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, ແລະອີກບໍ່ດົນມານີ້, ສ່ວນເສີມສະເພາະ.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 ສັງເກດເຫັນວ່າຈໍານວນຜູ້ໃຫ້ບໍລິການທີ່ໃຊ້ AI-based product data management (PdM) software solutions 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, ການບໍາລຸງຮັກສາແບບຈໍາລອງແລະການປະຕິບັດການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ກາຍເປັນຄວາມຈໍາເປັນເພື່ອຕອບສະຫນອງຄວາມຕ້ອງການທີ່ມີຄຸນນະພາບສູງຂອງສະພາບແວດລ້ອມອຸດສາຫະກໍາ (ຕົວຢ່າງເຊັ່ນ, 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.ຕົວຢ່າງ, ຜູ້ໃຫ້ບໍລິການ ERP Epicor Software ກໍາລັງເພີ່ມຄວາມສາມາດຂອງ AI ໃຫ້ກັບຜະລິດຕະພັນທີ່ມີຢູ່ໂດຍຜ່ານຜູ້ຊ່ວຍ virtual Epicor (EVA).ຕົວແທນ EVA ອັດສະລິຍະຖືກນໍາໃຊ້ເພື່ອເຮັດໃຫ້ຂະບວນການ ERP ອັດຕະໂນມັດ, ເຊັ່ນ: ການກໍານົດເວລາການຜະລິດໃຫມ່ຫຼືການສອບຖາມທີ່ງ່າຍດາຍ (ຕົວຢ່າງ, ການໄດ້ຮັບລາຍລະອຽດກ່ຽວກັບລາຄາຜະລິດຕະພັນຫຼືຈໍານວນສ່ວນທີ່ມີຢູ່).

ກໍລະນີການນໍາໃຊ້ອຸດສາຫະກໍາກໍາລັງຖືກປັບປຸງໂດຍການນໍາໃຊ້ AIoT.

ກໍລະນີການນໍາໃຊ້ອຸດສາຫະກໍາຈໍານວນຫນຶ່ງແມ່ນໄດ້ຮັບການປັບປຸງໂດຍການເພີ່ມຄວາມສາມາດຂອງ AI ໃຫ້ແກ່ໂຄງສ້າງພື້ນຖານຂອງຮາດແວ / ຊອບແວທີ່ມີຢູ່.ຕົວຢ່າງທີ່ສົດໃສແມ່ນວິໄສທັດຂອງເຄື່ອງຈັກໃນຄໍາຮ້ອງສະຫມັກການຄວບຄຸມຄຸນນະພາບ.ລະບົບວິໄສທັດເຄື່ອງຈັກແບບດັ້ງເດີມປະມວນຜົນຮູບພາບໂດຍຜ່ານຄອມພິວເຕີປະສົມປະສານຫຼືແຍກກັນໂດຍມີຊອບແວພິເສດທີ່ປະເມີນຕົວກໍານົດການແລະຂອບເຂດທີ່ກໍານົດໄວ້ (ຕົວຢ່າງ, ຄວາມຄົມຊັດສູງ) ເພື່ອກໍານົດວ່າວັດຖຸມີຂໍ້ບົກພ່ອງຫຼືບໍ່.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, ມີຫຼາຍທາງເລືອກໃນການຮອງຮັບການພັດທະນາ ແລະ ການນຳໃຊ້ຕົວແບບ AI.ຕົວຢ່າງລວມທັງຫນ່ວຍປະມວນຜົນກາຟິກ (Gpus), A30 ແລະ A10 ຂອງ NVIDIA, ເຊິ່ງໄດ້ນໍາສະເຫນີໃນເດືອນມີນາ 2021 ແລະເຫມາະສົມກັບກໍລະນີການນໍາໃຊ້ AI ເຊັ່ນ: ລະບົບຄໍາແນະນໍາແລະລະບົບວິໄສທັດຄອມພິວເຕີ.ຕົວຢ່າງອີກອັນຫນຶ່ງແມ່ນຫນ່ວຍປະມວນຜົນ Tensors ຮຸ່ນທີ 4 ຂອງ Google (TPus), ເຊິ່ງເປັນວົງຈອນປະສົມປະສານທີ່ມີຈຸດປະສົງພິເສດ (ASics) ທີ່ມີປະສິດທິພາບສູງເຖິງ 1,000 ເທົ່າທີ່ມີປະສິດທິພາບແລະຄວາມໄວໃນການພັດທະນາແບບຈໍາລອງແລະການນໍາໃຊ້ສໍາລັບວຽກງານ AI ສະເພາະ (ຕົວຢ່າງເຊັ່ນ: ການກວດສອບວັດຖຸ. , ການຈັດປະເພດຮູບພາບ, ແລະມາດຕະຖານແນະນໍາ).ການນໍາໃຊ້ຮາດແວ AI ທີ່ອຸທິດຕົນຊ່ວຍຫຼຸດຜ່ອນເວລາການຄິດໄລ່ແບບຈໍາລອງຈາກມື້ໄປຫານາທີ, ແລະໄດ້ພິສູດວ່າເປັນຕົວປ່ຽນແປງເກມໃນຫຼາຍໆກໍລະນີ.

ຮາດແວ AI ທີ່ມີປະສິດທິພາບສາມາດໃຊ້ໄດ້ທັນທີໂດຍຜ່ານຮູບແບບການຈ່າຍຕໍ່ການນໍາໃຊ້.

ວິສາຫະກິດຂະໜາດໃຫຍ່ກຳລັງປັບປຸງເຊີບເວີຂອງເຂົາເຈົ້າຢ່າງຕໍ່ເນື່ອງເພື່ອເຮັດໃຫ້ຊັບພະຍາກອນຄອມພິວເຕີມີຢູ່ໃນຄລາວເພື່ອໃຫ້ຜູ້ໃຊ້ສຸດທ້າຍສາມາດນຳໃຊ້ແອັບພລິເຄຊັ່ນ 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.