Warum Pflanzen maschinelles Lernen brauchen

Wie maschinelles Lernen in Industrieunternehmen eingeführt wird, die hier den größten Erfolg erzielt haben und welche Anwendungsbeispiele bereits vorhanden sind, haben wir von Roman Chebotarev ( konvex ) gelernt. Roman ist ML-Architekt und Implementierungsdirektor bei Digital . Seit 11 Jahren implementiert er Technologien für intelligentes maschinelles Lernen und künstliche Intelligenz. In den letzten Jahren hat sich Roman auf ML / AI in der Branche spezialisiert.


Erzählen Sie uns von Ihrem Karriereweg.

Ich begann meine Karriere mit maschinellem Lernen (obwohl ein solcher Begriff damals noch nicht weit verbreitet war) für Computer-Vision-Aufgaben. Ich habe verschiedene Module für Videoanalysesysteme entwickelt: Überlastungsdetektoren, Rauchmelder, Objektzähler. Damals waren sie auch als Sicherheitssysteme der zukünftigen Generation geplant - heute werden sie überall eingesetzt.

Langsam wechselte ich von der Bildanalyse zur Datenanalyse im Allgemeinen. Ich habe bereits bei CROC gearbeitet, wo ich als Entwickler tätig war, und bin als Leiter der Praxis für maschinelles Lernen gegangen. Die meiste Erfahrung habe ich dort gemacht, und im Grunde haben wir die Probleme gelöst, die mit der Vorhersage verschiedener quantitativer Größen in der Zukunft verbunden sind. Weitere Aufgaben waren im Einzelhandel zu verzeichnen - maschinelles Lernen war damals bei Kunden in diesem Bereich am gefragtesten. Wir haben die Aufgaben der Bedarfsprognose zur Optimierung der Logistik gelöst. Es gab viele solcher Aufgaben in verschiedenen Bereichen: vom Lebensmitteleinzelhandel bis zu Autotankstellen.

Dann nahm das ernsthafte Interesse an maschinellem Lernen bei Industrieunternehmen Gestalt an. Irgendwann beschlossen meine Partner und ich, mein eigenes Startup zu organisieren - Theta Data Solution. Wir haben 6 Projekte und mehr als 10 Piloten pro Jahr für Industrieunternehmen durchgeführt, und dann wurde das Unternehmen von der Firma "Digital" übernommen, wo ich jetzt als Director of Implementation in der AI-Abteilung arbeite. Im Vergleich zum ursprünglichen Startup-Team haben wir uns stark erweitert: In unserem KI-Stamm (wie wir uns nennen) gibt es jetzt mehr als 30 Leute.

Wann war die Branche an maschinellem Lernen interessiert?

Das Interesse bestand schon immer, aber die Bereitschaft der Unternehmen, in diese Projekte zu investieren, wenn auch sehr, sehr schleppend, zeigte sich nach meinen Beobachtungen 2013. Mehr oder weniger wurde es möglich, dies bis 2016 als Trend zu bezeichnen. Jetzt hat die Phase des schnellen Wachstums begonnen.

Was sind die Besonderheiten beim Entwurf von Modellen für maschinelles Lernen für Industrieunternehmen?

In der Industrie gibt es einen sehr hohen Fehlerpreis. Wenn Sie anfangen, eine Installation falsch zu verwalten, funktioniert sie bestenfalls schlecht, nicht so effizient wie möglich (in jedem Fall sind dies sehr große Mengen in Rubel), und im schlimmsten Fall treten irreversible Prozesse auf und es sind teure Reparaturen erforderlich.

