Warum brauchen Pflanzen maschinelles Lernen?

    Wir haben von Roman Chebotarev ( konvex ) gelernt, wie maschinelles Lernen in Industrieunternehmen implementiert wird, die hier den größten Erfolg erzielt haben und welche Anwendungsbeispiele bereits vorhanden sind . Roman ist ML-Architekt und Implementierungsdirektor bei Tsifra . Seit 11 Jahren setzt er intelligente Technologien der Klasse Maschinelles Lernen und Künstliche Intelligenz ein. In den letzten Jahren hat sich Roman in der Branche auf ML / AI spezialisiert.


    Erzählen Sie mir von Ihrem beruflichen

    Werdegang: Ich begann meinen beruflichen Werdegang mit maschinellem Lernen (obwohl dieser Begriff noch nicht weit verbreitet ist) für Computer Vision Probleme. Ich habe verschiedene Module für Videoanalysesysteme entwickelt: überfüllte Detektoren, Rauchmelder, Objektzähler. Dann wurden sie als Sicherheitssystem der zukünftigen Generation geplant - jetzt werden sie überall eingesetzt.

    Langsam von der Bildanalyse wechselte ich allgemein zur Datenanalyse. Ich habe bereits bei CROC gearbeitet, wo ich als Entwickler gekommen bin, und bin als Leiter der maschinellen Lernpraxis gegangen. B vonDie meiste Erfahrung habe ich dort gemacht und im Grunde haben wir die Probleme gelöst, die mit der Vorhersage verschiedener Größen in der Zukunft verbunden sind. Weitere Aufgaben waren im Einzelhandel - maschinelles Lernen war damals bei den Kunden in diesem Bereich am gefragtesten. Wir haben das Problem der Bedarfsprognose gelöst, um die Logistik zu optimieren. Es gab viele solcher Aufgaben in verschiedenen Bereichen: vom Lebensmitteleinzelhandel bis zu Autotankstellen.

    Dann entwickelte sich in Industrieunternehmen ein ernsthaftes Interesse am maschinellen Lernen. Irgendwann beschlossen meine Partner und ich, mein eigenes Startup, Theta Data Solution, zu organisieren. Wir haben sechs Projekte und mehr als zehn Piloten pro Jahr für Industrieunternehmen gemacht, und dann wurde unser Unternehmen von der Firma „Tsifra“ übernommen, wo ich jetzt als Implementierungsdirektor in der Abteilung für AI arbeite. Im Vergleich zum ursprünglichen Start-Team haben wir uns stark erweitert: Jetzt sind mehr als 30 Leute in unserem AI-Stamm (wie wir uns nennen).

    Wann interessierte sich die Industrie für maschinelles Lernen?

    Das Interesse bestand schon immer, aber die Bereitschaft der Unternehmen, in diese Projekte zu investieren, wenn auch sehr, sehr schleppend, zeigte sich nach meinen Beobachtungen im Jahr 2013. Es wurde mehr oder weniger möglich, es bis 2016 als Trend zu bezeichnen. Jetzt gibt es eine Phase des schnellen Wachstums.

    Was sind die Besonderheiten beim Entwurf von Machine Learning-Modellen für Industrieunternehmen?

    Die Industrie hat sehr hohe Fehlerkosten. Wenn Sie anfangen, eine Art von Installation falsch zu verwalten, wird sie im besten Fall schlecht funktionieren, nicht so effizient wie möglich (in jedem Fall sind dies sehr viele Rubel), und im schlimmsten Fall werden irreversible Prozesse auftreten und teure Reparaturen werden erforderlich sein.

    Dies beeinflusst die Art und Weise, wie Modelle entworfen und betrieben werden: Sie sind stark in Richtung weniger Experimentieren „verzerrt“. Wenn Sie es sich zum Beispiel in FINTECH oder in der Telekommunikation leisten können, A / B-Tests bei einer Untergruppe von Kunden durchzuführen und ihnen grundsätzlich andere Werbung zu zeigen, einen Richtungsabschlag zu geben, usw., hat die Industrie viele Werkzeuge und Experimente . Wenn Sie versuchen, die Merkmale eines Satzes zu formulieren, können drastische Änderungen in der Arbeit des industriellen Systems nicht vorgenommen werden. Die Änderungen werden sehr klein und direktional sein. Wir werden Anpassungen vornehmen, beobachten, was passiert - und wenn alles gut geht, versuchen Sie, sich in diese Richtung zu bewegen, allerdings in sehr kleinen Schritten. Dies wird als Regularisierung von Machine-Learning-Modellen (genauer gesagt: Managementmodelle) - in der Branche sind sie für Veränderungen sehr reglementiert. Dies minimiert die Möglichkeit kostspieliger Fehler.

    Das zweite Merkmal ist, dass Machine Learning-Modelle (ML) mit Physik und Chemie befreundet sein müssen. Es stellt sich als ziemlich schwierig heraus. Bei einem Modell, das auf Daten basiert, ist es egal, welche Art von Physik hinter einem bestimmten Prozess steckt, sondern nimmt nur die Muster zwischen den Daten auf. Es stellt sich oft heraus, dass das erstellte Modell völlig unphysikalisch ist. Zum Beispiel versteht jeder gesunde Mensch - und die Physik bestätigt dies: Wenn die Temperatur der Heizungsanlage erhöht wird, wird die Temperatur des Wärmeträgers in den Häusern wärmer, während andere Dinge gleich sind. Ein Modell kann eine ganz andere Beziehung lernen, manchmal das Gegenteil. Um indirekten Faktoren (Temperaturschwankungen auf der Straße, Tageszeit usw.) mehr Gewicht zu verleihen, scheint es, als würde man das richtige Verhalten lernen, aber die "falschen" Faktoren verwenden.

    Jetzt sind die Menschen in der Industrie offen für neue Technologien. Sie versuchen herauszufinden, was wir ihnen anbieten. Wenn die Modelle nicht physisch sind (durch einige einfache Tests geprüft), gibt niemand grünes Licht, um ein solches System zu starten. Am Ende stellte sich jedoch heraus, dass wir aufgrund dieser Fehler einen anderen, nach aktuellen Schätzungen sehr viel effizienteren Weg fanden.
    Es gibt theoretische oder empirische Gesetze, Systeme von Differentialgleichungen und ein enormes Wissen, das von Physikern und Chemikern erstellt wurde. Dieses Wissen wird beim Entwurf von Anlagen verwendet und beschreibt im Allgemeinen den Produktionsprozess mehr oder weniger gut. Wir integrieren dieses Wissen zusammen mit ML, um physikalische Modelle zu erhalten. Tatsächlich verlassen wir uns auf bekannte Abhängigkeiten und Unterschiede, legen die Koeffizienten anhand der verfügbaren Daten fest und verwenden Standard-ML-Ansätze (Boosting), um die Dynamik zu beschreiben, die durch physikalische Ansätze nicht „gelernt“ werden kann. .
    Zur Verdeutlichung führe ich oft so etwas ein wie "Daten ausgeben". Wenn Sie einem Modell etwas beibringen, „verbrauchen“ Sie die Daten (in dem Sinne, dass jede Wiederverwendung während des Trainings ein heikler Punkt ist, besteht die Gefahr einer Überanpassung). Wir „verschwenden“ also nicht die Daten, um Muster und Abhängigkeiten wiederherzustellen, die allgemein bekannt sind, dank Wissenschaftlern und Technologen. Wir nutzen diese bekannten Abhängigkeiten und „geben“ Daten aus, um die Merkmale zu verfeinern, nicht aufgezeichnete Abhängigkeiten in physischen Modellen zu vervollständigen und schließlich Modelle zu erstellen, die die Merkmale der jeweiligen lokalen Produktionsstätte oder sogar der Ausrüstung berücksichtigen und wissen, wie es grundsätzlich funktioniert.

    Dadurch erhalten wir bessere und stabilere Modelle. Natürlich sind physikalische und chemische Prozessmodelle nicht immer verfügbar oder vollständig. In diesem Fall verfügen wir über Analysten mit einschlägigen Branchen, die geeignete Basismodelle für Datenwissenschaftler erstellen könnten.

    Darüber hinaus versuchen wir, die Ansätze der Theorie der automatischen Steuerung zu verwenden, um Entscheidungen über die optimalen Steuerungsparameter zu treffen, die an der Anlage eingestellt werden müssen, unter Berücksichtigung der unvermeidlichen zeitlichen Verzögerung und der Wahrscheinlichkeit, dass die Empfehlung überhaupt nicht akzeptiert wird. Im Allgemeinen betrachten wir die Ansätze des Reinforcement Learning, aber die daraus resultierenden Kontrollgesetze (Richtlinien) sind in unseren Aufgaben ziemlich instabil. Hinter der Vereinheitlichung dieser Ansätze liegt jedoch genau die Zukunft. Und das ist nicht nur meine Meinung.

    Mit einem solchen „physischen“ Ansatz hat sich im Laufe der Zeit eine wichtige langfristige Konsequenz herausgebildet: Aufgrund der größeren Stabilität solcher Modelle wecken wir nachts bei einem Anruf immer weniger, dass etwas schiefgelaufen ist und das Modell umgeschult werden sollte. Daher brauchen wir weniger Zeit für die Unterstützung.

    Viele Menschen auf der Welt hatten einen solchen hybriden Ansatz, aber in Russland gehörten wir zu den ersten, die über Experimente hinausgingen und diese in die reale Produktion umsetzten.
    Am 22. November moderiert Roman das Diskussionsforum „AI und IoT: Waiting and Reality“ auf der AI Conference. Details und Programm der Veranstaltung - auf der offiziellen Website .
    Wie ist die Arbeit zur Erstellung eines digitalen Modells des Produktionsprozesses?

    Das Projekt selbst für die Entwicklung und Umsetzung unterscheidet sich ein wenig von anderen Branchen. Im Allgemeinen fühlen sich Projektmanager, die beispielsweise aus dem Bankensektor in die Branche kommen, ziemlich wohl (außer dass Technologen sie normalerweise ärgern). Aus organisatorischer Sicht sind Projekte nicht sehr unterschiedlich. Zunächst setzen wir die Erwartungen des Kunden fest - was er erreichen möchte. Manchmal bieten wir ihnen an, zusammen zu arbeiten, wenn sie nicht wissen, was sie wollen, aber sie wollen wirklich digitalisieren. Gemeinsam finden wir Verbesserungspunkte, fassen sie in messbare KPIs ein, machen Prototyping, forschen ein wenig oder sogar ein Pilotprojekt - wir überzeugen uns und den Kunden davon, dass diese KPIs erreichbar sind. Dann entwickeln wir Modelle und nutzen eine Vielzahl unserer aktuellen Entwicklungen.

    Hauptmerkmale konzentrieren sich auf die Implementierungsphase. Systeme sind ziemlich komplex, sowohl was ihre Arbeitsweise angeht als auch welche Daten sie verwenden, um Entscheidungen zu unterschiedlichen Zeitpunkten zu treffen. Arbeiter in der Fabrik haben oft keine spezielle Ausbildung, um mit ihnen zu arbeiten. Daher ist es für sie notwendig, spezielle Deshbords und Mnemonikschemata zu erfinden, um Schulungen durchzuführen. Gleichzeitig gibt es einen Leitfaden, der sich mit dem, was er benötigt, ziemlich gut auskennt und für ihn andere Dashboards mit detaillierteren Informationen benötigen.

    Im Allgemeinen ist der Haupt- "Feind" unserer Systeme ein Verfahrenstechniker. Entscheidungen über den Regimewechsel werden von ihm getroffen, und er hat normalerweise eine eigene Meinung darüber, wie der Laden oder die Produktionsstätte, die ihm anvertraut wurde, funktionieren sollte. Es dauert viel Zeit, die direkten Implementierer davon zu überzeugen, den Empfehlungen des Systems zu vertrauen. Genauer gesagt, nicht nur „glauben“, sondern nehmen und testen - zunächst nur die Empfehlungen betrachten und dann auf den Punkt anwenden. Oft sind diese Mitarbeiter den direkten Kunden des Projekts nicht direkt unterstellt, und es ist nicht möglich, sie zu zwingen, den Empfehlungen im Richtlinienformular zu folgen. Im Allgemeinen scheinen wir jedoch gelernt zu haben, solche Dialoge und Überzeugungsprozesse auf verschiedenen Ebenen aufzubauen, von undurchdringlichen Bedienern bis hin zu harten Produktionsmanagern. Dies ist eine sehr interessante Erfahrung. vor allem für solche "Vanille" -Mathematiker aus Moskau wie wir. Aber wie üblich ist der wirkliche Deal besser als jede Überredung. Wenn unsere Modelle wirklich funktionieren, ist dies das beste Argument, und solche Diskussionen sind in der Regel von kurzer Dauer.

