Page ID: 41589
Is Industry:
Is Category:
Query IDs:
Аналитика

ИИ в российской промышленности: вызовы и точки роста

В концепции четвертой промышленной революции наибольшие надежды связываются с искусственным интеллектом (ИИ). Предполагается, что его внедрение способно не только значительно повысить эффективность существующих способов производства, но и радикально их переформатировать и даже сформировать совершенно новые бизнес-модели. Однако на практике глубина проникновения решений, основанных на ИИ, до сих пор невысока, несмотря на то, что Россия по многим критериям находится среди лидеров по цифровизации экономики

ИИ — краеугольный камень Индустрии 4.0

Аналитики Сбера выделили пять трендов внедрения искусственного интеллекта на производствах в 2020-2021 годах — их представил старший управляющий директор — начальник управления Национального развития AI ПАО «Сбер» Владимир Авербах во время онлайн-дискуссии в рамках «Цифровой среды» портала CDO2Day:

  • автоматизация заводов;
  • контроль качества;
  • контроль безопасности;
  • планирование производства;
  • предиктивный ремонт (раннее обнаружение неисправности на основе данных сенсоров и прогнозирования).

Крупные международные бренды демонстрируют яркие кейсы  применения искусственного интеллекта на своих производствах. Например, на заводе Porshe искусственный интеллект перемещает платформы с автомобилями Taycan с одной производственной станции на другую без участия человека. Вручную это сделать очень сложно, поскольку гибкая производственная линия (FlexiLine) для этой модели находится на нескольких уровнях здания. При этом система сама регулирует скорость движения платформ в зависимости от загруженности линии, анализируя обстановку.  Такое решение позволяет почти вдвое ускорить производство машин и максимально уплотнить производственные площади завода.

Danone с помощью искусственного интеллекта моделирует спрос на скоропортящиеся продукты. Программа учитывает данные от отделов маркетинга и продажи, сезонность, анализирует цепочки поставок и финансовые потоки. В результате компании удалось снизить потери скоропортящейся продукции на 30% и на 50% разгрузить специалистов по планированию спроса.

BMW внедрило искусственный интеллект для проверки качества машин и обнаружения царапин, вмятин, сколов и т.д. ИИ оценивает изображение компонентов в реальном времени и определяет степень отклонения от стандарта. В результате точность выявления поверхностных дефектов выросла до 99%, а сам процесс проведения дефектовки существенно ускорился.

Siemens внедрил интеллектуальные сенсоры и машинное обучение для прогнозного технического обслуживания и ремонта высокоскоростных поездов Velaro. Состояние деталей и узлов постоянно контролируется датчиками, которые проводят предварительный анализ данных и передают их в облако, где алгоритмы машинного обучения в реальном времени оценивают износ. В результате затраты на техническое обслуживание таких поездов снизились на 25% за счет минимизации простоя.

Горнодобывающая компания Rio Tinto научила искусственный интеллект контролировать физическое состояние работников, которые иногда засыпали за рулем карьерных самосвалов. Для этого были использованы «умные» кепки для водителей. В них встроены датчики для считывания сигналов мозга (электроэнцефалографии), которые передаются для анализа в нейросеть. В случае выявления опасных режимов работы мозга, система оповещает водителя, что нужно остановиться и отдохнуть. В результате, количество производственного травматизма и аварий на рудниках снизилось.

Практически во всех кейсах эффект от внедрения нейросетей превышает 20%, а в некоторых случаях искусственный интеллект показывает рост эффективности почти до 100%, Добиться таких результатов традиционными средствами практически невозможно, поэтому внедрение цифровых технологий считается «золотой жилой» и растет на предприятиях год от года.

Ожидается, что в ближайшие пять лет решениям на основе искусственного интеллекта будут доверять уже более сложные производственные задачи — разработку и дизайн продуктов, маркетинговые активности, анализ и кастомизацию клиентского опыта и даже самостоятельное управление оборудованием.

Крупнейшие  компании во всех отраслях промышленности активно инвестируют в создание решений на базе искусственного интеллекта. Рост объема инвестиций в искусственный интеллект в 2020 году превысил 40% по сравнению с 2019 годом и достиг, по данным Стэнфордского университета, $67,9 млрд.

А что у нас?

Чем могут похвастаться российские предприятия — промышленные гиганты — в части внедрения ИИ- решений?

КамАЗ использует видеоаналитику для распознавания дефектов грунтования деталей перед их покраской. Об этом опыте  применения ИИ на “Цифровой среде” рассказал Евгений Чухонцев, руководитель направления «Внутренние инновации» ПАО «КамАЗ»: «Если раньше плохо прогрунтованные детали попадали на рынок, начинали быстро ржаветь и вызывали рекламации покупателей, то сейчас система их отслеживает еще до нанесения краски и отправляет на повторную грунтовку. За 9 месяцев внедрения системы стоимостью 3,5 млн рублей объем дефектов покраски сократился на 30%».

Росатом внедрил систему видеоаналитики, которая оценивает поведение сотрудников атомных станций и, если оно расходится со стандартным, включает тревогу. Это позволяет обезопасить критически важные объекты от влияния человеческого фактора, неосторожных действий сотрудников.

– У нас сформирована цифровая стратегия, где определены мероприятия 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 четыре подвида ИИ-решений – предиктивная аналитика, робототехника, 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 атомной отрасли – еще один кейс. Здесь все понятно. В Росатоме  по всем направлениям деятельности колоссальное количество документации, поэтому проект сам по себе родился достаточно быстро.