Dies wirkt sich auf die Konstruktion und den Betrieb der Modelle aus: Sie sind sehr „schief“, um weniger zu experimentieren. Wenn Sie es sich beispielsweise in der Fintech- oder Telekommunikationsbranche leisten können, A / B-Tests durchzuführen und ihnen eine grundlegend andere Werbung zu zeigen, einen gezielten Rabatt usw. auf der Ebene einer Untergruppe von Kunden zu gewähren, sind die Tools und Experimentiermöglichkeiten in der Industrie viel enger . Wenn Sie versuchen, die Merkmale in einem Satz zu formulieren, können keine drastischen Änderungen in der Arbeit des industriellen Systems vorgenommen werden. Änderungen werden sehr klein und direktional sein. Wir werden Anpassungen vornehmen, sehen, was passiert - und, wenn alles gut geht, versuchen, uns in diese Richtung zu bewegen, aber mit sehr kleinen Schritten. Dies wird als Regularisierung von maschinellen Lernmodellen (genauer gesagt Kontrollmodellen) bezeichnet - in der Industrie sind sie für Änderungen sehr reguliert. Auf diese Weise wird die Möglichkeit eines kostspieligen Fehlers minimiert.

Das zweite Merkmal ist, dass Modelle für maschinelles Lernen (ML) sich mit Physik und Chemie anfreunden müssen. Das ist nicht einfach genug. Ein auf Daten basierendes Modell kümmert sich nicht darum, welche Art von Physik hinter einem bestimmten Prozess steckt - es erfasst einfach die Muster zwischen den Daten. Es stellt sich oft heraus, dass das konstruierte Modell völlig unphysisch ist. Zum Beispiel versteht jeder gesunde Mensch - und die Physik bestätigt dies: Wenn Sie die Temperatur des Kühlmittels im Heizsystem erhöhen, wird es in den Häusern wärmer, ceteris paribus. Ein Modell kann eine völlig andere Beziehung lernen, manchmal das Gegenteil. Indirekten Faktoren (Temperaturunterschieden auf der Straße, Tageszeit usw.) mehr Gewicht zu geben und dabei zu lernen, das richtige Verhalten zu sein, aber die "falschen" Faktoren zu verwenden.

Jetzt arbeiten die Leute in der Branche und sind offen für neue Technologien. Sie versuchen herauszufinden, was wir ihnen anbieten, um zu liefern. Wenn die Modelle nicht physisch sind (wie durch ein paar einfache Tests bestätigt), gibt niemand grünes Licht, um ein solches System zu starten. Am Ende stellte sich jedoch heraus, dass wir aufgrund solcher Fehler nach aktuellen Schätzungen einen anderen, viel effektiveren Weg gefunden haben.

Es gibt theoretische oder empirische Gesetze, Differentialgleichungssysteme und eine riesige Wissensschicht, die von Physikern und Chemikern geschaffen wurden. Dieses Wissen wird bei der Planung von Anlagen verwendet und beschreibt im Allgemeinen den Produktionsprozess mehr oder weniger gut. Wir integrieren dieses Wissen zusammen mit ML, um physikalische Modelle zu erhalten. Tatsächlich stützen wir uns auf eine Reihe bekannter Abhängigkeiten und Unterschiede, verfeinern die Koeffizienten der verfügbaren Daten und beschreiben auch die Dynamik, die durch physikalische Ansätze mit ziemlich Standard-ML-Ansätzen nicht "gelernt" werden konnte (Boosting). .

Aus Gründen der Klarheit führe ich häufig das Konzept "Daten ausgeben" ein. Wenn Sie einem Modell etwas beibringen, „verschwenden“ Sie Daten (in dem Sinne, dass jede Wiederverwendung im Training ein eher subtiler Punkt ist, besteht die Gefahr von „Übertraining“ - Überanpassung). Wir "geben" also keine Daten für die Wiederherstellung von Mustern und Abhängigkeiten aus, die dank Wissenschaftlern und Technologen allgemein bereits bekannt sind. Wir verwenden diese bekannten Abhängigkeiten und „geben“ die Daten aus, um die Merkmale zu klären, die Abhängigkeiten zu vervollständigen, die in physischen Modellen nicht berücksichtigt wurden, und schließlich Modelle zu erstellen, die die Merkmale jedes lokalen Produktionsstandorts oder sogar eines Geräts berücksichtigen und wissen, wie es im Grunde funktioniert.

