Еще в 2016 году американская аналитическая компания Forrester провела исследование, согласно которому от 60 до 73 % данных, собранных на предприятии, остаются неиспользованными. Они занимают место на серверах, а затем удаляются, чтобы освободить его для новых. Этот бессмысленный цикл происходит до тех пор, пока организация не решит внедрить ИИ для оптимизации производства.
Что такое промышленные данные? Это информация, полученная с производственного оборудования, датчиков, регистраторов, контроллеров и других устройств, установленных на предприятии.
Типы промышленных данных
Если говорить о формате, здесь подразумевается и информация из реляционных баз данных на языке SQL, например о клиентах. И временные ряды (последовательность данных, упорядоченных по времени) с датчиков оборудования. И события из видеоаналитики (камер наблюдения), и логи из бизнес-систем, и многое другое. Для эффективной работы все они должны сводиться в одну экосистему с централизованным хранилищем и едиными инструментами анализа.
По источнику выделяют:
- Данные датчиков и устройств. Например, информация о производственных процессах, энергопотреблении, температуре, давлении.
- Данные обслуживания. Информация о замене деталей, ремонте, результатах технической проверки.
- Данные качества продукции. К примеру, наличие дефектов, брака, несоответствия стандартам, параметрам качества.
- Данные логистики и поставок. Расписание поставок материалов и компонентов, изменения в сроках.
- Данные клиентов и рынка. Информация о потребительских предпочтениях, трендах, отзывах клиентов, продажах, маркетинговых активностях.
У каждой отрасли и предприятия могут быть свои наборы промышленных данных в зависимости от их особенностей и потребностей.
Рассмотрим в качестве примера ветряную электростанцию со 100 турбинами. Каждая турбина оснащена датчиками для сбора информации об окружающей среде и состоянии механизмов. Они передают данные в систему ИИ в режиме реального времени. Для принятия некоторых решений даже не требуется вмешательство человека. Цель — максимизировать время безотказной работы, прогнозировать и снижать затраты на техническое обслуживание и ремонт.
Например, на основе текущей производительности ветряной электростанции и прогнозируемого спроса каждая турбина может «решить», продолжать ли накапливать энергию или передавать на линии передач. Если убрать человеческий фактор из рутинных решений, сбор промышленных данных поможет энергосистеме функционировать экономически эффективно с учетом пиков и спадов спроса в течение года. Кроме того, оборудование проработает дольше и с меньшим износом, а персонал своевременно получит уведомление о техническом обслуживании.
Как ИИ помогает в промышленности?
- Отслеживание производительности предприятия. Можно анализировать все переменные в рабочих процессах и вовремя выявлять проблемы. Так, для оценки производительности могут понадобиться средняя скорость оборудования, время и причины простоя, количество произведенной продукции, процент брака и т. д.
- Оптимизация бизнес-процессов. Данные, собранные из всех каналов, объединяются в масштабные отчеты с положительными и отрицательными результатами. Можно выявить и улучшить слабые места, сосредоточиться на сильных сторонах. Использовать ресурсы там, где они нужнее всего.
- Профилактическое обслуживание. Сломанное оборудование означает простой на производстве, ожидание замены или ремонта. А это потеря денег и срыв сроков. Гораздо проще настроить ИИ на сбор и отслеживание данных: если показатели нормальной работы нарушены, система отправит заявку на проверку прибора.
Это только три аспекта сбора данных на предприятии. Но они не единственные. В общем все процессы можно описать фразой «Измерить, проанализировать, улучшить».
Как собирают и обрабатывают промышленные данные
- Устройства (датчики, сенсоры, считыватели кода) передают информацию, например о температуре, давлении, скорости движения, в систему ИИ.
- Далее данные преобразуются в удобный для анализа и интерпретации формат. Их фильтруют, сортируют, объединяют в единый отчет.
- ИИ изучает информацию и принимает самостоятельное решение или передает уведомление оператору-человеку.
Значительная часть современного производственного оборудования уже оснащена программируемыми датчиками и контроллерами для сбора информации. Но если руководитель компании инвестирует в «связанные технологии» (connected technologies) для создания сети устройств, взаимодействующих между собой и с пользователем, или сотрудничает с производителем умного оборудования, то он не только собирает эти ценные данные, но и заставляет их работать на себя, извлекая пользу.
Речь идет не просто о подключении станков к Wi-Fi. Мы говорим о создании более разумной инфраструктуры предприятия, где объединяются два мира — промышленность и аналитика. Когда по дороге домой с работы вы пользуетесь GPS на смартфоне, он использует Big Data. Ваши коллеги тоже едут по GPS, а это значит, что все получают и анализируют данные в режиме реального времени. И если на бульваре внезапная пробка, вы вовремя узнаете об этом и выберете другой маршрут.
Аналогично может работать и промышленное оборудование. Подключить его к общей системе и помочь взаимодействовать с остальными элементами производства, объединить информацию от филиалов и деловых партнеров — это ключ к развитию бизнеса и победе над конкурентами.
Речь идет не просто о подключении станков к Wi-Fi. Мы говорим о создании более разумной инфраструктуры предприятия, где объединяются два мира — промышленность и аналитика. Когда по дороге домой с работы вы пользуетесь GPS на смартфоне, он использует Big Data. Ваши коллеги тоже едут по GPS, а это значит, что все получают и анализируют данные в режиме реального времени. И если на бульваре внезапная пробка, вы вовремя узнаете об этом и выберете другой маршрут.
Аналогично может работать и промышленное оборудование. Подключить его к общей системе и помочь взаимодействовать с остальными элементами производства, объединить информацию от филиалов и деловых партнеров — это ключ к развитию бизнеса и победе над конкурентами.
Как обучить модель работать с промышленными данными?
Главное в процессе машинного обучения — качественно размеченные и выверенные данные. В данном случае они особенно важны, так как ошибки в работе ИИ могут привести к краху производства. Training Data создает датасеты под ключ:
- Собираем и сортируем данные для нейронных сетей методом парсинга, веб-скрапинга, краудсорсинга. Также возможен рендеринг — создание синтетических данных по заданным параметрам.
- Выполняем все виды разметки для машинного обучения: видео, документы, изображения и т. д. Подготовим тестовый датасет под вашу задачу бесплатно.
Как это работает?
Предположим, у вас крупное промышленное предприятие, где по технике безопасности сотрудники обязательно должны носить средства индивидуальной защиты (СИЗ). Для контроля вы устанавливаете на территории камеры и внедряете модель ML с системой распознавания СИЗ. Чтобы научить ее определять каски, респираторы и спецодежду, отличать от обычных вещей, мы подготовим датасет с размеченными фотографиями людей в СИЗ и без них. В подборке будут каски, очки и одежда разных цветов на мужчинах и женщинах разного возраста и комплекции. Кроме того, мы обучим модель определять правильность ношения СИЗ (например, если человек держит каску в руке, это считается нарушением). После обучения на наших датасетах точность результатов на валидационной выборке составляет до 0,97 по Precision и 0,98 по Recall.
Будущее ИИ в промышленности
Дорогостоящее техническое обслуживание, бракованная продукция, неэффективность производства — вот только некоторые проблемы, с которыми сталкиваются современные предприятия. Благодаря сочетанию человеческого ноу-хау и ИИ концепция развития умного производства, более известная как «Индустрия 4.0» — синоним четвертой промышленной революции, может кардинально поменять всю сферу. С появлением интернета вещей (IoT) и автоматизацией производства компании ежедневно получают большие объемы данных. ИИ помогает превратить их в осмысленные идеи и решения.
AI и ML необходимы предприятиям, чтобы раскрыть ценность огромных объемов данных, созданных производственными машинами. Применение ИИ к этим данным позволяет сократить расходы, повысить безопасность, оптимизировать цепочки поставок и получить другие выгоды.
В промышленности используются два типа машинного обучения:
- Контролируемое — ИИ создает шаблоны из больших датасетов с заранее определенным результатом. Например, при определении, сколько еще прослужит оборудование и какова вероятность отказа деталей.
- Неконтролируемое — строит алгоритмы и взаимосвязи из наборов данных без известного результата. Например, чтобы выявить неисправные компоненты и неизвестные аномалии на производственных линиях.
Кроме того, технологии компьютерного зрения на основе ИИ позволяют видеть и анализировать задачи производства, безопасности работников без привлечения человека. Так, умные камеры с ИИ обнаруживают утечку химикатов или газа в режиме реального времени и передают сигнал специалистам. Но главный переворот, который ИИ совершит в производственном секторе в будущем, — это робототехника.
В настоящее время на мировом рынке ИИ в промышленности доминируют США, Китай, Германия, Великобритания, Франция, Италия, Япония, Индия и Южная Корея. На российском рынке решения пока сосредоточены преимущественно в распознавании и синтезе речи, распознавании изображений. Предприятия в основном внедряют компьютерное зрение для контроля безопасности. Но прогресс уже не остановить. Мы движемся к пятой промышленной революции («Индустрия 5.0»), вернее, она уже началась с того момента, как человек стал работать в связке с ИИ. И инновации способны полностью поменять привычный ландшафт производственного рынка.
В настоящее время на мировом рынке ИИ в промышленности доминируют США, Китай, Германия, Великобритания, Франция, Италия, Япония, Индия и Южная Корея. На российском рынке решения пока сосредоточены преимущественно в распознавании и синтезе речи, распознавании изображений. Предприятия в основном внедряют компьютерное зрение для контроля безопасности. Но прогресс уже не остановить. Мы движемся к пятой промышленной революции («Индустрия 5.0»), вернее, она уже началась с того момента, как человек стал работать в связке с ИИ. И инновации способны полностью поменять привычный ландшафт производственного рынка.