້ອຸດສາຫະກໍາທົ່ວໄປທີ່ສຸດ, ເຊັ່ນ PdM, ວິໄສທັດຄອມພິວເຕີ, ແລະການຂັບລົດອັດຕະໂນມັດ, ນໍາໃຊ້ກັບ. ພຽງແຕ່ກົດສອງສາມຄັ້ງ.

ການແກ້ໄຂຊອບແວສະເພາະກໍລະນີທີ່ໃຊ້ແມ່ນການຂັບລົດການປັບປຸງການໃຊ້ງານ.

ຊຸດຊອຟແວທີ່ສະເພາະໃນກໍລະນີທີ່ໃຊ້, ເຊັ່ນວ່າຊຸດທີ່ເນັ້ນໃສ່ການບຳລຸງຮັກສາການຄາດເດົາ, ແມ່ນກາຍເປັນເລື່ອງທົ່ວໄປຫຼາຍຂຶ້ນ. IoT Analytics ສັງເກດເຫັນວ່າຈໍານວນຜູ້ໃຫ້ບໍລິການທີ່ນໍາໃຊ້ການແກ້ໄຂຊອບແວການຄຸ້ມຄອງຂໍ້ມູນຜະລິດຕະພັນ AI (PdM) ເພີ່ມຂຶ້ນເປັນ 73 ໃນຕົ້ນປີ 2021 ເນື່ອງຈາກການເພີ່ມຂື້ນຂອງຄວາມຫລາກຫລາຍຂອງແຫຼ່ງຂໍ້ມູນແລະການນໍາໃຊ້ຮູບແບບການຝຶກອົບຮົມກ່ອນ, ເຊັ່ນດຽວກັນກັບການແຜ່ຂະຫຍາຍ. ການຮັບຮອງເອົາເຕັກໂນໂລຢີການປັບປຸງຂໍ້ມູນ.

ປັດໄຈ 2: ການພັດທະນາ ແລະການຮັກສາການແກ້ໄຂ AI ໄດ້ຖືກເຮັດໃຫ້ງ່າຍດາຍ

ການຮຽນຮູ້ເຄື່ອງຈັກອັດຕະໂນມັດ (AutoML) ກາຍເປັນຜະລິດຕະພັນມາດຕະຖານ.

ເນື່ອງຈາກຄວາມຊັບຊ້ອນຂອງວຽກງານທີ່ກ່ຽວຂ້ອງກັບການຮຽນຮູ້ເຄື່ອງຈັກ (ML), ການຂະຫຍາຍຕົວຢ່າງໄວວາຂອງຄໍາຮ້ອງສະຫມັກການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ສ້າງຄວາມຕ້ອງການສໍາລັບວິທີການຮຽນຮູ້ເຄື່ອງຈັກນອກຊັ້ນວາງທີ່ສາມາດນໍາໃຊ້ໄດ້ໂດຍບໍ່ມີຄວາມຊໍານານ. ພາກສະຫນາມຜົນຂອງການຄົ້ນຄວ້າ, ກ້າວຫນ້າທາງດ້ານອັດຕະໂນມັດສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກ, ເອີ້ນວ່າ AutoML. ຫຼາຍໆບໍລິສັດກຳລັງໃຊ້ເທັກໂນໂລຍີນີ້ເປັນສ່ວນຫນຶ່ງຂອງການສະເຫນີ AI ຂອງພວກເຂົາເພື່ອຊ່ວຍໃຫ້ລູກຄ້າພັດທະນາຕົວແບບ ML ແລະປະຕິບັດກໍລະນີການນໍາໃຊ້ອຸດສາຫະກໍາໄວຂຶ້ນ. ສໍາລັບຕົວຢ່າງ, ໃນເດືອນພະຈິກ 2020, SKF ໄດ້ປະກາດຜະລິດຕະພັນ automL ທີ່ປະສົມປະສານຂໍ້ມູນຂະບວນການຂອງເຄື່ອງຈັກກັບຂໍ້ມູນການສັ່ນສະເທືອນແລະອຸນຫະພູມເພື່ອຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍແລະເປີດໃຊ້ຮູບແບບທຸລະກິດໃຫມ່ສໍາລັບລູກຄ້າ.

ການດໍາເນີນງານການຮຽນຮູ້ເຄື່ອງຈັກ (ML Ops) ເຮັດໃຫ້ການຈັດການ ແລະບໍາລຸງຮັກສາຕົວແບບງ່າຍຂຶ້ນ.

ລະບຽບວິໄນໃຫມ່ຂອງການດໍາເນີນງານການຮຽນຮູ້ເຄື່ອງຈັກມີຈຸດປະສົງເພື່ອເຮັດໃຫ້ການຮັກສາແບບຈໍາລອງ AI ງ່າຍໃນສະພາບແວດລ້ອມການຜະລິດ. ການປະຕິບັດຂອງຕົວແບບ AI ໂດຍທົ່ວໄປຈະເສື່ອມໂຊມໃນໄລຍະເວລາຍ້ອນວ່າມັນໄດ້ຮັບຜົນກະທົບຈາກຫຼາຍໆປັດໃຈພາຍໃນໂຮງງານ (ຕົວຢ່າງ, ການປ່ຽນແປງການແຈກຢາຍຂໍ້ມູນແລະມາດຕະຖານຄຸນນະພາບ). ດັ່ງນັ້ນ, ການປະຕິບັດການບໍາລຸງຮັກສາແບບຈໍາລອງແລະການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ກາຍເປັນຄວາມຈໍາເປັນເພື່ອຕອບສະຫນອງຄວາມຕ້ອງການທີ່ມີຄຸນນະພາບສູງຂອງສະພາບແວດລ້ອມອຸດສາຫະກໍາ (ຕົວຢ່າງ, ຮູບແບບທີ່ມີການປະຕິບັດຕ່ໍາກວ່າ 99% ອາດຈະບໍ່ສາມາດກໍານົດພຶດຕິກໍາທີ່ເປັນອັນຕະລາຍຕໍ່ຄວາມປອດໄພຂອງພະນັກງານ).

ໃນຊຸມປີມໍ່ໆມານີ້, ຜູ້ເລີ່ມຕົ້ນຈໍານວນຫຼາຍໄດ້ເຂົ້າຮ່ວມພື້ນທີ່ ML Ops, ລວມທັງ DataRobot, Grid.AI, Pinecone/Zilliz, Seldon, ແລະ Weights & Biases. ບໍລິສັດທີ່ສ້າງຕັ້ງຂຶ້ນໄດ້ເພີ່ມການດໍາເນີນງານການຮຽນຮູ້ເຄື່ອງຈັກກັບການສະເຫນີຊອບແວ AI ທີ່ມີຢູ່ຂອງພວກເຂົາ, ລວມທັງ Microsoft, ເຊິ່ງໄດ້ນໍາສະເຫນີການຊອກຄົ້ນຫາຂໍ້ມູນ drift ໃນ Azure ML Studio. ຄຸນນະສົມບັດໃຫມ່ນີ້ເຮັດໃຫ້ຜູ້ໃຊ້ສາມາດກວດພົບການປ່ຽນແປງການແຈກຢາຍຂອງຂໍ້ມູນປ້ອນເຂົ້າທີ່ຫຼຸດລົງການປະຕິບັດຕົວແບບ.

ປັດໃຈທີ 3: ປັນຍາປະດິດທີ່ນຳໃຊ້ກັບແອັບພລິເຄຊັນທີ່ມີຢູ່ ແລະກໍລະນີການນຳໃຊ້

ຜູ້ໃຫ້ບໍລິການຊອບແວແບບດັ້ງເດີມກໍາລັງເພີ່ມຄວາມສາມາດ AI.

ນອກເຫນືອໄປຈາກເຄື່ອງມືຊອບແວ AI ຕາມລວງນອນຂະຫນາດໃຫຍ່ທີ່ມີຢູ່ແລ້ວເຊັ່ນ MS Azure ML, AWS SageMaker, ແລະ Google Cloud Vertex AI, ຊຸດຊອບແວພື້ນເມືອງເຊັ່ນ Computerized Maintenance Management Systems (CAMMS), ລະບົບການປະຕິບັດການຜະລິດ (MES) ຫຼືການວາງແຜນຊັບພະຍາກອນວິສາຫະກິດ (ERP) ໃນປັດຈຸບັນສາມາດໄດ້ຮັບການປັບປຸງຢ່າງຫຼວງຫຼາຍໂດຍການໃສ່ຄວາມສາມາດຂອງ AI. ຕົວຢ່າງເຊັ່ນ, ຜູ້ໃຫ້ບໍລິການ ERP Epicor Software ກໍາລັງເພີ່ມຄວາມສາມາດຂອງ AI ໃຫ້ກັບຜະລິດຕະພັນທີ່ມີຢູ່ໂດຍຜ່ານ Epicor Virtual Assistant (EVA). ຕົວແທນ EVA ອັດສະລິຍະຖືກນໍາໃຊ້ເພື່ອເຮັດໃຫ້ຂະບວນການ ERP ອັດຕະໂນມັດ, ເຊັ່ນ: ການກໍານົດເວລາການຜະລິດໃຫມ່ຫຼືການສອບຖາມທີ່ງ່າຍດາຍ (ຕົວຢ່າງ, ການໄດ້ຮັບລາຍລະອຽດກ່ຽວກັບລາຄາຜະລິດຕະພັນຫຼືຈໍານວນສ່ວນທີ່ມີຢູ່).

ກໍລະນີການນໍາໃຊ້ອຸດສາຫະກໍາກໍາລັງຖືກປັບປຸງໂດຍການນໍາໃຊ້ AIoT.

ກໍລະນີການນໍາໃຊ້ອຸດສາຫະກໍາຈໍານວນຫນຶ່ງແມ່ນໄດ້ຮັບການປັບປຸງໂດຍການເພີ່ມຄວາມສາມາດຂອງ AI ໃຫ້ແກ່ໂຄງສ້າງພື້ນຖານຂອງຮາດແວ / ຊອບແວທີ່ມີຢູ່. ຕົວຢ່າງທີ່ສົດໃສແມ່ນວິໄສທັດຂອງເຄື່ອງຈັກໃນຄໍາຮ້ອງສະຫມັກການຄວບຄຸມຄຸນນະພາບ. ລະບົບວິໄສທັດເຄື່ອງຈັກແບບດັ້ງເດີມປະມວນຜົນຮູບພາບໂດຍຜ່ານຄອມພິວເຕີປະສົມປະສານຫຼືແຍກກັນໂດຍມີຊອບແວພິເສດທີ່ປະເມີນຕົວກໍານົດການແລະຂອບເຂດທີ່ກໍານົດໄວ້ (ຕົວຢ່າງ, ຄວາມຄົມຊັດສູງ) ເພື່ອກໍານົດວ່າວັດຖຸສະແດງໃຫ້ເຫັນຂໍ້ບົກພ່ອງຫຼືບໍ່. ໃນຫຼາຍໆກໍລະນີ (ຕົວຢ່າງເຊັ່ນ, ອົງປະກອບເອເລັກໂຕຣນິກທີ່ມີຮູບຮ່າງຂອງສາຍໄຟທີ່ແຕກຕ່າງກັນ), ຈໍານວນຂອງຜົນບວກທີ່ບໍ່ຖືກຕ້ອງແມ່ນສູງຫຼາຍ.

ຢ່າງໃດກໍຕາມ, ລະບົບເຫຼົ່ານີ້ກໍາລັງຖືກຟື້ນຟູໂດຍຜ່ານປັນຍາປະດິດ. ຕົວຢ່າງເຊັ່ນ, ເຄື່ອງຈັກອຸດສາຫະກໍາ Vision provider Cognex ປ່ອຍເຄື່ອງມືການຮຽນຮູ້ເລິກໃຫມ່ (Vision Pro Deep Learning 2.0) ໃນເດືອນກໍລະກົດ 2021. ເຄື່ອງມືໃຫມ່ປະສົມປະສານກັບລະບົບວິໄສທັດແບບດັ້ງເດີມ, ເຮັດໃຫ້ຜູ້ໃຊ້ສຸດທ້າຍສາມາດປະສົມປະສານການຮຽນຮູ້ເລິກເຊິ່ງກັບເຄື່ອງມືວິໄສທັດແບບດັ້ງເດີມໃນຄໍາຮ້ອງສະຫມັກດຽວກັນເພື່ອ ຕອບສະຫນອງຄວາມຕ້ອງການທາງການແພດແລະສະພາບແວດລ້ອມເອເລັກໂຕຣນິກທີ່ຕ້ອງການການວັດແທກທີ່ຖືກຕ້ອງຂອງຮອຍຂີດຂ່ວນ, ການປົນເປື້ອນແລະຂໍ້ບົກພ່ອງອື່ນໆ.

ປັດໄຈ 4: ຮາດແວ AIoT ອຸດສາຫະກໍາກໍາລັງຖືກປັບປຸງ

ຊິບ AI ກໍາລັງປັບປຸງຢ່າງໄວວາ.

ຊິບ AI ຮາດແວທີ່ຝັງຢູ່ມີການຂະຫຍາຍຕົວຢ່າງໄວວາ, ມີທາງເລືອກທີ່ຫຼາກຫຼາຍເພື່ອຮອງຮັບການພັດທະນາ ແລະ ການນຳໃຊ້ຕົວແບບ AI. ຕົວຢ່າງລວມທັງຫນ່ວຍປະມວນຜົນກາຟິກ (Gpus), A30 ແລະ A10 ຂອງ NVIDIA, ເຊິ່ງໄດ້ນໍາສະເຫນີໃນເດືອນມີນາ 2021 ແລະເຫມາະສົມກັບກໍລະນີການນໍາໃຊ້ AI ເຊັ່ນ: ລະບົບແນະນໍາແລະລະບົບວິໄສທັດຄອມພິວເຕີ. ຕົວຢ່າງອີກອັນຫນຶ່ງແມ່ນຫນ່ວຍປະມວນຜົນ Tensors ຮຸ່ນທີ 4 ຂອງ Google (TPus), ເຊິ່ງເປັນວົງຈອນປະສົມປະສານທີ່ມີຈຸດປະສົງພິເສດ (ASics) ທີ່ມີປະສິດທິພາບສູງເຖິງ 1,000 ເທົ່າທີ່ມີປະສິດທິພາບແລະຄວາມໄວໃນການພັດທະນາແບບຈໍາລອງແລະການນໍາໃຊ້ສໍາລັບວຽກ AI ສະເພາະ (ຕົວຢ່າງເຊັ່ນ: ການກວດສອບວັດຖຸ. , ການຈັດປະເພດຮູບພາບ, ແລະມາດຕະຖານແນະນໍາ). ການນໍາໃຊ້ຮາດແວ AI ທີ່ອຸທິດຕົນຊ່ວຍຫຼຸດຜ່ອນເວລາການຄິດໄລ່ແບບຈໍາລອງຈາກມື້ໄປຫານາທີ, ແລະໄດ້ພິສູດວ່າເປັນຕົວປ່ຽນແປງເກມໃນຫຼາຍໆກໍລະນີ.

ຮາດແວ AI ທີ່ມີປະສິດທິພາບສາມາດໃຊ້ໄດ້ທັນທີໂດຍຜ່ານຮູບແບບການຈ່າຍຕໍ່ການນໍາໃຊ້.

ວິສາຫະກິດຂະໜາດໃຫຍ່ກຳລັງປັບປຸງເຊີບເວີຂອງເຂົາເຈົ້າຢ່າງຕໍ່ເນື່ອງເພື່ອເຮັດໃຫ້ຊັບພະຍາກອນຄອມພິວເຕີມີຢູ່ໃນຄລາວເພື່ອໃຫ້ຜູ້ໃຊ້ສຸດທ້າຍສາມາດປະຕິບັດແອັບພລິເຄຊັນ AI ອຸດສາຫະກໍາໄດ້. ສໍາລັບຕົວຢ່າງ, ໃນເດືອນພະຈິກ 2021, AWS ໄດ້ປະກາດການເປີດຕົວຢ່າງເປັນທາງການຂອງຕົວຢ່າງ GPU ຫລ້າສຸດຂອງຕົນ, Amazon EC2 G5, ຂັບເຄື່ອນໂດຍ NVIDIA A10G Tensor Core GPU, ສໍາລັບຫຼາຍໆຄໍາຮ້ອງສະຫມັກ ML, ລວມທັງວິໄສທັດຄອມພິວເຕີແລະເຄື່ອງຈັກແນະນໍາ. ຕົວຢ່າງເຊັ່ນ, ຜູ້ໃຫ້ບໍລິການລະບົບການຊອກຄົ້ນຫາ Nanotronics ໃຊ້ Amazon EC2 ຕົວຢ່າງຂອງການແກ້ໄຂການຄວບຄຸມຄຸນະພາບທີ່ອີງໃສ່ AI ຂອງຕົນເພື່ອເລັ່ງຄວາມພະຍາຍາມໃນການປຸງແຕ່ງແລະບັນລຸອັດຕາການກວດພົບທີ່ຖືກຕ້ອງຫຼາຍຂຶ້ນໃນການຜະລິດ microchips ແລະ nanotubes.

ບົດສະຫຼຸບແລະຄວາມສົດໃສດ້ານ

AI ກໍາລັງອອກມາຈາກໂຮງງານ, ແລະມັນຈະມີຢູ່ທົ່ວທຸກແຫ່ງໃນຄໍາຮ້ອງສະຫມັກໃຫມ່, ເຊັ່ນ: AI-based PdM, ແລະເປັນການປັບປຸງຊອບແວທີ່ມີຢູ່ແລ້ວແລະກໍລະນີການນໍາໃຊ້. ວິສາຫະກິດຂະຫນາດໃຫຍ່ກໍາລັງເປີດຕົວຫຼາຍໆກໍລະນີການນໍາໃຊ້ AI ແລະລາຍງານຜົນສໍາເລັດ, ແລະໂຄງການສ່ວນໃຫຍ່ມີຜົນຕອບແທນສູງຈາກການລົງທຶນ. ທັງຫມົດ, ການເພີ່ມຂຶ້ນຂອງ cloud, ເວທີ iot ແລະຊິບ AI ທີ່ມີປະສິດທິພາບສະຫນອງເວທີສໍາລັບການຜະລິດໃຫມ່ຂອງຊອບແວແລະການເພີ່ມປະສິດທິພາບ.