Как преодолеть технические сложности при внедрении промышленного искусственного интеллекта

Екатерина Ляпина, консультант по искусственному интеллекту в компании "Цифра", – о проблемах, с которыми сталкиваются предприятия тяжёлой промышленности на пути цифровизации.

Исходная ситуация в промышленности

Большинство компаний изо всех сил пытаются сохранить и расширить технологическую экспертизу. Это влияет не только на инвестиции в новые системы и внедрение новых технологий, но также на возможности привлечения способных сотрудников. Основным препятствием для найма в эти отрасли выпускников вузов являются устаревшие технологии, освоение которых требует продолжительного и дорогостоящего обучения и ограничивает перспективы будущего трудоустройства. В результате рынок труда застаивается, и представители старшего поколения – это единственные сотрудники, которые знают, как работают конкретные системы.

Кроме того, преобладает культура традиционной промышленной инженерии, которая сильно отличается от атмосферы в стартапе. В машиностроении и электротехнике патенты и ноу-хау являются основными защищаемыми ценностями. В data-driven компаниях многие ценные инструменты распространяются и предоставляются бесплатно по лицензии с открытым исходным кодом. С точки зрения таких компаний, преимущества обмена информацией перевешивают выгоду от ее сокрытия. Они научились зарабатывать с помощью других уникальных бизнес-моделей и своего опыта.

Использование искусственного интеллекта (ИИ) приносит результаты, которые значительно отличаются от ожиданий. Трудно добиться улучшения некоторых процессов на 50%, так как большинство процессов отлажено. Не так много остается точек приложения усилий. Ведь законы физики постоянны, стандартные методы оптимизации уже опробованы, и дальнейшая модернизация оборудования обходится дорого. Таким образом, оптимизация на 2% – это уже значительный прогресс для компании, и это именно то, чего можно достичь посредством внедрения ИИ-решений.

Скептицизм по отношению к другим отраслям

В промышленном секторе принято говорить, что каждый завод уникален и сильно отличается от других. Здесь часто можно услышать: «Тут этого сделать нельзя!» Но независимо от понятной и очевидной гордости за настоящие шедевры машиностроения, тяжелая промышленность имеет много общего с другими отраслями. Компании тяжелой промышленности оптимизируют свой бизнес так же, как и другие. Несмотря на то, что в других отраслях озабоченность вопросами безопасности ниже, везде действуют одни и те же основные экономические принципы.

Подходы и методы анализа данных были опробованы в других отраслях и показали выдающиеся результаты. Эти технологии сэкономили деньги и открыли новые возможности для бизнеса. В начале своего пути представители этих отраслей также столкнулись с огромными техническими проблемами, которые им пришлось преодолеть. Если посмотреть на компанию Amazon, какой она была 15 лет назад, и изучить тогдашние системы AWS, то окажется, что они ни в коем случае не подходили для индустрий, которым важны вопросы безопасности. Но в настоящее время эти системы, установленные по всему миру, демонстрируют невиданную ранее надежность.

Природа используемых данных также может представлять определенную проблему. Они довольно сложны в обработке и анализе, поскольку в промышленном секторе формируются машинные данные, характеризуемые высокой частотой и генерируемые полностью автоматически. С одной стороны, алгоритмы машинного обучения могут быть лучше отлажены на основе больших объемов данных. С другой стороны, компаниям приходится преодолевать очень специфические проблемы и ограничения, связанные с анализом данных и процессов, при этом имея нехватку талантов для работы с данными этого типа.

Вызовы для новых технологий в тяжелой промышленности

Генеральному директору компании, который желает применить решения на основе ИИ и промышленного интернета вещей (Industrial Internet of Things, IIoT) в удаленных локациях и в жестких условиях эксплуатации, необходимо учитывать некоторые уникальные реалии. Шахты и другие производственные объекты могут находиться в отдаленных регионах ограниченного доступа. Доступ на оффшорные нефтяные месторождения может быть возможен только для судов или воздушного транспорта. Погодные условия зачастую плохие. Сети и доступ в Интернет ограничены в плане пропускной способности и надежности. Суровые условия создают конкретные проблемы и ограничения. Также могут существовать взрывоопасные среды, выделяться ядовитые газы и присутствовать вибрация, точка работы может находиться под водой или под землей в условиях высоких или низких температур.

Кроме того, следует отметить механизмы и системы, используемые в тяжелой промышленности. Эти дорогостоящие установки рассчитаны на сохранение работоспособности в течение длительного времени. Горнодобывающие предприятия владеют разнородным машинным парком, согласованная инфраструктура часто отсутствует. Эти машины и механизмы не предназначены для подключения к Интернету. Они были разработаны для предоставления большого количества локальных данных, чтобы обеспечивать планирование и контроль работы таких систем. Для большинства этих систем требуется контроль в режиме реального времени. У них нет выделенных интерфейсов для передачи данных ради более общих целей в центральное хранилище.

Некоторые технические требования, относящиеся к существующим механизмам и системам, также релевантны для IIoT и искусственного интеллекта. Они должны быть в состоянии работать без источника света или без электрической сети, выдерживать вибрацию и быть надежными. Такие приложения не должны создавать угрозу для жизни и должны быть в состоянии справиться с отключением и перебоями всех видов.

Проблема сбора необходимых данных

Для систем искусственного интеллекта требуются правильные наборы данных, отличающиеся высоким качеством и целостностью, чтобы дать возможность выработки полноценных прогнозов и оптимизации операций. Итак, как развернуть новые датчики и переоборудовать старые машины для получения этих данных? Как можно получить потоки данных от существующих систем и каким образом выполнить корректировку существующих потоков данных? Для дизайна массовой и дорогой продукции привлекательно использовать т. н. цифровые двойники, но масштабировать такие технологии за пределы чистого производства может оказаться сложно. Тяжелая промышленность работает в разных конфигурациях и использует оборудование разных поставщиков. Таким образом, для IIoT необходимо обеспечить подходящий набор технологий.

Одним из примеров такой доступной технологии является relayr от провайдера IIoT. Компания разработала датчики, выглядящие как плитки шоколада, для переоборудования любых видов машин и оборудования. Их закупила компания Munich Re за 300 миллионов долларов США и преобразовала в бизнес-модель «оборудование как услуга». Однако проблема с этими новыми технологиями все еще заключается в системной интеграции. Клиенту до сих пор требуются доказательства того, что предлагаемая технология соответствует потребностям и может быть интегрирована в существующие процессы.

Часто случается, что необходимые данные поступают из систем управления производственным процессом, которые изначально не предназначались для целей анализа. Устаревшие архивные системы зачастую хранят данные в трудно извлекаемом формате. В то же время в них существенно низок уровень структурирования и систематизации информации. Иногда данные могут быть неточными из-за участия в цикле человека. Определенный уровень знания и понимания производственного процесса существенно важен для учета всех таких препятствий.

Проблема передачи данных в устройства машинного обучения

Многие технические процессы требуют принятия решений и контроля в режиме реального времени. Бизнес-процессы требуют быстрых решений при ведении торговли на спотовых рынках, срочных снабженческих закупках или в случае аварий. Каким образом можно обеспечить постоянное энергопитание датчиков, которые передают критически важные данные о состоянии и производительности изолированных средств производства, которые находятся за пределами досягаемости электросети? Как передать все необходимые данные без существующих мобильных сетей? Как принять надежные решения, если приходится иметь дело с ненадежной сетью, которая может выйти из строя в самый неожиданный момент?

Эти проблемы не являются чем-то новым для промышленных компаний, которые построены и эксплуатируются инженерами. В инженерных технологиях применяются те же принципы, которые использовались в традиционной инженерии. Различия состоят только в целях, которые требуется достичь. В данном случае приоритетной задачей является обеспечение непрерывности потока данных. Подход к достижению непрерывности такого потока высококачественных данных оказывается иным. Обычные инженеры и программисты / системные инженеры имеют совершенно разную подготовку и философию. Вот культурные различия, которые нужно преодолеть.

Иногда некоторые данные с ключевой информацией могут поступать в систему со значительной задержкой. Например, результаты анализа, проведенного в лаборатории, станут известны только через несколько часов. Некоторые ошибки накапливаются с течением времени. Если некоторые датчики были повреждены, все равно необходимо выявить общие закономерности и учесть их, восстановив недостающие данные. Даже при производственном использовании модели должны иметь возможность работы в режиме реального времени и выдачи рекомендаций или прогнозов в ситуации, когда не все параметры процесса известны. Необходимо использовать ряд приемов для реконструкции и проведения виртуальных измерений, чтобы гарантировать надежность моделей машинного обучения, даже когда компания работает в неопределенных условиях.

Решение, помогающее справиться с вызовами

Одной из основных проблем построения IIoT-инфраструктуры является обеспечение электроснабжением. Благодаря быстрому прогрессу в создании устройств IIoT с низким энергопотреблением, уже доступных сегодня, легко найти готовые компоненты для начала такого построения. Необходим компромисс между количеством собранной энергии и объемом данных, требуемым для быстроразвивающихся приложений. Для удовлетворения потребностей в соединении частей системы существуют новейшие вычислительные решения, помогающие преодолеть эту проблему. IIoT и беспилотные автомобили полагаются на вычислительные мощности, встроенные в сами устройства, а не на доступную сеть.

У истоков промышленных компаний всегда стоят дипломированные инженеры. Они владеют математикой и имеют опыт проведения экспериментов. Таким образом, процесс выбора метрик успеха, определения характеристик моделей или разработки A/B-тестов становится проще. Нет необходимости объяснять, почему перед запуском системы необходимо провести ее тестирование. Инженеры привыкли основывать свои решения на данных, а не на интуиции.

Совместное использование данных и их защита

После настройки физической инфраструктуры необходимо перейти к обработке данных. Данные имеют неосязаемую ценность, которой компании не хотят делиться с другими. Компании видят риски потери конкурентных преимуществ при совместном использовании данных. Существует опасение, что данные могут подвергнуться перекрестному загрязнению. Преимущества совместного использования данных, особенно в случае интеграции цепочки поставок, часто перевешивают страхи перед недостаточностью защиты данных. Улучшение процессов ИИ при использовании большего количества доступных данных позволяет привнести больше пользы как для всей отрасли, так и для отдельной компаний. Верность такого подхода была доказана во многих других секторах. Пул данных улучшает результаты обучения систем на базе ИИ, что приводит к улучшению операционной модели и снижению эксплуатационных расходов. До сих пор присутствуют опасения по поводу того, что данные могут быть потеряны в результате кибератаки, и это влияет на готовность совместного использования данных и работы в облаке. Безопасность и конфиденциальность лидируют в списке технических проблем, с которыми сталкиваются IoT проекты. По мнению компании Gartner, это связано с отсутствием квалифицированного персонала, сложным ландшафтом поставщиков и незрелостью стандартов.

Несмотря на все эти проблемы, инновации поощряются, а также появляются новые продуктовые идеи. Тестирование идей на более широкой основе ускоряет их разработку и принятие большим числом компаний в данной отрасли. Риски при этом распределяются, а усилия по разработке для каждого предприятия снижаются. Совместно используемые данные являются анонимными, поэтому их нельзя отследить вплоть до владельца данных. Исследователям также стоит обратить внимание на алгоритмы леса принятия решений с частной приватностью. Эти алгоритмы сводят к минимуму количество запросов к заданным данным. Поэтому требуется меньше вычислительных мощностей, а чувствительность отдельных запросов становится ниже. Мы также видим, что компании становятся более открытыми для обмена данными с производителями оборудования (OEM).

Перспективы и масштабы бизнеса

Присказка, широко распространенная в промышленности – «Это слишком дорого! Это слишком сложно!» – больше не работает. Есть хорошие методологии цифровой трансформации и способы внедрения приложений ИИ и IIoT в компаниях. Однако существуют некоторые препятствия, которые нужно преодолеть. Необходимо решить конкретные проблемы оборудования и систем, используемых в тяжелой промышленности. Руководители информационных служб компаний и другие евангелисты цифровых технологий должны определять приоритеты возможностей внутри организации сквозь призму прибыльности бизнеса и технической осуществимости проектов – как с точки зрения совокупной стоимости владения, так и срока окупаемости. Мировая исследовательская и консалтинговая фирма Gartner рекомендует, чтобы большая часть проектов по ИИ и IIoT ориентировались на финансовую окупаемость в течение года.

Для начала генеральный директор компании может инициировать первый проект и его пилотный этап. Для запуска подобного проекта не требуется высокого уровня навыков, человеческих ресурсов или денежных затрат. Первые этапы могут включать построение решений ИИ с использованием инструментов с открытым исходным кодом. Исходя из этого опыта и подтверждения концепции, можно быстро масштабировать проект, чтобы создать новую стоимость уже в рамках всей компании. Тем не менее иногда технические специалисты, обращающиеся к руководству компании, оказываются неспособны убедить потратить деньги на IIoT, поэтому стоит рассмотреть возможность выделить время для доказательства полезности решения. Можно также обратиться к существующим вендорам в области IIoT и ИИ и начать осваивать неизведанную область с надежным партнером.