ИИ в промышленности: как извлечь пользу из модного тренда

Промышленности еще далеко до полноценного использования возможностей искусственного интеллекта (ИИ). Цифровые помощники и советчики не всегда востребованы и полноценно используются на производстве, скорее мы видим пробные шаги в этом направлении. Так почему же ИИ не получает широкого распространения в цифровом ландшафте промышленных предприятий так быстро, как в других отраслях? Заместитель генерального директора ГК «Цифра» Михаил Аронсон поделился версией с журналом «Компания».

Еще 5 лет назад разработки решений на базе ИИ обычно велись в отрыве от производства, потому что далеко не все предприятия на тот момент имели централизованные промышленные платформы для управления данными. То есть ИИ попросту некуда было встраивать и ему не с чем было работать. На тот момент цифровые советчики, реализованные на базе технологий машинного обучения, носили преимущественно локальный характер. В таком виде они были заказчикам не особо интересны. Чтобы советчики приживались, необходимо было встроить их в систему управления производством. С таким ТЗ к нам обратился один из наших клиентов — крупная металлургическая компания, в которой мы сейчас оцифровываем производство, перестраивая полностью подход и переводя старые MES-сиcтемы на отечественную платформу.

Исторически у заказчика было порядка 120 цифровых советчиков, выдающих различные рекомендации по работе производственных установок, но когда мы начали внедрять платформу, то на нее «приземлилось» всего 20. Остальные кейсы с искусственным интеллектом, которые были сделаны в отрыве от сквозной системы управления производством, оказались нежизнеспособными, поскольку они попросту не участвовали в производственных процессах.

Айтишники говорят: «Дайте нам данные, мы все что угодно построим». А мы камеру прикручиваем к экскаватору, она максимум пару дней работает, потом камень в нее прилетает, и она ломается. В это время аналитики сидят в кабинете, ждут массива данных правильной формы.

Наша команда, которая занималась кейсами по машинному обучению в проме, хорошо понимала, что оторванной от реальной жизни аналитики недостаточно.

Когда мы осознали, что невозможно иметь «висящих в воздухе» ИИ-советчиков, которые тебе что-то абстрактное подсказывают, то перевели наших дата-инженеров в команды по внедрению продуктов для управления производством. Мы «пристегнули» к разработчикам производственников, специалистов, понимающих физико-химические процессы, инженеров — людей из другого мира. Мы отправили айтишников на суровые объекты реального горного производства, чтобы у них была возможность посмотреть, как все на самом деле работает, например, как действует ковш экскаватора. Нужно было не только добыть массив данных, но и понимать, как он связан с физикой и процессами, только тогда ты сможешь что-то сделать.

Постепенно мы погружались в процессы управления различными производствами, к примеру горнотранспортным комплексом. Поскольку мы уже давно собираем с самосвалов данные, «приземлить» на эту систему ИИ-советчиков, которые будут просчитывать оптимальную траекторию движения грузовика, нам оказалось гораздо проще. Советчики встроены в систему с точным пониманием того, какая задача стоит у водителя самосвала на этот рейс, сколько в данный момент горной массы ему нужно перевезти, несмотря на погодные условия. Они способны учитывать экономические цели предприятия, например по максимальной выработке или снижению издержек. С учетом этого ИИ способен дать оптимальную рекомендацию.

Так, у водителя самосвала появились цифровые советчики, которые на мониторе выводят рекомендации по траектории движения автомобиля и скоростному режиму. Оказалось, что просто за счет аккуратного вождения можно экономить 6% на топливе. Это 1,3 млн рублей с одного самосвала в год. Также можно экономить на износе шин, объезжая ямы. Это продлевает время использования их на 4,5%. Каждая покрышка стоит порядка 1,5 млн рублей. На один разрез это 600–700 млн рублей ежегодной экономии. Вот он — эффект.

Работая с ИИ, мы поняли, что не все данные нужно собирать. Даже небольшой объем информации, но правильно структурированной, может показать набор закономерностей. Приступая к проектам на базе ИИ, всегда нужно сначала разобраться, какие данные и в каком объеме достаточны и необходимы для получения рекомендаций. При бурении скважин, например в нефтянке, используют в основном 3–4% данных из тех, что собирают. С их помощью получают ответ на вопрос о том, как лучше бурить скважину. А остальной массив данных пока особо никак не применяется. Это потенциал для будущего.

Несколько лет назад разработчики не были готовы предлагать промышленности универсальные и легко тиражируемые решения на основе машинного обучения. Это всегда была индивидуальная и дорогостоящая история, так как на производстве практически невозможно найти универсальные технологические процессы.

Когда мы в 2019 году начали разрабатывать ИИ-решения для промышленности, как бизнес эта история не взлетела. Продав 20 кейсов, мы выяснили, что, создав однажды одного цифрового советчика, не получится беспрепятственно тиражировать его на другие компании. Каждый такой проект приходилось начинать сначала: невозможно было найти две одинаковые установки, работающие в равных условиях, встроенные в один и тот же технологический процесс и эксплуатируемые одинаково. Везде есть определенная специфика: в эксплуатации, особенностях технологии, географических, температурных и прочих режимах. И только сейчас мы подошли к тиражу универсальных ИИ-продуктов.

Сейчас мода на ИИ. Многие наши клиенты создают свои лаборатории по анализу информации. У всех есть какое-то озеро, песочница, болотце данных. У каждого есть люди, которые эти данные анализируют. На деле, такие проекты начинают жить, только когда встраивают аналитику в систему управления производством.

Пока ИИ в промышленности — это рекомендательный сервис. Следующий уровень освоения ИИ — это переход к управлению установками с использованием искусственного интеллекта. Добавляя технике определенные возможности, мы передаем ей право самостоятельно принимать решения. Это эволюция с постепенным ростом доверия к технологиям. С техникой договориться намного проще, чем с людьми, поэтому нужно просто перескочить этап советчиков и перейти к этапу управления техникой, исключив человека. Когда мы это попробуем, то пройдет страх и случится массовый переход к ИИ.

Источник: Журнал «Компания»