    Wie oft müssen Sie bei der Entwicklung des Modells und seiner Implementierung in ein echtes Unternehmen gehen?

    Geschäftsanalytiker verbringen die meiste Zeit auf der Website. Sie sind neben Datenwissenschaftlern und Dateningenieuren immer im Projektteam vertreten. Wirtschaftsanalytiker beschreiben die Prozesse, schreiben die Regeln und Beschränkungen des Systems und müssen den Prozess, den er haben soll, gründlich verstehen, da es jetzt Mode ist, "digitalisieren" zu sagen oder eher "digitalisieren" zu vergeben. Auf der Site erfahren sie bestimmte Nuancen und wissen, wo, wie und was implementiert werden muss, damit der Prozess funktioniert: wie sie normalerweise den Prozess verwalten, wie sie nicht umgehen, was sie normalerweise nicht in die Vorschriften schreiben. Viele Dinge können nur im Raucherzimmer herausgefunden werden, nachdem man in der Pause mit einheimischen Arbeitern gesprochen hat - wie die Dinge wirklich sind, wo man sich wirklich anstrengen sollte usw. Die Aufgabe des Analytikers besteht darin, die Notwendigkeit aufzuzeigen. Dies kann jedoch nur von echten Mitarbeitern erlernt werden, die mit eigenen Händen im Außendienst arbeiten. Es gibt jedoch eine Besonderheit: Die Menschen, die mit ihren eigenen Händen arbeiten, leben in der Regel weit entfernt von Millionenstädten. Manchmal sind sie im Allgemeinen auf Feldern und Steinbrüchen im Rotationsbetrieb anwesend. Deshalb müssen wir sie an verschiedenen landschaftlichen Orten besuchen.

    Am weitesten, wo bist du hingegangen?

    Wir waren überall, vom Gebiet Murmansk bis zum Gebiet Chabarowsk.

    Kommt es häufig vor, dass das erstellte virtuelle Modell sofort und ohne Überraschungen unter realen Bedingungen zu arbeiten beginnt?

    Wir versuchen, alle Überraschungen in der Erhebungsphase zu minimieren, aber wenn sie implementiert werden, sind sie niemals ohne sie. Überraschungen können in mehrere Gruppen unterteilt werden. Die erste ist natürlich IT und Infrastruktur. Um Modelle rechtzeitig zu aktualisieren, ist es für uns wichtig, Zugriff auf die Daten zu haben, um etwas zu ändern, zu korrigieren, hinzuzufügen. Der Zugriff auf die Infrastruktur ist jedoch möglicherweise nicht möglich, wenn sich das Objekt an einem sehr weit entfernten Ort befindet, an dem die Verbindung organisiert ist, wie wir sagen, "durch einen Kamm" oder gar nicht. Wenn dies im Voraus bekannt ist, können Sie einen Prozess erstellen und debuggen, der das Modell selbstständig und ohne Eingreifen der Ersteller aktualisiert. Dies ist jetzt relativ einfach zu bewerkstelligen, wir haben dafür vorgefertigte Technologien - aber trotzdem möchte ich im Voraus wissen, dass es keine Verbindung geben wird. Zumindest weil es die Arbeitskosten und die Kosten des Projekts beeinflusst. Projektkunden verhandeln meistens mit IT-Mitarbeitern, wenn das Projekt bereits kurz vor der Implementierung steht. Dies ist nicht nur für die Industrie charakteristisch, sondern hier besonders kritisch. Wie bereits erwähnt, hängt die Lösungsarchitektur stark davon ab, ob das Internet genutzt wird oder nicht. Und es sind nicht nur Modelle.

    Die zweite Klasse von Problemen ist mit einer falschen Dateneingabe verbunden. Zum Beispiel Daten zur Qualität der zertifizierten Produkte, Labordaten. Dies kann aus verschiedenen Gründen geschehen, ich werde nicht über sie sprechen, die meisten Gründe sind nicht sehr angenehm und noch weniger zu hören - aber dies ist ein sehr großes Problem, da ein Modell, das aus ungenauen Daten erlernt wird, die ungenauen Eigenschaften des Prozesses vorhersagt und falsche Empfehlungen ausgibt . Dadurch kann das gesamte Projekt gelöscht werden.

