22.11.2021
Какие препятствия сегодня мешают и какие стимулы работают при тиражировании успешных сценариев применения ИИ в промышленности – мнения и кейсы от игроков отечественного рынка.
Сегодня в российском индустриальном секторе начато активное внедрение таких решений на основе ИИ, как интеллектуальные системы поддержки принятия решений, распознавание и синтез речи, интеллектуальный анализ текстовых документов, распознавание естественного языка, роботы, видеоаналитика и другие технологии. Дискуссия на CDO2DAY собрала ряд экспертов, которые обменялись инновационными сценариями и взглядами на перспективы в этой сфере. Разбираем самые интересные тезисы по актуальной практике и аспектам внедрения ИИ от ведущих отечественных компаний.
АКТУАЛЬНАЯ ПРАКТИКА
Компания работает с четырьмя подвидами ИИ-решений – предиктив, роботы, работа с естественным языком, видеоаналитика – и пока не видит для себя необходимости в создании кардинально новых решений. Предиктивная аналитика запущена на производстве топливных элементов машиностроительного предприятия. Здесь создано полностью интегрированное решение для раннего обнаружения отклонения установок, давшее эффекты уже за первый месяц пилотирования. Видеоаналитика и компьютерное зрение находятся в ряду самых приоритетных инноваций, использующихся для обеспечения безопасности атомной отрасли. Такие решения уже внедрены на Кольской АЭС и масштабируются для других предприятий. В свою очередь, кейс с интеллектуальным анализом текстовых документов для предприятий появился достаточно быстро в процессе оцифровки накопленного колоссального количества документации по всем направлениям деятельности «Росатома».
АСПЕКТЫ ВНЕДРЕНИЯ
Компанией сформирована цифровая стратегия, где определены мероприятия по всем сквозным цифровым технологиям для атомной отрасли. ИИ здесь занимает значительную долю – 14%. Планы по развитию технологий ИИ отрасли в рамках цифровой стратегии утверждается на уровне генерального директора госкорпорации. Формирование таких планов – работа большой группы экспертов.
ИЗ ЗАРУБЕЖНОГО ОПЫТА:
Siemens наглядно демонстрирует, что предиктивное обслуживание оборудования на базе алгоритмов машинного обучения позволило снизить затраты на 25% по простоям, что привело к увеличению производительности.
АКТУАЛЬНАЯ ПРАКТИКА
Основной блок задач по внедрению ИИ связан с работой на месторождениях. Это добыча нефти и обработка призабойной зоны скважины. Здесь с помощью химических препаратов меняют проницаемость пласта путем разбавления частиц породы. К сожалению, этот метод обработки призабойной зоны скважины не всегда дает хороший эффект. На неудачные попытки тратятся физические, временные ресурсы и немалые денежные средства. В результате было построено IT-решение, которое обучается в результате обработки получаемых данных. Его внедрение значительно повысило эффективность метода обработки призабойной зоны. Благодаря этому до 80% скважин стали продуктивнее осваиваться. Кроме этого, компания также занимаемся оптимизацией работы по блокам переработки и сбыта нефтепродуктов.
АСПЕКТЫ ВНЕДРЕНИЯ
Основными принципами внедрения ИИ в ПАО «Газпром нефть» называют заботу о повышении эффективности производства и безопасности труда, а также желание сделать компанию более «зеленой». Почти 3 года ПАО «Газпром нефть» в активном режиме создает цифровые решения на основе ИИ по всей цепочке добавленной стоимости.
АКТУАЛЬНАЯ ПРАКТИКА
Компания реализовала на горно-металлургическом производстве решение, связанное с компьютерным зрением. В процессе добычи, на этапе эскалации, периодически возникает проблема с потерей зубьев эскалаторами. Если такой металлический зубец попадет вместе с углем или рудой в дробилку, это может привести к ее поломке. Такие инциденты случаются несколько раз в год, и один час простоя дробилки обходится предприятию в 10 тыс. долл. Для того чтобы повысить производительность, необходимо максимально сократить такие простои. В качестве решения ГК «Цифрой» реализовано решение с установкой программно-аппаратного комплекса по распознаванию момента, когда зубец эскалатора отваливается. Это позволяет своевременно предотвращать поломки дробилки. Поводом для реализации второго кейса стал процесс термообработки труб, который зачастую является узким местом на горно-металлургических предприятиях. Этот режим, как правило, вычисляется вручную. И здесь задачами являются оптимизация самого процесса и минимизация брака. Компанией была создана цифровая рекомендательная модель, в результате внедрения которой все участники процесса термообработки теперь могут его контролировать и отслеживать, не занимаясь повторной термообработкой труб, как это было раньше.
АСПЕКТЫ ВНЕДРЕНИЯ
Стимулами подобных проектов могут являться субсидии. Так, например, второй проект, связанный с термообработкой труб был поддержан Минпромторгом. Также субсидирование сейчас запущено в Сколково.
По оценке ГК «Цифра», ключевая проблема внедрения ИИ-решений в производство сегодня кроется в кадрах, которые сейчас управляют процессами. Это специалисты с большим опытом, которым иногда непросто объяснить, что ИИ будет им помогать, но не замещать. Вторая проблема – качество данных по технологическим процессам в зависимости от того, какое оборудование используется и даже в каком регионе оно расположено. Компанией в этой связи рекомендуется переход производств на платформенные модели, чтобы использовать уже готовые наработки и ускорять масштабирование проектов.
АКТУАЛЬНАЯ ПРАКТИКА
У компании есть пять критериев оценки внедрения ИИ в промышленности. Это качество, персонализация, скорость, экономическая эффективность и объективность того, что привносит ИИ. Сбер работает в пяти направлениях развития ИИ, которые считает основными: обработка естественного языка, компьютерное зрение, рекомендательные системы и интеллектуальные системы поддержки принятия решений, распознавание и синтез речи, перспективные методы и технологии ИИ.
АСПЕКТЫ ВНЕДРЕНИЯ
Для выяснения отечественных особенностей внедрения ИИ, Сбер в партнерстве с Минпромторгом разослал 302 компаниям онлайн-опрос об использовании этих технологий. Исходя из полученных ответов, уровня ИИ-зрелости достигли всего 11% компаний. Не планируют использовать ИИ в ближайшие 4 года – 46% респондентов, 17% планируют начать использование ИИ на горизонте 3 лет, 26% будут использовать в ближайшие 4 года. Среди основных барьеров названы: недостаток специалистов и низкая ожидаемая окупаемость. Здесь это связано с тем, что бизнес-кейс необходимо построить и защитить. И в Сбере считают, что разработка такой методики могла бы стимулировать предприятия к обмену опытом. Что касается актуальных трендов ИИ, то сейчас это автоматизация заводов, контроль качества, контроль безопасности, планирование производства и предиктивный ремонт. При этом на ближайшие 5 лет строятся планы по развитию ИИ в направлениях, которые пока поддаются только человеку: разработка и дизайн продукта, маркетинговые активности, кастомизация клиентского опыта, управление оборудованием, контроль качества.
О ГОСПОДДЕРЖКЕ В РФ
Василий Шпак, заместитель министра промышленности и торговли РФ: «Внедрение искусственного интеллекта должно отвечать на те вызовы, которые существуют на предприятиях. Если говорить о том, какие усилия в этом направлении предпринимает Минпромторг, то это несколько видов субсидий. Это и субсидия 529, которая направлена на разработку сквозных цифровых платформ. Это и субсидия 1380, которую начинаем разыгрывать с этого года, на создание программ с искусственным интеллектом».
АКТУАЛЬНАЯ ПРАКТИКА
Деятельность компании сосредоточена на внедрении решений с участием ИИ на добывающих и металлургических комбинатах. И основные результаты в ходе сотрудничества предприятиями отмечаются после применения видеоаналитики как источника данных на стыке с предиктивными моделями, которые можно строить поверх этого источника данных.
АСПЕКТЫ ВНЕДРЕНИЯ
Одним из главных препятствий для масштабирования в промышленности технологий на основе ИИ в red_mad_robot называют сложности подсчета эффективности внедрения. Во многих промышленных компаниях оценка результата в итоге сводится лишь к экономическому эффекту. При этом такие характеристики, как, например, качество, персонализация, и ряд других не оцифровываются до модели, которая показывает эффективность внедрения решения. Они воспринимаются как приятное гуманитарное дополнение, но не аргумент для старта проекта. Компания-интегратор, допустим, умеет собирать дата-сеты, делать разметку, строить модели, внедрять решения, подбирать оборудование и доводить до продакшена. При этом мало кто, кроме представителя заказчика, может оценить потенциал от внедрения решения. Для такой оценки нужна соответствующая экспертиза.
АКТУАЛЬНАЯ ПРАКТИКА
Автогигант сейчас находится в стадии завершения проекта на основе ИИ, связанного с покраской деталей. На базе компьютерного зрения внедрено решение, которое позволило отслеживать, когда, сколько, в каком месте и какого качества детали прошли по конвейеру. Алгоритм распознаванием дефектов теперь встроен в производственную инфраструктуру. Он обусловлен тем, что детали, которые проходят через точку контроля, двигаются с определенной частотой. А остановка или замедление работы конвейера, для того чтобы рассмотреть детали со всех сторон, недопустимы.
АСПЕКТЫ ВНЕДРЕНИЯ
В качестве барьеров для внедрения технологий ИИ на КамАЗе видят прежде всего нехватку квалифицированных кадров со стороны производства. Люди не всегда корректно воспринимают новые решения. А в качестве стимула для продвижения инноваций на заводе рассматривают поддержку со стороны государства, в том числе касающуюся адресного обучения кадров.
ИЗ ЗАРУБЕЖНОГО ОПЫТА:
Немецкие автопроизводители из Porsche применили гибкую производственную линию с автономными платформами, где ИИ помогал перемещать кузова платформы с одной станции обработки на другую и адаптировать рабочие циклы к реальным потребностям. Это дало рост производительности и сокращение срока ввода объекта в эксплуатацию.
При подготовке публикации использовались материалы CDO2DAY.
