Как используют ИИ в российской промышленности: реальный опыт, успешные кейсы

Материал по итогам митапа, организованного Globus IT совместно с «Деловой Россией»

Искусственный интеллект (ИИ) может быть полезен во многих областях, особенно в тех, где имеется большой объем данных. Одна из основных выгод от применения ИИ заключается в автоматизации рутинных задач, что ускоряет процессы и снижает затраты на персонал. Более того, ИИ может значительно повысить точность и безопасность принятия решений в различных сферах деятельности. Промышленность не исключение. Рассмотрим конкретные примеры, как производственные компании используют ИИ.

Представляем вторую статью с выступлениями спикеров митапа «Итоги года цифрового суверенитета в промышленности: аналитика и прогнозы», который провели на минувшей неделе ГК Globus IT совместно с «Деловой Россией».

Илья Померанцев, руководитель направления искусственного интеллекта Globus IT:

«Компьютерное зрение используют на конвейерах, позволяя определять элементы продукции, их отклонения от нормы и геометрические параметры. Таким образом он нивелирует влияние человеческого фактора и снижает количество брака.

Еще одно важное направление применения искусственного интеллекта — это работа с клиентским опытом. Он помогает формировать персонализированные предложения, отслеживать тренды и сезонные изменения, а также оптимизировать логистику и закупочную деятельность.

Важно отметить, что каждая компания стремится разработать собственное уникальное решение, потому что для лучшего результата нужно до обучать модели на данных заказчика.

Внедрение искусственного интеллекта представляет собой сложный процесс, требующий определенных компетенций и ресурсов. Прежде всего для успешного внедрения компания должна обладать внутренней экспертизой или знать, кого пригласить в качестве специалистов. Кроме того, необходимо иметь доступ к большому объему данных, которые будут использоваться для обучения модели. Это подразумевает не только наличие данных, но и необходимость их разметки и подготовки для обучения.

Одной из сложностей является поиск оптимальных задач для решения с помощью искусственного интеллекта. Для каждого из направлений, таких как компьютерное зрение, Data Science или языковые модели, необходимо сформулировать конкретные задачи, понимать предметную область и иметь статистику, чтобы эффективно решать проблемы.

Еще одной сложностью может быть непредсказуемость результатов работы нейронных сетей, особенно при работе с текстовыми моделями. Не всегда можно заранее предсказать, какая формулировка будет выдана моделью, что может быть проблемой в некоторых случаях.

Интеграция искусственного интеллекта в существующие системы также может представлять сложность, требующую дополнительных усилий и ресурсов. Интеграция может занимать значительную часть бюджета проекта.

Также важно помнить, что ни одно решение на основе искусственного интеллекта не обладает абсолютной точностью, поэтому необходимо сохранять роль человека и оператора, особенно в задачах, где требуется высокая ответственность.

Однако, несмотря на сложности, внедрение искусственного интеллекта имеет множество преимуществ и потенциал для оптимизации процессов, улучшения качества продукции, автоматизации рутинных задач и повышения эффективности работы в различных сферах деятельности. Языковые модели, такие как GPT, могут применяться для автоматического формирования отчетов, облегчения поиска и предоставления экспертных консультаций, что существенно улучшает процессы взаимодействия с клиентами и обработки информации. Определение подходящих решений, интеграция и использование данных совместно с искусственным интеллектом позволяют компаниям добиваться значимых результатов в своей деятельности».

А теперь рассмотрим конкретные кейсы, реализованные на российских промышленных предприятиях.

Алексей Тестин, директор центра развития цифровых технологий ПАО «ГМК «Норильский никель»:

«Наше подразделение — центр развития цифровых технологий — отвечает за внедрение инструментов по всей производственной цепочке от добычи до металлургии.

Перед нами стоят три ключевых задачи:

1) Рост финансовых и ESG-показателей, то есть все наши проекты и прототипы — это не просто R&D (Research & Development, научно-исследовательские и опытно-конструкторские работы) , хотя мы в этом управление тоже двигаемся. Это проекты, которые направлены на повышение эффективности компании.

2) Обеспечение импортозамещения, цифрового и технологического лидерства.

3) Развитие человеческого капитала и научного потенциала. Да, сложившаяся ситуация перед нами ставит серьезные вызовы, но мы стараемся вызовы трансформировать в возможности.

Что мы делаем, чтобы преодолеть трудности

Сейчас разрабатываем решение, которое не будет зависеть ни от какого производителя и будет выполнять функцию точного позиционирования техники. Массовое внедрение решений и инструментов на базе искусственного интеллекта, которые позволяют линейному персоналу выполнять свои задачи более эффективно.

Точное позиционирование стреловых буровых установок

Проблема была связана с уходом подрядчиков, и нам пришлось заново учиться выполнять операции, которые во всем мире в автоматизированном формате выполняются. Мы поняли, что сама процедура это несложная: по сути, необходимо определенное количество видеокамер, мощное вычислительное оборудование для обработки информации в режиме онлайн и привязка к тахеометрам, лидарам и цифровыми маяками.

В этой обвязке мы получаем следующую картину: камера с тахеометром определяют местоположение, где находится техника, и далее в режиме онлайн дает оператору понимание, как должна стоять техника, куда должна быть размещена. Мы даем оператору точки, связываем это с цифровым паспортом. Этот проект у нас находится на активной стадии прототипирования, в начале августа будем внедрять прототип в горных условиях.

Для реализации привлекаем российских разработчиков, отечественные компании. И стараемся отвязаться от иностранных партнеров полностью.

Примеры применения ИИ в промышленности. Кейсы Globus IT

Интеграция GPT-моделей в контур компании

Заказчик — крупное предприятие добывающей промышленности.

Задача. Безопасная интеграция GPT-моделей в контур компании с дообучением под тематику, документы и базы знаний и выстраиванием индивидуальных бизнес-процессов.

Решение. Умный поиск InsightStream

Доступ к информации через умный поиск в виде чата по корпоративной базе знаний.

— Релевантный ответ — суммаризация фактов базы знаний со ссылками на первоисточник.

— Обработка мультимодальных данных и интеграция с разными системами хранения.

— Структурирование и связь разрозненных данных.

Где помог InsightStream:

1. Самообслуживание сотрудников: решение вопросов о процессах и регламентах.

2. Устранение избыточной документации и заполнение пропусков в базе знаний.

3. Ускорение работы бизнес-аналитиков в продуктовых командах. С чем InsightStream может помочь:

— Долгие go-to-market и разрешение инцидентов из-за плохой доступности информации.

— Низкое качество контента в базе знаний: дубли, пробелы, устаревание, оформление.

— Плохая обучаемость сотрудников и долгий выход на пик эффективности.

Умный ассистент VirtualGuru

Автоматизация экспертных консультаций и внутренней/внешней техподдержки

— Разбор входящих интентов в структурированное представление (обращения, отзывы…) .

— Автоматизация ответов на вопросы в human-in-the-loop-сценарии интеграции.

— Смесь поиска по документам, в вебе и ответов LLM-модели для высокого покрытия тем.

С чем помог VirtualGuru:

1. Рост эффективности юридического агентства через чат-бот юридический консультант.

2. Автоматизация обработки запросов внутренней службы: HR, юристы, финансы…

3. Маршрутизация обращений со сложным интентом в службе поддержки.

С чем VirtualGuru может помочь:

— Высокая стоимость обработки внутренних или внешних запросов.

— Неудовлетворительные метрики: долгий ответ, «футбол» заявки, низкий NPS.

Результат

1. Веб-сервис. Доступ через браузер. Окно корпоративного портала компании

с интерфейсом к ассистенту. 2. Чат-бот. В Telegram или корпоративном мессенджере открытый для сотрудников компании чат-бот-ассистент. 3. Интеграция с API. Доступ для любого IT-продукта согласованный

API-интерфейс для интеграции силами разработчиков.

Результаты в цифрах:

— До 10 раз увеличилась скорость поиска информации.

— На 30% выросла скорость поставки продукци. и

— В 5–7 раз выросла эффективность сотрудников поддержки.

— До 95% сложносоставных писем корректно маршрутизированы.

Повышение техники безопасности на крупном нефтеперерабатывающем заводе

Задача. Контроль выполнения требований по безопасности на производственных объектах завода: СКУД, соблюдение сотрудниками регламента по ношению спец. одежды.

Решение. Промышленная видеоаналитика, реализованная в реальном времени на базе AI, ML, CV, нейронных сетей. Система распознает и анализирует изображение с камер, установленных на территории объекта, соотносит с базой шаблонов (для СКУД — база фотографий сотрудников, имеющих доступ; для контроля ношения спецодежды — наличие логотипов и меток) , интерпретирует результаты и в случае нарушения выполнения регламента оповещает ответственных лиц.

Технологии: Python, Computer Vision, Machine Learning, Deep Learning, Object Detection, Image Recognition, Multiple Object Tracking

Отслеживание бракованных изделий

Заказчик — завод по изготовлению электрооборудования.

Задача. Визуальное отслеживание бракованных изделий и корректность нанесения на них соответствующей технической информации (бирки, наклейки, метки) .

Решение. Система анализа и интерпретации объектов на видео.

Обработка видео с применение OpenCV, трекинга объектов, выделения области наклеек. Применение NLP нейросетевой обработки текста, CNN сверхточных нейронных сетей для выделения текста, его обработки, сверкой текста с образцом. Применение методов глубокого обучения (DL) для проверки правильности расположения наклеек.

Технологии: OpenCV, ML/DL, Python, Keras, TensorFlow.

Результат. Финальная экономия от внедрения технологии составила 4%.

Сверка и анализ продукции на конвейере с набором шаблонов

Заказчик — компания, занимающаяся внедрением автоматического контроля продукции с применением конвейера.

Задача. Сверка и анализ продукции на конвейере с набором шаблонов.

Решение. Разработана система анализа и интерпретации объектов на видео.

Обработка видео происходит с применение OpenCV, трекинг объектов, выделение области объектов. Применение широкого класса ML-моделей классификации (SVM, K-NN, Decision Tree, Random Forest, AdaBoost, LDA, K-Means) для быстрого поиска объектов и их типа и применение широкого класса DL-моделей для проверки и сверки объекта с шаблоном с целью выявления проблем и отклонений. Интеграция системы с системами управления конвейером для аварийной остановки.

Технологии: OpenCV, ML/DL, Python, Keras, TensorFlow, Java, Angular, Oracle DB, ELK stack, Docker.

Результат. Автоматизация процесса производства, сокращение брака на 5–10%, минимизация риска возникновения брака при перестройке конвейера на новый тип продукции. Значительное уменьшение себестоимости конечной продукции за счет автоматизации и сокращения количества бракованных изделий.