Вестник цифровой трансформации

«Русагро»: машинное обучение максимизирует урожай
«Русагро»: машинное обучение максимизирует урожай

Процесс выращивания сельскохозяйственных растений в промышленных масштабах очень сложен сам по себе, поэтому самым трудным этапом проекта была реализация исполнения технологии производства в системе с учетом всех правил и ограничений


08:31 10.04.2024  |  Николай Смирнов | 1427 просмотров



Владимир Горохов, директор по развитию «Русагро Тех» и Максим Андрианов, директор по разработке и внедрению ПО «Инфосистемы Джет», — о создании в «Русагро» системы планирования полевых работ, позволяющей добиваться оптимальных результатов.

В «Русагро» запустили систему для сельскохозяйственного бизнес-направления, которая дает рекомендации агрономам по планированию различных полевых работ. Обрабатывая большое количество производственных данных, она учитывает множество факторов и оптимизирует весь комплекс полевых операций, позволяя экономить ресурсы и получать максимальную прибыль от урожая. Важным компонентом системы, созданной при помощи специалистов «Инфосистемы Джет», являются алгоритмы на базе машинного обучения. О реализации системы рассказывают Владимир Горохов, директор по развитию «Русагро Тех» и Максим Андрианов, директор по разработке и внедрению ПО «Инфосистемы Джет» — номинанты на премию Data Award.

- Какая задача стояла перед «Русагро», какие проблемы требовалось решить?

Владимир Горохов: Чтобы понимать задачу, которая стояла перед нами, важно понимать предпосылки проекта. «Русагро» выращивает различные сельскохозяйственные культуры на 685 тыс. гектаров полей. 

Особенно сложно принимать решения в ситуации, когда нужно провести полевые работы сразу на большом количестве полей, но при этом количество доступной техники и механизаторов ограничено. А если нарушить технологию, то можно частично или полностью потерять урожай. Риски этих нарушений для разных полевых работ и культур известны, их можно учитывать в принятии решений. Например, если вовремя не внести калийные удобрения в почву при выращивании сахарной свеклы, можно потерять до 15% урожая. А если не произвести обработку поля средствами защиты растений от вредителей, то показатель потерь будет 70%. Учесть все эти факторы в масштабе большого агропромышленного холдинга — очень трудоемкая задача для человека, а цена любой ошибки может быть очень велика.

Кроме того, что количество сельскохозяйственной техники и специалистов, участвующих в уборке урожая ограничено, каждая культура имеет свою стоимость. Поэтому фактор ценности культуры должен также учитываться в ситуациях, когда приходится выбирать, какое поле убрать первым.

Одним из самых критичных для бизнеса и при этом труднопланируемых процессов является сбор урожая. Поэтому было принято решение разработать и внедрить интеллектуальную систему планирования уборки урожая. Для реализации проекта была выбрана компания «Инфосистемы Джет», совместно с которой «Русагро» уже сделала ряд инновационных проектов.

Когда сервис для планирования уборки урожая прошел тестирование, начал работать в промышленной эксплуатации и показал хорошие результаты, руководство компании приняло решение разработать и внедрить еще один алгоритм — уже для комплексного планирования и оптимизации всех остальных полевых работ.

- Почему это важно для компании?

В.Г.: В каждый сезон необходимо производить ряд работ — от вспашки и посева до сбора урожая и подготовки полей к зиме. Планирование полевых работ — сложный процесс, при котором надо учитывать свойства каждой культуры, погодные условия и другие факторы, управлять сельскохозяйственной техникой и занятостью специалистов.

Автоматизация этого процесса, помощь специалистам в принятии правильных решений, учет множества факторов, влияющих на процесс, позволяет получить больше урожая и более эффективно использовать технику.

- Какой подход был выбран для реализации?

Максим Андрианов: Важно отметить, что мы работаем с «Русагро» уже давно, по нескольким направлениям, и хорошо понимаем специфику агропрома, поэтому выбрали технологии и инструментарий, подходящие именно для решения конкретной задачи холдинга. Мы внедрили алгоритмы, разработанные с применением целочисленного и линейного программирования, которые интегрированы с информационными системами «Русагро», обрабатывают большое количество производственных данных и дают рекомендации по времени проведения полевых работ. Все рекомендации визуализируются в интуитивно-понятном интерфейсе, изменения в информации об выполненных работах вносятся в систему оперативно — можно с уверенностью сказать, что специалисты холдинга получили удобный инструмент для планирования и отслеживания выполнения полевых работ.

Первый разработанный нами алгоритм позволяет планировать уборку урожая зерновых, бобовых и сахарной свеклы. Благодаря его рекомендациям агрохолдингу удается избежать порчи культур из-за погодных условий или перезревания, а также организовать оптимальное использование сельскохозяйственной техники и времени агрономов.

Второе решение учитывает все нюансы технологических процессов, а также множество факторов, влияющих на выращивание сельскохозяйственных культур, и оптимизирует весь комплекс полевых операций, позволяя экономить ресурсы и увеличивать показатели урожайности.

Функционал решения включает автоматическое формирование планов полевых работ на каждом поле, приоритизацию операций с учетом технологии выращивания культур и севооборота (чередования видов растений на поле), построение оптимальных маршрутов движения техники и перегонов с одного участка на другой.

- Какие требования предъявлялись к создаваемому решению?

М.А.: К алгоритму планирования предъявлялось достаточно много разных экономических и технологических требований. Важнейшими требованиями были приоритетность проведения работ в зависимости от потенциальной выручки за определенную сельскохозяйственную культуру и выполнение всех работ максимально близко к оптимальным (с точки зрения агрономии) срокам. Также требовалось учитывать перегоны техники между полями для минимизации времени и затрат на топливо.

Кроме того, нужно было учитывать наличие на производственных участках вспомогательной техники, необходимость дополнительных затрат времени при изменении вида выполняемых операций, состояние техники и графики отпусков механизаторов.

- Какие данные используются разработанными системами?

М.А.: Решения обрабатывают большой объем данных, включая требования технологии выращивания растений, отчеты агрономов, материалы аэросъемки, индексы вегетации, помогающие определить степень зрелости культур, а также данные из метеорологической системы. Это помогает точнее рассчитать рекомендуемое расписание всего спектра полевых работ, а также техническую спелость урожая при планировании уборки – например, если прошел дождь, уборка поля откладывается. Также источником данных является ERP, откуда поступает информация о сельхозтехнике и производственных заказах на продукцию с полей. Планы актуализируются ежедневно, при этом учитываются данные о выполненных работах.

- Какие технологии применялись?

М.А.: Поскольку основой большинства подобных проектов является работа с данными, в качестве основного языка программирования мы используем Python и фреймворки на его основе. Для решения задач оптимизации была выбрана библиотека OR-Tools. Чтобы обеспечить надежность и управляемость процессов вычислений и интеграции нашего решения с внешними системами, мы использовали инструмент Apache Airflow.

- Что собой представляет созданное решение?

М.А.: В итоге мы создали решение для продвинутого производственного планирования сельскохозяйственных работ, альтернативное импортным продуктам класса APS (Advanced Planning & Scheduling), таким как Siemens Opcenter или DELMIA Ortems. Важным компонентом системы являются алгоритмы на базе машинного обучения. Решение учитывает множество факторов и оптимизирует весь комплекс полевых операций, позволяя экономить ресурсы и получать максимальную прибыль от урожая.

- Алгоритмы машинного обучения делают решение по производственному планированию сельскохозяйственных работ действительно эффективным. Почему это так?

М.А.: Алгоритмы машинного обучения учитывают разные факторы для каждого поля и позволяют адаптироваться к изменяющимся условиям, таким как изменения погодных условий и сортов высаживаемых культур. Благодаря анализу данных и обучению на них система способна выявлять и снижать риски потери урожая. Кроме того, модели машинного обучения в системе постоянно обновляются на основе новых данных. Это позволяет постоянно улучшать качество рекомендаций, а также адаптировать систему к изменяющимся условиям и требованиям.

- Приведите несколько примеров «интеллектуальной начинки» решения. Какой математический аппарат используется и какие задачи он решает?

М.А.: В составе решения были использованы сразу несколько различных «интеллектуальных элементов». Это машинное обучение для прогноза таких характеристик полей, как достижение определенной фазы развития растения или влажность зерна. Также мы использовали метод смешанного программирования (Mixed-Integer Programming, MIP) для описания задач оптимизации с помощью фреймворка OR-Tools, который позволил решить задачу построения маршрутов движения техники для выполнения работ.

- Что в проекте было самым сложным?

М.А.: Процесс выращивания сельскохозяйственных растений в промышленных масштабах очень сложен сам по себе, поэтому самым трудным этапом проекта была реализация исполнения технологии производства в системе с учетом всех правил и ограничений. Например, в какие временные интервалы должна выполняться полевая операция, сколько времени может пройти относительно предыдущих и последующих работ, насколько конкретная операция необходима и т. д. Для решения этой задачи наши математики описывали всю технологию производства в виде довольно масштабного графа полевых работ, где вершинами были операции, а ребра показывали, в каком порядке должны выполняться данные операции.

Кроме того, перед нами стояла задача планировать полевые работы сразу на текущий сезон и следующий, так как в то время, как одни сельскохозяйственные культуры убирают с полей, другие – озимые – уже нужно сеять, предварительно подготовив поле и внеся удобрения.

И конечно, крайне трудоемким был этап тестирования алгоритма с ежедневными разборами плана, построенного им, с руководителями производственных участков и подтверждения его корректности.

- Какие результаты достигнуты?

М.А.: В этом проекте у нас стояла задача минимизации человеческого фактора при унификации самого процесса планирования, чтобы он стал прозрачным, объяснимым и зависел только от входных данных. С этой задачей наше решение успешно справляется.

Если говорить об экономическом эффекте, то он достигается за счет снижения рисков, расхода ГСМ и объема ручного труда при планировании полевых работ. Выполнение агроопераций в заданный срок и приоритизация самых важных работ позволяет увеличить урожайность до 10% в год. Кроме того, достигается минимизация перегонов техники с последующим сокращением издержек на ГСМ и ремонт на 6,4%.

- Каково будущее проекта? Каковы перспективы его развития?

М.А.: Существует много направлений дальнейшего развития проекта. На сегодняшний день не все факторы, влияющие на выполнение работ, могут быть однозначно рассчитаны – например, погода на 10 дней вперед. Для них разумно реализовать имитационное моделирование, чтобы определить и минимизировать риск дефицита техники при неблагоприятном сочетании обстоятельств. Скажем, если неожиданно пойдет сильный дождь, сразу большое количество полей нужно будет убирать досрочно, чтобы не лишиться урожая.

Кроме того, можно реализовать функционал учета всех входных данных в реальном времени так, чтобы система могла автоматически перепланировать полевые работы в случае, если существенно изменились условия. Еще один интересный вектор развития — добавить в систему функционал, который будет считать экономический эффект от применения рекомендаций, оптимального плана проведения полевых работ и использования сельскохозяйственной техники.

 

Теги: Машинное обучение Data Award

На ту же тему: