Подписаться
Читать в телеграм
Почему AI- и ML-решения особенно актуальны на крупном производстве?
Кто должен быть драйвером цифровизации компании?
Как выбирать подрядчиков для проектов?
Цифровая трансформация — это изменение процессов
Решения на базе AI/ML актуальны для любого бизнеса, работа которого связана с большими объемами данных. Чаще всего эта информация лишена четкой структуры, разнородна и содержит тысячи параметров. Человеческий мозг не в состоянии столько проанализировать. Он будет упрощать процесс: акцентироваться на нескольких нюансах и отбрасывать остальные, возможно не менее важные. Здесь на помощь приходит практическая реализация искусственного интеллекта — технологии машинного обучения (Machine Learning, ML).
Говоря о ML-проектах, мы в первую очередь подразумеваем изменения во внутренних процессах и смену парадигмы принятия решений в компании. Само по себе машинное обучение не приносит никакой пользы. Результат появляется, когда существующий процесс изменяется за счет ПО, в котором используются технологии ML.
Ключевая сложность внедрения ML — не технологическая. Гораздо труднее убедить людей принимать решения на основании разработанной модели.
Цифровая трансформация — непрерывный поиск точек оптимизации и изменение процессов компании с применением ML-решений. Это в первую очередь процессы, а уже потом технологии.
На заметку
Какие специалисты нужны для цифровой трансформации
Со стороны производства:
- руководитель, ответственный за конкретный передел;
- сотрудник, заинтересованный в реализации проекта;
- ИТ-отдел.
Со стороны подрядчика:
- проектный менеджер;
- Data Scientist;
- архитектор;
- программист;
- системный аналитик.
Почему ИИ актуален на производстве
Промышленность — пример отрасли, в которой AI и ML нужно применять здесь и сейчас. Вычислительные мощности растут с каждым днем, при этом себестоимость решений снижается. Параллельно развиваются соответствующие области математики, копится бизнес-практика, появляются специалисты с опытом внедрений. Но главное — на производстве становится все больше данных. Бумажные журналы — в прошлом, заводы ежедневно используют множество датчиков и ИТ-систем.
Поскольку в основном мы работаем с производственными компаниями, 80% задач сводятся к «оптимизации технологических процессов без дополнительных затрат на специализированное оборудование». Такие проекты можно разбить на 3 больших блока:
- Прогнозный сервис — самый простой, но от этого не менее эффективный. Прогнозирует наступление какого-либо события, чаще всего — выход из строя оборудования или возникновение брака.
- Рекомендательный сервис — не только прогнозирует, но и показывает/говорит, что необходимо сделать, чтобы избежать негативных ситуаций.
- Автоматизированный сервис — совмещает функционал прогнозного и рекомендательного сервисов. Это полностью автоматизированная система, самостоятельно — без участия человека — принимающая управленческие решения.
Для реализации цифровой трансформации необходимо ранжировать ИИ-инициативы по таким критериям, как:
- наличие данных,
- сложность задачи,
- открытость бизнес-заказчика,
- время окупаемости.
Прогнозные задачи наиболее просты с точки зрения реализации и оценки экономического эффекта. Чаще всего прогнозы относятся к следующим категориям: поломка, брак, объем выпускаемой продукции. Здесь проще считать эффективность сервиса: поломка — экономия часов простоя, брак — цена за единицу продукции. Главная проблема любого ML-проекта — не сложность реализации сервиса, а недоверие к нему со стороны производственного персонала. Важно донести до руководителя, что это не проверка и не аудит, — вы здесь для того, чтобы помочь ему достичь установленных KPI. Чем честнее он будет рассказывать о проблемах, тем точнее можно будет определить точки оптимизации. Важно донести эту мысль и до мастеров на участках. Производственный персонал в какой-то момент подумает, что вы пытаетесь их заменить (в худшем случае — уволить, в лучшем — лишить части зарплаты), и начнет мешать проекту.
