Все больше предприятий переходят к цифровой трансформации. Бизнес переосмысливает процессы и интегрирует в них технологические решения. Искусственный интеллект (ИИ) стимулирует эту тенденцию — 87% компаний верят, что он обеспечит им конкурентное преимущество в будущем.
Решения на основе ИИ помогают трансформировать производственный сектор и модернизируют бизнес-модели. Объем ИИ на производственном рынке в 2023 году оценивается в 5,07 млрд долларов. Эксперты ожидают, что среднегодовой темп роста составит 33,5%. С Softline Digital разбираемся, как предприятиям внедрить и оптимально использовать решения на основе ИИ.
Мифы об ИИ на производстве
Часть бизнес-лидеров по-прежнему с опаской и недоверием относятся к ИИ. Человек всегда сопротивлялся чему-то новому, что способно изменить его привычный уклад жизни. Так и с ИИ, который уже сегодня трансформирует бытовые и рабочие процессы. Из-за противостояния ИИ и человека появилось много мифов. Давайте с ними разберемся.
Миф 1. ИИ не принесет существенного эффекта
Цифровой продукт решает конкретную бизнес-задачу, а успех внедрения должен оцениваться по конкретным метрикам. Data Science Архитектор в Softline Digital Вадим Седельников предлагает для начала определиться, что понимать под эффективностью. Одни компании ожидают от внедрения эффекта в «чистых» деньгах из-за увеличения КПД того или иного процесса. Другие считают эффектом увеличение производительности сотрудников и снижение количества ошибок. Для кого-то и 1 млн долларов не результат, а кто-то высоко ценит быстрое и точное выполнение операций.
«Softline Digital работает с оптимизацией технологических процессов промышленных предприятий. Эффект от ИИ-решения начинает наблюдаться, как правило, сразу после окончания внедрения или на этапе опытно-промышленной эксплуатации. В процессе отладки мы понимаем, что движемся в правильном направлении. Увеличение производительности на несколько процентов в общей картине может стать решающим фактором для предприятия», — пояснил Вадим Седельников.
Миф 2. ИИ необходим для всех предприятий
Внедрение ИИ должно быть обоснованным и соответствовать конкретным целям и потребностям предприятия. ИИ ради хайпа не принесет ожидаемого результата.
Вадим Седельников подтверждает, что ИИ — это не волшебная пилюля, и фабрикам, работающим на оборудовании 50-х годов прошлого века, необходимо сначала пройти модернизацию и повысить уровень эффективности производства. На старое оборудование возможно внедрить инструменты на базе ИИ, но будет ли это целесообразно? Поэтому эксперт Softline Digital предлагает комплексный подход, объединяющий три аспекта:
Модернизация оборудования. Для большинства ИИ-решений необходимы данные. Они собираются с помощью датчиков, размещенных на оборудовании. На устаревших промышленных установках не предусмотрены устройства, способные собирать детальную информацию о производственных процессах. Соответственно, развернуть большинство ИИ-решений на старом оборудовании невозможно.
Построение технологического процесса. Необходимо на организационном уровне оптимально выстроить работу производства.
Мотивация персонала. Не только руководство должно понимать, зачем внедряется интеллектуальное ПО. Необходимо фокусировать внимание сотрудников на его использовании. Иначе оно «запылится», а эффекта от внедрения не будет.
Миф 3. ИИ заменит человека и возьмет управление на себя
ИИ — инструмент, который помогает анализировать данные и принимать решения, но окончательный выбор остается за человеком. Технологии автоматизируют процессы и освобождают сотрудников от рутинных задач, снижают влияние человеческого фактора.
По мнению эксперта, необходимо доносить до сотрудников, что ИИ-решения внедряются, чтобы помочь специалистам улучшить работу. Человек по-прежнему остается важным звеном в этой цепочке.
«В промышленности нет тенденции сокращения рабочих мест в результате внедрения ИИ-решений. Процессы сложные, уровень ответственности высокий, поэтому пока нет возможности переложить ее на ИИ. Речь идет об увеличении эффективности. Доля процента или 1% дополнительной прибыли или экономии — это большие деньги в промышленности. За счет ИИ-решений мы помогаем шаг за шагом повышать эффективность производства и получать дополнительную финансовую выгоду», — уточняет Вадим Седельников.
ИИ в разных отраслях
В России ИИ используют 31% предприятий из приоритетных отраслей экономики. В 2023 году среди отечественных компаний были наиболее востребованы технологии интеллектуальной поддержки принятия решений (71%) и компьютерное зрение (69%), следует из данных Национального центра развития ИИ (НЦРИИ). Предприятия наблюдают усиление эффектов от внедрений в 1,5 раза за последние два года.
Выбирая цифровые решения, промышленные компании сегодня смотрят не только на компетенции вендора в области ИТ. Сегодня бизнес предпочитает сотрудничать с теми разработчиками, у которых есть опыт работы с производством. Знание технологического процесса в отдельной отрасли играет большую роль при разработке цифрового продукта. Предприятия доверяют ИТ-компаниям с релевантными кейсами и все чаще запрашивают референсы для оптимизации более узких процессов. Например, горно-металлургические компании ищут не просто отраслевые продукты, а ожидают предложения для отдельных звеньев технологической цепочки — флотации и обогащения.
Softline Digital разработала платформу AiLine исходя из многолетнего опыта внедрения решений для промышленности. Команда понимает, какие сервисы, не относящиеся к машинному обучению (МО), необходимо создать, чтобы быстро и эффективно внедрить продукт на производстве. Давайте на простом примере разберем востребованность платформы.
Процесс разработки начинается с создания Data Scientist модели в виде программного кода. Но это только верхушка айсберга. Чтобы модель превратилась в полноценный продукт, которым смогли пользоваться сотрудники предприятия, вокруг нее необходимо создать «оболочку» — ПО с интерфейсом и другими сервисами (авторизация, логирование и т.д.). Data Scientist хороши в построении моделей, но разработка необходимых сервисов — не их специализация. Однако зачастую именно они занимаются этими вопросами. Поэтому не всегда процесс разработки решения проходит быстро, качественно и по оптимальной цене. Чтобы получить на выходе работающий продукт, следует привлекать профессионалов с более узкой специализацией.
AiLine предназначена для того, чтобы упростить и ускорить работу над созданием нового ИИ-решения для предприятия. Платформа уже объединяет сервисы, необходимые для полноценной работы продукта. Data Scientist остается написать модель под конкретную задачу заказчика и интегрировать ее в контур платформы.
AiLine в свою работу внедрили предприятия из пищевой, горно-обогатительной, металлургической и химической промышленностей. Решение входит в Реестр отечественного ПО, поэтому подходит и для компаний с госучастием.
Сейчас команда работает над новым сервисом — системой по отслеживанию работы PID-регуляторов. Это контроллеры, которые управляют механизмами в технологическом процессе. Например, открыть клапан для добавления нужного реагента. Некорректная работа PID-регуляторов приводит к нестабильной работе установок, а впоследствии к снижению эффективности всего процесса. Как правило, на предприятиях за состоянием контроллеров следят технологи, руководствуясь своим опытом. Поэтому в этой части процесса высок риск человеческой ошибки.
«Мы делаем систему, которая позволяет отслеживать работу PID-регуляторов в режиме реального времени. Во-первых, это помогает мониторить их функционирование и оперативно обнаруживать проблемы. Во-вторых, сервис позволяет выявить, как работа того или иного регулятора влияет на отдельные части технологического процесса. В-третьих, наши модели подбирают коэффициенты для оптимальной работы PID-регуляторов. Рекомендации сервиса помогают оперативно подстроить их работу к меняющимся условиям», — рассказал Вадим Седельников.
Система по отслеживанию работы PID-регуляторов — универсальное решение для промышленности, так как оно применимо во многих отраслях.
Другой кейс из химической промышленности связан с экономической стороной технологического процесса. На предприятии заказчика несколько линий, которые настраивают под производство разных продуктов. Планы по выпуску формируются исходя из нынешних и планируемых контрактов. Решение на базе AiLine позволит наиболее оптимально выстроить технологические процессы, чтобы произвести необходимое количество продукции в срок и при этом повысить маржинальность производства.
Инновационный подход к цифровизации промышленности
AiLine — новый взгляд на цифровую трансформацию предприятий. Промышленные гиганты с центрами разработки, как правило, имеют собственную инфраструктуру для развертывания. Для предприятий, начинающих внедрение ИИ с нуля или не имеющих хорошей базы, оптимальным будет платформенный подход с кастомизацией отдельных сервисов. Эта траектория развития реализуется на платформе AiLine, которая сокращает время на разработку и внедрение цифровых двойников в три раза и экономит бюджет на привлечение сильной команды разработчиков.
| Классический подход | Ailine | |
| Гипотеза |
Выбор задачи (проблемы) Поиск ресурсов (DS) для проработки Организационные процедуры |
Готовый аналитический no-code модуль для самостоятельной проработки гипотез и прогнозирования |
| Внедрение | Разработка ML-модели Разработка программного обеспечения с нуля Внедрение Тестирование |
Готовые сервисы:
Быстрая адаптация под конкретную задачу
|
| Поддержка | Зоопарк решений Отсутствие контроля за моделями Деградация моделей |
Единый контур Отслеживание производительности и метрик Переобучение моделей Регулярные обновления и улучшение функционала |
AiLine.Analytics — готовый инструмент для работы с данными. С его помощью клиенты самостоятельно могут загружать данные, обрабатывать и преобразовать их, а затем выявлять аномалии, проводить корреляционный анализ. Функционал позволяет обучать модели и сравнивать их, получать рекомендации, какие из моделей лучше подходят для решения задачи. Возможности платформы включают построение прогнозов на основе данных и проведение what-If анализа. Интерфейс AiLine интуитивно понятный. Ее смогут использовать сотрудники без навыков программирования и глубоких познаний в математике, чтобы выполнить работу Data Scientist.
| Шаг 1 | Шаг 2 | Шаг 3 |
| Загрузка данных xls, csv SharePoint Базы данных Внутреннее хранилище |
Анализ данных Автоматическая предварительная обработка данных Обнаружение аномалий и очистка Корреляционный анализ |
Обучение моделей Автоматическое обучение моделей Feature importance Выбор лучшей модели Прогнозирование What-If анализ |
AiLine.MLOps — база для создания кастомизированных решений. Разработанная под задачи заказчика модель в виде программного кода интегрируется в контур платформы, в которой уже есть обеспечивающие сервисы. Они протестированы и надежно работают, поэтому на выходе получается готовый продукт. Такой подход в несколько раз сокращает время на разработку и внедрение решений.
Разберем актуальность AiLine.MLOps на примере. Мало кто заранее задумывается о вопросах безопасности. Для работы любого решения нужны сервисы авторизации, логирования и другие. Часто к ним возвращаются уже после того, как модели готовы и подходит срок сдачи проекта. Комитеты по информационной безопасности обычно требовательно относятся к этим вопросам, а без их одобрения внедрение невозможно. Написание качественных сервисов ИБ и их защита занимает много времени. Это затягивает весь процесс разработки и внедрения продукта. В AiLine сервисы ИБ уже реализованы.
«Мы постоянно анализируем рынок, собираем технические задания на ИБ от компаний из разных отраслей, берем их за основу и реализуем требования в контуре AiLine. Такой подход помогает учитывать разные аспекты при разработке наших продуктов, повышать их качество и быть готовыми к новым вызовам», — пояснил Вадим Седельников.