Dadurch erhalten wir bessere und stabilere Modelle. Natürlich sind die physikalischen und chemischen Prozessmodelle nicht immer verfügbar oder vollständig - für diesen Fall verfügt unser Team über Analysten mit Erfahrung in den jeweiligen Branchen, die geeignete physikalische Basismodelle für Datenwissenschaftler erstellen könnten.

Darüber hinaus versuchen wir, mithilfe der Ansätze der Theorie der automatischen Steuerung Entscheidungen über die optimalen Steuerungsparameter zu treffen, die bei der Installation festgelegt werden müssen, wobei die unvermeidliche Zeitverzögerung und die Wahrscheinlichkeit zu berücksichtigen sind, dass die Empfehlung überhaupt nicht akzeptiert wird. Im Allgemeinen schauen wir uns die Ansätze des Reinforcement Learning genau an, aber bisher sind die daraus resultierenden Kontrollgesetze (Richtlinien) in unseren Aufgaben ziemlich instabil. Die Kombination dieser Ansätze liegt jedoch sicherlich in der Zukunft. Und das ist nicht nur meine Meinung.

Ein solcher „physischer“ Ansatz ergab schließlich eine wichtige langfristige Konsequenz: Aufgrund der größeren Stabilität solcher Modelle wachen wir selten nachts auf, um zu sagen, dass etwas schief gelaufen ist und das Modell umgeschult werden muss. Infolgedessen verbringen wir weniger Zeit mit Support.

Viele Menschen auf der Welt haben an einen solchen hybriden Ansatz gedacht, aber in Russland waren wir einer der ersten, die über Experimente hinausgingen und ihn in die tatsächliche Produktion umsetzten.

Am 22. November wird Roman Moderator der Diskussionsrunde „KI und IoT: Erwartung und Realität“ auf der KI-Konferenz. Details und Programm der Veranstaltung - auf der offiziellen Website .

Wie läuft die Arbeit an der Erstellung eines digitalen Modells des Produktionsprozesses?

Das Projekt zur Entwicklung und Umsetzung unterscheidet sich kaum von anderen Branchen. Im Allgemeinen fühlen sich Projektmanager, die beispielsweise von der Bankenbranche zur Branche kommen, recht wohl (abgesehen von der Tatsache, dass sich Technologen normalerweise über sie lustig machen). Aus organisatorischer Sicht unterscheiden sich Projekte kaum. Zunächst erfassen wir die Erwartungen des Kunden - was er erreichen möchte. Manchmal bieten wir an, sie gemeinsam auszuarbeiten, wenn sie nicht wissen, was sie wollen, aber wirklich digitalisieren wollen. Gemeinsam finden wir Verbesserungspunkte, setzen sie in messbare KPIs ein, führen Prototypen durch, führen ein wenig Forschung oder sogar ein Pilotprojekt durch - wir überzeugen uns und den Kunden davon, dass diese KPIs erreichbar sind. Danach entwickeln wir Modelle, nutzen eine große Anzahl unserer aktuellen Entwicklungen und integrieren sie in Produktionssysteme Kunden und implementieren das System in der Produktion.

Die Hauptmerkmale konzentrieren sich auf die Implementierungsphase. Die Systeme sind recht komplex - sowohl hinsichtlich ihrer Funktionsweise als auch hinsichtlich der Daten, mit denen sie zu verschiedenen Zeitpunkten Entscheidungen treffen. Die Arbeiter im Werk verfügen meist nicht über eine spezielle Ausbildung, um mit ihnen zu arbeiten. Daher müssen sie spezielle Dashboards und Gedächtnisschemata entwickeln und Schulungen durchführen. Gleichzeitig gibt es ein Handbuch, das recht gut versteht, was sie benötigen, und andere Dashboards mit detaillierteren Informationen erstellt.

Im Allgemeinen ist der Haupt- "Feind" unserer Systeme ein Verfahrenstechniker. Entscheidungen zur Änderung des Regimes werden von ihm getroffen, und er hat normalerweise seine eigene Meinung darüber, wie die ihm anvertraute Werkstatt oder Produktionsstätte funktionieren soll. Es wird viel Zeit darauf verwendet, die direkten Ausführenden davon zu überzeugen, den Empfehlungen des Systems zu glauben. Genauer gesagt, nicht nur „glauben“, sondern nehmen und testen - schauen Sie sich zuerst die Empfehlungen an und wenden Sie sie dann punktuell an. Oft sind diese Mitarbeiter den direkten Kunden des Projekts nicht direkt untergeordnet, und es ist einfach nicht möglich, sie zu zwingen, den Empfehlungen auf richtungsweisende Weise zu folgen. Insgesamt scheinen wir jedoch gelernt zu haben, solche Dialoge und Überzeugungsprozesse auf verschiedenen Ebenen aufzubauen, von undurchdringlichen Bedienern bis hin zu harten Produktionsmanagern. Dies ist eine äußerst interessante Erfahrung, insbesondere für solche „Vanille“ -IT-Mathematiker aus Moskau wie uns. Aber wie es normalerweise passiert, ist die Realität besser als jede Überzeugung. Wenn unsere Modelle also wirklich funktionieren, ist dies das beste Argument, und solche Diskussionen sind normalerweise nur von kurzer Dauer.

Wie oft müssen Sie zu einem echten Unternehmen gehen, wenn Sie ein Modell entwickeln und implementieren?

Geschäftsanalysten verbringen die meiste Zeit auf der Website. Sie sind neben Datenwissenschaftlern und Dateningenieuren immer im Projektteam präsent. Geschäftsanalysten beschreiben die Prozesse, schreiben die Regeln und Einschränkungen des Systems auf und müssen den Prozess genau verstehen, der, wie es heute in Mode ist, „digitalisieren“ oder besser gesagt „digitalisieren“ sein wird. Auf der Website finden sie bestimmte Nuancen heraus und verstehen, wo, wie und was implementiert werden muss, damit der Prozess funktioniert: wie der Prozess normalerweise verwaltet wird, wie sie nicht gesteuert werden, was normalerweise nicht in den Vorschriften festgelegt ist. Sehr viele Dinge können nur im Raucherraum gefunden werden, wenn man in der Pause mit lokalen harten Arbeitern spricht - wie die Dinge wirklich sind, wo man wirklich Anstrengungen unternehmen muss usw. Die Aufgabe der Analysten besteht darin, die Notwendigkeit aufzudecken, und dies kann nur von echten Mitarbeitern herausgefunden werden, die Sie arbeiten mit ihren eigenen Händen am Boden. Aber es gibt eine Besonderheit: Menschen, die mit ihren eigenen Händen arbeiten, leben normalerweise weit entfernt von Städten mit mehr als einer Million Einwohnern. Manchmal sind sie in Lagerstätten und Steinbrüchen in der Regel rotierend vorhanden. Deshalb müssen wir an verschiedenen malerischen Orten zu ihnen gehen.

Am weitesten, wohin bist du gegangen?

Wir waren überall, von der Region Murmansk bis zum Gebiet Chabarowsk.

Kommt es häufig vor, dass das erstellte virtuelle Modell unter realen Bedingungen sofort und ohne Überraschungen funktioniert?

Wir versuchen, alle Überraschungen in der Umfragephase zu minimieren, aber wenn sie implementiert werden, sind sie ohne sie niemals vollständig. Überraschungen können in mehrere Gruppen unterteilt werden. Das erste ist natürlich IT und Infrastruktur. Um Modelle im Laufe der Zeit zu aktualisieren, ist es wichtig, dass wir Zugriff auf Daten haben, um etwas zu ändern, zu reparieren und hinzuzufügen. Der Zugriff auf die Infrastruktur ist jedoch möglicherweise nicht möglich, wenn sich das Objekt an einem sehr weit entfernten Ort befindet, an dem die Verbindung, wie wir sagen, „durch einen Kamm“ organisiert ist oder überhaupt nicht vorhanden ist. Wenn dies im Voraus bekannt ist, können Sie einen Prozess erstellen und debuggen, der das Modell selbst aktualisiert, ohne dass die Ersteller eingreifen müssen. Dies ist jetzt relativ einfach möglich, wir haben dafür vorgefertigte Technologien - aber ich würde trotzdem gerne im Voraus wissen, dass es keine Verbindung geben wird. Zumindest, weil es die Arbeit und die Kosten des Projekts beeinflusst. Projektkunden verhandeln am häufigsten mit IT-Spezialisten, wenn das Projekt bereits kurz vor der Implementierung steht. Dies ist nicht nur für die Industrie charakteristisch, sondern auch für die Industrie. Die Architektur der Lösung hängt stark davon ab, ob das Internet verfügbar ist oder nicht, wie ich bereits sagte. Und es geht nicht nur um die Modelle.

