Этап проверки концепции – лишь вершина айсберга

Опубликовано в номере:
PDF версия
Часто внедрение искусственного интеллекта на производстве тормозится в момент перехода от этапа проверки концепции (Proof of concept, PoC) к штатной эксплуатации. Избежать трудностей на этой стадии поможет комплексный подход, учитывающий весь спектр коммерческих, технических и организационных особенностей предприятия. Статья подготовлена на основе материалов компании Hewlett Packard Enterprise.

Возьмем для примера металло­обрабатывающую компанию, процессы которой высокоавтоматизированы. Складская система выдает запрашиваемый лист металла, конвейер доставляет его непосредственно к резальным станкам, штамповочным машинам, прессам и сварочным установкам. При этом проверка качества происходит после каждого этапа обработки (рис. 1).

Автоматизация на основе правил в сфере металлообработки

Рис. 1. Автоматизация на основе правил в сфере металлообработки

Однако подобная автоматизация, основанная на правилах, постепенно превращается для предприятия в серьезный вызов. В частности, в последние несколько лет размеры партий продукции становятся все меньше из-за меняющегося спроса и проблем с доставкой. При этом выпуск каждой новой детали требует дополнительной обкатки всего процесса. Более того, должны определяться и тестироваться параметры каждого отдельного этапа производства. В итоге подобные действия сводят на нет улучшение производительности за счет автоматизации, а общая эффективность оборудования снижается.

Создатели концепции «Индустрия 4.0» учитывали подобные сценарии, когда определяли [1] руководящие принципы автономных и самоорганизующихся производственных систем, которые в идеале позволяют производственно-сбытовым цепочкам иметь коэффициент эффективности массового производства даже при минимальном размере партии продукции.

При этом искусственный интеллект (ИИ) де-факто был объявлен двигателем четвертой промышленной революции, так как именно он позволяет осуществить переход от автоматизации, основанной на правилах, к ситуационному автоматическому управлению. Более того, только ИИ способен автономно делать выводы из накопленной информации и данных, поступающих в режиме реального времени, чтобы адекватно, четко и быстро реагировать на незапланированные события.

 

Компании недооценивают системные сложности работы с ИИ

По прошествии нескольких лет, после сотен статей и десятков аналитических отчетов, нынешняя ситуация может показаться несколько разочаровывающей. Согласно отчету McKinsey «Состояние ИИ в 2021 году» [2], внедрение ИИ продолжает расти повсеместно, причем уровень внедрения ИИ в промышленном производстве все еще сильно уступает другим отраслям. Основная причина заключается в том, что большое количество ИИ-проектов не выходит за рамки этапа тестирования, так называемой проверки концепции (Proof of Concept, PoC). Это связано даже не столько с нехваткой опыта или средств, сколько с недооценкой компаниями системных сложностей работы с ИИ.

Способ подготовки к PoC — это лишь один из примеров. Обычно проверка концепции проходит в условиях «защищенной» среды и ориентирована на применение и обучение ИИ-моделей на основе данных. Но при этом часто упускается необходимость интеграции ИИ-решения в существующие информационные и производственные технологии и связанные с ними процессы. Это, в частности, включает управление жизненным циклом приложений и данных, системы безопасности, производственного плана и контроля, а также эксплуатационную безопасность. В результате PoC не приводит убедительных доказательств технической возможности реализации и не может учитываться при формировании экономического обоснования проекта.

 

Комплексный подход к внедрению ИИ

Как бы банально это ни звучало, но внедрение ИИ на производстве может быть эффективным только при комплексном подходе. Проверка концепции должна стать в конечном итоге результатом ряда основополагающих решений и проектов, где инициативы следуют из стратегий, реализуемых с помощью технических, организационных и культурных изменений. На рис. 2 приведены подобные примеры с точки зрения сферы производства, не претендующие, однако, на то, чтобы считаться исчерпывающими.

Гибкие автономные процессы в области металлообработки

Рис. 2. Гибкие автономные процессы в области металлообработки

Комплексный подход к внедрению ИИ на производстве включает в том числе следующие этапы:

  1. Анализ выгод и затрат от внедрения ИИ.

Польза от применения ИИ создается за счет информации, инсайтов, (автономных) действий и связанных с ними операций. Доступные данные являются основой, однако не все из них становятся полезной информацией только благодаря применению ИИ. Необходима также обработка в определенном контексте и с конкретной целью. Анализ пользы от внедрения ИИ позволяет, с одной стороны, оценить преимущества информации, полученной с помощью ИИ, а с другой — определить качество данных, необходимые ресурсы для их сбора и обработки, а также связанные с этим инвестиции для серийного производства, включая расходы на процессы, технологии и персонал. Результатом этого становится бизнес-модель или практический деловой опыт (рис. 3).

ИИ на производстве: инициативы и мероприятия следуют из стратегий

Рис. 3. ИИ на производстве: инициативы и мероприятия следуют из стратегий

  1. Разработка и жизненный цикл ИИ-приложения.

Если анализ создания добавленной стоимости дает положительный результат, начинается разработка и внедрение ИИ-приложения. Это должно происходить в рамках методологии DevOps, согласно которой все соответствующие производственные и эксплуатационные команды, а также специалисты по ИИ и ИТ работают сообща (в контексте ИИ это также называется MLOps и DataOps). Такой подход гарантирует, что интеграция в ИТ и в производственные процессы будет учтена с самого начала. Дизайн решения в первую очередь определяет ИИ-метод и программное обеспечение, а также необходимые для обучения данные и их подготовку. Дальше нужно сделать следующие шаги (в течение жизненного цикла ИИ-приложения их последовательность выполняется несколько раз, рис. 4):

    • Подготовка данных.
    • Построение модели.
    • Обучение модели.
    • Запуск модели.
    • Контроль работы модели.
    • Внедрение модели.
      Жизненный цикл ИИ-приложения

      Рис. 4. Жизненный цикл ИИ-приложения

  1. Построение архитектуры и отделение данных от приложений.

Описанные выше процессы происходят в ИТ и производственных средах, которые во многих компаниях сильно фрагментированы. К примеру, отсутствует непрерывный доступ к инструментам и данным, операции не совпадают, нет единых стандартов и интегрированных концепций безопасности. Такая среда пагубна для реализации любого ИИ-продукта.

Ключом для решения этой проблемы будет внедрение архитектуры, ориентированной на обработку данных. Ее суть состоит в том, что данные отделяются от приложений, которые их создают, направляя информацию через основной узел агрегации данных (data hub). Каждое приложение выступает в роли «генератора» данных, а каждый запрос — в роли «потребителя» обширной распределенной базы данных. При этом все интегрировано в общую структуру управления данными.

  1. Формирование команды проекта.

Часто проверки концепции ИИ-технологий планируются слишком поверхностно. Подготовка проводится специалистами по обработке и анализу данных, которые достаточно хорошо разбираются в этом вопросе, но гораздо меньше знают об архитектуре системы и ИТ-операциях и почти ничего — о текущих процессах на предприятии. Для успешного внедрения ИИ требуется правильное сочетание навыков специалистов разных отделов для планирования, разработки, развертывания и ввода в эксплуатацию приложения и его использования в ИТ и производственных процессах. В идеале команда должна состоять из следующих работников, неважно, сотрудников компании или сторонних экспертов:

    • бизнес-аналитики для оценки добавленной стоимости и затрат;
    • специалисты по обработке и анализу данных для изучения технического процесса, подготовки данных и обучения моделей;
    • специалисты по машинному обучению для выстраивания нейронных сетей;
    • инженеры данных для планирования и настройки конвейера данных и их обработки;
    • инженеры-программисты для интеграции в распределенную среду;
    • и, конечно же, руководитель проекта.

 

Последовательный переход от автоматизации к автономности

Хорошая новость заключается в том, что сегодня происходит последовательный переход от автоматизации к автономности. В качестве примера можно взять уже упомянутую металлообрабатывающую компанию. Предприятие начинает дополнять автоматизацию на основе правил методами с применением ИИ и постепенно превращает рядовой набор обрабатывающих станций в систему гибко управляемых производственных станций. Последние способны работать над разными заказами одновременно, их настройка производится автономно и в идеале без тестового прогона.

Для этого металлообрабатывающая компания изначально ввела регламентированные процедуры на основе машинного обучения для выбранных этапов обработки, включая рекомендации к действию, например по выбору параметров. Рекомендации пока не реализуются автономно, а предварительно проверяются сотрудником. Кроме того, состояние внутренних и внешних цепочек поставок прогнозируется и учитывается при контроле производства.

Следующий шаг — предоставление системе возможности действовать автономно. Например, результаты проверки качества должны при необходимости инициировать оперативную, независимую и кросс-системную корректировку параметров. Особенно когда речь идет о процессе сварки, имеет смысл применять машинное обучение к предыдущим этапам и даже ко всему производственному процессу. Для оптимального использования сырья компания планирует внедрить «умное» подключение к системе управления складом и поступающим заказам.

Как и большинству других предприятий, этой металлообрабатывающей компании еще предстоит пройти долгий путь к достижению автономного производства. Однако благодаря описанному комплексному подходу она уже сегодня добивается прогресса в этом направлении.

Литература
  1. Securing the future of German manufacturing industry. Recommendations for implementing the strategic initiative INDUSTRIE 4.0. Final report of the Industrie 4.0 Working Group.
  2. The state of AI in 2021.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *