Industrielle Fertigung: Über 15 Millionen KI-fähige Geräte bis 2024, prognostiziert ABI Research

Der jüngste Bericht von ABI Research prognostiziert einen Anstieg der KI-Adoption im industriellen Fertigungssektor: Die Gesamtzahl KI-fähiger Geräte wird bis 2024 voraussichtlich 15,4 Millionen überschreiten – eine jährliche Wachstumsrate (CAGR) von 64,8 % von 2019 bis 2024.

„KI in der industriellen Fertigung ist eine Geschichte der Edge-Implementierung“, sagt Lian Jye Su, Principal Analyst bei ABI Research. „Da Hersteller ihre Daten lieber on-premise als in öffentlichen Clouds behalten, finden fast alle KI-Trainings- und Inferenz-Workloads am Edge statt – auf Geräten, Gateways und on-premise Servern.“

Dedizierte KI-Hardware für industrielle Umgebungen

Um diesen Wandel zu unterstützen, haben KI-Chipsatzhersteller und Serveranbieter dedizierte KI-fähige Server eingeführt, die speziell für industrielle Umgebungen konzipiert sind. Folglich ist ein wachsender Anteil der industriellen Infrastruktur nun mit KI-Software oder spezialisierten Chipsätzen für Echtzeit-Inferenz ausgestattet.

Herausforderungen trotz Datenreichtum

Trotz reichlich Daten und verfügbarer Lösungen verlief die KI-Implementierung in der Fertigung nicht so reibungslos wie erwartet. Die kommerziell ausgereiftesten Anwendungen bleiben Predictive Maintenance und Equipment Monitoring, mit einer installierten Basis von voraussichtlich 9,8 Millionen bzw. 6,7 Millionen Einheiten bis 2024.

Viele dieser Geräte sind multipurpose-fähig, dank Fortschritten bei KI-Chipsätzen. Wichtige Start-ups wie Uptake, SparkCognition, FogHorn und Falkonry bieten sowohl Cloud- als auch Edge-basierte Lösungen an, die die Gesamtleistung von Assets und Prozessflüsse überwachen.

Defect Inspection als wachsender Use Case

Die Fehlerinspektion entwickelt sich zu einem weiteren hochwachsenden Anwendungsfall. Die installierte Basis für diese Anwendung soll von 300.000 im Jahr 2019 auf über 3,7 Millionen bis 2024 steigen, besonders in der Elektronik- und Halbleiterfertigung, wo Partner mit Chipsatzherstellern und Softwareanbietern zusammenarbeiten, um KI-gestützte Machine Vision für die Bauteil-Fehlererkennung zu entwickeln.

Traditionelle Machine-Vision-Technologie bleibt in der Fertigung beliebt wegen ihrer Wiederholbarkeit, Zuverlässigkeit und Stabilität. Deep-Learning-Algorithmen erweitern diese Fähigkeiten jedoch, ermöglichen die Erkennung unerwarteter Anomalien, decken neue Erkenntnisse auf und übertreffen die Grenzen konventioneller Ansätze.

Talentakquise als Herausforderung

Hersteller stehen nun im intensiven Wettbewerb um den Aufbau und die Schulung interner Data-Science-Teams für KI-Implementierung. Die meisten KI-Profis tendieren zu großen Web-Scale-Playern oder agilen Start-ups, was die Talentakquise für Industrieunternehmen zur erheblichen Herausforderung macht.

„Angesichts dieser Landschaft ist der gangbarste Weg Partnerschaft“, so Su. „Die Zusammenarbeit mit Cloud-Anbietern, reinen KI-Start-ups, Systemintegratoren, Chipsatz- und Serverherstellern sowie Konnektivitätsanbietern ist essenziell, um die vielfältigen KI-Use-Cases zu bewältigen.“

Weitere Informationen finden Sie unter www.abiresearch.com.