Die zweite Klasse von Problemen hängt mit einer falschen Dateneingabe zusammen. Zum Beispiel Daten zur Qualität zertifizierter Produkte, Laboranalysedaten. Dies kann aus verschiedenen Gründen geschehen, ich werde nicht darüber sprechen. Die meisten Gründe sind nicht sehr angenehm zu hören, geschweige denn zu hören, aber dies ist ein sehr großes Problem, da ein Modell, das aus falschen Daten gelernt hat, falsche Eigenschaften des Prozesses vorhersagt und falsche Empfehlungen abgibt . Dies kann das gesamte Projekt durchstreichen.

Denken Sie an das erfolgreichste und zeitaufwändigste Implementierungsbeispiel.

Ich werde mit einem erfolgreichen Projekt im Stromnetz beginnen. Wir haben den Kunden nur zweimal gesehen. Als wir das erste Mal ankamen, klärten wir die Aufgabe, erhielten die notwendigen Informationen, gingen und riefen einmal pro Woche an. Drei Monate später wurde die erste Veröffentlichung eingeführt, nach zwei weiteren die endgültige Veröffentlichung. Alles hat perfekt funktioniert, die Modelle werden automatisch aktualisiert und das System arbeitet seit mehr als zwei Jahren fehlerfrei. Das Projekt erforderte einen minimalen Aufwand, da der Kunde sehr kompetent war: Er verstand, was er brauchte, wie was verwaltet werden sollte, und wir wussten im Voraus über alle Nuancen Bescheid.

Es gibt viel arbeitsintensivere Beispiele. Leider ist das Vorhandensein des Begriffs „Digitalisierung“ in Vorgesprächen mit dem Kunden hier oft ein Zeichen dafür, dass das Projekt nicht erfolgreich sein wird. Oft hören wir: "Sie nehmen an unserem digitalen Transformationsprozess teil, wir machen alles komplett neu, also schrauben Sie Ihre KI hier." Gleichzeitig verstehen die Menschen oft nicht, dass sie Probleme nicht mit Hilfe einer Maschine lösen sollten, sondern zunächst, indem sie die Prozesse in ihrem Unternehmen auf geeignetere „Digitalisierungen“ umstellen. Das Ändern von Prozessen (oder zumindest das Überdenken) sollte immer die erste Phase des Wandels bei jeder Digitalisierung oder anderen Entwicklung sein. Jedes Werkzeug, einschließlich maschinelles Lernen, hat Grenzen der Anwendbarkeit. Wenn der Prozess uralt, suboptimal und noch schlimmer ist - er basiert ausschließlich auf dem Konsens der Menschen (mehrere Menschen müssen sich hinsetzen und entscheiden, was zu tun ist - dies geschieht häufig in der Produktionslogistik, wo Hersteller, Logistiker und Handel kollidieren), wird dies durch kein maschinelles Lernen behoben. Und im Gegenteil, manchmal ermöglichen uns die einfachsten Änderungen in den Prozessen (zum Beispiel das Konzept der „schlanken Fertigung“), Effekte zu erzielen, die kein ML erzielen kann. Leider verstehen dies nur sehr wenige "Transformatoren" und arbeiten in diese Richtung. Hypanut über die Implementierung von KI, egal warum, ist allgemeiner üblich.

Ein einfaches Beispiel: Es gibt eine Destillationskolonne, in der Sie die Zufuhrraten von Dampf und Rückfluss steuern können. Wenn wir dem Bediener auf dem Bildschirm einfach Empfehlungen geben - „Kumpel, dreh diesen Stift so“ -, hat das System leider fast keine Auswirkungen. Idealerweise sollte eine Person nur zur Kontrolle bleiben, und die direkte Kontrolle sollte automatisch erfolgen. Eine solche Änderung des Prozesses führt nach unseren sehr konservativen Schätzungen zu einer 3-4-fachen Verbesserung. Ich bin nicht dafür, alle Menschen zu entlassen und durch Autos zu ersetzen - nur eine kleine Änderung des Prozesses mit sehr geringen Investitionen hat eine viel größere Wirkung.

Viele Projekte, von denen behauptet wird, dass KI dort implementiert ist, sehen tatsächlich so aus, vergeben die Wahrheit, den Mutterleib: Ein Onkel Vasya zeigt Empfehlungen auf dem Bildschirm an, er schaut sie an und sagt: „Ja, und zur Hölle mit ihm, vielleicht morgen ich Ich werde es so ausdrücken, wie er will - aber heute werde ich nichts tun. " Es ist sehr bedauerlich, dass leistungsstarke coole Technologien in die Prozesse des Unternehmens und in Personen zerlegt werden, die nicht bereit sind, diese Prozesse zu ändern. Aber wenn dieser Onkel Vasya KPI setzt, um die Empfehlungen des Systems umzusetzen. Oder auch ohne KI - um Vasya KPI auf die spezifische Ausbeute des Produkts an Rohstoffe zu setzen, nur als Bonus auf das Gehalt - dann gibt es wirklich schwerwiegende Auswirkungen. Vorausgesetzt natürlich, Onkel Vasya kann nicht durch einen Controller ersetzt werden, aber dies ist bereits eine Frage aus einer anderen Ebene.

Wie ist die Situation bei der Datenerfassung und beim maschinellen Lernen in Unternehmen? Wie viele von ihnen versuchen, in diese Richtung zu gehen?

Die Statistik über die Anzahl der Unternehmen verbessert sich jedes Jahr. Die Marktführer sind wie üblich diejenigen, die Geld haben und die Möglichkeit haben, in langfristige Effekte zu investieren: Ölindustrie, Petrochemie und Metallurgie.Alle anderen holen auf.

Sie müssen jedoch verstehen, dass es sich im Grunde genommen um Systeme handelt, die einer Person Empfehlungen geben, und sie bereits eine Entscheidung trifft, ob sie etwas gemäß diesen Empfehlungen unternimmt oder nicht. Es gibt praktisch keine automatische Ausführung von Empfehlungen. Dies ist sicherlich ein Hindernis für die Entwicklung dieser Systeme. Im Allgemeinen war dies natürlich nie Industrie 4.0, da sie es oft gerne in den Medien positionieren. Die Umrüstung mit Automatisierung erfordert jedoch große Investitionen, sodass wir vorerst mit dem, was wir haben, zufrieden sind.

Wir möchten, dass Prozesse in Unternehmen organischer werden: Menschen sammeln zuerst Daten und implementieren dann maschinelles Lernen auf ihrer Basis. In der Tat besteht zunächst die Notwendigkeit, etwas basierend auf AI / ML zu tun. Wir kommen zum Kunden und verstehen, dass die erforderlichen Daten nicht erfasst werden. Oder sie summieren sich in einer schrecklichen Form, so dass es unmöglich ist, sie zu bekommen - Sie müssen ein Datenerfassungsprojekt starten. Vor ungefähr 5-7 Jahren war es in Telekommunikation und Banken überall üblich (jetzt nicht mehr) - heute hat die Branche die gleichen Probleme. Es gab Projekte, die sich um sechs Monate verzögerten - anderthalb Jahre aufgrund fehlender Daten.

Ist dies die Zeit, die für die Implementierung von Sensoren und Datenerfassungssystemen benötigt wird?

Fast jeder hat Sensoren - die Frage ist, dass die Daten von ihnen entweder drei Monate lang nicht oder nur kurzfristig gespeichert werden können, damit auf dieser Grundlage eine Fluganalyse durchgeführt werden kann. Als unnötig können sie nicht mehr gespeichert werden, und wenn sie gespeichert sind, in einer für die Analyse ungeeigneten Form. Wir müssen die Prozesse ihrer Extraktion und Reinigung durchführen. Und es gibt ziemlich komische Fälle, in denen alles da zu sein scheint, aber wir kommen zum Unternehmen - und es gibt alle Warmrohr- Analoga, zum Beispiel Richtungsanzeiger .

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

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

Welche Standardtypen von Aufgaben löst AI in der Produktion?

Die häufigste Aufgabe besteht darin, den Ausfall von Geräten vorherzusagen oder Momente atypischen Verhaltens zu diagnostizieren. Hier gibt es Funktionen: Wir benötigen Daten, die möglicherweise nicht erfasst werden, wir benötigen Informationen zur Funktionsweise dieser Geräte - dafür gibt es Produktionspersonal, mit dem wir uns beraten. Weil einige Muster in den Daten logisch sind und nicht bedeuten, dass das Gerät nicht richtig funktioniert.

Ein Beispiel für eine solche Aufgabe besteht darin, zu bestimmen, wie lange ein bestimmter Abschnitt der Pipeline arbeiten kann, je nachdem, wo er vergraben ist, wie tief, wie die neuesten Daten aus der internen Inspektion von Rohren oder der Magnetsteuerung zeigen, wie oft sich die Regime ändern und wie sie waren. Wir können vorhersagen, wann das Rohr unbrauchbar wird, und seinen Austausch optimal planen.

Die zweite Art von Aufgaben beinhaltet die Notwendigkeit, einige Prozesse zu optimieren. Lassen Sie uns ein Beispiel mit Wärmeleistung untersuchen, das für den allgemeinen Leser am verständlichsten ist. Wir können die thermischen Bedingungen an den Wärmeenergiequellen (Kesselhäuser, Wärmekraftwerke usw.) steuern, während wir in verschiedenen Räumen ein bestimmtes Temperaturniveau aufrechterhalten müssen: Sie befinden sich in unterschiedlichen Entfernungen, bestehen aus unterschiedlichen Materialien, unterscheiden sich in der Geodäsie und infolgedessen in Geodäsie. unterschiedlich durch Umgebungsluft gekühlt. Wie kann man die thermischen Regime in einem Kesselhaus oder Wärmekraftwerk optimal aufbauen, um einen Indikator für das Qualitätsniveau in Bezug auf den Endkunden zu erhalten? Hier müssen Sie den Hauptindikator für die Wirksamkeit bestimmen. Wir können insgesamt weniger Energie für das Heizen und Pumpen von Kühlmittel ausgeben, wir können die Anzahl der Beschwerden von gefrorenen Großmüttern reduzieren,Wir können variable Heizkosten reduzieren, Wärmeverluste oder sogar Geräteverschleiß reduzieren. Sie können jedes Optimierungsmodell erstellen - geben Sie einfach die relativen Prioritäten verschiedener Faktoren an. Diese Wahl ist das größte Problem. Stellen Sie sich vor, Sie sind Eigentümer eines Heizungsunternehmens. Wie viele verärgerte Großmütter sind Sie bereit, dafür zu tauschen, dass diese Pfeife ein paar Monate länger leben wird? Eine äußerst schwierige Frage. Daher arbeiten unsere Geschäftsanalysten unter anderem daran, alle Faktoren auf den Rubel als universellsten Wert für Messungen zu reduzieren. Danach wird in der Regel klar, woran gearbeitet und was optimiert werden muss.Diese Wahl ist das größte Problem. Stellen Sie sich vor, Sie sind Eigentümer eines Heizungsunternehmens. Wie viele verärgerte Großmütter sind Sie bereit, dafür zu tauschen, dass diese Pfeife ein paar Monate länger leben wird? Eine äußerst schwierige Frage. Daher arbeiten unsere Geschäftsanalysten unter anderem daran, alle Faktoren auf den Rubel als universellsten Wert für Messungen zu reduzieren. Danach wird in der Regel klar, woran gearbeitet und was optimiert werden muss.Diese Wahl ist das größte Problem. Stellen Sie sich vor, Sie sind Eigentümer eines Heizungsunternehmens. Wie viele verärgerte Großmütter sind Sie bereit, dafür zu tauschen, dass diese Pfeife ein paar Monate länger leben wird? Eine äußerst schwierige Frage. Daher arbeiten unsere Geschäftsanalysten unter anderem daran, alle Faktoren auf den Rubel als universellsten Wert für Messungen zu reduzieren. Danach wird in der Regel klar, woran gearbeitet und was optimiert werden muss.was zu bearbeiten und zu optimieren ist.was zu bearbeiten und zu optimieren ist.