Как выбрать подрядчиков и успешно завершить проект
Наращивание собственных компетенций — долгий процесс, поэтому на старте разумно привлечь сторонних экспертов и вместе с ними определиться, что развивать самостоятельно, а в чем положиться на партнеров. Если в PoC мы можем ограничиться несколькими специалистами, то для проекта нужна полноценная команда: разработка, тестирование, аналитика, проектный менеджмент, внедрение и т.д. При этом важно еще на старте определиться, кто будет реализовывать проект, — необходимо организовать рабочую группу со стороны производства, четко прописать ответственных и установить KPI.
Разработка сервиса (программирование и Data Science) — наименее проблемная часть любого проекта. В среднем Data Science занимает 20–30% от общего объема работ. Гораздо больше времени уходит на написание рекомендаций и подготовку проектной документации.
Следующий важный этап — промышленная эксплуатация. Чаще всего она делится на 3 стадии:
- Silent-тестирование. Ответственный за разработку системы оценивает, насколько точно она работает. Сотрудники на производстве пока не взаимодействуют с сервисом.
- Опытно-промышленная эксплуатация. Производство должно довериться сервису, при этом с персонала снимается вся ответственность за возможные ошибки. Этот этап должен длиться месяц-полтора: если все успешно, разбираем кейсы с производственным персоналом, исправляем дефекты и идем дальше.
- Промышленная эксплуатация. Сервис работает на производстве, ответственность с производственного персонала не снимается.
После этого начинается поддержка «боевого» решения.
Вывод
Цифровая трансформация — не плановый маршрут, а круговые гонки. Процесс будет повторяться, вы будете постоянно приходить в начальную точку и разрабатывать новые инициативы. В работе всегда должны быть новые PoC и контракты, которые реализуются и приносят деньги.
Цифровая трансформация — это:
- постоянное изменение процессов внутри;
- постоянный поиск новых точек оптимизации;
- отлаженный процесс реализации.
Кейс НЛМК: сокращение расходов сырья на сталелитейном производстве
Проблема. При производстве стали разных марок нужно учитывать требования по содержанию примесей (кремний, марганец, кальций или азот), которые повышают ее прочность и термостойкость. Стоят эти добавки дорого, поэтому влияют на себестоимость конечного продукта. Комбинату нужно было решение, позволяющее определять минимальное количество ферросплава, необходимое для выпуска определенной марки стали. По сути, это рекомендательная система, с помощью которой сталевар быстро получал бы сплав с заданным химическим составом.
Решение. Мы разработали и внедрили в НЛМК сервис, оптимизирующий расход ферросплавов. Решение интегрировано с внешними источниками данных, включая SAP и АСУ ТП. Для обучения ML-модели используется сервер со 150 процессорными ядрами и 2 Тб оперативной памяти. Результаты работы системы выводятся на монитор в помещении пульта управления плавильной печью. Разработка заняла 8 месяцев, на внедрение ушло еще полгода.
Результат. По оценкам руководства комбината, экономический эффект при расширении сервиса на максимальный объем марочного сортамента в двух цехах конвертерного производства может составить 100 млн руб. в год. Кроме того, у решения есть перспективы по тиражированию на другие предприятия черной металлургии. В России около 100 металлургических компаний используют в производстве ферросплавы.
Кейс Segezha Group: увеличение производительности целлюлозно-бумажного комбината
Проблема. Полотно, движущееся по бумагоделательным машинам, часто рвется. Расходуется лишнее сырье, а оборудование простаивает. Даже короткая остановка производственной линии один раз в день в масштабе одного года означает потерю денег для бизнеса.
Решение. Мы разработали систему, прогнозирующую возникновение брака и остановку работы бумагоделательного оборудования. Наш центр машинного обучения построил ML-модели, которые анализируют данные с датчиков и показатели АСУ ТП, касающиеся процессов обслуживания станка и замены материалов. Система определяет различные уровни тревоги и выдает показатель вероятности обрыва полотна или остановки станка, прогнозируя дату, время и возможную причину повреждения. Оператор машины и дежурный технолог видят эти данные на своих мониторах.
Результат. Во время тестов система предиктивной аналитики верно спрогнозировала несколько обрывов. Благодаря этому технологи смогли предотвратить остановку или поломку станка.
Segezha Group планирует увеличить производительность и выпускать до 800 тыс. тонн продукции. В компании рассчитывают на то, что новая система предиктивной аналитики поможет в этом.
