18 Марта 2025 10:00 18 Мар 2025 10:00 |

Поделиться

О чем нужно подумать прежде, чем внедрять на производстве ИИ?

Михаил Красильников, 

директор департамента разработки и внедрения систем искусственного интеллекта BIA Technologies. 

Почему внедрение искусственного интеллекта (ИИ) на производстве — это не просто? Объективные факторы и примеры от Михаила Красильникова, кандидата физико-математических наук, директора департамента разработки и внедрения систем искусственного интеллекта BIA Technologies. Компания внедрила уже немало ИИ-решений и готова поделиться своим опытом с рынком.

Сегодня ИИ зарекомендовал себя не как модный тренд, а как нужный и рабочий инструмент, способный трансформировать бизнес. Он используется повсеместно: от автоматизации рутинных задач до создания сложного персонализированного контента. Но, несмотря на все плюсы ИИ-моделей, в реальном секторе экономики, особенно в производственных компаниях, они оказываются не такими эффективными. Основная причина — дефицит специфичных данных. В то время как общедоступные данные широко представлены, производственные сведения, необходимые для обучения нейросетей, остаются внутри корпоративных контуров. Это создает проблему для открытого сообщества, которое не имеет доступа к необходимым данным и, как следствие, даже не может сформулировать себе постановку задач.

Иногда внедрение невозможно из-за того, что для него не подготовлена база. Например, нужные данные не цифровизированы или невозможно интегрировать разрозненные источники данных. Парадоксально, но похожие предприятия в одной и той же отрасли экономики могут получить разный результат внедрения. У одних это получится легко, а у других будет сложным или вообще бессмысленным. И тут дело не в деньгах или желании и нежелании руководства, а в объективных факторах.

Это особенно ярко проявляется в задачах, требующих специфических данных. Возьмем, к примеру, оценку качества вождения водителя. Казалось бы, данные с GPS-трекера, такие как скорость и ускорения, должны быть достаточны. Однако для надежной оценки необходимы данные с CAN-шины: давление на педали, момент вращения рулевого колеса, обороты двигателя, но получить их возможно не всегда.

Без этих данных, корректное измерение нужного показателя — практически невыполнимая задача. И такая ситуация не редкость. Информация, необходимая для решения конкретных бизнес-задач, часто остается внутри корпоративных систем и недоступна для внешних разработчиков и исследователей.

Для эффективного внедрения ИИ необходимо соблюдать ключевые требования к данным: полнота, точность, надежность, актуальность и достаточность.

• Полнота позволяет алгоритму корректно отражать текущее состояние системы, исключая скрытые параметры, которые могут привести к неожиданным последствиям. Например, в производственных процессах это может означать сбой оборудования или нарушение технологического цикла;
• точность важна в ситуациях, где даже небольшие ошибки критичны. Например, если в модели допускается погрешность в 5 литров, невозможно спланировать настройку заправки с точностью до литра;
• надежность играет ключевую роль в обеспечении безопасности людей и сохранности имущества. Например, если система управления автономным транспортом полагается на удаленное соединение (мобильную сеть или Wi-Fi), она становится уязвимой к перебоям связи. Как следствие, это может привести к потере контроля над транспортным средством;
• актуальность обеспечивает своевременные действия алгоритма, исключая запоздалые решения в изменившихся условиях. Если данные о неисправности оборудования поступают с задержкой, это может привести к поломке и остановке производства.

Несоответствие этим требованиям не только снижает эффективность ИИ, но и делает иногда его внедрение опасным и даже лучший алгоритм становится бесполезен.

Если все получается, все равно случаются всякие «но»

Конечно, сейчас есть и удачные примеры компаний, когда сложности с данными оказались преодолимы. Например, мы внедряли детекторы, основанные не глубоких нейронных сетях, на логистическом складе, где установлено большое количество камер видеонаблюдения, предназначенных для контроля качества и оптимизации операций по перемещению грузов.

Наше «но» заключалось в такой сложности, как неоднородное качество данных, получаемых с камер. Системы видеонаблюдения приобретались в разное время и принадлежали к разным поколениям. В целом камеры предназначались для ручного контроля, а для нас идеальным решением было бы использование специализированных камер для машинного зрения, однако замена, тем более единовременная, не представлялась возможной.

Ключевая задача в преодолении проблемы — разработка алгоритмов, способных максимально обобщать данные с камер разного качества, с приоритетом на более современные модели в имеющейся системе. Конечно, иногда мы все равно получали некачественные изображения с отдельных камер, но тогда нашей задачей было либо улучшение условий съемки (например, оптимизация освещения) либо проведение точечной замены камер. Такой подход позволил адаптироваться к существующему парку камер, минимизируя затраты и обеспечивая приемлемое качество работы системы.

Внедренное решение позволило значительно автоматизировать процесс контроля за перемещением грузов. Однако, достигнутая степень автоматизации привела к необходимости пересмотра и оптимизации существующих рабочих процессов.

Ранее привычное распределение ролей в компаниях было следующим: оператор фиксировал выявленные отклонения, а бригадир по мере поступления выявленных отклонений проводил обучение и инструктаж с нарушителями. После внедрения нашей системы значительно увеличился объем обрабатываемых данных. Бригадир не мог тратить во столько же раз больше времени, во сколько раз увеличился объем данных. В связи с этим возникла острая необходимость в оптимизации системы обучения, экзаменов и адаптации новых сотрудников. Все эти действия требовали серьезной менеджерской работы.

Каждое решение порождает новое «бутылочное горлышко», новую проблему, которую затем также приходится решать. Как на дороге: построили новую развязку — пробка переместилась в другое место.

Как не допустить, чтобы лучшее стало врагом хорошего?

Частая ошибка — начинать с самых сложных процессов, не имея четкого понимания их рентабельности. Наша практика показывает: сначала нужно найти процессы, где автоматизация принесет быструю и измеримую пользу. Проблема в том, что просчитать заранее выгодную сложно, поэтому важно тестировать гипотезы на небольших участках.

Но прежде всего стоит задавать себе вопросы:

• Можно ли подождать? Любая технология проходит стадии зрелости, и иногда лучше использовать проверенные решения, чем рисковать с сырым продуктом.
• Готово ли предприятие действовать там, где не планирует изменений?

Компания — это сложный механизм. Чтобы он работал хорошо, нужно понимать, как все его части связаны друг с другом. Иначе можно принять неправильные решения. Представьте, что мы анализируем число инцидентов при погрузке грузов и количество страховых выплат по претензиям. Если между ними нулевая корреляция, это может показать, что неаккуратная погрузка никак не влияет на страховые случаи. Но это ложное впечатление. На самом деле, сложности могут проявляться позже или через другие процессы, которые не сразу видны. Из-за такой ошибки мы можем неправильно оценить ситуацию и упустить возможность сократить количество страховых случаев.

Также не исключено, что внедрение ИИ-технологий на производстве потребует перестройки процессов, а в некоторых случаях даже временного замедления темпов развития. Это связано с необходимостью адаптации к новым реалиям.

С искусственным интеллектом должны работать эксперты

Для эффективного применения ИИ в производственных отраслях экономики важны два фактора: корректные и качественные данные, четко сформулированные и обоснованные запросы к алгоритмам.

Успешная интеграция ИИ требует глубокого понимания процессов со стороны эксперта, который разбирается в предметной области, может предсказать, как сработает модель. Экспертиза может корректно формулировать технические задания и вносить необходимые изменения в производственные процессы, избегая эффекта «random walk», когда система движется хаотично, без четкого направления и контроля, а потом дает результаты, противоположенные желаемому.

Поделиться

Подписаться на новости Короткая ссылка