Page ID: 27028
Is Industry:
Is Category:
Query IDs:
Цифровой анализ

ИИ-решения в российской промышленности: лучшие кейсы, проблемы, перспективы

Распознавание естественного языка, интеллектуальные системы поддержки принятия решений, распознавание и синтез речи, интеллектуальный анализ текстовых документов, роботы, видеоаналитика – основные ИИ-решения, активно внедряемые в промышленность России. Кейсы, в реализации которых используются эти и другие цифровые решения, обсудили эксперты онлайн-дискуссии «Внедрение искусственного интеллекта в промышленности» в рамках «Цифровой среды» портала CDO2DAY.

Во время дискуссии специалисты затронули тему тиражирования успешных сценариев применения ИИ в промышленности и основные проблемы на пути их реализации, в числе которых дефицит кадров, низкая окупаемость и проблемы инфраструктуры в некоторых сферах. Презентации, представленные во время встречи, доступны в конце этого материала. Посмотреть встречу в записи можно здесь.

Алексей Сидорюк, директор по направлению «Искусственный интеллект» — директор по развитию организации «Цифровая экономика»:

— Сегодня искусственный интеллект не футурология, а вполне прикладные решения, с которыми мы сталкиваемся ежедневно. Это и смартфоны, которые производят оплату по лицу, и умные колонки, голосовые помощники, рекомендательные движки в популярных сервисах, которые подсказывают музыку, видео и какие-то продукты на ваш вкус. В Москве, например, запущено пилотирование биометрии метро – проход по распознаванию лица. Также в прошлом году ИИ очень интенсивно внедрялся в медицине: распознавание снимков легких на наличие COVID-19, разработка лекарственных препаратов в противодействие коронавирусу и прогноз развития эпидемии.

При этом про внедрение ИИ в промышленности в публичном поле говорится не так часто и не так много. Однако Минпромторг и Минцифры ведут ряд мероприятий в рамках федерального проекта, в рамках ведомственных программ цифровой трансформации и стратегии цифровой трансформации отрасли промышленности. Также ИИ очень активно внедряется крупными отраслевыми организациями, в том числе на региональном уровне, где формируются центры компетенций. Сегодня в рамках сессии постараемся выйти на 5-6 сценариев, которые должны масштабироваться, тиражироваться и внедряться в отрасли. Какие барьеры сейчас препятствуют внедрению и какие стимулы может создать государство вместе с бизнесом, какие сценарии стали применяться в наибольшем количестве в промышленных предприятиях? 

Василий Шпак, заместитель министра промышленности и торговли РФ:

— Мы очень большое внимание уделяем внедрению ИИ во все сферы промышленности. Искусственный интеллект – это топ технологий, это то, что определяет мировое лидерство ведущих стран. Самым передовым государством здесь является Китай. По факту он же является лидером промышленности, все сосредоточено там.

Если говорить о практических целях сегодняшней дискуссии, то на примере успешных практик компаний хотелось бы сначала понять метрику успешности и эффективности, как они на своих предприятиях внедряют и управляют ИИ-решениями. У нас должен быть соответствующий инструментарий.

Второй момент – те меры, которые необходимо предусмотреть, чтобы облегчить переход на новые технологии, нужно сделать простым шагом для наших предприятий. Внедрение искусственного интеллекта должно отвечать на те вызовы, которые существуют на предприятиях.

Если говорить про то, какие усилия в этом направлении предпринимает Минпромторг, то это несколько видов субсидий. Это и 529 субсидия, которая направлена на разработку сквозных цифровых платформ. Это и субсидия 1380, которую начинаем разыгрывать с этого года, на создание программ с искусственным интеллектом. Достаточно большую работу мы вели последнее время и по созданию микропроцессорных архитектур на базе ИИ. Главный вопрос — кто должен давать эти технические задания для развития данного направления.

Владимир Авербах, старший управляющий директор — начальник управления Национального развития AI ПАО «Сбер»:

— У нас есть 5 критериев оценки внедрения ИИ в промышленности. Это качество, персонализация, скорость, экономическая эффективность и объективность того, что привносит ИИ. Кому интересно, готовы поделиться этой методикой.

Мы работаем в 5 направлениях развития ИИ, которые считаем основными: обработка естественного языка, компьютерное зрение, рекомендательные системы и интеллектуальные системы поддержки принятия решений, распознавание и синтез речи, перспективные методы и технологии ИИ.

Что касается трендов ИИ, то в 2020-2021 гг. это автоматизация заводов, контроль качества, контроль безопасности, планирование производства и предиктивный ремонт. Но в ближайшие 5 лет планируется расширять искусственный интеллект на направления, которые пока поддаются только человеку: разработка и дизайн продукта, маркетинговые активности, кастомизация клиентского опыта, управление оборудованием, контроль качества.

Например, в Porsche была применена гибкая производственная линия с автономными платформами, где ИИ помогал перемещать кузова платформы с одной станции обработки на другую и адаптировать рабочие циклы к реальным потребностям. Это дало рост производительности и сокращение срока ввода объекта в эксплуатацию. Другой кейс — Siemens — наглядно демонстрирует, что предиктивное обслуживание оборудования на базе алгоритмов машинного обучения позволило снизить затраты на 25% по простоям, что привело к увеличению производительности.

Что касается индекса ИИ-зрелости в российской промышленности, то Минпромторг в партнерстве со Сбером разослал 302 компаниям онлайн-опрос об использовании ИИ. На основе полученных ответов уровень ИИ-зрелости составил 11%: 46% не планируют использовать ИИ в ближайшие 4 года, 17% планируют начать использование ИИ на горизонте 3 лет, 26% — будут использовать в ближайшие 4 года.

Что касается основных барьеров, которые были выявлены опросом, – это недостаток специалистов и низкая ожидаемая окупаемость. Здесь это связано с тем, что бизнес-кейс необходимо построить и защитить. Поэтому мы считаем, что разработка такой методики могла бы стимулировать предприятия к обмену опытом. 

Павел Растопшин, управляющий директор группы компаний «Цифра»:

— Сейчас в России существует большое количество проектов на ранней стадии, реализующиеся крупными компаниями. Хотелось бы поговорить одновременно от лица вендора и от лица представителя горно-металлургической компании и рассказать про кейс, связанный с компьютерным зрением. Если представить процесс добычи, на этапе эскалации возникает проблема с потерей зубьев эскалаторами. Если этот зубец попадет вместе с углем или рудой в дробилку, то это может привести к ее поломке. Такие инциденты случаются несколько раз в год и один час простоя такой дробилки обходится в 10 тысяч долларов. Нужно сократить эти простои, чтобы повысить производительность. Мы устанавливаем программно-аппаратный комплекс, чтобы распознавать тот момент, когда зубец эскалатора отваливается. Это позволяет своевременно предотвратить поломку дробилки.

Стимулами подобных проектов могут являться субсидии. Сколково, например, сейчас запустил как раз субсидирование.

Процесс термообработки зачастую является узким местом на соответствующих предприятиях. Этот режим, как правило, вычисляется вручную. И здесь задача оптимизировать процесс и минимизировать наличие брака. Мы создали рекомендательную модель и коллеги из Минпромторга поддержали наш проект. Все участники процесса термообработки могут контролировать, отслеживать, но при этом не заниматься повторной термообработкой, как это было раньше. 

По словам Павла Растопшина, ключевая проблема внедрения ИИ-решений в производство сегодня кроется в кадрах. «Но не в кадрах, которые могут разрабатывать эти решения, а в кадрах, которые сейчас управляют процессами. Имеются в виду люди с большим опытом, большие специалисты, которым тяжело объяснить, что ИИ будет им помогать, но не замещать. Вторая проблема – технологические процессы в зависимости от того, какое оборудование используется, в каком регионе оно расположено сильно влияет на качество данных. И мы, как вендор, переходим к платформенной модели, чтобы использовать готовые наработки, чтобы ускорить масштабирование проектов», — подчеркнул эксперт.

Евгений Чухонцев, руководитель направления «Внутренние инновации» ПАО «КамАЗ»:

— Мы сейчас находимся в стадии завершения двух проектов, связанных с ИИ. Проект, связанный с покраской деталей. Мы внедрили на базе компьютерного зрения решение, которое позволило отслеживать, когда, сколько, в каком месте, какого качества прошло деталей. С точки зрения промышленного предприятия мы видим проблемы в отсутствии инфраструктуры. Пример, который я привожу с распознаванием дефектов, связан с тем, что детали, которые проходят через точку контроля двигаются с определенной частотой. Соответственно, мы не можем остановить деталь и рассмотреть ее со всех сторон. Это также накладывает определенные моменты. Что касается барьеров, это, наверное, не самый сложный вопрос. Тут я могу отметить нехватку квалифицированных кадров со стороны производства. Люди не всегда корректно воспринимают новые решения для внедрения. Стимулом мы видим поддержку со стороны государства, в том числе адресное обучение кадров.