Welche Arten von Aufgaben konnten in letzter Zeit dank der Verbesserung der MO-Methoden gelöst werden?

Ich werde wahrscheinlich die meisten Leser enttäuschen, weil die Bewegung nicht auf die Verwendung der neuesten Errungenschaften bei ML-Methoden zurückzuführen ist. Nicht, weil das, was in der Produktion eingeführt wird, erprobt und nachhaltiger sein sollte. Hier geht die Entwicklung in die andere Richtung: Das Modell muss sich mit Physik und Chemie anfreunden, über die ich bereits gesprochen habe. Es stellt sich heraus, dass dies auch aus Sicht von ML sehr schwierig ist.

Nennen Sie Beispiele aus Ihrer Praxis, als die von Maschinen getroffenen Entscheidungen erfolgreicher und effizienter waren als die von einer Person.

Tatsächlich sind die Entscheidungen und Empfehlungen, die vom System herausgegeben werden, letztendlich immer effektiver als die von der Person getroffenen. Sonst hätte unser Geschäft einfach keinen Sinn ergeben. Hier sind einige Beispiele.

In der Stahlherstellung verbrauchen Hochöfen Energie wie eine kleine Stadt. Abhängig von der Qualität des Schrotts, den wir dort hineingelegt haben, und der Größe seiner Stücke können Sie die Stärke des Stroms einstellen, der zum Heizen des Ofens zugeführt wird. Durch die Kontrolle der Stromstärke ist es möglich, die Stromkosten erheblich zu senken (und für die Industrie 1-2% - dies ist erheblich).

Noch aus der Metallurgie - Pfannenöfen, in die Stahl gebracht wird. Beim Schmelzen werden Stahllegierungen mit Ferrolegierungen versetzt. Sie kosten viel mehr als die Hauptrohstoffe. Wenn wir die Eigenschaften eines bestimmten Materials analysieren, verstehen wir, wann es möglich ist, etwas weniger Ferrolegierungen zu füllen, um eine bestimmte Produktqualität zu erzielen und gleichzeitig Ferrolegierungen zu sparen.

In der Ölindustrie haben wir den Betrieb von Pumpen beim mechanischen Heben von Öl optimiert. Wir haben gelernt, die Ölförderrate nur durch eine effizientere Steuerung der Pumpenmodi leicht zu erhöhen. In diesem Fall ist es wichtig, dass wir geologische Daten nur minimal verwenden, da unser Kontrollhorizont nicht sehr lang ist (bis zu einem Monat) und wir es schaffen, Integrationen mit sehr komplexer und teurer Formationsmodellierungssoftware zu vermeiden.

Die gesamte Produktion in Russland ist einzeln, und zu sagen, dass wir irgendwo arbeiten, bedeutet, den Kunden sofort zu öffnen und gegen die NDA zu verstoßen. Nehmen wir daher an, wir können die gleichen Maßnahmen ergreifen, um die Produktion von Mineraldüngern in verschiedenen chemischen Industrien (nicht aus der Petrochemie) zu optimieren. Aus dem Freien - das Digital Plant-Projekt für PJSC Gazprom Neft, dessen Details leicht gegoogelt werden können.