CNews: Какие сегодня есть важные тренды на рынке решений искусственного интеллекта (ИИ) и работы с большими данными?

Ирина Нестерова: Технологии искусственного интеллекта активно входят в действительность. Рынок с волны «хайпа» начал двигаться в более конструктивном направлении. Новые технологии стали находить прикладное применение, а заказчики начали лучше понимать их возможности. И это сказывается на запросах рынка. Бизнес формулирует задачи, направленные на практическое применение. В первую очередь компании заинтересованы в оптимизации технологических процессов и сокращении расходов, если мы говорим о производстве, а также в привлечении и удержании клиента, если речь о сегменте B2C.

Следующий тренд — стремление к интеграции всех систем по работе с данными в рамках предприятия. Если в последние годы применение ИИ рассматривалось для отдельных процессов или задач, то сейчас интерес направлен на более глобальное внедрение ИИ на разных уровнях и процессах компании.

Это закономерно, — так или иначе процессы взаимосвязаны, — и когда ты начинаешь эту связь в одном месте улучшать, остается много факторов, воздействующих из других точек. Чтобы получить действительно эффективную модель, нужно смотреть на связанные процессы. Поэтому возникает стремление перейти от точечных рекомендательных сервисов к более глобальным внедрениям. В итоге формируется запрос на создание цифровых двойников и единой системы работы с данными, в которой будет вестись аналитика на разных уровнях — от отдельных процессов до управления всем циклом производства. Такая организация работы с данными станет более эффективной.

CNews: Какие вопросы возникают у бизнеса к функциональности подобных решений, какие задачи решают?

Ирина Нестерова: Когда к нам приходит заказчик, мы начинаем исследовать его запрос, помогаем ему сделать обзор бизнес-процессов и определить наиболее оптимальные точки для внедрения новых подходов и технологий.

У нас накоплена большая база проектов в производстве, и там мы чаще всего сталкиваемся с такими запросами, как снижение себестоимости, оптимизация расходов, снижение брака и прогнозирование поломок. Наши системы поддержки принятия решений, основанные на методах математического моделирования, способны решать такие запросы. В качестве примера могу привести наши проекты по созданию системы оптимизации состава ферросплавов и повышению эффективности работы прокатного стана для НЛМК (Новолипецкого металлургического комбината). По самым скромным подсчетам, заказчик ожидает от этих сервисов экономию в 130 млн рублей в год. Другой пример: в Segezha Group мы внедрили систему, прогнозирующую возникновение брака и внеплановую остановку работы бумагоделательного оборудования.

Следующий интересный блок запросов относится к контролю качества выпускаемой продукции, выявлению дефектов и отбраковки некачественных продуктов. И здесь может помочь машинное обучение. Мы основываемся не только на данных, которые дают автоматизированные системы, но и применяем средства видеоаналитики, которые сейчас уже достаточно развиты. В этом направлении мы сейчас реализуем пилотные проекты.

CNews: Могут ли интеллектуальные системы заменить человека?

Ирина Нестерова: Системы поддержки принятия решений помогают минимизировать ошибки, связанные с человеческим фактором, подсказывают сотруднику оптимальный выбор.

Не стоит пренебрегать опытом, накопленным людьми за годы работы. Внедрение интеллектуальных систем приносит определенный экономический эффект, но речь не идет о замене человека. Мы говорим о том, что у человека появляется очень хороший помощник: вычислив параметры, которые ему не всегда очевидны, машина дает рекомендации.

CNews: Как выглядит сейчас ситуация на рынке решений работы с данными и машинного обучения?

Ирина Нестерова: Несколько лет назад многие небольшие компании или стартапы брались за машинное обучение и работу с данными, это были интересные проекты с новыми идеями, с хорошей реализацией, и предлагались за сравнительно небольшие деньги. Наши заказчики пробовали сотрудничать со стартапами даже чаще, чем с крупными интеграторами. Но сейчас мы видим, что фокус стал смещаться на более крупные компании, у которых есть не только сервис по написанию математических моделей, но и глубокая экспертиза, знание рынка, широкий спектр услуг. Все эти аспекты очень важны для эффективной интеграции моделей машинного обучения в существующий ИТ-ландшафт.

Безусловно, есть зарубежные вендоры, которые предлагают широкий спектр решений в области ИИ, а также производители технологического оборудования, которые встраивают в свои автоматизированные системы по управлению оборудованием рекомендательные и прогнозные сервисы. Но их решения сильно дороже или реализованы для узкого спектра оборудования, в результате эти решения подходят далеко не всем заказчикам.

