Дмитрий Карбасов, ERG: “Продвинутая аналитика – это “IT наоборот”

Индустрия 4.0

В концепцию Индустрия 4.0 помимо собственнно технологий (ИИ, роботизация и др) входят также организационная структура, корпоративная культура, коллаборация…

Суть концепции Индустрия 4.0 – повышение операционной эффективности предприятия, либо получение принципиально новых возможностей по управлению тех. процессом.

Наша цель – выйти на рекомендательные модели, которые помогают оптимизировать технологический процесс исходя из целей бизнеса.

Продвинутая аналитика

Искусственный интеллект – некорректный термин. Мы занимаемся продвинутой аналитикой. Это такой вид анализа, на который нельзя сделать техническое задание.

Алгоритмические подходы к решению задач хорошо известен. Есть много подходов машинного обучения, статистического анализа, нейронных сетей, аналитические модели. Наша задача – найти тот алгоритм, который решает задачу бизнеса, при этом в отличие от многих команд мы стараемся отдаем предпочтение более простым моделям. Это связано с тем что более простые математические модели менее требовательны к данным и более надежны. Безусловно с помощью более сложным моделей, например многослойных нейросетей можно получить более точные выводы, но переход от простых моделей к сложным это некий процесс развития проекта которые важно планировать с самого начала. Более того, мы максимально стараемся применять модели машинного обучения в рамках комитета моделей оберным “контурами безопасности”, это некий методологический подход минимизирующий последствия ошибки модели до приемлемого уровня.

Алгоритмы в рамках АСУТП создавались большими командами достаточно долго. Сейчас высший менеджмент ожидает “быстрые решения”, которые могут быстро принести такой же эффект.

Сначала идет экспресс-анализ, собираются данные, строятся гипотезы. Строятся первичные простые модели и оценивается их реализуемость. Если мы решаем, что модель приносит эффект и что мы знаем как ее внедрить, то мы выходим с нашим проектом к производству. В результате ряда итераций мы получаем сначала экспериментальную, а потом и боевую модель.

Мы применяем комбинированный подход: не только машинное обучение, но и аналитические модели, которые формализуют знания экспертов.

Проблему нехватки данных мы решаем установкой простых датчиков – влажность, температура. напряжение… Эти датчики недорогие, но установка их может занимать длительное время.

Второй способ – использование машинного зрения.

Третий способ – виртуальный датчик.

В промышлености есть либо плохие данные, либо очень плохие, либо их нет вообще.

Проблема сбора данных там достаточно серьезная, в отличие от банков, телекома, ритейла.

Надо уметь работать с недостаточным объемом данных, понимая, что в них есть некачественная информация.

Бизнес-аналитика и Data Science

Дата-сайентисты играют определенную роль в моей команде, но эта роль не самая важная.

Прежде всего мы должны сделать экспресс-анализ тех.процесса, сценариев использования, источников данных и т.д.. Бизнес-аналитики делают первичный сбор и описание данных. Когда мы все это понимаем, мы либо приглашаем подрядчика, либо пытаемся создать модель у себя.

После этого наступает стадия создание методологии анализа. Для этого нужен не дата-сайентист, а человек с пониманием технологического процесса, и в то же время – архитектуры целевого аналитического решения. Он должен сформировать методологию анализа и поставить задачу разработчикам. С этой стадии уже можно привлечь разработчиков, которые получат конкретную задачу.

Бизнес аналитика со стороны нанять почти невозможно, архитектора-методолога сложно, но можно. Дата-сайентистов можно нанять достаточно легко. Работа дата-сайентистов вторична.

Для создания модели важно понимать особенности технологии, но нам не нужно становиться металлургами, чтобы создавать модели в производстве алюминия.

Мои бизнес-аналитики за полгода погружения в процесс, перенимают примерно 1-2% знаний у металлургов. Нам этого хватает. чтобы понять процесс, проанализировать его и создать рабочую модель. Для оценки эффекта мы создаем совместно с технологом методологию оценки эффекта. Лучшей из доступных технологий оценки эффекта является А/Б тестирование.

Если оборудование старое и данных с него ранее собиралось мало, мы, во-первых, строим гипотезу, как будем строить свои модели, сценарии использования, считать бизнес-эффекты. Далее мы снабжаем часть оборудования простыми датчиками и дополняем их моделями машинного зрения.

IT наоборот

Наш поход я называю “IT наоборот”. Мы не выстраиваем сначала всю IT-архитектуру, весь IT-ландшафт. Но пытаемся минимальными затратами смоделировать эффект и убедиться, что он дает ценность для бизнеса. Если ценность доказана, аналитик сообщает, какие нам еще нужны данные, чтобы модель стала точнее.

Ни на одном извекстном мне предприят ии IT-архитектура не строилась с учетом того, что когда-то будут использовать технологии машинного обучения, искусственного интеллекта. Мы каждый раз строим уникальные модели. И уже “модель говорит” нам – какие именно данные нам нужны.

На предприятиях не выполняются даже общие требования: формализация данных, хранение данных более года, ведение электронных журналов данных и еще десятки задач.

Мы можем обосновать с точки зрения экономического эффекта – какие именно данные и в каком объеме нам нужны. В этом наше ключевое отличие от “традиционного” IT. Мы идем не от стека базовых решений, но от эффекта – к стеку решений.

Сложности в проектах

Основные сложности находятся за границами проекта – они заключаются в имплементации в реальный процесс.

Во-первых, руководители предприятий не понимают, как работают наши модели.

Во-вторых, мы узнаем о работе удаленных предприятий много того, что не пишется в отчетах.

В-третьих, повышение эффективности приводит к увеличению производства готовой продукции, а это, в свою очередь, приводит к повышению планов производства. И это при том, что руководитель не понимает, как работают наши модели. Работа руководителя становится гораздо более прозрачной. Не всех это устраивает.

Как преодолевать сопротивление на предприятиях?

Во первых, на предприятии необходимо найти сторонника, который будет заниматься данной моделью.

Во-вторых, нужна аргументированная защита. Нужна согласованная методология оценки эффекта, которой будут доверять топ-менеджеры корпорации.

Консультанты из большой четверки предлагают руководству взять готовые решения, говоря, что в мире уже широко используются те или иные технологии, машинного обучения, например. Но нельзя взять готовую модель, готовую платформу из другой компании и поместить ее в реальное предприятие. Решение всегда надо создавать заново, хотек некие наработки можно переиспользовать.

Ценность общения между компаниями в том, чтобы обмениваться информацией по реально запущенным проектам, по решениям и проблемам.

Беседу с руководителем Управления Промышленного искусственного интеллекта ERG Дмитрием Карбасовым смотрите на канале “Перезапуск: другие инновации” https://youtu.be/BTGzTeJuAUE

Ассоциация Индустриальные инновации
Ассоциация Индустриальные инновации

Ассоциация “Индустриальные инновации” — общественное объединение, ставящее своей целью создание условий для развития промышленных инноваций в России, формирование цивилизованного рынка инновационных решений и технологий. К участию в Ассоциации приглашаются государственные и частные промышленные корпорации и предприятия. Членами Ассоциации являются ведущие промышленные компании: «Газпромнефть — цифровые решения», “НефтеТрансСервис”, "Северсталь" и др.

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.