    Denken Sie an das erfolgreichste und zeitaufwändigste Implementierungsbeispiel.

    Ich beginne mit einem erfolgreichen Projekt in der Energietechnik. Wir haben den Kunden nur zweimal gesehen. Zum ersten Mal, als wir ankamen, haben wir die Aufgabe geklärt, uns mit den Informationen versorgt, die wir brauchten, wir sind gegangen und haben uns einmal wöchentlich angerufen. Drei Monate später wurde nach zwei Monaten die erste Veröffentlichung ausgerollt - die endgültige Veröffentlichung. Alles hat perfekt funktioniert, die Modelle werden automatisch aktualisiert und das System arbeitet seit mehr als zwei Jahren störungsfrei. Das Projekt erforderte einen minimalen Aufwand, da der Kunde sehr kompetent war: Er verstand, was er brauchte, wie er verwaltet werden sollte, und wir wussten vorher über alle Nuancen Bescheid.

    Arbeitsintensive Beispiele sind viel mehr. Leider ist der Begriff „Digitalisierung“ in Vorgesprächen mit dem Kunden oft ein Zeichen dafür, dass das Projekt nicht erfolgreich sein wird. Oft hören wir: "Sie sind in unseren digitalen Transformationsprozess eingebunden, wir überarbeiten alles komplett, also schraub deine KI hier." Gleichzeitig verstehen die Menschen oft nicht, dass sie Probleme nicht mit Hilfe einer Maschine lösen sollen, sondern zunächst die Prozesse in ihrem Unternehmen auf eine passendere „Digitalisierung“ umstellen. Veränderte Prozesse (oder zumindest ein Umdenken) sollten immer die erste Phase der Veränderung einer Digitalisierung oder einer anderen Entwicklung sein. Jedes Werkzeug, einschließlich maschinelles Lernen, hat Grenzen der Anwendbarkeit. Wenn der Prozess uralt ist, nicht optimal, Und was noch schlimmer ist - ganz auf dem Konsens der Menschen aufgebaut (mehrere Personen müssen sich hinsetzen und entscheiden, was zu tun ist - dies geschieht häufig in der Produktionslogistik, wo Produktionsarbeiter, Logistiker und der Handel aufeinandertreffen). Im Gegenteil, manchmal ermöglichen die einfachsten Änderungen in den Prozessen (z. B. das Konzept der „schlanken Produktion“) die Erzielung von Effekten, die kein ML erreichen kann. Leider verstehen nur sehr wenige „Transformatoren“ dies und arbeiten in diese Richtung. Die Einführung der KI, egal aus welchem ​​Grund, ist angespannter. Manchmal ermöglichen die einfachsten Änderungen in Prozessen (z. B. das Konzept der „schlanken Fertigung“) die Erzielung von Effekten, die kein ML erreichen kann. Leider verstehen nur sehr wenige „Transformatoren“ dies und arbeiten in diese Richtung. Die Einführung der KI, egal aus welchem ​​Grund, ist angespannter. Manchmal ermöglichen die einfachsten Änderungen in Prozessen (z. B. das Konzept der „schlanken Fertigung“) die Erzielung von Effekten, die kein ML erreichen kann. Leider verstehen nur sehr wenige „Transformatoren“ dies und arbeiten in diese Richtung. Die Einführung der KI, egal aus welchem ​​Grund, ist angespannter.

