لماذا تحتاج النباتات إلى التعلم الآلي

تعلمنا من طريقة التعلم الآلي في المؤسسات الصناعية ، الذين حققوا أكبر نجاح في هذا وما هي أمثلة الاستخدام الموجودة بالفعل ، تعلمنا من Roman Chebotarev ( محدب ). رومان مهندس معماري ومدير تنفيذي في ديجيتال . وقد قام بتطبيق تقنيات فئة التعلم الذكي والذكاء الاصطناعي لمدة 11 عامًا. في السنوات القليلة الماضية ، تخصصت رومان في ML / AI في هذه الصناعة.


أخبرنا عن مسار حياتك المهنية.

لقد بدأت مسيرتي المهنية مع التعلم الآلي (على الرغم من أن هذا المصطلح لم يستخدم بعد على نطاق واسع) لمهام رؤية الكمبيوتر. قمت بتطوير وحدات مختلفة لأنظمة تحليلات الفيديو: كاشفات الازدحام ، كاشفات الدخان ، عدادات الأشياء. ثم تم التخطيط لها أيضًا كنظم أمنية للجيل القادم - الآن يتم استخدامها في كل مكان.

ببطء ، من تحليل الصور ، تحولت إلى تحليل البيانات بشكل عام. لقد عملت بالفعل في CROC ، حيث جئت كمطور ، وتركت كرئيس لممارسة التعلم الآلي. معظم الخبرة التي حصلت عليها هناك ، وأساسا قمنا بحل المشاكل المرتبطة بالتنبؤ بكميات كمية مختلفة في المستقبل. كان هناك المزيد من المهام في مجال البيع بالتجزئة - كان التعلم الآلي في ذلك الوقت أكثر طلبًا بين العملاء في هذا المجال. لقد حللنا مهام التنبؤ بالطلب لتحسين الخدمات اللوجستية. كان هناك الكثير من هذه المهام في مختلف المجالات: من بيع المواد الغذائية بالتجزئة إلى محطات وقود السيارات.

ثم بدأ الاهتمام الجاد بتعلم الآلة يتشكل من المؤسسات الصناعية. في مرحلة ما ، قررت أنا وشريكي تنظيم شركتي الناشئة - Theta Data Solution. قمنا بتنفيذ 6 مشاريع وأكثر من 10 طيارين سنويًا للمؤسسات الصناعية ، ثم تم الاستحواذ على الشركة من قبل شركة "ديجيتال" ، حيث أعمل الآن مديرة التنفيذ في قسم الذكاء الاصطناعي. مقارنة بفريق بدء التشغيل الأولي ، قمنا بالتوسع بشكل كبير: الآن في قبيلة AI لدينا (كما نسمي أنفسنا) هناك أكثر من 30 شخصًا.

متى كانت الصناعة مهتمة بتعلم الآلة؟

كان الاهتمام موجودًا دائمًا ، لكن رغبة الشركات في الاستثمار في هذه المشاريع ، وإن كانت بطيئة جدًا ، ظهرت ، وفقًا لملاحظاتي ، في عام 2013. أصبح من الممكن تقريبًا تسمية هذا الاتجاه بحلول عام 2016. الآن بدأت مرحلة النمو السريع.

ما هي تفاصيل تصميم نماذج التعلم الآلي للمؤسسات الصناعية؟

هناك سعر مرتفع للغاية للخطأ في الصناعة. إذا بدأت في إدارة بعض التثبيت بشكل غير صحيح ، فسيبدأ في أفضل الأحوال في العمل بشكل سيئ ، وليس بكفاءة قدر الإمكان (على أي حال ، هذه أرقام كبيرة جدًا في روبل) ، وفي أسوأ الحالات ، ستحدث عمليات لا رجعة فيها وستكون هناك حاجة إلى إصلاحات باهظة الثمن.

يؤثر هذا على كيفية تصميم النماذج وتشغيلها: فهي "منحرفة" جدًا في اتجاه إجراء تجارب أقل. إذا ، على سبيل المثال ، في مجال التكنولوجيا المالية أو الاتصالات ، يمكنك إجراء اختبارات A / B وإظهار إعلان مختلف بشكل أساسي ، وتقديم خصم مستهدف ، وما إلى ذلك ، على مستوى مجموعة فرعية من العملاء ، فإن الأدوات وإمكانيات التجربة في الصناعة أضيق كثيرًا . إذا حاولت صياغة الميزات في عبارة واحدة - لا يمكن إجراء تغييرات جذرية في عمل النظام الصناعي. ستكون التغييرات صغيرة جدا واتجاهية. سنجري تعديلات ، ونرى ما سيحدث - وإذا سارت الأمور على ما يرام ، فحاول التحرك في هذا الاتجاه ، ولكن بخطوات صغيرة جدًا. وهذا ما يسمى تسوية نماذج التعلم الآلي (بشكل أدق ، نماذج التحكم) - في الصناعة ، يتم تنظيمها بشكل كبير للتغييرات. بهذه الطريقة ، يتم تقليل احتمال حدوث خطأ مكلف.

الميزة الثانية هي أن نماذج التعلم الآلي (ML) تحتاج إلى تكوين صداقات مع الفيزياء والكيمياء. هذا ليس سهلا بما فيه الكفاية. لا يبني النموذج المبني على البيانات أي نوع من الفيزياء يكمن وراء عملية معينة - فهو ببساطة يلتقط الأنماط بين البيانات. غالبًا ما يتبين أن النموذج المصمم غير طبيعي تمامًا. على سبيل المثال ، أي شخص عاقل يفهم - والفيزياء تؤكد ذلك: إذا قمت بزيادة درجة حرارة سائل التبريد في نظام التسخين ، فسوف يصبح أكثر دفئًا في المنازل ، citris paribus. يمكن أن يتعلم النموذج علاقة مختلفة تمامًا ، وأحيانًا العكس. لإعطاء وزن أكبر للعوامل غير المباشرة (اختلافات درجات الحرارة في الشارع ، والوقت من اليوم ، وما إلى ذلك) ، وبالتالي تعلم كيف يبدو السلوك الصحيح ، ولكن باستخدام العوامل "الخاطئة".

الآن يعمل الناس في الصناعة ، منفتحون تمامًا على التقنيات الجديدة. إنهم يحاولون معرفة ما نقدمه لهم لتقديمه. إذا لم تكن النماذج مادية (كما تم التحقق من ذلك من خلال اثنين من الاختبارات البسيطة) ، فلن يعطي أحد ضوءًا أخضر لإطلاق مثل هذا النظام. ولكن في النهاية اتضح أنه نتيجة لمثل هذه الإخفاقات ، وجدنا طريقة أخرى ، وفقًا للتقديرات الحالية ، أكثر فعالية.

هناك قوانين ، نظرية أو تجريبية ، أنظمة معادلات تفاضلية وطبقة ضخمة من المعرفة التي تم إنشاؤها بواسطة الفيزيائيين والكيميائيين. يتم استخدام هذه المعرفة في تصميم النباتات ، وبشكل عام ، تصف عملية الإنتاج بشكل أو بآخر. نحن ندمج هذه المعرفة مع ML للحصول على نماذج مادية - في الواقع ، نحن نعتمد على مجموعة من التبعيات المعروفة والمختلفة ، ونحسن المعاملات على البيانات المتاحة ، ونصف أيضًا الديناميكيات التي لا يمكن "تعلمها" من خلال المناهج الفيزيائية باستخدام مقاربات ML القياسية إلى حد ما (تعزيز) .

من أجل الوضوح ، غالبًا ما أعرض مفهوم "إنفاق البيانات". عندما تقوم بتدريس نموذج ما لشيء ما ، فإنك "تهدر" البيانات (بمعنى أن أي إعادة استخدام في التدريب هي نقطة خفية نوعًا ما ، فهناك خطر "الإفراط في التدريب" - الإفراط في التجهيز). لذلك ، نحن لا "ننفق" البيانات على استعادة الأنماط والتبعيات ، والتي بشكل عام معروفة بالفعل بفضل العلماء والتقنيين. نحن نستخدم هذه التبعيات المعروفة و "ننفق" البيانات لتوضيح الخصائص ، وإكمال التبعيات التي لم تؤخذ في الاعتبار في النماذج المادية ، وأخيرًا إنشاء نماذج تأخذ في الاعتبار ميزات كل موقع إنتاج محلي أو حتى قطعة من المعدات ، مع معرفة كيفية عملها بشكل أساسي.

ونتيجة لذلك ، نحصل على نماذج أفضل وأكثر استقرارًا. بطبيعة الحال ، لا تكون نماذج العمليات الفيزيائية والكيميائية متاحة أو كاملة دائمًا - في هذه الحالة ، يمتلك فريقنا محللين من ذوي الخبرة في الصناعات المعنية يمكنهم بناء نماذج أساسية مادية مناسبة لعلماء البيانات.

بالإضافة إلى ذلك ، نحن نحاول استخدام مناهج نظرية التحكم التلقائي لاتخاذ قرارات حول معلمات التحكم المثلى التي يجب تعيينها عند التثبيت ، مع الأخذ في الاعتبار التأخير الذي لا مفر منه في الوقت واحتمال عدم قبول التوصية على الإطلاق. بشكل عام ، نحن ننظر عن كثب إلى مناهج التعلم التعزيزي ، ولكن حتى الآن قوانين (سياسات) التحكم الناتجة غير مستقرة تمامًا في مهامنا. ولكن من المؤكد أن الجمع بين هذه الأساليب يكمن في المستقبل. وهذا ليس رأيي فقط.

وكشف هذا النهج "المادي" في نهاية المطاف عن نتيجة مهمة طويلة المدى: نظرًا للاستقرار الأكبر لهذه النماذج ، نادرًا ما نستيقظ ليلًا لندعو أن هناك خطأ ما ويجب إعادة تدريب النموذج. ونتيجة لذلك ، نقضي وقتًا أقل في الدعم.

فكر العديد من الناس في العالم في مثل هذا النهج الهجين ، ولكن في روسيا كنا من أول من ذهب أبعد من التجارب ووضعها في الإنتاج الفعلي.

في 22 نوفمبر ، سيصبح رومان مديرًا لجلسة المناقشة "الذكاء الاصطناعي وإنترنت الأشياء: التوقعات والواقع" في مؤتمر الذكاء الاصطناعي. تفاصيل وبرنامج الحدث - على الموقع الرسمي .

كيف يجري العمل على إنشاء نموذج رقمي لعملية الإنتاج؟

يختلف مشروع التطوير والتنفيذ قليلاً عن الصناعات الأخرى. بشكل عام ، يشعر مديرو المشروعات الذين يأتون ، على سبيل المثال ، من الصناعة المصرفية إلى الصناعة ، بالراحة التامة (إلى جانب حقيقة أن التقنيين يسخرون منهم عادةً). من وجهة نظر تنظيمية ، لا تختلف المشاريع كثيرًا. أولاً ، نلتقط توقعات العميل - ما يريدون تحقيقه. نعرض في بعض الأحيان العمل معهم معًا إذا لم يعرفوا ما يريدون ، ولكنهم يريدون حقًا الرقمنة. نجد معًا نقاط تحسن ، ونضعها في بعض مؤشرات الأداء الرئيسية القابلة للقياس ، ونجري نماذج أولية ، ونجري القليل من البحث أو حتى تجريبيًا - نقنع أنفسنا والعميل بأن مؤشرات الأداء الرئيسية هذه قابلة للتحقيق ، وبعد ذلك نطور النماذج ، ونستخدم عددًا كبيرًا من تطوراتنا الحالية ، وندمج مع أنظمة الإنتاج العميل وتنفيذ النظام في الإنتاج.

تركز الميزات الرئيسية على مرحلة التنفيذ. الأنظمة معقدة للغاية - سواء في طريقة عملها أو في البيانات التي تستخدمها لاتخاذ قرارات في نقاط مختلفة في الوقت المناسب. غالبًا ما لا يحصل العاملون في المصنع على تعليم متخصص للعمل معهم. لذلك ، عليهم أن يبتكروا لوحات عدادات خاصة ومخططات تقوية الذاكرة ، وأن يقوموا بالتدريب. في الوقت نفسه ، هناك دليل يفهم جيدًا ما يحتاجون إليه ، وأن يقوموا بعمل لوحات تحكم أخرى بمعلومات أكثر تفصيلاً.