Антон Запрягаев, заместитель генерального директора по сквозным цифровым технологиям и управлению данными компании «Цифрум»:

— У нас сформирована цифровая стратегия, где определены мероприятия для всех цифровых сквозных технологий для атомной отрасли. ИИ здесь занимает значительную долю – 14%. Сам по себе ИИ и план его развития в отрасли в рамках цифровой стратегии утверждается на уровне генерального директора госкорпорации. Формирование этого плана – это работа большой группы экспертов.

У нас есть 4 подвида ИИ-решений – предиктив, роботы, работа с естественным языком и видеоаналитика. На данном этапе мы не видим для себя необходимости в создании кардинально новых решений. Нами запущена предиктивная аналитика на производстве топливных элементов машиностроительного предприятия. Здесь мы создали решения раннего обнаружения отклонения установок, сделали полностью интегрированное решение. Это направление именно в рамках одного из машиностроительных предприятий позволило буквально за первый месяц пилотирования начать получать эффекты.

Интеллектуальный анализ текстовых документов для предприятий отрасли – еще один кейс. Здесь все понятно. У нас по всем направлениям колоссальное количество документации, поэтому проект сам по себе родился достаточно быстро.

Еще один кейс — применение видеоаналитики и компьютерного зрения на Кольской АЭС. Ни для кого ни секрет, что безопасность в госкорпорации Росатом стоит во главе угла, и необходимость подобного рода проектов очевидна. Мы продолжаем работать над масштабированием подобного рода проектов для других предприятий отрасли. 

Есть еще одно направление, которое мы считаем перспективным – создание нейроморфной системы ИИ. Здесь история также довольно понятная. 

Анджей Аршавский, руководитель центра разработки и монетизации данных ПАО «Газпром нефть»:

— Основными принципами внедрения ИИ в нашей компании является повышение эффективности производства, сделать компанию более «зеленой» и повысить безопасность труда. Мы работаем над внедрением ИИ уже несколько лет, почти 3 года в активном режиме и создаем цифровые решения по всей цепочке добавленной стоимости.

В первую очередь задачи связаны с разведкой месторождений, также занимаемся оптимизацией работы перерабатывающей части, работаем над частью сбыта – у нас большая сеть заправок. Например, добыча нефти и обработка призабойной зоны скважины. Задача – с помощью химических препаратов изменить проницаемость пласта путем разбавления частиц породы. К сожалению, метод применения призабойной зоны скважины не всегда дает хороший эффект. На не очень удачные попытки тратятся физические, временные ресурсы и немалые денежные средства. Мы построили решение, которое обучается на обработке полученных данных и значительно повысили их эффективность. Сейчас практически 80% скважин стали продуктивнее по обработкам призабойной зоны.

Юрий Чайников, сооснователь и директор по развитию RDL by red_mad_robot:

«Мы сосредоточены на добывающих и  металлургических комбинатах и основные результаты наши клиенты видят после применения видеоаналитики как источника данных на стыке с предиктивными моделями, которые можно строить поверх этого источника данных».

Юрий также поддержал дискуссии участников о сложности подсчёта эффективности внедрения ИИ в промышленностии и проблемах с кадрами: «Во многих промышленных компаниях оценка результата в итоге сводится к экономическому эффекту — и качество, и персонализация, и остальные подобные характеристики не оцифровываются до модели, которая показывает эффективность внедрения решения, они получаются приятным гуманитарным дополнением, но не аргументом для старта проекта.

Он отметил, что одна из острых проблем рынка — проблема с кадрами. «К примеру, мы умеем собирать дата-сеты, делать разметку, строить модели, внедрять решения, подбирать  оборудование и доводить до продакшена, — объясняет Чайников. — Но никто, кроме представителя заказчика, не может оценить потенциал от внедрения, а для такой оценки нужна соответствующая экспертиза. В итоге построение модели того, как оценивать экономическую эффективность от внедрения решения, видится нам самым серьёзным барьером для повсеместного внедрения ИИ в промышленности».

«У нас получилась плодотворная дискуссия, — отметил в конце встречи Алексей Сидорюк. — Спасибо за кейсы, которые были сегодня представлены. Напомню, что это серия мероприятий, следующее будет в октябре. Надеюсь, такой формат общения и обмена опытом докажет свою эффективность и будет востребован».

Презентации, представленные участниками дискуссии:

ТОП-5 сценариев использования ИИ в промышленности

Решения на базе ИИ для металлургии

Примеры решений ИИ в нефтегазовой отрасли

Решения на базе ИИ для автомобильной промышленности

Развитие технологий ИИ в атомной отрасли