CNews: Расскажите, какие сложности возникают при внедрении AI в различных отраслях? Как их можно преодолевать?

Ирина Нестерова: Мы сталкиваемся с множеством ограничений, тормозящих процесс, главное из которых — качество предоставляемых данных. Источником данных на промышленных предприятиях служат АСУ ТП, различные датчики, установленные на станках, данные о параметрах окружающей среды и так далее. И не всегда эти данные имеют достаточную полноту, качество и глубину хранения.

Замена оборудования по фиксированию параметров на новое, изменения в АСУ ТП могут снижать точность прогнозов до тех пор, пока не накопятся исторические данные, на которых будут переобучаться математические модели, лежащие в основе сервисов.

Эта ситуация осложняется отсутствием понимания работы искусственного интеллекта со стороны заказчика. Иногда нашим специалистам в области аналитики данных приходится «попотеть», увидев во временном ряде нестандартное поведение показателей. Они начинают строить гипотезы, общаться с производством и выясняют, что произошла, например, замена датчика или блока. Для производства это штатная ситуация, о которой им даже не приходит в голову упомянуть, а для математической модели — это аномальное поведение.

Здесь проявляется еще одна проблема — неготовность персонала. Во многих компаниях возникают отделения цифровизации, которые смотрят с точки зрения бизнеса на идеологию внедрения новых средств на предприятиях, и это хорошо. Но не всегда получается выстроить диалог с консервативно настроенным производством, которому сложно отказаться от привычных способов работы и довериться инновациям.

Любой проект в области машинного обучения подразумевает глубокое погружение в технологические процессы, и не все компании готовы держать экспертов, которые могут говорить с производством на одном языке. Представьте, как на завод приходят математики (специалисты в области аналитики данных), и на языке интегралов задают вопросы начальнику цеха, владеющему только технологической лексикой — это абсолютно разные парадигмы. Мы научились эту проблему решать: у нас в штате есть аналитики предметной области с профильным образованием, которые понимают технологию процесса. На металлургическое производство с математиками приезжает наш штатный металлург, который и общается с технологами и руководителями цехов, рассказывает, как машинное обучение может помочь в работе, а специалистам в области аналитики данных объясняет тонкости технологических процессов.

CNews: Бывает ли, что проект выполняется, но в итоге созданный сервис вообще не работает или работает с большой погрешностью?

Ирина Нестерова: Когда мы только начинали развивать направление машинного обучения, наша команда с этим сталкивалась, после чего мы сделали выводы и учли их в процессе своей работы. Прежде чем ответить заказчику на вопрос о возможности применения средств машинного обучения на его предприятии и потенциальном экономическом эффекте, мы предлагаем провести Proof of Concept. В процессе проверки концепции наши аналитики собирают данные, которые заказчик может нам выгрузить, предварительно их анализируют, при необходимости выполняют их очистку и начинают выстраивать первичные модели, чтобы понять, что с этими данными можно сделать. Такая процедура позволяет нам избежать неприятных моментов, когда мы заходим в проект и вдруг сталкиваемся с проблемой неготовности данных или их недостаточным качеством для обеспечения заданных заказчиком требований к системе. Наша команда аналитиков хорошо продвинулась в методологии проведения Proof of Concept, теперь мы можем выполнить первичный анализ за одну-две недели — быстро и качественно.

Есть сотни компаний и стартапов, которые могут начать проект по внедрению машинного обучения, но довести его до хороших результатов могут десятки, если не единицы. Могу с уверенностью сказать: «Инфосистемы Джет» входит в их число.

CNews: Какие отрасли проявляют наибольший интерес к аналитике и методам машинного обучения? Есть ли изменения в связи с пандемией?

Ирина Нестерова: Интерес к этим технологиям есть во всех отраслях, особенно там, где накоплено достаточно данных и работа с ними может давать экономический эффект. Сейчас они максимально востребованы в ТЭК и промышленности, так как эти отрасли хорошо автоматизированы и там актуальны задачи по снижению издержек и повышению качества продукции. Банковский сектор был пионером в аналитике данных, используя ее для скоринга. Перед ритейлом стоят задачи привлечения и удержания клиентов, понимания и удовлетворения спроса, оценки эффективности промоакций и так далее. Здесь машинное обучение находит себе широкое применение.

Что касается пандемии, мы пока не отмечаем ее негативного влияния на интерес к технологиям искусственного интеллекта. По-прежнему проходят конкурсы, поступают запросы. Конечно, есть проекты, которые приостановлены, но это — временные трудности. Предполагаем, что в ближайшее время заказчик будет более требователен к экономической эффективности и окупаемости внедряемых решений, но мы к этому вызову готовы.