В ближайшие два года от российской промышленности ожидают роста 4–4,5% при среднемировых темпах 3,5%. С учетом конкуренции как со стороны промышленных лидеров, так и со стороны новых промышленных регионов с дешевой рабочей силой, для повышения производительности нужно не только наращивать производственные мощности, но и стараться более рационально использовать те, что есть. Большие возможности в этом направлении открывает искусственный интеллект.
О том, как новые технологии способны помочь развитию промышленности, о перспективах применения искусственного интеллекта и о том, в каких производственных процессах будет наиболее востребован ИИ в обозримом будущем, рассказал Александр Смоленский, директор по развитию бизнеса компании «Цифра» (входит в ГК «Ренова»).
– Как скоро можно ждать массового появления ИИ на производстве и что для этого нужно? Какие барьеры придется преодолеть?
Если говорить об ИИ как о некотором универсальном инструменте, разуме, который сам управляет заводом, например, то до этого очень далеко.
Однако если под ИИ иметь в виду технологические решения, которые на основе алгоритмов машинного и глубокого обучения смогут встроиться в технологические цепочки и выдавать результаты лучше и быстрее, чем человек, но под его контролем, то таких примеров уже достаточно.
Совсем недавно мы провели специальное исследование практического применения ИИ в промышленности всего мира и нашли более 100 примеров. В ближайшие 5-7 лет применение «слабого» ИИ, как его иногда называют, станет массовым. Вообще, технологии ИИ очень перспективны и будут в ближайшие годы бурно развиваться. Не стоит, однако, переоценивать их возможности на текущем этапе. До Skynet из фильма «Терминатор» еще очень далеко.
– В каких именно областях (не отраслях, а именно производственных процессах) будет наиболее востребован ИИ в обозримом будущем?
Прежде всего в процессах, где прямой алгоритмический расчет невозможен или затруднен, где очень много переменных факторов и неизвестных, где инженер оценивает необходимые действия «на глазок» и на основе собственного опыта. Например, эффективность производства чугуна определяется составом шихты, динамикой ее загрузки, характеристиками используемого топлива и т. д. При этом выходной вес продукции может варьироваться очень значительно (плюс или минус 50% и больше). В таких задачах решения на основе ИИ показывают просто отличные результаты.
У нас сейчас разработано уже шесть рекомендательных систем для металлургии. Например, «цифровой советчик» для установки печь-ковш позволит снизить на 5% потребляемую электроэнергию благодаря точному прогнозу количества ферросплавов, которое необходимо добавить для получения заданных свойств стали, к тому же будет обеспечено и уменьшение количества используемых ферросплавов. Таким образом, суточная экономия электроэнергии и ферросплавов составит более 30 тыс. руб. в сутки.
После некоторого периода обучения ИИ начинает «прикидывать» необходимые действия лучше, чем самый опытный технолог, и эффективность производственного процесса повышается.
Еще предстоит работа с огромными объемами неструктурированной информации, чтобы выявить неожиданные корреляции. Скажем, на основе интересов и постов в соцсетях определить социальный портрет человека, предпочитающего лимонную газировку и не любящего колу. В таких задачах современный ИИ тоже очень силен.
– Имеет ли смысл внедрять ИИ там, где пока что и «обычной» автоматизацией можно достичь значимых результатов?
Автоматизация имеет смысл только там, где она эффективна и приносит в конечном итоге финансовый результат – дает экономию или увеличение доходов.
В каждом случае нужно посчитать стоимость владения «обычной» автоматизацией и решением на основе ИИ. Стоимость владения включает в себя не только затраты на внедрение, но и стоимость покупки и содержания ИТ-инфраструктуры, на которой будет работать система, стоимость ее доработки и обслуживания и прочие расходы. Посчитав все это, выбор сделать достаточно легко. Бывают задачи, которые легко решаются алгоритмически, но требуют такой вычислительной мощности, что придется покупать суперкомпьютер. В таком случае лучше подойдет ИИ. Часто мы сталкиваемся и с обратным. Энтузиасты долго и старательно обучают нейросети, вместо того чтобы написать простую и понятную программку, которая решит их задачу.
– Для построения точных моделей зачастую не хватает данных даже тем, кто активно занимался их сбором. Как можно решить эту проблему?
С такой проблемой мы сталкиваемся постоянно, и ответ здесь только один. Если мы хотим делать цифровую экономику, получать преимущества от внедрения ИИ, выходить на новые уровни эффективности производства, то нам необходимо собирать данные со всего, с чего только можно.
В большинстве отраслей промышленности современное оборудование достаточно «умное» и готово много о себе рассказать. К нему надо подключаться и собирать данные. Если оборудование ничего о себе «не знает», то нужно оснащать его специальными датчиками – они в избытке выпускаются многими производителями, в том числе и отечественными. Нам тоже пришлось заняться их производством и установкой у наших клиентов. Другого пути к цифровизации и к ИИ просто нет.
Отдельно отмечу, что ситуации, когда на производстве собираются огромные объемы данных, складываются в хранилища, хранятся некоторое время, а потом просто уничтожаются, – не редкость. Люди не знают, что делать и как получить пользу от своей собственной информации.
