Робохроники ИИ: машинное зрение следит за плавкой стали и доменными печами, а нейросети помогают в химпроме

В прошлом месяце нейросети берегли климат, компьютерное зрение следило за производством, а дипфейки помогали заработать. Главное за август в свежем выпуске дайджеста от команды RDL by red_mad_robot.

На Магнитогорском металлургическом комбинате активно пользуются машинным зрением — в коксовом цехе запустили автоматизированную систему, которая предотвращает нахождение персонала в опасной зоне. В основе этого проекта лежат технологии машинного зрения и интернета вещей.

Как это работает? В коксовыталкивающих машинах есть специальные датчики — они отслеживают попадание работника в опасные зоны. Сами же работники имеют персональные RFID-метки. Если человек с такой меткой попадает в опасную зону в момент работы машины, он получает вибросигнал на радиометку, на коксовой машине срабатывает световая и звуковая сигнализация, а затем ее механизмы блокируются.

А на Абинском электрометаллургическом заводе (АЭМЗ) появится интеллектуальная система поддержки принятия решений для сталевара. Ее разрабатывает центр машинного обучения компании «Инфосистемы Джет» на основе ИИ-технологий.

Зачем это нужно? Выплавка стали — это сложно, трудоемко и затратно. Сталевар должен учитывать немало факторов и требований. Для получения стали определенной марки нужно добавлять в металл ферросплавы. Это дорогостоящие добавки, которые придают стали необходимые свойства. И несмотря на высокий профессионализм работников, такой «ручной» режим не совсем оптимален: времени на принятие решений тратится много, а ферросплавы расходуются в большем количестве.

Новая интеллектуальная система автоматизирует этот процесс: она прогнозирует и рекомендует точное количество ферросплавов для каждой плавки.

Группа «Метинвест» планирует внедрить машинное обучение Azure Machine Learning для повышения эффективности работы доменных печей на своих предприятиях. Система поможет снизить потребление топлива за счет контроля содержания кремния в железе. Собственно, чем выше содержание кремния в чугуне, тем выше расход тепла и топлива.

Но снижение содержания кремния требует скрупулезного расчета, поскольку существует риск выхода доменной печи из строя. Точность оценки будущего теплового состояния доменной печи и соответствующие управляющие воздействия — залог стабильности.

Как работает алгоритм? Данные загружаются в систему на регулярной основе и модель предсказывает количество кремния в чугуне. После этого включаются конвейеры машинного обучения Azure. Они помогают извлекать данные и запускать сценарии, включая те, которые отвечают за подготовку данных. Модели машинного обучения используют эти данные для прогнозирования содержания кремния.

Результаты прогнозов загружаются в базу данных Azure SQL и отображаются на ежечасно обновляющейся панели мониторинга Power BI. У всех пользователей есть к ней доступ — так они могут адаптировать ключевые показатели и управлять печами в соответствии с прогнозами. Именно это помогает мониторить количество кремния.

Исследователи из Мичиганского университета с помощью машинного обучения смогли предсказать влияние состава металлических сплавов и оксидов металлов на их электронное строение. По сути, это должно помочь находить наиболее эффективные катализаторы для химических реакций.

Зачем это нужно? Электронная структура — ключ к пониманию того, как один материал будет взаимодействовать с другим: как посредник или же как катализатор реакции. А способность предсказывать, какие металлы и металлооксидные композиции лучше всего подходят для определенных реакций, улучшит химические процессы. Например, производство водорода, различных видов топлива и удобрений, а также бытовой химии.

То, как материал себя поведет, подскажет анализ его электронной структуры, в частности плотности состояний. Обычно она описывается сводной статистикой — средней энергией или перекосом, который показывает, какое количество электронных состояний выше или ниже среднего.

Используя плотность электронных состояний в качестве входных данных для модели, можно понять, как поверхность катализатора будет адсорбировать или связываться с атомами и молекулами реагентов. Алгоритм также связывает плотность состояний с составом изучаемого материала.

Новая модель видит, как меняется плотность состояний, и соотносит это с геометрическими свойствами материала. Эта информация помогает инженерам-химикам проектировать металлические сплавы с необходимой плотностью состояний. Модель точно отражает корреляции, уже наблюдаемые между составом материала и его плотностью состояний, а также выявляет новые потенциальные тенденции.

Стартап из Сиэтла Lumen Bioscience вместе с Google работают над созданием лекарств из водорослей. Компании планируют удвоить производство белка на их основе.

Lumen специализируется на производстве терапевтических препаратов из спирулины (род синезеленых водорослей). Она идеально подходит для производства большого количества терапевтических белков. Такая система намного дешевле, чем промышленные производственные мощности, которые обычно используются для создания биопрепаратов.

Недавно Lumen объявила о совместном проекте с фармацевтической компанией Novo Nordisk и о проекте стоимостью до $14,5 млн с CARB-X — некоммерческой организацией, поддерживающей разработку новых антибактериальных препаратов.

Фонд «Сколково», фонд НТИ и «Платформа НТИ» до конца 2021 года подготовят требования к конкурсу на разработку системы принятия врачебных решений на базе ИИ. Будет создан первый российский стандарт описания симптомов болезней, а также алгоритм анализа медицинских данных, который необходим для корректной работы медицинских ИИ-систем.

Мы много говорили о коммерческих возможностях дипфейков и вот, наконец, август принес нам три ярких примера их использования.

EY, бухгалтерский гигант, ранее известный как Ernst&Young, тестирует новую фишку: сотрудники оживляют презентации клиентов или обычные электронные письма с помощью видео в стиле «говорящей головы» с дипфейками самих себя. Технологию предоставил стартап Synthesia.

Анита Вулли, профессор и организационный психолог бизнес-школы Университета Карнеги-Меллона, сомневается в своевременности такого использования технологии и говорит, что видео, снятые с помощью технологии Synthesia, хотя и привлекают внимание, иногда выглядят немного странно и «пугающе».

Израильский стартап Hour One платит всем, кто готов передать ему «права на свое лицо». Сгенерированные персонажи на основе дипфейков планируется использовать в маркетинговых целях, например, в рекламных роликах.

Процесс создания дипфейк-персонажа очень простой: человек садится перед камерой, начинает говорить и менять выражения лица, после чего записанные видео загружают в систему. Так стартап Hour One может создать бесконечное количество дипфейков, которые могут говорить любым голосом на нужном языке. Остаётся только написать рекламный текст.

А вот хороший пример того, как технологии дипфейка могут помочь не только в маркетинге. В 2014 году известный американский актер Вэл Килмер («Бэтмен навсегда», «Лучший стрелок») потерял свой голос из-за рака гортани. И в 2020 году компания Sonatic смогла воссоздать его голос.

Специалисты использовали старые аудиозаписи. Из них убрали посторонние шумы и пропустили через программу Voice Engine. Было создано больше 40 моделей голоса, из которых и выбрали наиболее похожий на настоящий голос Килмера.

Источник: Sonatic

Увеличение частоты стихийных бедствий привело к росту компаний по изучению климата. Стартапы собирают большие массивы данных, анализируют их с помощью технологий искусственного интеллекта и делают прогнозы.

Например, Westchester Group Investment Management, инвестиционное подразделение компании Nuveen LLC, инвестировало в стартап компании ClimateAi. Он обучает свою систему на глобальных климатических моделях с широким диапазоном.

В Великобритании оператор национальной сети электроснабжения подписал соглашение с некоммерческой организацией Open Climate Fix о создании системы отслеживания на базе ИИ. Она сопоставляет движения облаков с расположением солнечных панелей и помогает прогнозировать движение облаков не в днях, а в часах и даже минутах.

Сегодня инвесторы активно вкладываются в подобные проекты. Например, японская страховая холдинговая компания Sompo Holdings в июне 2021 года инвестировала $45 млн в компанию по работе с аналитикой One Concern, в том же месяце частная инвестиционная компания TPG’s Rise Fund инвестировала $100 млн в стартап по анализу погоды Climavision Operating.

Cтартапы, которые специализируется на так называемой «разведке» климата, различаются подходами. При этом по большей части они используют нейросети и машинное обучение для анализа большого количества данных, распознавания закономерностей и составления прогнозов для конкретных мест или событий.

Duke Energy, американская холдинговая компания по производству электроэнергии и природного газа, объединяется с Accenture и Microsoft для разработки первой в своем роде платформы для мониторинга выбросов метана.

Почему это важно? По недавним оценкам Агентства по охране окружающей среды США, ежегодно почти 10% всех выбросов парниковых газов в США приходится на метан. А энергетический сектор — один из крупнейших источников выбросов метана в США.

Как это работает? Платформа обеспечит сбор данных в режиме, близком к реальному времени, что позволит группам реагирования Duke Energy быстрее выявлять и устранять утечки метана. Новая сенсорная технология будет обнаруживать следы выброса метана, которые существующие системы на сегодняшний день не способны определить. Duke Energy считает, что платформа поможет компании прийти к нулевым выбросам метана к 2030 году.

• Исследователи из Стэнфорда бросили вызов DeepMind — их методы машинного обучения точно предсказывают трехмерные формы биомолекул даже при ограниченных входящих данных.
• Илон Маск анонсировал создание робота-гуманоида Tesla Bot, который сможет выполнять простые повседневные задачи. Однако издание The Verge полагает, что это лишь очередной пиар-ход для отвлечения внимания инвесторов.
• Правительство РФ в 2021 году выделит разработчикам ИИ субсидии в размере 1,5 млрд рублей.
• Tesla представила чип-ускоритель нейросетей Dojo D1 для обучения моделей ИИ внутри своих ЦОД. Dojo D1 выполнен на 7-м техпроцессе и имеет вычислительную мощность 362 терафлопс.
• С помощью ИИ МЧС России повысили точность расчета риска пожара до 92,5% и точность реагирования в 3 раза, а Минздрав запустил систему 112 с использованием ML-технологии.
  

• На «ВИЗ-Стали» для контроля качества полосы внедрили машинное зрение и видеоаналитику от компании «ВидеоМатрикс».
• ПАО «ММК» рассказал об успешном развитии RPA на собственном производстве.
• Стартап BEAP и компания Norda Stelo создают СП для развития ИИ в горнодобывающей промышленности.
• Новое поколение роботов с ИИ захватывает склады. И это не название нового фантастического фильма — компании активно внедряют новые модели, которые способны работать с самыми разными объектами в непредсказуемых ситуациях.
  

Пока Маск выдумывает роботов, Boston Dynamics обучают роботов Atlas крутому паркуру.

Если понравилось или не понравилось, пишите в комментариях. Ведь без обратной связи робота не переобучить. Самые свежие новости про ИИ и не только в нашем Telegram-канале. Всем ИИ!

#ии #робохроники #red_mad_robot #промышленность #deepmind #дипфейки #медтех #bostondynamics #нейросеть #экология #tesla #вэлкилмер