3000亿的制造业数字化蛋糕怎么吃？吴恩达的新公司打了个样
发布时间：2021-11-15 10:03:55 所属栏目：大数据 来源：互联网
导读：传统工业数字化转型的市场潜力有多大？根据知名市场分析机构Mordor Intelligence的估计，2020年全球制造业数字化转型的市场价值为2,639.3亿美元，预计到2026年将达到7,678.2亿美元，并在2021-2026年预测期内以19.48%的年复合增长率飞涨。 投资机构Insight Par
|
传统工业“数字化”转型的市场潜力有多大？根据知名市场分析机构Mordor Intelligence的估计，2020年全球制造业数字化转型的市场价值为2,639.3亿美元，预计到2026年将达到7,678.2亿美元，并在2021-2026年预测期内以19.48%的年复合增长率飞涨。 投资机构Insight Partners的总经理George Mathew声称，“制造业的数字化正在迅速发展。预计到2023年，它将成为一个3,000亿美元的市场。” 谷歌云的数据也显示，疫情期间有76%的制造业公司转向数据和分析、云和人工智能技术。包括熟练劳动力短缺和运输中断在内的供应链危机使得人工智能的采用可能会加速。而德勤报告称，93%的公司认为，人工智能将成为推动制造业增长和创新的关键因素。 本周，由谷歌大脑实验室联合创始人、前百度人工智能首席科学家和在线教育平台Coursera创始人吴恩达（Andrew Ng）创办的人工智能初创公司Landing AI宣布获得包括英特尔资本（Intel Capital）和Samsung Catalyst Fund、加拿大养老金投资理事会、Insight Partners、McRock Capital在内的诸多投资机构的总计5,700万美元的A轮融资，使Landing AI的融资总额达到约1亿美元。 而Landing AI成立的目标就是帮助制造业公司更快速、轻松的构建和部署人工智能系统，其亮点是将计算机视觉（CV）引入工业领域。据悉，Landing AI已经开发了一款名为LandingLens的视觉检测工具，可以帮助制造业企业在基于这款工具的基础上开发符合自身需求的产品视觉检查软件。 虽然不如消费级计算机视觉产品那样直观和有趣，但工业计算机视觉的影响可能不亚于To C的人工智能技术。随着工业计算机视觉平台的成熟，它们可以为不同领域带来巨大的生产力、成本效益和安全性的提升。 ▍专用机器学习模型 目前，计算机视觉的大多数成功应用都是针对一般的应用，例如对图像进行分类、检测物体，以及识别人脸。在这些领域，通常不缺乏数据来训练深度神经网络。而且同样的机器学习（ML）模型可以在不做任何修改的情况下就服务于数百万的用户和客户。 然而，工业应用对计算机视觉系统提出了一些独特的挑战。许多企业不能使用预先训练好的机器学习模型，因为这些模型都是基于公开数据，而他们需要根据特定数据训练的模型。 有时，这些企业没有足够的数据来从头训练他们的ML模型，所以他们需要经历一些更复杂的过程，比如在一般化的数据集上预训练模型，然后在他们自己的标记图像上进行微调。 另一方面，工业计算机视觉的挑战也并不全限于数据，诸如安全或透明度等敏感问题对工业计算机视觉系统中使用的算法类型和准确性指标都提出了特殊要求。 这个时候，就需要一种在提高机器学习模型质量的同时兼顾监管需求和业务利益的解决方案，即MLOps。MLOps是“机器学习”和“信息技术操作”的组合，它涉及数据科学家和IT专业人员之间的合作，目的是将机器学习算法产品化且不断地推出新的模型和算法。 但运行模型的团队需要整个MLOps堆栈来监控模型性能，在不同的模型之间进行迭代，维护不同版本的模型，并管理收集新数据和重新训练模型的管道。 这些都阻碍了计算机视觉在工业领域中的应用。所以，Landing AI等公司旨在建立一个解决这些问题的平台LandingLens，并提供工具，使企业能够建立自己的机器学习模型。 “在消费互联网中，一个单一的人工智能系统可以为数十亿用户服务。但在制造业，每个制造厂可能都需要自己的人工智能模型。通过让行业专家而不仅仅是人工智能专家来构建这些人工智能系统，LandingLens正在加速人工智能的普及。”吴恩达说。 LandingLens在其网站上公开的一些应用包括制造环节中的检查和监测任务、制药实验室的细胞计数和小瓶检查，以及农业中的植物疾病分类。这些都是需要专门的深度学习模型。 目前，Landing AI的客户包括大型电子制造商富士康、电池公司Quantum和生物技术公司Ligand Pharmaceuticals。 ▍低代码机器学习 随着高达82%的公司表示IT以外的定制应用开发很重要，Gartner预测到2024年将有65%的应用会使用低代码（Low-code）平台创建。另一份研究报告称，500名工程领导中的85%认为，低代码最快将在今年年底在其企业内普及，而三分之一的人预计，低代码和无代码的市场将在2027年攀升到588亿美元至1,254亿美元之间。 为了顺应趋势，Landing AI提供了无代码平台LandingLens，用于创建和部署计算机视觉应用的机器学习模型。 一般来说，将一个开箱即用的ML API集成到一个应用程序中是一个简单的过程，不一定需要对机器学习及其编程库有深刻的了解。你把你的数据发送到一个RESTful服务，它就会返回结果，而不会让你看到细节。 但是，当创建你自己的专业机器学习系统时，你需要数学和编程工具来开发、训练和部署ML模型。这样的人才仍然供不应求，对许多试图在其应用中使用计算机视觉的行业来说是一个挑战。 Landing AI通过一个无代码平台来解决这一挑战，让企业无需拥有庞大的ML科学家、数据工程师和经验丰富的Python程序员团队就能启动机器学习项目。 LandingLens包括一套丰富的工具，用于收集和注释数据，创建训练和验证数据集，在不同的设备上部署和运行ML模型，监测性能，并将其整合到工作流程中，所有这些都是通过可视化工具和仪表盘进行的。 无代码/低代码深度学习平台的好处之一是它们有可能在未来扩展。例如，随着人工智能研究人员不断发现和磨练新的技术和算法，如对比学习（Contrastive Learning）和自监督学习（Self-supervised Learning），像LandingLens这样的平台可以让客户可以使用这些技术和算法，而无需提出新的技术要求。 ▍巨头遗漏的市场机会 除了LandingLens等ML平台的出现，其他几个领域也在不断发展，为非数字环境下的先进计算机视觉算法铺平了道路。边缘人工智能（Edge AI）硬件和TinyML算法使得在边缘设备上运行机器学习成为可能，它们可以实时处理数据，而且不需要往返于云端。 同时，传感器成本的降低和机器人技术的进步在为各种环境带来细化数据收集和处理方面发挥了关键作用。例如，波士顿动力公司在移动机器人方面所做的工作使得在矿山、石油和天然气设施等困难环境中部署计算机视觉应用成为可能。 企业人工智能的大势所趋，以及Databricks、Snowflake和C3.ai等公司所做的工作，也是为应用机器学习奠定基础的一个重要因素。这些公司为建立数据湖、机器学习管道和工作流程提供平台，以分析和处理从不同来源获得的数据。 而且他们的产品适用于技术领域以外的所有行业。随着企业对此类工具的熟悉，部署像Landing AI等公司所提供的计算机视觉应用将变得更加容易。从这个角度来看，Landing AI的5,700万美元A轮融资反映了工业计算机视觉的增长潜力。 恰好在此期间微软、谷歌和亚马逊等人工智能大厂尚未在该领域有过多的布局，也没有推出自家版本的工业计算机视觉平台。适逢资本对计算机视觉的工业应用越来越感兴趣，这将为Landing AI这样的初创公司提供大量的机会来创造新的市场。 （编辑：宜春站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