    Ein einfaches Beispiel: Es gibt eine Destillationskolonne, in der Sie die Dampfmengen und den Rückfluss steuern können. Wenn wir dem Bediener nur Empfehlungen auf dem Bildschirm ausgeben - „Kumpel, drehen Sie diesen Stift so“, wird der Effekt des Systems leider fast nicht ausreichen. Der Mensch sollte im Idealfall nur zur Kontrolle bleiben und die direkte Kontrolle sollte automatisch erfolgen. Eine solche Änderung des Prozesses nach unseren sehr konservativen Schätzungen ergibt eine 3-4fache Verbesserung. Ich bin nicht dafür, alle Menschen mit Autos abzulehnen und zu ersetzen - nur eine kleine Änderung des Prozesses mit sehr geringen Investitionen bewirkt eine viel größere Wirkung.
    Viele Projekte, von denen behauptet wird, dass KI dort implementiert wurde, sehen tatsächlich so aus, verzeihen die Uteruswahrheit: Ein Onkel Vasya hat Empfehlungen auf dem Bildschirm, er schaut sie an und sagt: „Ja und die Hölle, vielleicht morgen Ich werde es so ausdrücken, wie er will - und heute werde ich nichts tun. “ Es kommt sehr traurig vor, dass leistungsfähige coole Technologien über die Prozesse eines Unternehmens und über Personen, die nicht bereit sind, diese Prozesse zu ändern, gebrochen werden. Aber wenn dieser Onkel Vasya den KPI zur Umsetzung der Empfehlungen des Systems verwendet. Oder auch ohne AI - um den Vasya-KPI auf den spezifischen Output des Produkts als Rohstoff zu setzen, nur als Lohn für den Lohn - dann gibt es wirklich gravierende Auswirkungen. Vorausgesetzt natürlich, dass Onkel Vasya nicht durch einen Controller ersetzt werden kann, aber dies ist eine Frage aus einem anderen Flugzeug.
    Wie machen Unternehmen Datenerfassung und maschinelles Lernen? Wie viele von ihnen versuchen in diese Richtung zu gehen?

    Die Statistiken zur Zahl der Unternehmen verbessern sich jedes Jahr. Die Führer sind wie üblich diejenigen, die Geld haben und die Möglichkeit haben, in langfristige Effekte zu investieren: Ölindustrie, Petrochemie und Metallurgie. Alle anderen holen auf.

    Aber Sie müssen verstehen, dass es sich im Grunde um Systeme handelt, die einer Person Empfehlungen geben, und er entscheidet bereits, ob er etwas gemäß diesen Empfehlungen tut oder nicht. Es gibt praktisch keine automatische Umsetzung von Empfehlungen. Dies ist definitiv ein Stopp für die Entwicklung dieser Systeme. Im Allgemeinen war dies natürlich nie Industrie 4.0, da sie häufig in den Medien positioniert wird. Die Umrüstung der Automatisierung erfordert jedoch hohe Investitionen, daher freuen wir uns jetzt über das, was wir haben.

    Wir möchten Prozesse in Unternehmen organischer sehen: Die Menschen sammeln zuerst Daten und implementieren dann maschinelles Lernen auf dieser Basis. In der Tat besteht zunächst die Notwendigkeit, etwas auf Basis von AI / ML zu tun, wir kommen zum Kunden und verstehen, dass die erforderlichen Daten nicht erhoben werden. Oder sie summieren sich auf eine schreckliche Weise, so dass sie nicht erreichbar sind - Sie müssen ein Datenerfassungsprojekt starten. Vor ungefähr 5-7 Jahren war dies in Telekommunikationssystemen und Banken allgegenwärtig (jetzt nicht mehr) - heute hat die Branche die gleichen Probleme. Es gab Projekte, die wegen fehlender Daten um anderthalb Jahre verschoben wurden.

    Ist dies die Zeit, in der Sensoren und Datenerfassungssysteme eingesetzt werden?

    Fast jeder hat Sensoren - die Frage ist, dass die Daten von ihnen entweder nicht gespeichert oder beispielsweise für drei Monate in einer Art Kurzzeitlagerung gespeichert werden können, um sie auf der Grundlage ihrer Analyse von Flügen zu ordnen. Sie können nicht mehr gespeichert werden, und wenn sie gespeichert sind, sind sie nicht für die Analyse geeignet. Wir müssen die Prozesse ihrer Extraktion und Reinigung durchführen. Und es gibt komische Fälle, in denen scheinbar alles da ist und wir im Unternehmen ankommen - und dort ist alles eine warme analoge Lampe , zum Beispiel Messuhren.
    Wir glauben, dass jeder Prozess, der noch nicht mit AI und ML automatisiert wurde, um 1-2% optimiert werden kann. Wenn wir ein Projekt auswählen, analysieren wir: Wie viel in dieser Branche wird in diesem Workshop Geld für Rohstoffe, für Strom und für Reparaturen ausgegeben? Wir nehmen diesen Wert in Geld und berechnen daraus 1-2%. Wenn dies monetär sinnvoll ist, engagieren wir uns in diesem Projekt.

