Данила Целиканов, ММК: “Промышленность еще не осознала важность времени”

199 0

Инновации, цифровая трансформация и прочее

– Цифровая трансформация, инновации – это все только инструменты. Это естественное развитие процессов оптимизации.

– “Индустрию 4.0” как понятие мы уже “проскочили”, оно было на хайпе года полтора – два назад. Сейчас многие стараются избегать его употребления.

– Я бы все это назвал движением за здравый смысл и операционную эффективность.

“Инновациями” часто подменяют компетенции и развитые навыки. Ими прикрывают некомпетентность.

В советские времена хороший инженер, математик, экономист творил инновации каждый день. Это была его обычная работа. Лозунг инженера: “увидел проблему – реши ее”. А сейчас это принято называть инновациями.

– Настоящая инновация – это создание чего-либо (продуктов, способов производства), чего ранее не существовало. Если взять инновации в промышленности, то на 99% это – не инновации.

Большие Данные, АСУТП, нейронные сетки

– “Цифра” – это наследие Big Data. В свою очередь Big Data – это сбор, хранение и вычисление смысла из больших массивов данных. Это должны быть действительно большие массивы данных, измеряемые в терабайтах и более. И уже как вершина всего этого видится искусственный интеллект и машинное обучение.

– Если собрать большинство проектов в области автоматизации промышленности не только в России, но и за рубежом, то там большими данными и не пахнет. Тем более – искусственным интеллектом. В лучшем случае, это нейронные сети по управлению каким-либо технологическим процессом. У нас на производстве они появились в начале 2000-ых. В этом не видели ничего необычного, хорошие математики использовали это в своей повседневной работе.

– Сейчас те математические модели. которые делает наша группа по мат. моделированию, экономят миллиарды рублей. Но их сложно отнести как к технологии Big Data, так и к искусственному интеллекту.

– Сбор обратных данных с оборудования, обработка и выдача прямых сигналов в АСУТП, конечно, развивается. Но здесь нам справедливо могут сказать, что это – классическое АСУТП, мы его еще в университете проходили.

Правда, АСУТП решает задачи на уровне простых алгоритмов. Далеко не везде ее можно назвать высокотехнологичным цифровым решением.До сих пор очень во многих отраслях промышленности есть уникальные специалисты, которые с помощью глаз, обоняния, осязания пальцев определяют параметры процессов гораздо лучше.

– Наверное, “цифра” как раз и призвана заменить их способности математическими моделями. Эти специалисты отработали десятки лет, в их мозгу также сформировалась нейросетка, некий навык. И мы попадаем в зависимость от таких людей.

– Таких специалистов будут заменять камеры машинного зрения, роботы и т.д. Гораздо дешевле и быстрее поставить камеру и обучить нейросетку, чем десятилетиями взращивать уникальных специалистов.

– А уникальные специалисты должны тратить свой ресурс на более общие задачи – как, например, в целом улучшить выплавку металла, а не какие сейчас есть отклонения в процессе.

Пока наш мозг – самая энергоэффективная и самая производительная нейросеть в мире.

Потребляя не более 100 Ватт на обработку данных, наш мозг по вычислительной мощности сопоставим с ЦОДом размером с Нью-Йорк. Мы пока эффективнее. И это ресурс, это потенциал надо направить на креатив и на решение будущих задач.

– У нас есть реализованные кейсы, когда нейросетки, например, замечательно определяют качество поверхности, определяют, как идет процесс горения в печи, и таких кейсов все больше и больше.

– Интересно, как именно произошел этот прорыв в “цифре” и почему нейросетки несколько раз “умирали” и опять возрождались. Ранее не хватало технологических мощностей компьютеров, чтобы обрабатывать потоки данных. Помогли дети, которые играли на компьютерах в игры и требовали все лучшей и лучшей графики. Для них стали производить сверх мощные видеокарты. В какой-то момент их мощность достигла такого значения при небольшой удельной стоимости, что оказалось, что этой мощности хватает для очень сложных вычислений. После этого нейросетевые технологии расцвели с новой силой.

Цифровая эволюция

– Пройдет лет двадцати и на производстве основные кейсы, где требовались уникальные специалисты с многолетним опытом, будут закрыты “цифрой”. Будут внедрены простые решения на нейросетевом программировании.

– Параллельно идет процесс автоматизации, нейросетевые чипы размещаются непосредственно в локальные датчики, все вычисления происходят рядом с процессом.

– Сейчас это хромает. потому что процесс надо выстроить. Нейросетке нужны данные, датчиков не хватает, появляются проекты по интернету вещей. Все это медленно. но раскачивается. Появится достаточное количество датчиков, а следовательно данных, нейросетка научится их перерабатывать. Она должна научиться непосредственно управлять технологическим процессом. Для этого надо перестроить мышление. как тех, кто работает с АСУТП, так и технологический процесс. Постепенно процесс сам себя вытянет.

– Дата-сайентисты – это прикладная часть всего этого процесса. Их задача – научиться очищать данные, приучать другие подразделения к тому, как правильно собирать данные, как ухаживать за датчиками.

Дата-сайентисты сегодня являются постановщиками задач.

Именно они определяют, как должен развиваться интернет вещей на предприятии. Не технологи, не АСУТП-шники, а математики. Ни один цифровой двойник не будет работать без математика. Это дирижеры процесса.

Устаревающее оборудование и “цифра”

– Устаревающее оборудование со временем будет заменено на новое. Можно, конечно, увешать его датчиками, нагонять к нему математиков. Но, по правилу Парето, задача оптимизации устаревших производств решается 20% усилий по автоматизации. Можно выжать из них дополнительную производительность. Не надо пытаться сделать из “копейки” “феррари”, но оптимизационные процессы там тоже возможны. Надо только изучить процессы и знать конкретно куда и какой датчик можно поставить.

– На смену устаревшему оборудованию неизбежно придет новое. Производители оборудования менее инерционны, чем мы, металлурги. У них сроки внедрения новых технологий в оборудование составляют от трех до семи лет. Они адаптируются к новым технологиям и включат их в состав своего оборудования. И тогда мы увидим в цехах встроенные нейросетки и плавно перейдем на новый виток технологий.

Задача нового оборудования – обеспечивать технологический прорыв, технологическое преимущество над конкурентами.

Внутренняя разработка и аутсорсинг

– Что касается опоры на внутренние силы или на аутсорсинг, то, во первых, невозможно решить задачи по внутренней оптимизации, если привлекаешь 100% ресурсов со стороны.

– Во-вторых, мы будем сильно упускать потенциал экономии, если будем пытаться решить 100% внутренних задач своими собственными ресурсами.

– Чтобы понять суть внутренней проблемы и метод ее решения, необходимы люди внутри. Нужны не просто математики или дата-сайентисты. а математики-технологи. Нам надо вырастить технолога, чтобы он понимал процесс и все его грани и сложности.

Далее мы на входе получаем определенный объем данных, которые надо очистить, а на выходе – объем программирования (или моделирования) в человеко-часах, И если наш математик-технолог кинется в очистку данных, то большая часть времени команды займет именно это. На это сразу надо нанимать внешних людей. На выход – то же самое. До 80% задач там можно отдать на внешний рынок, закрыть их удаленными специалистами.

– Это проблема именно текущего состояния системы. Если брать оценку задачи в ее временном промежутке, то наш математик может стоить совсем других денег. Даже если на рынке он в этот момент стоит 300 000 рублей, то у нас в моменте, если он нащупал решение задач стоимостью в миллиарды, стоимость его человеко-часа становится совершенно другой. И с рынка можно в этот момент привлекать людей и за триста тысяч, и за пятьсот, и даже – за миллион. Как бы дико ни звучало это для нашей дирекции по персоналу.

– Надо сопоставлять стоимость задачи и стоимость специалиста. Но, к сожалению, мышление на предприятиях находится в рамках советской бухгалтерии. Оно не учитывает стоимость решения во времени. И один ROI подход сейчас этого не учитывает. И это бич нашей современной индустрии.

Настоящий искусственный интеллект

– Что такое полноценный искусственный интеллект на промышленном предприятии? Что нужно, чтобы все его алгоритмы действительно заработали в полном объеме? Прежде всего, нужно принципиально другое количество датчиков, чтобы ИИ понимал, что происходит в процессах, “щупал” их в моменте. Он должен своими нейронными сетями дотянуться до каждого кусочка технологического процесса.

– У человека на кончике пальца находится полтора миллиона нервных окончаний. Мы все усыпаны нервными окончаниями. Мозг каждую секунду получает гигантские объемы цифровых сигналов со всех точек нашего тела. Именно поэтому он так хорошо этим телом управляет.

– Чтобы искусственный интеллект внедрить на предприятии, оно должно превратиться в организм с таким же огромным числом “нервных окончаний” на квадратный метр. Тогда ИИ сможет им качественно управлять. А еще, как и в человеческом организме, необходимо быстро решать проблему восстановления датчиков после поломки.

Текущих технологий интернета вещей недостаточно для того, чтобы сделать железо умным.

– Пока всего этого нет, мы можем сколько угодно мечтать об искусственном интеллекте, бросаться словами про “цифровизацию”.

Кооперация

– Наверное, со временем предприятия начнут осознавать преимущества шеринговых решений. Они начнут думать в масштабах времени. Крупная промышленность еще не догнала технологические компании по уровню понимания фактора времени.

Мы все еще мыслим длинными циклами, не понимая, что конкурентны здесь и сейчас.

И иногда это конкурентное преимущество сохраняется не более года. Со временем. мы научимся ценить время. Нам придется объединяться для решения каких-то задач.

Follow Me
This error message is only visible to WordPress admins

Error: No connected account.

Please go to the Instagram Feed settings page to connect an account.