{"id":13839,"url":"\/distributions\/13839\/click?bit=1&hash=310caf1329692463026b8043ff9088d52dd6a03c2dd0a57cf9acc31d860b46e9","title":"\u041d\u043e\u0432\u044b\u0439 \u043f\u043e\u0434\u043a\u0430\u0441\u0442 \u043f\u0440\u043e \u0431\u0438\u0437\u043d\u0435\u0441-\u043f\u0440\u043e\u0442\u0438\u0432\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u044f \u043c\u0438\u0440\u043e\u0432\u044b\u0445 \u0431\u0440\u0435\u043d\u0434\u043e\u0432","buttonText":"\u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435","imageUuid":"b11f7ca0-f0f3-5198-bc97-7a4f1114f6f6","isPaidAndBannersEnabled":false}

Machine Learning в производстве в РФ

Меня зовут Максим Антоненко, я сооснователь агентства разработки в сфере роботизации и машинного обучения Data Acquisition. В компании я отвечаю за общение с внешним миром, поэтому речь пойдет не про единички и нолики, а про бизнес и задачи.

Здесь я сделаю краткий обзор основных направлений коммерческого применения машинного обучения в отечественных производственных компаниях в 2022 году. Сложно придумать сейчас направление в IT более раскрученное, чем машинное обучение: за пару недель половина интернета поставила себе аватарки от приложения Lensa, наш Президент выступил на международной онлайн конференции AI Journey, а наш быт тесно переплетен с экосистемой Яндекса, в основе большинства сервисов которого лежит машинное обучение.

Здесь мы не будем рассматривать применение ML (машинного обучения) в том же самом Яндексе и подобных компаниях, которые на нем специализируются, так как во-первых: об этом может рассказать и рассказывает сам Яндекс в своих обучающих видео, во-вторых: цель данной статьи — именно в том, чтобы показать как ML может быть полезен в бизнесе, который напрямую никак с ним не связан, не имеет в штате специалистов по Data Science и даже зачастую не представляет, что это такое.

Почему полагаю, что данная статья будет информативной и будет нести дополнительную ценность для читателя? Все очень просто, весь 2022 год мы провели во встречах с заказчиками из самых разных направлений производства, обсуждая точки приложения ML в их бизнесе.

Мы не будем останавливаться на том, какие выгоды приносит внедрение технологий машинного обучения. Это и так понятно, обычно это: снижение издержек (трудовых и производственных), повышение точности и достоверности принимаемых решений, контроль качества (выпускаемой продукции, общения сотрудников).

Для начала выделим основные классы задач по типам применяемых технологий:

- Задачи связанные с работой с изображениями и видео (детектирование и подсчет объектов, семантическая сегментация, классификация изображений, обнаружение аномалий, дополненная реальность)

- Задачи, связанные с анализом голоса и текста (классификация документов, анализ скриптов сотрудников, работа с отзывами, генерация текстов)

- Задачи, связанные с прогнозированием и предсказанием чего-либо (прогнозирование товарных остатков, управление ценами, скоринговые системы, товарные рекомендации)

По большому счету, практически каждую задачу из сферы ML, с которой сталкивается современный бизнес можно отнести к одному из указанных выше классов. Это логично, так как обучить систему что-то предсказывать или классифицировать можно только на данных, а данные бывают следующих форматов: картинки, видео, аудио, текст, таблицы.

В любом случае, все указанные выше данные перед обработкой нейронной сетью (или другой моделью) преобразуются в численный массив, который поступает на вход модели. Соответственно, для модели нет особой разницы, какой вид информации ей обрабатывать, тем не менее для каждого класса задач есть наиболее подходящий набор моделей в силу того, какой математический аппарат лучше приближает ту или иную зависимость.

Мы не будем в этой статье останавливаться на описании тех или иных математических алгоритмов, а посмотрим в каких сферах и для решения каких задач эти алгоритмы используются. Подчеркну, что нас интересуют именно практически утилизируемые технологии в производственных компаниях. То есть по сути это те инновации, которые уже свершились и доказали свою эффективность на практике.

Для наиболее типовых и востребованных направлений задач уже доступны не только соответствующие библиотеки на том же самом Python, но и созданы коробочные продукты. Итак, давайте пройдемся по основным вертикалям и посмотрим, где нам может помочь искусственный интеллект. Все указанные ниже задачи — из жизни и практики. Мы либо занимались их внедрением в бизнес Заказчика, либо нам их озвучивали в качестве актуальных.

Заводы, фабрики, добывающие и обрабатывающие компании активно эксплуатируют технологии компьютерного и машинного зрения. Ниже несколько примеров:

- Контроль соблюдения техники безопасности и ношения средств индивидуальной защиты (каски, респираторы) через систему наблюдения на производстве

- Анализ кернового материала для геолого-разведочной компании на предмет литологического состава, наличия рудных жил и прожилок, наличия трещин с помощью нейронных сетей

- Анализ гранулометрического состава руды и его габарита для обрабатывающего производства через систему машинного зрения

- Подсчет количества труб и определение их габарита для нефтесервисной компании через модуль машинного зрения

- Контроль качества и отбраковка продукции на производстве таблеток (например, упаковка неровно обрезана, или в полости находится только часть таблетки) с помощью установленных камер на конвейере

- При изготовлении постоматов для приема стеклянной и жестяной тары используется несколько модулей компьютерного зрения для определения материала тары, ее цвета и других характеристик

Если обобщить, то можно заметить, что машинное зрение на производстве в большинстве своем решает вопросы контроля качества, контроля соблюдения регламентов, классификации объектов и определения их габаритов.

Помимо машинного зрения на производстве мы сталкивались с задачами по предсказанию различных параметров, например:

- Модуль предсказания времени очистки покрасочного оборудования в типографии в зависимости от типа и состава применяемого при последней покраски колера

- Модуль прогнозного обслуживания оборудования на конвейерной сборке автомобилей, который подсказывает плановое время техобслуживания на основе показаний различных датчиков (вибрация, давление, температура)

- Прогнозный модуль приоритезации производства для прогнозирования необходимого объема производства продукции (например, запчастей) при ограниченном ресурсе оборудования (например, станков)

Как мы видим, способность ИИ предсказывать различные параметры на производстве помогает оптимизировать производственные процессы и сделать их более согласованными друг c другом и с другими бизнес-процессами, например, с продажами.

Не стоит забывать, что в производственных компаниях, помимо самого производства, есть направления продаж, маркетинга и HR, где также активно применяется машинное обучение, про данные направления я планирую написать в отдельной статье.

0
4 комментария
Nasha Rasha

Отличная статья. Пиши еще!

Ответить
Развернуть ветку
Игорь Alluc

Гуд, интересно)

Ответить
Развернуть ветку
Maxim Antonenko
Автор

Спасибо!

Ответить
Развернуть ветку
Maxim Antonenko
Автор

Спасибо!

Ответить
Развернуть ветку
Читать все 4 комментария
null