بشكل عام ، "العدو" الرئيسي لأنظمتنا هو مهندس عمليات. يتخذ قرارات تغيير الأنظمة ، وعادة ما يكون له رأيه الخاص حول كيفية عمل ورشة العمل أو موقع الإنتاج الذي يعهد إليه. يقضي الكثير من الوقت في إقناع المنفذين المباشرين بالاعتقاد بتوصيات النظام. بتعبير أدق ، لا "تؤمن" فقط ، ولكن خذها واختبرها - انظر أولاً إلى التوصيات ، ثم طبّقها بنقاط. غالبًا ما لا يخضع هؤلاء الموظفون بشكل مباشر للعملاء المباشرين للمشروع ، ولا يمكن ببساطة إجبارهم على اتباع التوصيات بطريقة توجيهية. ولكن بشكل عام ، يبدو أننا تعلمنا بناء مثل هذه الحوارات وعمليات الإقناع على مستويات مختلفة ، من المشغلين الذين لا يمكن اختراقهم إلى مديري الإنتاج القاسيين. هذه تجربة مثيرة للغاية ، خاصة لمثل هؤلاء المتخصصين في مجال تكنولوجيا المعلومات "الفانيليا" من موسكو مثلنا. ولكن ، كما يحدث عادة ، الشيء الحقيقي أفضل من أي إقناع ، لذلك إذا كانت نماذجنا تعمل بالفعل ، فهذه هي أفضل حجة وعادة ما تكون هذه المناقشات قصيرة الأجل.

كم مرة يجب أن تذهب إلى مؤسسة حقيقية عند تطوير نموذج وتنفيذه؟

يقضي محللو الأعمال معظم الوقت على الموقع. وهم موجودون دائمًا في فريق المشروع ، بالإضافة إلى علماء البيانات ومهندسي البيانات. يصف محللو الأعمال العمليات ، ويكتبون قواعد النظام وحدوده ، ويحتاجون إلى فهم عميق للعملية التي ستكون ، كما هو من المألوف الآن أن نقول ، "رقمنة" أو بالأحرى عذرًا ، "رقمنة". على الموقع ، يكتشفون بعض الفروق الدقيقة ويفهمون أين وكيف وماذا يجب تنفيذه لكي تعمل العملية: كيف تتم إدارة العملية عادةً ، وكيف لا يتم التحكم فيها ، والتي لا تتم كتابتها عادةً في اللوائح. يمكن تعلم الكثير من الأشياء فقط في غرفة التدخين ، والتحدث مع العمال المحليين الشاقين خلال فترة الراحة - كيف تسير الأمور حقًا ، حيث تحتاج حقًا إلى بذل الجهود ، وما إلى ذلك. إن مهمة المحللين هي الكشف عن الحاجة ، ولا يمكن اكتشاف ذلك إلا من خلال موظفين حقيقيين يعملون على الأرض بأيديهم. ولكن هناك خصوصية: هؤلاء الأشخاص الذين يعملون بأيديهم عادة ما يعيشون بعيدًا عن المدن التي يبلغ عدد سكانها أكثر من مليون نسمة. في بعض الأحيان تكون موجودة بشكل عام على أساس التناوب في الودائع والمحاجر. لذلك ، يجب أن نذهب إليهم في أماكن خلابة مختلفة.

أبعد ، أين ذهبت؟

كنا في كل مكان ، من منطقة مورمانسك إلى إقليم خاباروفسك.

هل يحدث غالبًا أن يبدأ النموذج الافتراضي الذي تم إنشاؤه العمل على الفور وبدون مفاجآت في الظروف الحقيقية؟

نحاول التقليل من جميع المفاجآت في مرحلة المسح ، ولكن عند تنفيذها ، لن تكتمل أبدًا بدونها. يمكن تقسيم المفاجآت إلى عدة مجموعات. الأول ، بالطبع ، تكنولوجيا المعلومات والبنية التحتية. لتحديث النماذج بمرور الوقت ، من المهم بالنسبة لنا الوصول إلى البيانات من أجل تغيير شيء ما أو إصلاحه أو إضافته. لكن الوصول إلى البنية التحتية قد لا يكون ممكنًا إذا كان الكائن موجودًا في مكان بعيد جدًا ، حيث يتم تنظيم الاتصال ، كما نقول ، "من خلال مشط" أو غائب تمامًا. إذا كان هذا معروفًا مسبقًا ، يمكنك بناء وتصحيح عملية من شأنها تحديث النموذج من تلقاء نفسه ، دون تدخل من منشئيها. يتم الآن القيام بذلك بسهولة نسبيًا ، ولدينا تقنيات جاهزة لذلك - ولكن مع ذلك ، أود أن أعرف مقدمًا أنه لن يكون هناك اتصال. كحد أدنى ، لأنه يؤثر على العمالة وتكاليف المشروع. غالبًا ما يذهب عملاء المشروع للتفاوض مع متخصصي تكنولوجيا المعلومات عندما يكون المشروع قريبًا بالفعل من التنفيذ. هذه ليست سمة الصناعة فقط ، ولكنها هنا أكثر أهمية. تعتمد بنية الحل بشكل كبير على ما إذا كانت الإنترنت متاحة أم لا ، كما قلت سابقًا. ولا يقتصر الأمر على النماذج فقط.

تتعلق الفئة الثانية من المشاكل بإدخال البيانات بشكل غير صحيح. على سبيل المثال ، بيانات عن جودة المنتجات المعتمدة ، وبيانات التحليل المختبري. يمكن أن يحدث هذا لأسباب مختلفة ، لن أتحدث عنها ، ومعظم الأسباب ليست ممتعة للغاية للتعبير ، ناهيك عن الاستماع ، ولكن هذه مشكلة كبيرة جدًا ، لأن النموذج الذي تعلم من البيانات الكاذبة يبدأ في توقع الخصائص الزائفة للعملية ويصدر توصيات غير صحيحة . هذا يمكن أن يشطب المشروع بأكمله.

تذكر أنموذج التنفيذ الأكثر نجاحًا واستهلاكًا للوقت.

سأبدأ بمشروع ناجح في نظام الطاقة. رأينا العميل مرتين فقط. في المرة الأولى التي وصلنا فيها ، أوضحنا المهمة ، وتم تزويدنا بالمعلومات اللازمة ، وغادرنا واستدعينا مرة واحدة في الأسبوع. بعد ثلاثة أشهر ، تم طرح الإصدار الأول ، بعد شهرين آخرين ، الإصدار النهائي. كل شيء يعمل بشكل مثالي ، يتم تحديث النماذج تلقائيًا ويعمل النظام دون أعطال لأكثر من عامين حتى الآن. يتطلب المشروع الحد الأدنى من الجهد ، لأن العميل كان مؤهلاً للغاية: لقد فهم ما يحتاجه ، وكيف يجب إدارته ، وعلمنا عن جميع الفروق الدقيقة مسبقًا.

هناك أمثلة أكثر كثافة من العمالة. لسوء الحظ ، فإن وجود مصطلح "رقمنة" في المحادثات الأولية مع العميل هنا غالبًا ما يكون علامة على أن المشروع لن ينجح. غالبًا ما نسمع: "أنت تشارك في عملية التحول الرقمي لدينا ، ونعيد تصميم كل شيء تمامًا ، لذا قم بلف الذكاء الاصطناعي هنا." في الوقت نفسه ، غالبًا ما لا يفهم الناس أنه يجب عليهم حل المشكلات ليس بمساعدة الآلة ، ولكن أولاً عن طريق تغيير العمليات في شركتهم إلى "رقمنة" أكثر ملاءمة. يجب أن تكون عمليات التغيير (أو على الأقل إعادة التفكير فيها) دائمًا المرحلة الأولى من التغيير مع أي رقمنة أو تطور آخر. أي أداة ، بما في ذلك التعلم الآلي ، لها حدود للتطبيق. إذا كانت العملية قديمة ، دون المستوى الأمثل ، بل والأسوأ - مبنية بالكامل على إجماع الناس (يحتاج العديد من الأشخاص إلى الجلوس وتحديد ما يجب فعله - يحدث هذا غالبًا في لوجستيات الإنتاج ، حيث يتصادم المصنعون واللوجستيون والتجارة) ، فلن يصلحها التعلم الآلي. وعلى العكس من ذلك ، في بعض الأحيان ، فإن أبسط التغييرات في العمليات (على سبيل المثال ، مفهوم "التصنيع الخالي من الهدر") تسمح لنا بتحقيق تأثيرات لا يمكن أن تحققها ML. لسوء الحظ ، قلة قليلة من "المحولات" تفهم هذا وتعمل في هذا الاتجاه. Hypanut على تنفيذ الذكاء الاصطناعي ، بغض النظر عن السبب ، هو ممارسة أكثر شيوعا.

مثال بسيط: يوجد عمود تقطير ، حيث يمكنك التحكم في معدلات تغذية البخار والارتداد. إذا قمنا ببساطة بإصدار توصيات للمشغل على الشاشة - "رفيق ، قم بلف هذا القلم هكذا" - لسوء الحظ ، لن يكون هناك أي تأثير تقريبًا من النظام. من الناحية المثالية ، يجب أن يبقى الشخص للتحكم فقط ، ويجب أن يكون التحكم المباشر تلقائيًا. مثل هذا التغيير في العملية ، وفقًا لتقديراتنا المحافظة للغاية ، يعطي تحسنًا 3-4 مرات. أنا لا أؤيد طرد جميع الناس واستبدالهم بالسيارات - حتى مجرد تغيير طفيف في العملية باستثمار قليل جدًا يعطي تأثيرًا أكبر بكثير.

العديد من المشاريع ، التي يُدَّعى أن الذكاء الاصطناعي يُنفذ فيها ، تبدو في الواقع هكذا ، معذرة على رحم الحقيقة: يعرض بعض العم Vasya توصيات على الشاشة ، ينظر إليها ويقول: "نعم ، إلى الجحيم معه ، ربما غدًا سأضعه كما يريد - لكن اليوم لن أفعل أي شيء ". من المؤسف للغاية أن يتم تقسيم التقنيات الرائعة القوية إلى عمليات المؤسسة والأشخاص غير المستعدين لتغيير هذه العمليات. ولكن إذا وضع هذا العم Vasya KPI لتنفيذ توصيات النظام. أو حتى بدون AI على الإطلاق - لوضع Vasya KPI على العائد المحدد للمنتج للمواد الخام ، كمكافأة على الراتب - فهناك تأثيرات خطيرة حقًا. شريطة ، بالطبع ، أنه لا يمكن استبدال العم Vasya بوحدة تحكم ، ولكن هذا بالفعل سؤال من مستوى مختلف.

ما هو وضع جمع البيانات والتعلم الآلي في الشركات؟ كم منهم يحاولون السير في هذا الاتجاه؟

تتحسن إحصاءات عدد الشركات كل عام. القادة ، كالعادة ، هم أولئك الذين يملكون المال والفرصة للاستثمار في الآثار طويلة الأجل: صناعة النفط والبتروكيماويات والمعادن.الكل يلحق بالركب.

ولكن عليك أن تفهم أنه في الأساس هذه أنظمة تقدم توصيات لشخص ما ، وقد اتخذ بالفعل قرارًا بشأن ما إذا كان يجب فعل شيء وفقًا لهذه التوصيات أم لا ، لا يوجد عمليًا تنفيذ تلقائي للتوصيات. هذا هو بالتأكيد سدادة لتطوير هذه الأنظمة. بشكل عام ، لم يكن هذا بالطبع صناعة 4.0 أبدًا ، حيث أنهم غالبًا ما يرغبون في وضعها في وسائل الإعلام. لكن إعادة التجهيز بالأتمتة يتطلب نفقات رأسمالية كبيرة ، لذلك نحن سعداء الآن بما لدينا.

نود أن نرى العمليات في الشركات أكثر عضوية: يقوم الأشخاص أولاً بجمع البيانات ، ثم يطبقون التعلم الآلي على أساسهم. في الواقع ، في البداية ، هناك حاجة إلى القيام بشيء يعتمد على AI / ML ، نأتي إلى العميل ونفهم أنه لا يتم جمع البيانات اللازمة. أو أنها تضيف في شكل رهيب ، بحيث أنه من المستحيل الحصول عليها - تحتاج إلى بدء مشروع جمع البيانات. منذ حوالي 5-7 سنوات ، كان الأمر شائعًا في الاتصالات والبنوك في كل مكان (لم يعد الآن) - تواجه الصناعة اليوم نفس المشاكل. كانت هناك مشاريع تأخرت لمدة ستة أشهر - عام ونصف بسبب نقص البيانات.

هل هذا هو الوقت الذي يستغرقه تنفيذ أجهزة الاستشعار وأنظمة الحصول على البيانات؟

لدى كل شخص تقريبًا أجهزة استشعار - السؤال هو أنه قد لا يتم تخزين البيانات منها أو تخزينها في بعض التخزين قصير المدى لمدة ثلاثة أشهر ، على سبيل المثال ، بحيث يمكن ترتيب تحليل الرحلة بناءً عليها. كما لا لزوم لها ، لم يعد من الممكن تخزينها ، وإذا تم تخزينها ، ثم في شكل غير مناسب للتحليل. علينا القيام بعمليات استخراجها وتنقيتها. وهناك حالات مضحكة للغاية عندما يبدو أن كل شيء موجود ، ولكننا نأتي إلى المؤسسة - وهناك كل التناظرية الأنبوبة الدافئة ، على سبيل المثال ، مؤشرات الاتجاه .

, , AI ML, 1-2%. , : , , , ? 1-2%. , .

success fee. — 50 — , , . 10 , 2-3 . 70-80 — , . , , , — , .

ما أنواع المهام القياسية التي يحلها الذكاء الاصطناعي في الإنتاج؟

تتمثل المهمة الأكثر شيوعًا في التنبؤ بفشل المعدات ، أو بالأحرى ، تشخيص لحظات السلوك غير النمطي. هناك ميزات هنا: نحتاج إلى بيانات قد لا يتم جمعها ، نحتاج إلى معلومات حول كيفية عمل هذه المعدات - لهذا هناك أفراد إنتاج نتشاور معهم. لأن بعض الأنماط في البيانات منطقية ولا تعني أن الجهاز لا يعمل بشكل صحيح.

أحد الأمثلة على هذه المهمة هو تحديد المدة التي يمكن أن يعمل فيها قسم معين من خط الأنابيب ، اعتمادًا على مكان دفنه ، ومدى عمقه ، كما هو موضح في أحدث البيانات من الفحص الداخلي للأنابيب أو التحكم المغناطيسي ، وعدد المرات التي تتغير فيها الأنظمة وما هي. يمكننا توقع متى سيصبح الأنبوب غير صالح للاستخدام والتخطيط الأمثل لاستبداله.

النوع الثاني من المهام ينطوي على الحاجة إلى تحسين بعض العمليات. دعونا نفحص مثالاً باستخدام الطاقة الحرارية ، باعتباره الأكثر تفهمًا للقارئ العام. يمكننا التحكم في الظروف الحرارية في مصادر الطاقة الحرارية (المراجل ومحطات الطاقة الحرارية ، وما إلى ذلك) ، في حين يجب علينا الحفاظ على مستوى معين من درجة الحرارة في غرف مختلفة: فهي على مسافات مختلفة ، مبنية من مواد مختلفة ، وتختلف في الجيوديسيا ، ونتيجة لذلك ، يبرد بشكل مختلف عن طريق الهواء المحيط. كيفية بناء الأنظمة الحرارية على النحو الأمثل في غرفة المرجل أو محطة الطاقة الحرارية من أجل الحفاظ على مؤشر لمستوى الجودة فيما يتعلق بالعميل النهائي؟ هنا تحتاج إلى تحديد المؤشر الرئيسي للفعالية. يمكننا إنفاق طاقة أقل في المجموع على التدفئة وضخ سائل التبريد ، يمكننا تقليل عدد الشكاوى من الجدات المجمدة ،يمكننا تقليل تكاليف التدفئة المتغيرة أو تقليل فقد الحرارة أو حتى تآكل المعدات. يمكنك القيام بأي نموذج للتحسين - فقط أخبر الأولويات النسبية للعوامل المختلفة. هذا الاختيار هو المشكلة الأكبر. تخيل نفسك صاحب شركة تدفئة. كم عدد الجدات الساخطين هل أنت على استعداد للتبادل لحقيقة أن هذا الأنبوب سيعيش شهرين أطول؟ سؤال صعب للغاية. لذلك ، يعمل محللو الأعمال لدينا ، من بين أمور أخرى ، على المساعدة في تقليل جميع العوامل إلى الروبل باعتبارها القيمة الأكثر عالمية للقياسات. بعد ذلك ، يصبح من الواضح عادة ما يجب العمل عليه وما يجب تحسينه.هذا الاختيار هو المشكلة الأكبر. تخيل نفسك صاحب شركة تدفئة. كم عدد الجدات الساخطين هل أنت على استعداد للتبادل لحقيقة أن هذا الأنبوب سيعيش شهرين أطول؟ سؤال صعب للغاية. لذلك ، يعمل محللو الأعمال لدينا ، من بين أمور أخرى ، على المساعدة في تقليل جميع العوامل إلى الروبل باعتبارها القيمة الأكثر عالمية للقياسات. بعد ذلك ، يصبح من الواضح عادة ما يجب العمل عليه وما يجب تحسينه.هذا الاختيار هو المشكلة الأكبر. تخيل نفسك صاحب شركة تدفئة. كم عدد الجدات الساخطين هل أنت على استعداد للتبادل لحقيقة أن هذا الأنبوب سيعيش شهرين أطول؟ سؤال صعب للغاية. لذلك ، يعمل محللو الأعمال لدينا ، من بين أمور أخرى ، على المساعدة في تقليل جميع العوامل إلى الروبل باعتبارها القيمة الأكثر عالمية للقياسات. بعد ذلك ، يصبح من الواضح عادة ما يجب العمل عليه وما يجب تحسينه.ما العمل عليه وما يجب تحسينه.ما العمل عليه وما يجب تحسينه.

ما أنواع المهام التي أصبح من الممكن حلها مؤخرًا بفضل تحسين أساليب MO؟

أنا ، على الأرجح ، سيخيب أمل معظم القراء ، لأن الحركة لا ترجع إلى استخدام أحدث الإنجازات في طرق ML. ليس لأن ما يتم إدخاله في الإنتاج يجب أن يتم اختباره بالوقت وأكثر استدامة. هنا يذهب التطور في الاتجاه الآخر: يحتاج النموذج إلى تكوين صداقات مع الفيزياء والكيمياء ، والتي سبق أن تحدثت عنها من قبل. اتضح أن هذا صعب للغاية أيضًا من وجهة نظر ML.

أعط أمثلة من ممارستك عندما كانت القرارات التي تتخذها الآلات أكثر نجاحًا وكفاءة من تلك التي أتت من شخص.

في الواقع ، القرارات والتوصيات الصادرة عن النظام تكون دائمًا أكثر فاعلية من تلك التي يتخذها الشخص. وإلا ، فإن عملنا ببساطة لن يكون له معنى. فيما يلي بعض الأمثلة.

, . , , , , . , ( 1-2% — ) .

— -, . . . , , , .

في صناعة النفط - قمنا بتحسين تشغيل المضخات أثناء الرفع الميكانيكي للنفط. لقد تعلمنا أن نزيد قليلاً من معدل إنتاج النفط بسبب التحكم الأكثر كفاءة في أوضاع الضخ. من المهم أن نستخدم في هذه الحالة الحد الأدنى من البيانات الجيولوجية نظرًا لأن أفق التحكم الخاص بنا ليس طويلًا جدًا (حتى شهر واحد) وننجح في تجنب عمليات التكامل مع برامج تشكيل النماذج المعقدة والمكلفة للغاية.

كل الإنتاج في روسيا واحد ، والقول بأننا نعمل في مكان ما يعني فتح العميل على الفور وانتهاك اتفاقية عدم الإفشاء. لذلك ، دعنا نقول أنه يمكننا أن نفعل نفس الأشياء لتحسين إنتاج الأسمدة المعدنية والصناعات الكيميائية المختلفة (وليس من البتروكيماويات). من البداية - مشروع المصنع الرقمي لشركة PJSC Gazprom Neft ، والذي يسهل الوصول إلى تفاصيله.