Консультант по искусственному интеллекту компании «Цифра» Екатерина Ляпина и директор по трансформации Илья Измайлов рассказали, почему промышленные компании только начинают внедрять искусственный интеллект и отстают от банков и интернет-компаний.
На рынке активно появляются новые решения в сфере искусственного интеллекта, повышающие эффективность людей и оборудования. Но внедрение новых технологий все еще сопряжено с рядом сложностей для нефтегазовых, горнодобывающих и металлургических компаний. Эти сектора только начинают внедрять искусственный интеллект (ИИ) и отстают по сравнению с банками или ритейлерами.
Каковы причины текущей ситуации? Тяжелая промышленность – сектор, в котором преобладают капитальные затраты, а производство – их основной источник. На зрелом рынке снижение затрат и оптимизация процессов являются приоритетом, поддерживаемым всеми менеджерами и директорами. ИИ предоставляет новые возможности для достижения этих целей, но работает иначе по сравнению с более традиционными методами. Самым же большим препятствием для запуска новых проектов, связанных с ИИ, является все еще высокая совокупная стоимость владения такими решениями.
Одна из ключевых проблем внедрения ИИ в тяжелой промышленности – это цена ошибки. В случае, если модель прогнозирования потребности в ритейле или банкинге слабая, худшее, что может произойти – холодный звонок клиенту с предложением о покупке или оформлении кредита не увенчается успехом. Если цифровой советчик выдал неправильную рекомендацию по изменению технологического режима промышленного предприятия, последствия могут касаться жизни и здоровья людей. Внедрять ИИ необходимо осторожно, силами специалистов, обладающими пониманием не только методов машинного обучения, но знанием производственных процессов и методологий внедрения технологий. Таких специалистов не хватает на рынке труда, что делает проблему еще более острой.
Третья сложность, с которой компании сталкиваются при создании решений на базе технологии ИИ, это недостаточное количество и качество данных. В отличие от упомянутых выше банкинга и ритейла, в промышленности генерируемые данные о техпроцессе долгое время находились в разных системах и не использовались для целей анализа – потому что отсутствовали инструменты для их использования, то есть бизнес-приложения, которые создавали бы ценность для компаний. Все эти сложности замедляют проникновение технологий в производственные процессы, увеличивая стоимость их внедрения.
В целом тяжелая промышленность привыкла к долгосрочному инвестированию. Для налаживания нового производства или открытия горнодобывающего предприятия необходимы огромные инвестиции. Уже после начала работ начинают на системной основе проводиться мероприятия по повышению операционной эффективности – с целью сокращения затрат. Тут и возникает интерес к ИИ. Появляются новые варианты модернизации существующих процессов для удовлетворения целей компаний. Необходимость оптимизации приводит к росту требований к скорости изменения бизнес-процессов. Что, в свою очередь, требует более быстрого принятия решений и освобождения людей от участия в рутинных процессах.
Многие из примеров узкоспециализированных задач, таких как обнаружение аномалии станка, кажутся легко решаемыми с помощью ИИ. Тем не менее, все еще трудно перейти к оптимизации большого участка, например такого, как мониторинг всей производственной линии. Принципиально важные вещи, вроде архитектуры решений сложно отдать на откуп посторонним людям. Компании не всегда готовы к совместной разработке новых решений; они выжидают, надеясь увидеть примеры уже реализованных сценариев, и неохотно соглашаются на эксперименты и инвестиции. Однако шаг за шагом компании смогут прийти к целевым концепциям умного завода, интеллектуального месторождения или безлюдного карьера, где люди будут выполнять только функцию контроля и управления.
Традиционный уклад препятствует снижению затрат
Исторически сложилось так, что в большинстве случаев организационная структура в тяжелой промышленности выстроена достаточно традиционно. Это не соответствует потребности современного предприятия в более динамичной и гибкой работе. Сейчас законодателями мод являются цифровые компании. Их проекты и методологии управления определяют тренды и направление развития. Они более готовы экспериментировать с технологиями ИИ, требующих скорее научного подхода, нежели чистой инженерии. Крупные промышленные компании в основном говорят об осторожных шагах и перспективах использования технологий ИИ, а не о масштабных проектах.
Между тем, мы наблюдаем взрывной рост умных сервисов, которые предлагают системы поддержки принятия решений на базе ИИ для широкого спектра областей. Цифровые советчики частично решают проблему нехватки аналитиков данных и программистов, закрывая типичные сценарии. Использование ИИ для оптимизации существующих процессов дает быстрый, измеримый результат, и основные новые проекты появляются именно в этой области.
Решения в области ИИ уже доступны и готовы к внедрению
Пионеры уже внедряют решения на базе ИИ в тяжелой промышленности и проводят много экспериментов в этой области. Стартап в области ИИ – компания Tulip Interfaces, отпочковавшаяся от Массачусетского технологического института, предлагает IIoT-платформу с конкретными интеллектуальными приложениями поверх. Fanuc Corporation, лидирующий производитель оборудования для промышленной автоматизации, использует технологии искусственного интеллекта для сокращения времени обучения роботов. Горнодобывающая компания Freeport-McMoran успешно протестировала технологии ИИ на своем интеллектуальном карьере в Аризоне, США. Она планирует увеличить производство меди на 90 тыс. тонн при минимальных капиталовложениях.
Технологии ИИ достаточно зрелые, но продолжают активно развиваться. Инструменты анализа данных помогают аналитикам компаний извлекать знания из большого объема разнородных источников информации. Обязательства по использованию ИИ запускают маховик накопления данных, на основе которых продолжается процесс улучшений процессов предприятия.
В качестве примера можно привести продукты с применением предиктивной аналитики в дискретной промышленности. Анализируя данные с металлообрабатывающих станков с числовым программным управлением (ЧПУ), мы в компании «Цифра» решаем задачи обнаружения аномалий в технологических параметрах станка. Кроме того, определяются возможные причины аномалии и прогнозируется износ инструмента станков для оповещения пользователей об оптимальном времени его замены. Своевременное выявление аномалий и необходимости замены инструмента позволяет операторам и технологам на производстве оперативно принимать решения, что сокращает риск брака продукции и оборудования, простои и затраты на техническое обслуживание.
Другой пример – программные решения виртуальной расходометрии – измерения расхода жидкости, газа и пара в промышленных системах – на основе искусственного интеллекта в нефтегазовой отрасли и процессных производствах. К недостаткам применяемых сегодня устройств для измерения можно отнести малую частоту замеров и высокую стоимость. Виртуальный расходомер предоставляет точную оценку (до 95%) объема перекачки газа и жидкости, что значительно повышает контроль над производительностью производства.
На нефтяных месторождениях эксплуатируемые сегодня системы замера являются надежными источниками данных по дебиту скважин, однако частота замеров с помощью данных устройств составляет от одного раза в день до одного раза неделю, месяц или даже несколько месяцев. На рынке есть многофазные расходомеры, они могут предоставить оценку дебита в режиме реального времени, но их покупка и обслуживание для многих месторождений нерентабельны. Деятельность всего нефтедобывающего предприятия напрямую зависит от добычи, что делает применение виртуальных расходомеров с выдачей показателей по добыче в режиме реального времени и последующим сведением материального баланса особенно актуальным. Для нефтяников внедрение виртуального расходомера на основе искусственного интеллекта позволяет повысить нефтеотдачу пласта за счет наиболее полного набора данных о добыче и обновления модели пласта, а также существенно сократить капитальные затраты на покупку физических расходомеров и операционные затраты на их обслуживание, увеличить и поддержать добычу за счет оперативного выявления недоборов и потерь. На данный момент стоимость виртуального расходомера в десятки раз ниже аппаратных аналогов.
Виртуальные расходомеры на основе ИИ требуют большого количества исторических данных с датчиков температуры, давления и других. Как и для других решений, использующих ИИ, ключевым фактором успеха при внедрении является регламентированный, контролируемый сбор и хранение данных. ИИ обучается по мере поступления новых данных, что позволяет увеличивать точность виртуальной расходометрии.
Примеры успешных проектов и увеличение доходов бизнеса благодаря использованию технологий ИИ станут убедительными аргументами в пользу внедрения новых проектов.
Почему так мало сделано?
Примеры промышленных внедрений учитывают специфику той или иной отрасли и ее бизнес-процессов. Пока технологии еще редко используются, но компании рассматривают варианты внедрения решений на базе ИИ в течение следующих двух лет. У 70% глобальных компаний есть стратегия цифровой трансформации, 80% компаний уже вкладываются в предиктивное обслуживание, 70% обращают внимание на оптимизацию цепочек поставок и логистику, 81% предприятий в США используют мониторинг оборудования в реальном времени.
Несмотря на серьезные намерения, тяжелая промышленность сталкивается с проблемами в области управления и принятия решений. Зачастую компании остаются в плену традиционного разделения интересов. Управление бизнесом редко осуществляется с привлечением IT-департамента. Чаще всего директора и должностные лица сфокусированы исключительно на финансах. Эта ситуация разительно отличается от той, которую можно увидеть в секторах, движимых информационными технологиями, таких как ритейл, финансы или интернет-компании.
Вовлечение представителей бизнес-подразделений в проекты с ИИ имеет решающее значение для получения отдачи от инвестиций. Положительные финансовые результаты проекта зависят не только от правильно выбранных сценариев, но и от поддержки руководства. Рынок может расти еще быстрее, даже учитывая эффект низкой базы. На темпы роста положительно повлияют следующие аспекты:
– Мода на цифровую трансформацию промышленных компаний;
– Наличие нишевых игроков с экспертизой в сфере искусственного интеллекта и опытом внедрения подобных решений;
– Положительные результаты внедрений пилотных проектов и доказанные статистически значимые экономические эффекты;
– Инициативы по полноценному внедрению уже завершенных пилотных проектов;
– Наличие государственных программ поддержки инициатив в данной области;
– Профессиональная зрелость кадров и предприятий для цифровизации.
Пока нежелание изменений не отражается на бизнес-показателях, предприятия также продолжают работать в хорошем темпе. Некоторые незначительные улучшения вполне могут быть достигнуты с помощью традиционных методов. Полномасштабное внедрение ИИ – не единовременное событие. Эффект отставания в этом процессе проявляется медленно, но и наверстать упущенное будет труднее, если отставание произошло на этапе сбора так называемых больших данных.
Специфика тяжелой промышленности
В большинстве случаев использование ИИ в промышленности сводится к повышению производительности труда сотрудников, увеличению эффективности ключевых технологических-процессов, а также улучшению контроля качества. Наиболее существенный потенциал применения ИИ сосредоточен в узкоспециализированных сценариях: прогнозирование и выработка рекомендаций, создание систем распознавания паттернов в данных и выделение аномалий технологического процесса и анализ видеопотока.
Масштабы и сложность производства приводят к тому, что промышленники сфокусированы только на задачах своей отрасли. ИИ требует глубоких знаний как бизнес-процессов, так и понимания специфики промышленного ИИ. Вот почему промышленные компании нечасто прибегают к консалтинговым услугам в этой сфере, даже несмотря на нехватку специалистов. Кроме того, недостаточно эффективные стратегии ценообразования и бизнес-модели приводят к созданию узкоспециальных инструментов, а не готовых промышленных решений с потенциалом масштабирования.
В производственных компаниях цифровые советчики уже сейчас способны давать рекомендации по выбору оптимальных параметров технологического процесса для достижения максимальной производительности. Их рекомендации основаны на исторических данных и прогнозных моделях, что исключает человеческие ошибки и повышает эффективность процесса. В дальнейшем необходимо также учитывать особенности взаимодействия человека и машины, ведь производство – это место сосредоточения людей и машин.
Как начать
Когда решение о внедрении приложений на основе искусственного интеллекта принято, необходимо разработать детальную методологию проведения экспериментов. Чувствительность предприятия к затратам и отсутствие экспертов по ИИ, обладающих необходимыми навыками на большинстве предприятий, могут затруднить процесс внедрения.
Одним проверенным и жизнеспособным решением проблемы является взаимодействие с опытными крупными ИТ-компаниями. Отсутствие нужных данных можно компенсировать межотраслевым обменом данными. Компании опасаются обмениваться информацией, видя в этом риск потери конкурентного преимущества и стараясь защитить свою интеллектуальную собственность. Отрасли еще предстоит осознать, насколько большие наборы данных могут быть полезны для всех участников, при сохранении конфиденциальности и контрактных обязательств.
Из-за нехватки опыта заказчики зачастую демонстрируют завышенные ожидания относительно возможностей систем компьютерного зрения, их стоимости и сроков окупаемости. Поэтому для апробации подходов и накопления опыта внедрения таких решений, рекомендуется начать внедрение с небольшого проекта. Обучение и инвестиции в подготовку кадров являются ключевой частью таких проектов.
Директор по цифровой трансформации объединяет инициативы по внедрению ИИ
Организациям следует начинать работу с формирования стратегий и дорожных карт внедрения ИИ. Цифровые решения на базе ИИ – существенная часть цифровой трансформации, они должны внедряться бизнес-подразделением в тесном сотрудничестве с ИТ-департаментом, при котором именно бизнес-отдел определяет желаемый результат. ИТ-отдел, в свою очередь, должен отвечать за необходимые подходы и технологии. Обычно инициатива по реализации подобных проектов идет сверху вниз, и существует потребность в сильном лидере, часто – в лице генерального директора или директора по цифровой трансформации, выступающего связующим звеном между ИТ и производством внутри компании и между оптимизируемым процессами и подходящими для этого технологиями. Задача директора по цифровой трансформации при внедрении ИИ в том, чтобы помочь моделям машинного обучения стать частью бизнес-процессов и доказать свою ценность.