    Oft arbeiten wir nach der Erfolgsgebühr. Konventionell - die Einführung des Projekts kostet 50 Millionen -, rufen beispielsweise verschiedene Marktintegratoren solche Kosten an. Wir sind bereit, ein Projekt für 10 Millionen zu machen, gleichzeitig möchten wir jedoch einen Prozentsatz der Einsparungen in den nächsten 2-3 Jahren erhalten. Infolgedessen kann der Betrag in unsere Richtung gehen und 70-80 Millionen oder sogar mehr betragen - vorausgesetzt, der Kunde verdient auch. Wir führen Pilotphasen durch, sehen, welche Auswirkungen wir erzielen können, und sind bereit, nach einem solchen Schema zu arbeiten - um eine Zahlung zu erhalten, die proportional zu dem erzielten Effekt ist.
    Welche Standardaufgaben löst AI in der Produktion?

    Die häufigste Aufgabe ist es, den Ausfall von Geräten vorherzusagen, um Momente atypischen Verhaltens genauer zu diagnostizieren. Es gibt einige Besonderheiten: Wir brauchen Daten, die möglicherweise nicht erhoben werden, wir benötigen Informationen zur Funktionsweise dieser Geräte. Dafür haben wir Produktionsmitarbeiter, mit denen wir uns beraten. Einige Muster in den Daten sind logisch und bedeuten nicht, dass das Gerät nicht ordnungsgemäß funktioniert.

    Ein Beispiel für eine solche Aufgabe ist die Bestimmung, wie lange ein Abschnitt einer Pipeline funktionieren kann, abhängig davon, wo sie vergraben ist, wie tief sie ist, was die neuesten Daten einer internen Vermessung von Pipes oder magnetischer Steuerung zeigen, wie oft sich die Modi ändern und wie sie waren. Wir können vorhersagen, wann das Rohr unbrauchbar wird, und den Austausch optimal planen.

    Die zweite Art von Aufgaben ist mit der Notwendigkeit verbunden, einen Prozess zu optimieren. Betrachten wir das Beispiel von Wärme und Kraft als das verständlichste für den allgemeinen Leser. Wir können die thermischen Bedingungen an Wärmequellen (Kessel, BHKW usw.) kontrollieren, während wir in verschiedenen Räumen ein bestimmtes Temperaturniveau einhalten müssen: Sie liegen in unterschiedlichen Abständen, sind aus unterschiedlichen Materialien gebaut, unterscheiden sich in der Geodäsie und sind daher unterschiedlich unterschiedlich gekühlt durch Umgebungsluft. Wie lassen sich thermische Bedingungen im Heizungsraum oder im Blockheizkraftwerk am besten schaffen, um der Qualitätsniveauskennung gegenüber dem Endkunden standzuhalten? Hier muss der Hauptindikator für die Effizienz ermittelt werden. Wir können insgesamt weniger Energie für das Heizen und Übertragen des Kühlmittels aufwenden, wir können die Anzahl der Beschwerden von gefrorenen Großmüttern reduzieren. Wir können variable Heizkosten reduzieren, Wärmeverluste oder sogar Verschleiß der Ausrüstung reduzieren. Sie können ein beliebiges Optimierungsmodell erstellen - geben Sie einfach die relativen Prioritäten verschiedener Faktoren an. Diese Wahl ist das größte Problem. Stellen Sie sich vor, Sie wären Eigentümer eines Wärmekraftwerks. Wie viele unzufriedene Großmütter sind Sie bereit, dafür zu tauschen, dass diese Pfeife noch ein paar Monate leben wird? Äußerst schwierige Frage. Daher arbeiten unsere Business-Analysten unter anderem daran, alle Faktoren auf den Rubel als den universellsten Messwert zu reduzieren. Danach wird meist klar, woran Sie arbeiten müssen und was Sie optimieren müssen. Diese Wahl ist das größte Problem. Stellen Sie sich vor, Sie wären Eigentümer eines Wärmekraftwerks. Wie viele unzufriedene Großmütter sind Sie bereit, dafür zu tauschen, dass diese Pfeife noch ein paar Monate leben wird? Äußerst schwierige Frage. Daher arbeiten unsere Business-Analysten unter anderem daran, alle Faktoren auf den Rubel als den universellsten Messwert zu reduzieren. Danach wird meist klar, woran Sie arbeiten müssen und was Sie optimieren müssen. Diese Wahl ist das größte Problem. Stellen Sie sich vor, Sie wären Eigentümer eines Wärmekraftwerks. Wie viele unzufriedene Großmütter sind Sie bereit, dafür zu tauschen, dass diese Pfeife noch ein paar Monate leben wird? Äußerst schwierige Frage. Daher arbeiten unsere Business-Analysten unter anderem daran, alle Faktoren auf den Rubel als den universellsten Messwert zu reduzieren. Danach wird meist klar, woran Sie arbeiten müssen und was Sie optimieren müssen.

