ສີ່ປັດໄຈທີ່ເຮັດໃຫ້ AIoT ອຸດສາຫະກຳເປັນທີ່ນິຍົມໃໝ່

ອີງຕາມບົດລາຍງານຕະຫຼາດ AI ແລະ AI ອຸດສາຫະກຳ 2021-2026 ທີ່ຫາກໍ່ອອກມາບໍ່ດົນມານີ້, ອັດຕາການຮັບຮອງເອົາ AI ໃນສະພາບແວດລ້ອມອຸດສາຫະກຳໄດ້ເພີ່ມຂຶ້ນຈາກ 19 ເປີເຊັນເປັນ 31 ເປີເຊັນໃນເວລາພຽງສອງປີກວ່າ. ນອກເໜືອໄປຈາກ 31 ເປີເຊັນຂອງຜູ້ຕອບແບບສອບຖາມທີ່ໄດ້ນຳໃຊ້ AI ຢ່າງເຕັມສ່ວນ ຫຼື ບາງສ່ວນໃນການດຳເນີນງານຂອງເຂົາເຈົ້າ, ອີກ 39 ເປີເຊັນກຳລັງທົດສອບ ຫຼື ທົດລອງໃຊ້ເຕັກໂນໂລຢີດັ່ງກ່າວ.

ປັນຍາປະດິດ (AI) ກຳລັງເກີດຂຶ້ນເປັນເທັກໂນໂລຢີທີ່ສຳຄັນສຳລັບຜູ້ຜະລິດ ແລະ ບໍລິສັດພະລັງງານທົ່ວໂລກ, ແລະ ການວິເຄາະ IoT ຄາດຄະເນວ່າຕະຫຼາດວິທີແກ້ໄຂ AI ອຸດສາຫະກຳຈະສະແດງອັດຕາການເຕີບໂຕປະຈຳປີ (CAGR) ທີ່ເຂັ້ມແຂງຫຼັງການລະບາດເຖິງ 35% ເພື່ອບັນລຸ 102.17 ຕື້ໂດລາພາຍໃນປີ 2026.

ຍຸກດິຈິຕອນໄດ້ເກີດມາເປັນອິນເຕີເນັດຂອງສິ່ງຕ່າງໆ. ສາມາດເຫັນໄດ້ວ່າການເກີດຂຶ້ນຂອງປັນຍາປະດິດໄດ້ເລັ່ງຈັງຫວະການພັດທະນາຂອງອິນເຕີເນັດຂອງສິ່ງຕ່າງໆ.

ລອງມາເບິ່ງບາງປັດໃຈທີ່ຊຸກຍູ້ການເພີ່ມຂຶ້ນຂອງ AI ແລະ AIoT ໃນອຸດສາຫະກຳ.

ປັດໄຈທີ 1: ເຄື່ອງມືຊອບແວສຳລັບ AIoT ອຸດສາຫະກຳຫຼາຍຂຶ້ນເລື້ອຍໆ

ໃນປີ 2019, ເມື່ອການວິເຄາະ Iot ເລີ່ມກວມເອົາ AI ອຸດສາຫະກຳ, ມີຜະລິດຕະພັນຊອບແວ AI ສະເພາະໜ້ອຍຈາກຜູ້ຂາຍເຕັກໂນໂລຊີການດຳເນີນງານ (OT). ນັບຕັ້ງແຕ່ນັ້ນມາ, ຜູ້ຂາຍ OT ຫຼາຍຄົນໄດ້ເຂົ້າສູ່ຕະຫຼາດ AI ໂດຍການພັດທະນາ ແລະ ສະໜອງວິທີແກ້ໄຂຊອບແວ AI ໃນຮູບແບບຂອງແພລດຟອມ AI ສຳລັບພື້ນໂຮງງານ.

ອີງຕາມຂໍ້ມູນ, ຜູ້ຂາຍເກືອບ 400 รายສະເໜີຊອບແວ AIoT. ຈຳນວນຜູ້ຂາຍຊອບແວທີ່ເຂົ້າຮ່ວມຕະຫຼາດ AI ອຸດສາຫະກຳໄດ້ເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍໃນສອງປີຜ່ານມາ. ໃນລະຫວ່າງການສຶກສາ, IoT Analytics ໄດ້ລະບຸຜູ້ສະໜອງເຕັກໂນໂລຊີ AI ຈຳນວນ 634 รายໃຫ້ແກ່ຜູ້ຜະລິດ/ລູກຄ້າອຸດສາຫະກຳ. ໃນຈຳນວນບໍລິສັດເຫຼົ່ານີ້, 389 (61.4%) ສະເໜີຊອບແວ AI.

ແພລດຟອມຊອບແວ AI ໃໝ່ແມ່ນສຸມໃສ່ສະພາບແວດລ້ອມອຸດສາຫະກຳ. ນອກເໜືອໄປຈາກ Uptake, Braincube, ຫຼື C3 AI, ຜູ້ຂາຍເຕັກໂນໂລຊີການດຳເນີນງານ (OT) ຈຳນວນຫຼາຍຂຶ້ນເລື້ອຍໆ ກຳລັງສະເໜີແພລດຟອມຊອບແວ AI ທີ່ອຸທິດຕົນ. ຕົວຢ່າງລວມມີຊຸດການວິເຄາະອຸດສາຫະກຳ ແລະ AI Genix ຂອງ ABB, ຊຸດນະວັດຕະກຳ FactoryTalk ຂອງ Rockwell Automation, ແພລດຟອມໃຫ້ຄຳປຶກສາດ້ານການຜະລິດຂອງ Schneider Electric ເອງ, ແລະ ບໍ່ດົນມານີ້, ສ່ວນເສີມສະເພາະ. ບາງແພລດຟອມເຫຼົ່ານີ້ແນໃສ່ກໍລະນີການນຳໃຊ້ທີ່ຫຼາກຫຼາຍ. ຕົວຢ່າງ, ແພລດຟອມ Genix ຂອງ ABB ໃຫ້ການວິເຄາະຂັ້ນສູງ, ລວມທັງແອັບພລິເຄຊັນ ແລະ ການບໍລິການທີ່ສ້າງໄວ້ກ່ອນສຳລັບການຄຸ້ມຄອງປະສິດທິພາບການດຳເນີນງານ, ຄວາມສົມບູນຂອງຊັບສິນ, ຄວາມຍືນຍົງ ແລະ ປະສິດທິພາບຂອງລະບົບຕ່ອງໂສ້ການສະໜອງ.

ບໍລິສັດໃຫຍ່ໆກຳລັງເອົາເຄື່ອງມືຊອບແວ AI ຂອງເຂົາເຈົ້າໄປໃຊ້ໃນໂຮງງານ.

ຄວາມພ້ອມຂອງເຄື່ອງມືຊອບແວ AI ຍັງຖືກຂັບເຄື່ອນໂດຍເຄື່ອງມືຊອບແວສະເພາະກໍລະນີການນຳໃຊ້ໃໝ່ທີ່ພັດທະນາໂດຍ AWS, ບໍລິສັດຂະໜາດໃຫຍ່ເຊັ່ນ Microsoft ແລະ Google. ຕົວຢ່າງ, ໃນເດືອນທັນວາ 2020, AWS ໄດ້ປ່ອຍ Amazon SageMaker JumpStart, ເຊິ່ງເປັນຄຸນສົມບັດຂອງ Amazon SageMaker ທີ່ສະໜອງຊຸດວິທີແກ້ໄຂທີ່ສ້າງໄວ້ລ່ວງໜ້າ ແລະ ສາມາດປັບແຕ່ງໄດ້ສຳລັບກໍລະນີການນຳໃຊ້ອຸດສາຫະກຳທົ່ວໄປທີ່ສຸດ, ເຊັ່ນ PdM, ວິໄສທັດຄອມພິວເຕີ, ແລະ ການຂັບຂີ່ແບບອັດຕະໂນມັດ, ນຳໃຊ້ໄດ້ດ້ວຍການຄລິກພຽງບໍ່ເທົ່າໃດຄັ້ງ.

ວິທີແກ້ໄຂຊອບແວສະເພາະກໍລະນີການນຳໃຊ້ກຳລັງຊຸກຍູ້ການປັບປຸງການໃຊ້ງານ.

ຊຸດຊອບແວສະເພາະກໍລະນີການນຳໃຊ້ ເຊັ່ນວ່າຊຸດຊອບແວທີ່ສຸມໃສ່ການບຳລຸງຮັກສາແບບຄາດເດົາ ກຳລັງກາຍເປັນເລື່ອງທຳມະດາຫຼາຍຂຶ້ນ. ບໍລິສັດ IoT Analytics ສັງເກດເຫັນວ່າ ຈຳນວນຜູ້ໃຫ້ບໍລິການທີ່ໃຊ້ຊອບແວການຄຸ້ມຄອງຂໍ້ມູນຜະລິດຕະພັນທີ່ອີງໃສ່ AI (PdM) ໄດ້ເພີ່ມຂຶ້ນເປັນ 73 ຜູ້ໃຫ້ບໍລິການໃນຕົ້ນປີ 2021 ເນື່ອງຈາກການເພີ່ມຂຶ້ນຂອງຄວາມຫຼາກຫຼາຍຂອງແຫຼ່ງຂໍ້ມູນ ແລະ ການນຳໃຊ້ຮູບແບບການຝຶກອົບຮົມກ່ອນການຝຶກອົບຮົມ ພ້ອມທັງການນຳໃຊ້ເຕັກໂນໂລຊີການປັບປຸງຂໍ້ມູນຢ່າງກວ້າງຂວາງ.

ປັດໄຈທີ 2: ການພັດທະນາ ແລະ ການບຳລຸງຮັກສາວິທີແກ້ໄຂ AI ກຳລັງງ່າຍຂຶ້ນ

ການຮຽນຮູ້ຂອງເຄື່ອງຈັກອັດຕະໂນມັດ (AutoML) ກຳລັງກາຍເປັນຜະລິດຕະພັນມາດຕະຖານ.

ເນື່ອງຈາກຄວາມສັບສົນຂອງໜ້າວຽກທີ່ກ່ຽວຂ້ອງກັບການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (ML), ການເຕີບໂຕຢ່າງໄວວາຂອງແອັບພລິເຄຊັນການຮຽນຮູ້ຂອງເຄື່ອງຈັກໄດ້ສ້າງຄວາມຕ້ອງການສຳລັບວິທີການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ສາມາດໃຊ້ໄດ້ໂດຍບໍ່ຕ້ອງມີຄວາມຊ່ຽວຊານ. ຂົງເຂດການຄົ້ນຄວ້າທີ່ໄດ້ຮັບ, ການອັດຕະໂນມັດທີ່ກ້າວໜ້າສຳລັບການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ເອີ້ນວ່າ AutoML. ບໍລິສັດຫຼາກຫຼາຍແຫ່ງກຳລັງນຳໃຊ້ເທັກໂນໂລຢີນີ້ເປັນສ່ວນໜຶ່ງຂອງການສະເໜີ AI ຂອງເຂົາເຈົ້າເພື່ອຊ່ວຍໃຫ້ລູກຄ້າພັດທະນາຮູບແບບ ML ແລະ ຈັດຕັ້ງປະຕິບັດກໍລະນີການນຳໃຊ້ອຸດສາຫະກຳໄດ້ໄວຂຶ້ນ. ຕົວຢ່າງ, ໃນເດືອນພະຈິກ 2020, SKF ໄດ້ປະກາດຜະລິດຕະພັນທີ່ອີງໃສ່ automL ເຊິ່ງລວມຂໍ້ມູນຂະບວນການຂອງເຄື່ອງຈັກເຂົ້າກັບຂໍ້ມູນການສັ່ນສະເທືອນ ແລະ ອຸນຫະພູມເພື່ອຫຼຸດຜ່ອນຕົ້ນທຶນ ແລະ ເປີດໃຊ້ຮູບແບບທຸລະກິດໃໝ່ສຳລັບລູກຄ້າ.

ການດຳເນີນງານການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (ML Ops) ເຮັດໃຫ້ການຈັດການ ແລະ ການບຳລຸງຮັກສາຮູບແບບງ່າຍຂຶ້ນ.

ສາຂາວິຊາໃໝ່ຂອງການດຳເນີນງານການຮຽນຮູ້ຂອງເຄື່ອງຈັກມີຈຸດປະສົງເພື່ອເຮັດໃຫ້ການບຳລຸງຮັກສາຮູບແບບ AI ໃນສະພາບແວດລ້ອມການຜະລິດງ່າຍຂຶ້ນ. ປະສິດທິພາບຂອງຮູບແບບ AI ມັກຈະຫຼຸດລົງຕາມການເວລາຍ້ອນວ່າມັນໄດ້ຮັບຜົນກະທົບຈາກຫຼາຍປັດໃຈພາຍໃນໂຮງງານ (ຕົວຢ່າງ, ການປ່ຽນແປງໃນການແຈກຢາຍຂໍ້ມູນ ແລະ ມາດຕະຖານຄຸນນະພາບ). ດັ່ງນັ້ນ, ການບຳລຸງຮັກສາຮູບແບບ ແລະ ການດຳເນີນງານການຮຽນຮູ້ຂອງເຄື່ອງຈັກຈຶ່ງກາຍເປັນສິ່ງຈຳເປັນເພື່ອຕອບສະໜອງຄວາມຕ້ອງການຄຸນນະພາບສູງຂອງສະພາບແວດລ້ອມອຸດສາຫະກຳ (ຕົວຢ່າງ, ຮູບແບບທີ່ມີປະສິດທິພາບຕ່ຳກວ່າ 99% ອາດຈະບໍ່ສາມາດລະບຸພຶດຕິກຳທີ່ເປັນອັນຕະລາຍຕໍ່ຄວາມປອດໄພຂອງຜູ້ອອກແຮງງານ).

ໃນຊຸມປີມໍ່ໆມານີ້, ບໍລິສັດ startup ຫຼາຍແຫ່ງໄດ້ເຂົ້າຮ່ວມພື້ນທີ່ ML Ops, ລວມທັງ DataRobot, Grid.AI, Pinecone/Zilliz, Seldon, ແລະ Weights & Biases. ບໍລິສັດທີ່ມີຊື່ສຽງໄດ້ເພີ່ມການດຳເນີນງານການຮຽນຮູ້ຂອງເຄື່ອງຈັກເຂົ້າໃນການສະເໜີຊອບແວ AI ທີ່ມີຢູ່ແລ້ວຂອງພວກເຂົາ, ລວມທັງ Microsoft, ເຊິ່ງໄດ້ນຳສະເໜີການກວດຈັບການເລື່ອນຂໍ້ມູນໃນ Azure ML Studio. ຄຸນສົມບັດໃໝ່ນີ້ຊ່ວຍໃຫ້ຜູ້ໃຊ້ສາມາດກວດຈັບການປ່ຽນແປງໃນການແຈກຢາຍຂໍ້ມູນປ້ອນເຂົ້າທີ່ເຮັດໃຫ້ປະສິດທິພາບຂອງຮູບແບບຫຼຸດລົງ.

ປັດໄຈທີ 3: ປັນຍາປະດິດທີ່ນຳໃຊ້ກັບແອັບພລິເຄຊັນ ແລະ ກໍລະນີການນຳໃຊ້ທີ່ມີຢູ່ແລ້ວ

ຜູ້ໃຫ້ບໍລິການຊອບແວແບບດັ້ງເດີມກຳລັງເພີ່ມຄວາມສາມາດຂອງ AI.

ນອກເໜືອໄປຈາກເຄື່ອງມືຊອບແວ AI ແນວນອນຂະໜາດໃຫຍ່ທີ່ມີຢູ່ແລ້ວເຊັ່ນ MS Azure ML, AWS SageMaker, ແລະ Google Cloud Vertex AI, ຊຸດຊອບແວແບບດັ້ງເດີມເຊັ່ນ: ລະບົບການຄຸ້ມຄອງການບຳລຸງຮັກສາດ້ວຍຄອມພິວເຕີ (CAMMS), ລະບົບການປະຕິບັດການຜະລິດ (MES) ຫຼື ການວາງແຜນຊັບພະຍາກອນວິສາຫະກິດ (ERP) ໃນປັດຈຸບັນສາມາດປັບປຸງໄດ້ຢ່າງຫຼວງຫຼາຍໂດຍການສັກຄວາມສາມາດຂອງ AI. ຕົວຢ່າງ, ຜູ້ໃຫ້ບໍລິການ ERP Epicor Software ກຳລັງເພີ່ມຄວາມສາມາດຂອງ AI ໃສ່ຜະລິດຕະພັນທີ່ມີຢູ່ແລ້ວຜ່ານ Epicor Virtual Assistant (EVA). ຕົວແທນ EVA ອັດສະລິຍະຖືກນຳໃຊ້ເພື່ອເຮັດໃຫ້ຂະບວນການ ERP ເປັນອັດຕະໂນມັດ, ເຊັ່ນ: ການກຳນົດເວລາການດຳເນີນງານການຜະລິດຄືນໃໝ່ ຫຼື ການປະຕິບັດການສອບຖາມງ່າຍໆ (ຕົວຢ່າງ, ການໄດ້ຮັບລາຍລະອຽດກ່ຽວກັບລາຄາຜະລິດຕະພັນ ຫຼື ຈຳນວນຊິ້ນສ່ວນທີ່ມີຢູ່).

ກໍລະນີການນຳໃຊ້ໃນອຸດສາຫະກຳກຳລັງໄດ້ຮັບການຍົກລະດັບໂດຍການໃຊ້ AIoT.

ກໍລະນີການນຳໃຊ້ໃນອຸດສາຫະກຳຫຼາຍໆກໍລະນີກຳລັງໄດ້ຮັບການປັບປຸງໂດຍການເພີ່ມຄວາມສາມາດຂອງ AI ເຂົ້າໃນໂຄງສ້າງພື້ນຖານຮາດແວ/ຊອບແວທີ່ມີຢູ່ແລ້ວ. ຕົວຢ່າງທີ່ຊັດເຈນແມ່ນວິໄສທັດຂອງເຄື່ອງຈັກໃນການນຳໃຊ້ການຄວບຄຸມຄຸນນະພາບ. ລະບົບວິໄສທັດຂອງເຄື່ອງຈັກແບບດັ້ງເດີມປະມວນຜົນຮູບພາບຜ່ານຄອມພິວເຕີປະສົມປະສານ ຫຼື ຄອມພິວເຕີແຍກຕ່າງຫາກທີ່ມີຊອບແວພິເສດທີ່ປະເມີນພາລາມິເຕີ ແລະ ຂອບເຂດທີ່ກຳນົດໄວ້ລ່ວງໜ້າ (ເຊັ່ນ: ຄວາມຄົມຊັດສູງ) ເພື່ອກຳນົດວ່າວັດຖຸມີຂໍ້ບົກຜ່ອງຫຼືບໍ່. ໃນຫຼາຍໆກໍລະນີ (ຕົວຢ່າງ, ອົງປະກອບເອເລັກໂຕຣນິກທີ່ມີຮູບຮ່າງສາຍໄຟທີ່ແຕກຕ່າງກັນ), ຈຳນວນຜົນບວກທີ່ບໍ່ຖືກຕ້ອງແມ່ນສູງຫຼາຍ.

ເຖິງຢ່າງໃດກໍ່ຕາມ, ລະບົບເຫຼົ່ານີ້ກຳລັງໄດ້ຮັບການຟື້ນຟູຜ່ານປັນຍາປະດິດ. ຕົວຢ່າງ, ຜູ້ໃຫ້ບໍລິການວິໄສທັດເຄື່ອງຈັກອຸດສາຫະກຳ Cognex ໄດ້ປ່ອຍເຄື່ອງມືການຮຽນຮູ້ເລິກໃໝ່ (Vision Pro Deep Learning 2.0) ໃນເດືອນກໍລະກົດ 2021. ເຄື່ອງມືໃໝ່ເຫຼົ່ານີ້ປະສົມປະສານກັບລະບົບວິໄສທັດແບບດັ້ງເດີມ, ຊ່ວຍໃຫ້ຜູ້ໃຊ້ສຸດທ້າຍສາມາດລວມການຮຽນຮູ້ເລິກກັບເຄື່ອງມືວິໄສທັດແບບດັ້ງເດີມໃນແອັບພລິເຄຊັນດຽວກັນເພື່ອຕອບສະໜອງສະພາບແວດລ້ອມທາງການແພດ ແລະ ເອເລັກໂຕຣນິກທີ່ຕ້ອງການການວັດແທກຮອຍຂີດຂ່ວນ, ການປົນເປື້ອນ ແລະ ຂໍ້ບົກຜ່ອງອື່ນໆຢ່າງຖືກຕ້ອງ.

ປັດໄຈທີ 4: ຮາດແວ AIoT ອຸດສາຫະກຳໄດ້ຮັບການປັບປຸງ

ຊິບ AI ກຳລັງປັບປຸງຢ່າງໄວວາ.

ຊິບ AI ຮາດແວທີ່ຝັງຢູ່ກຳລັງເຕີບໂຕຢ່າງໄວວາ, ໂດຍມີຫຼາກຫຼາຍທາງເລືອກທີ່ມີໃຫ້ເພື່ອສະໜັບສະໜູນການພັດທະນາ ແລະ ການນຳໃຊ້ຮູບແບບ AI. ຕົວຢ່າງລວມມີໜ່ວຍປະມວນຜົນກຣາບຟິກ (Gpus) ລຸ້ນລ້າສຸດຂອງ NVIDIA, A30 ແລະ A10, ເຊິ່ງໄດ້ນຳສະເໜີໃນເດືອນມີນາ 2021 ແລະ ເໝາະສົມກັບກໍລະນີການນຳໃຊ້ AI ເຊັ່ນ: ລະບົບແນະນຳ ແລະ ລະບົບວິໄສທັດຄອມພິວເຕີ. ອີກຕົວຢ່າງໜຶ່ງແມ່ນໜ່ວຍປະມວນຜົນ Tensors ລຸ້ນທີສີ່ (TPus) ຂອງ Google, ເຊິ່ງເປັນວົງຈອນປະສົມປະສານພິເສດທີ່ມີປະສິດທິພາບສູງ (ASics) ເຊິ່ງສາມາດບັນລຸປະສິດທິພາບ ແລະ ຄວາມໄວໄດ້ສູງເຖິງ 1,000 ເທົ່າໃນການພັດທະນາຮູບແບບ ແລະ ການນຳໃຊ້ສຳລັບວຽກງານ AI ສະເພາະ (ເຊັ່ນ: ການກວດຈັບວັດຖຸ, ການຈັດປະເພດຮູບພາບ, ແລະ ມາດຕະຖານການແນະນຳ). ການໃຊ້ຮາດແວ AI ທີ່ອຸທິດຕົນຊ່ວຍຫຼຸດຜ່ອນເວລາການຄິດໄລ່ຮູບແບບຈາກມື້ເປັນນາທີ, ແລະ ໄດ້ພິສູດໃຫ້ເຫັນວ່າເປັນຕົວປ່ຽນແປງເກມໃນຫຼາຍໆກໍລະນີ.

ຮາດແວ AI ທີ່ມີປະສິດທິພາບແມ່ນມີໃຫ້ທັນທີຜ່ານຮູບແບບການຈ່າຍຕໍ່ການນຳໃຊ້.

ວິສາຫະກິດຂະໜາດໃຫຍ່ກຳລັງຍົກລະດັບເຊີບເວີຂອງເຂົາເຈົ້າຢ່າງຕໍ່ເນື່ອງເພື່ອເຮັດໃຫ້ຊັບພະຍາກອນການຄຳນວນສາມາດໃຊ້ໄດ້ໃນຄລາວດ໌ ເພື່ອໃຫ້ຜູ້ໃຊ້ສຸດທ້າຍສາມາດຈັດຕັ້ງປະຕິບັດແອັບພລິເຄຊັນ AI ອຸດສາຫະກຳໄດ້. ຕົວຢ່າງ, ໃນເດືອນພະຈິກ 2021, AWS ໄດ້ປະກາດການເປີດຕົວຢ່າງເປັນທາງການຂອງອິນສະແຕນສ໌ທີ່ອີງໃສ່ GPU ລຸ້ນລ່າສຸດຂອງຕົນ, Amazon EC2 G5, ທີ່ໃຊ້ພະລັງງານໂດຍ NVIDIA A10G Tensor Core GPU, ສຳລັບແອັບພລິເຄຊັນ ML ຫຼາກຫຼາຍຊະນິດ, ລວມທັງວິໄສທັດຄອມພິວເຕີ ແລະ ເຄື່ອງຈັກແນະນຳ. ຕົວຢ່າງ, ຜູ້ໃຫ້ບໍລິການລະບົບກວດຈັບ Nanotronics ໃຊ້ຕົວຢ່າງ Amazon EC2 ຂອງວິທີແກ້ໄຂການຄວບຄຸມຄຸນນະພາບທີ່ອີງໃສ່ AI ຂອງຕົນເພື່ອເລັ່ງຄວາມພະຍາຍາມໃນການປະມວນຜົນ ແລະ ບັນລຸອັດຕາການກວດຈັບທີ່ຖືກຕ້ອງຫຼາຍຂຶ້ນໃນການຜະລິດໄມໂຄຣຊິບ ແລະ ທໍ່ນາໂນ.

ສະຫຼຸບ ແລະ ໂອກາດ

AI ກຳລັງອອກມາຈາກໂຮງງານ, ແລະມັນຈະຢູ່ທົ່ວໄປໃນແອັບພລິເຄຊັນໃໝ່ໆ, ເຊັ່ນ: PdM ທີ່ອີງໃສ່ AI, ແລະເປັນການປັບປຸງຊອບແວ ແລະ ກໍລະນີການນຳໃຊ້ທີ່ມີຢູ່ແລ້ວ. ວິສາຫະກິດຂະໜາດໃຫຍ່ກຳລັງເປີດຕົວກໍລະນີການນຳໃຊ້ AI ຫຼາຍຢ່າງ ແລະ ລາຍງານຄວາມສຳເລັດ, ແລະ ໂຄງການສ່ວນໃຫຍ່ມີຜົນຕອບແທນຈາກການລົງທຶນສູງ. ໂດຍລວມແລ້ວ, ການເພີ່ມຂຶ້ນຂອງຄລາວດ໌, ແພລດຟອມ iot ແລະ ຊິບ AI ທີ່ມີປະສິດທິພາບໄດ້ສະໜອງແພລດຟອມສຳລັບຊອບແວ ແລະ ການເພີ່ມປະສິດທິພາບລຸ້ນໃໝ່.