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

Газпромнефть использует искусственный интеллект для обработки призабойной зоны скважин — алгоритмы, обучающиеся на обработке входных данных, рекомендуют химические препараты для изменения проницаемости пласта. Это позволило повысить продуктивность по обработке призабойной зоны 80% скважин компании.

Еще один кейс Газпромнефти — анализ магнитограмм диагностических роботов, которые перемещаются внутри труб и оценивают их состояние. Раньше данные собирались и обрабатывались вручную.

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

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

Компания «Цифра» внедряет в горнодобывающих и металлургических компаниях полностью беспилотные самосвалы, которые позволят сократить издержки на перевозку руды и повысить эффективность времени  использования машин. Также решения на базе нейросетей помогают оптимизировать термообработку труб.

– Сейчас в России существует большое количество проектов на ранней стадии внедрения ИИ-решений, которые   реализуют крупные компании. Вот один из кейсов  для горно-металлургической отрасли,  связанный с компьютерным зрением. Если представить процесс добычи руды, 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. Мы устанавливаем программно-аппаратный комплекс, чтобы распознавать тот момент, когда зубец эскалатора отваливается. Это позволяет своевременно предотвратить поломку дробилки.

Павел Федосов, директор по стратегическим проектам группы компаний «Цифра»

Камни преткновения

Однако, судя по статистике, красноречивые кейсы впечатляют далеко не всех руководителей компаний и предприятий.

Согласно  исследованию, которое провели Сбер, АНО «Цифровая экономика», Минпромторг России и Минэкономразвития России среди более чем 300 производственных предприятий, ИИ-решения внедряются только в 11% из них. При этом 46% вообще не собираются использовать искусственный интеллект на производстве в ближайшие четыре года.

Одна из причин такого положения дел, по мнению замглавы Минпромторга России Василия Шпака — отсутствие понятных метрик для оценки эффективности ИИ-решений. Из-за этого опытным директорам, которые много лет управляют производством с помощью классических инструментов, не всегда очевидно, зачем связываться с ИИ и машинным обучением.

«Не все руководители и собственники предприятий видят значительные экономические эффекты от внедрения искусственного интеллекта, поэтому создание метрик оценки эффективности  ИИ-решений — один из ключевых вопросов, который позволит на одном языке разговаривать с нашей промышленностью», — подчеркнул В. Шпак, выступая на «Цифровой среде» портала CDO2Day, посвященной искусственному интеллекту.

Сбер разработал одну из универсальных систем оценки эффективности внедрения ИИ,  включив в нее пять компонентов: качество решения, персонализация, скорость работы, экономическую эффективность и объективность. Сейчас эту методику оценивают в Минпромторге России.

В свою очередь компания «Цифра» разработала экономическую модель, которая показывает плюсы от внедрения ИИ-решений через финансовые метрики, в частности — снижение расходов и увеличение прибыли.

Юрий Чайников, сооснователь и директор по развитию RDL by red_mad_robot, считает, что никто, кроме представителя заказчика, не может оценить потенциал от внедрения ИИ-решений, а для такой оценки нужна соответствующая экспертиза.

«Построение модели того, как оценивать экономическую эффективность от внедрения решения, видится нам самым серьёзным барьером для повсеместного внедрения ИИ в промышленности», — говорит Чайников.

Еще одна серьезная проблема, замедляющая появление новых ИИ-решений на предприятиях — дефицит данных для машинного обучения. Каждая компания создает собственную базу данных и не может делиться ею с другими, поскольку отсутствует общая цифровая среда.

Традиционно многие сетуют (не без оснований) на дефицит специалистов по внедрению ИИ и отсутствие специальных центров для их подготовки. «Не хватает компетентных управленцев процессами цифровизации и внедрения ИИ», — посетовал во время онлайн-дискуссии на CDO2Day управляющий директор группы компаний «Цифра» Павел Растопшин.

Руководитель направления «Внутренние инновации» ПАО «КамАЗ» Евгений Чухонцев, в свою очередь, указал на нехватку квалифицированных кадров со стороны производства: «Люди не всегда корректно воспринимают новые решения для внедрения».

Но главной проблемой является неопределенность того, кто должен быть инициатором разработки и внедрения ИИ-решений — производства или программисты.

«Главный вопрос – кто должен давать эти технические задания для развития данного направления»,  — подчеркнул зам. главы Минпромторга России Василий Шпак.

Некоторые выводы

Итак, барьером  на пути внедрения технологий искусственного интеллекта в промышленности является совокупность трех ключевых факторов. Первый из них  — это нехватка квалифицированных  кадров — специалистов, понимающих важность и необходимость применения ИИ-решений и умеющих ими пользоваться. Причем, как на стороне разработчиков (программисты, архитекторы), так и среди менеджмента промышленных предприятий (CDO, CDTO, инженеры).

Еще один барьер — устаревшая инфраструктура производств, которая не всегда может быть задействована в ИИ-решениях. Речь не только об оборудовании, но и об особенностях планирования цехов, наличии необходимых коммуникаций и т.д.

И третья проблема, которая выходит за рамки конкретных производств — нет единой политики обмена данными как среди предприятий, так и между разработчиками ИИ-решений. Каждая компания, по сути, самостоятельно проходит весь цикл внедрения цифровых решений на базе искусственного интеллекта, начиная от алгоритмов и заканчивая наработкой базы данных.

При этом стимулами для внедрения ИИ-решений, помимо субсидий и грантов от государства, вполне могут стать популяризация тех результатов, которые предприятия уже получили от внедрения ИИ-технологий, обмен кейсами как внутри отраслей, так и на международном уровне. В частности, для такого обмена в России создается Центр четвертой промышленной революции, базой для которого станет АНО “Цифровая экономика”.