    Welche Aufgaben konnten durch die Verbesserung der MO-Methoden in letzter Zeit gelöst werden?

    Ich werde wahrscheinlich die Mehrheit der Leser enttäuschen, weil die Bewegung nicht auf die jüngsten Fortschritte bei den ML-Methoden zurückzuführen ist. Nicht weil das, was in der Produktion Wurzeln schlägt, zeitgesteuert und nachhaltiger sein sollte. Hier geht die Entwicklung andersherum: Das Modell muss mit Physik und Chemie befreundet sein, was ich bereits erwähnt habe. Es stellt sich heraus, dass dies auch aus Sicht von ML sehr schwierig ist.

    Nennen Sie Beispiele aus Ihrer Praxis, wenn die von den Maschinen getroffenen Entscheidungen erfolgreicher und effizienter waren als diejenigen, die von einer Person kamen.

    Tatsächlich sind die Entscheidungen und Empfehlungen, die das System ausgibt, letztlich immer wirksamer als die vom Menschen gegebenen. Ansonsten hätte unser Geschäft keinen Sinn. Hier einige Beispiele.

    In der Stahlproduktion verbrauchen Hochöfen wie eine Kleinstadt Energie. Abhängig von der Qualität des Schrotts, den wir dort einschlafen, von der Größe seiner Stücke, können Sie die Stärke des Stroms einstellen, der zur Erwärmung des Ofens zugeführt wird. Durch die Steuerung der Stromstärke ist es möglich, die Stromkosten erheblich zu senken (und für die Industrie 1-2% - das ist erheblich).

    Ein weiteres Metallurgie - Ofenpfannen, in denen Stahl gebracht wird. Beim Schmelzen werden dem Stahl Eisenlegierungen hinzugefügt. Sie kosten speziell viel teurer als der Hauptrohstoff. Wenn wir die Eigenschaften eines bestimmten Materials analysieren, verstehen wir, wenn Sie etwas weniger Ferrolegierungen einfüllen können, um die gewünschte Qualität des Produkts zu erzielen und gleichzeitig Ferrolegierungen zu sparen.

    In der Ölindustrie haben wir die Funktionsweise der Pumpen beim mechanischen Anheben von Öl optimiert. Wir haben gelernt, die Flussrate des extrahierten Öls durch die effizientere Steuerung der Pumpenmodi leicht zu erhöhen. Es ist wichtig, dass wir gleichzeitig geologische Daten minimal verwenden, da unser Managementhorizont nicht sehr lang ist (bis zu einem Monat) und wir die Integration mit sehr komplexer und teurer Formationsmodellierungssoftware vermeiden.

    Die Produktion in Russland ist selten und zu sagen, dass wir irgendwo arbeiten, heißt, den Kunden sofort zu öffnen und die NDA zu brechen. Nehmen wir also an, dass wir in der Lage sind, die Produktion von Mineraldünger aus verschiedenen chemischen Anlagen (nicht aus der Petrochemie) zu optimieren. Von Anfang an - das Digital Plant-Projekt für PJSC Gazprom Neft, dessen Details einfach zu google sind.

    Über unseren Blog
    Morgen werden wir unsere Aktivitäten auf Habré aussetzen, dies ist also unser letzter Beitrag für die nahe Zukunft. Die angekündigte KI-Konferenz und die Ereignisse, die wir noch nicht erwähnt haben , bleiben jedoch gültig. Vielen Dank an alle, die uns gelesen haben.

    Jetzt auch beliebt: