¿Por qué las plantas necesitan aprendizaje automático?

Aprendimos de Roman Chebotarev ( convexo ) cómo se está introduciendo el aprendizaje automático en las empresas industriales, que han logrado el mayor éxito en esto y qué ejemplos de uso ya existen. Roman es arquitecto de ML y director de implementación en Digital . Lleva 11 años implementando tecnologías de clase Smart Machine Learning e Inteligencia Artificial. En los últimos años, Roman se ha especializado en ML / AI en la industria.


Cuéntanos sobre tu trayectoria profesional.

Comencé mi carrera profesional con el aprendizaje automático (aunque ese término aún no se usaba ampliamente) para tareas de visión por computadora. Desarrollé varios módulos para sistemas de análisis de video: detectores de congestión, detectores de humo, contadores de objetos. Luego también se planificaron como sistemas de seguridad de la generación futura; ahora se usan en todas partes.

Lentamente, desde el análisis de imágenes, cambié al análisis de datos en general. Ya trabajé en CROC, donde vine como desarrollador y me fui como jefe de práctica de aprendizaje automático. La mayor parte de la experiencia la obtuve allí, y básicamente resolvimos los problemas asociados con la predicción de varias cantidades cuantitativas en el futuro. Se realizaron más tareas en el sector minorista: el aprendizaje automático era el más demandado entre los clientes de esta área. Resolvimos las tareas de pronosticar la demanda para optimizar la logística. Hubo muchas tareas de este tipo en varios campos: desde la venta de alimentos hasta las estaciones de servicio de automóviles.

Luego, un gran interés en el aprendizaje automático comenzó a tomar forma en las empresas industriales. En algún momento, mis socios y yo decidimos organizar mi propia startup: Theta Data Solution. Hicimos 6 proyectos y más de 10 pilotos por año para empresas industriales, y luego la compañía "Digital" adquirió nuestra compañía, donde ahora trabajo como director de implementación en el departamento de IA. En comparación con el equipo inicial de inicio, nos hemos expandido enormemente: ahora en nuestra tribu AI (como nos llamamos a nosotros mismos) hay más de 30 personas.

¿Cuándo estaba interesada la industria en el aprendizaje automático?

El interés siempre ha existido, pero la disposición de las empresas a invertir en estos proyectos, aunque muy, muy lenta, apareció, según mis observaciones, en 2013. Más o menos se hizo posible llamar a esto una tendencia en 2016. Ahora ha comenzado la fase de rápido crecimiento.

¿Cuáles son los detalles del diseño de modelos de aprendizaje automático para empresas industriales?

Hay un precio muy alto de error en la industria. Si comienza a administrar una instalación incorrecta, en el mejor de los casos comenzará a funcionar mal, no tan eficientemente como podría (en cualquier caso, estos son números muy grandes en rublos), y en el peor de los casos, ocurrirán procesos irreversibles y se necesitarán reparaciones costosas.

Esto afecta la forma en que se diseñan y operan los modelos: están muy "sesgados" en la dirección de experimentar menos. Si, por ejemplo, en fintech o telecomunicaciones, puede permitirse hacer pruebas A / B y mostrarles un anuncio fundamentalmente diferente, dar un descuento específico, etc., a nivel de un subconjunto de clientes, entonces en la industria las herramientas y las posibilidades de experimentación son mucho más limitadas . Si intenta formular las características en una frase, no se pueden realizar cambios drásticos en el trabajo del sistema industrial. Los cambios serán muy pequeños y direccionales. Haremos ajustes, veremos qué sucede y, si todo va bien, intentaremos avanzar en esta dirección, pero con pasos muy pequeños. Esto se llama la regularización de los modelos de aprendizaje automático (más precisamente, modelos de control): en la industria están muy regularizados para los cambios. De esta manera, se minimiza la posibilidad de un error costoso.

La segunda característica es que los modelos de aprendizaje automático (ML) necesitan hacerse amigos de la física y la química. Esto no es lo suficientemente fácil. A un modelo basado en datos no le importa qué tipo de física se encuentre detrás de un proceso en particular, simplemente captura los patrones entre los datos. A menudo resulta que el modelo construido es completamente no físico. Por ejemplo, cualquier persona en su sano juicio lo comprende, y la física lo confirma: si aumenta la temperatura del refrigerante en el sistema de calefacción, se calentará en las casas, ceteris paribus. Un modelo puede aprender una relación completamente diferente, a veces lo contrario. Para dar más peso a los factores indirectos (diferencias de temperatura en la calle, hora del día, etc.) y así aprender a parecer el comportamiento correcto, pero utilizando los factores "incorrectos".

Ahora la gente está trabajando en la industria, bastante abierta a las nuevas tecnologías. Están tratando de descubrir qué les ofrecemos para entregar. Si los modelos no son físicos (como lo verifican un par de pruebas simples), nadie dará luz verde para iniciar dicho sistema. Pero al final resultó que, como resultado de tales fallas, encontramos otra, según las estimaciones actuales, de manera mucho más efectiva.

Existen leyes, teóricas o empíricas, sistemas de ecuaciones diferenciales y una enorme capa de conocimiento que fueron creados por físicos y químicos. Este conocimiento se utiliza en el diseño de plantas y, en general, describe más o menos bien el proceso de producción. Incorporamos este conocimiento junto con ML para obtener modelos físicos; de hecho, confiamos en un conjunto de dependencias conocidas y difiere, refinamos los coeficientes en los datos disponibles y también describimos la dinámica que no podría ser "aprendida" por enfoques físicos usando enfoques de ML bastante estándar (refuerzo) .

Para mayor claridad, a menudo presento el concepto de "datos de gasto". Cuando le enseñas algo a un modelo, “desperdicias” datos (en el sentido de que cualquier reutilización en el entrenamiento es un punto bastante sutil, existe el riesgo de “sobreentrenamiento” - sobreajuste). Por lo tanto, no "gastamos" datos en la restauración de patrones y dependencias, que en términos generales ya se conocen gracias a científicos y tecnólogos. Utilizamos estas dependencias bien conocidas y "gastamos" los datos para aclarar las características, completar las dependencias que no se tuvieron en cuenta en los modelos físicos y finalmente construir modelos que tengan en cuenta las características de cada sitio de producción local o incluso un equipo, sabiendo cómo funciona básicamente.

Como resultado, obtenemos modelos mejores y más estables. Naturalmente, los modelos de procesos físicos y químicos no siempre están disponibles o completos; para este caso, nuestro equipo tiene analistas con experiencia en las industrias respectivas que podrían construir modelos físicos de referencia apropiados para los científicos de datos.

Además, estamos tratando de utilizar los enfoques de la teoría del control automático para tomar decisiones sobre los parámetros de control óptimos que deben establecerse en la instalación, teniendo en cuenta el retraso inevitable en el tiempo y la probabilidad de que la recomendación no sea aceptada en absoluto. En general, observamos detenidamente los enfoques de Aprendizaje por refuerzo, pero hasta ahora las leyes (políticas) de control resultantes son bastante inestables en nuestras tareas. Pero la combinación de estos enfoques ciertamente reside en el futuro. Y esta no es solo mi opinión.

Tal enfoque "físico" a lo largo del tiempo reveló una consecuencia importante a largo plazo: debido a la mayor estabilidad de tales modelos, nos despertamos con menos frecuencia por la noche para decir que algo salió mal y el modelo necesita ser reentrenado. Como resultado, dedicamos menos tiempo al soporte.

Mucha gente en el mundo pensó en un enfoque tan híbrido, pero en Rusia fuimos uno de los primeros en ir más allá de los experimentos y ponerlo en producción.

El 22 de noviembre, Roman se convertirá en el moderador del panel de discusión "AI e IoT: Expectativa y realidad" en la Conferencia de AI. Detalles y programa del evento - en el sitio web oficial .

¿Cómo va el trabajo para crear un modelo digital del proceso de producción?

El proyecto sobre desarrollo e implementación difiere poco de otras industrias. En general, los gerentes de proyectos que vienen, por ejemplo, de la industria bancaria a la industria, se sienten bastante cómodos (además del hecho de que los tecnólogos generalmente se burlan de ellos). Desde el punto de vista organizacional, los proyectos no son muy diferentes. Primero, capturamos las expectativas del cliente, lo que quiere lograr. A veces les ofrecemos trabajar juntos si no saben lo que quieren, pero realmente quieren digitalizar. Juntos encontramos puntos de mejora, los colocamos en algunos KPI medibles, realizamos prototipos, realizamos un poco de investigación o incluso un piloto; nos convencemos a nosotros mismos y al cliente de que estos KPI son alcanzables, después de lo cual desarrollamos modelos, usamos una gran cantidad de nuestros desarrollos actuales, nos integramos con los sistemas de producción cliente e implementar el sistema en producción.

Las características clave se centran en la fase de implementación. Los sistemas son bastante complejos, tanto en cómo funcionan como en qué datos utilizan para tomar decisiones en diferentes momentos. Los trabajadores de la planta a menudo no tienen educación especializada para trabajar con ellos. Por lo tanto, tienen que crear tableros especiales y esquemas mnemotécnicos, realizar capacitaciones. Al mismo tiempo, hay un manual que comprende bastante bien lo que necesitan y que pueden hacer otros paneles con información más detallada.

En general, el principal "enemigo" de nuestros sistemas es un ingeniero de procesos. Él toma las decisiones de cambiar los regímenes y, por lo general, tiene su propia opinión sobre cómo debería funcionar el taller o el lugar de producción que se le confió. Se dedica mucho tiempo a convencer a los ejecutores directos de que crean las recomendaciones del sistema. Más precisamente, no solo "cree", sino que toma y prueba: primero solo mira las recomendaciones, luego aplícalas de manera puntual. A menudo, estos empleados no están directamente subordinados a los clientes directos del proyecto y simplemente no es posible obligarlos a seguir las recomendaciones de manera directiva. Pero en general, parece que hemos aprendido a construir tales diálogos y procesos de persuasión a diferentes niveles, desde operadores impenetrables hasta gerentes de producción severos. Esta es una experiencia extremadamente interesante, especialmente para los matemáticos informáticos "vainilla" de Moscú como nosotros. Pero, como suele suceder, lo real es mejor que cualquier persuasión, por lo que si nuestros modelos realmente funcionan, entonces este es el mejor argumento y, por lo general, tales discusiones son de corta duración.

¿Con qué frecuencia tiene que ir a una empresa real cuando desarrolla un modelo y lo implementa?

Los analistas de negocios pasan la mayor parte del tiempo en el sitio. Siempre están presentes en el equipo del proyecto, además de científicos de datos e ingenieros de datos. Los analistas de negocios describen los procesos, escriben las reglas y limitaciones del sistema, y ​​necesitan comprender profundamente el proceso que será, ya que ahora está de moda decir "digitalizar", más precisamente, discúlpeme, "digitalizar". En el sitio, descubren ciertos matices y entienden dónde, cómo y qué debe implementarse para que el proceso funcione: cómo se gestiona el proceso, cómo no se controlan, lo que generalmente no está escrito en las regulaciones. Solo se pueden aprender muchas cosas en la sala de fumadores, hablando con los trabajadores locales durante el descanso: cómo son realmente las cosas, dónde realmente se necesita hacer esfuerzos, etc. La tarea de los analistas es revelar la necesidad, y esto solo se puede descubrir a través de empleados reales que trabajan en el suelo con sus propias manos. Pero hay una especificidad: las personas que trabajan con sus propias manos generalmente viven lejos de las ciudades con una población de más de un millón. A veces, generalmente están presentes de forma rotativa en depósitos y canteras. Por lo tanto, tenemos que ir a ellos en diferentes lugares pintorescos.

El más alejado, ¿a dónde fuiste?

Estábamos en todas partes, desde la región de Murmansk hasta el territorio de Khabarovsk.

¿A menudo sucede que el modelo virtual creado comienza a funcionar de inmediato y sin sorpresas en condiciones reales?

Intentamos minimizar todas las sorpresas en la etapa de la encuesta, pero cuando se implementa, nunca está completa sin ellas. Las sorpresas se pueden dividir en varios grupos. El primero es, por supuesto, TI e infraestructura. Para actualizar los modelos a lo largo del tiempo, es importante que tengamos acceso a los datos para cambiar, corregir y agregar algo. Pero el acceso a la infraestructura puede no ser posible si el objeto está ubicado en un lugar muy lejano, donde la conexión está organizada, como decimos, "a través de un peine" o está completamente ausente. Si esto se sabe de antemano, puede crear y depurar un proceso que actualizará el modelo por sí solo, sin la intervención de sus creadores. Esto se está haciendo con relativa facilidad, tenemos tecnologías listas para esto, pero, sin embargo, me gustaría saber de antemano que no habrá conexión. Como mínimo, porque afecta la mano de obra y el costo del proyecto. Los clientes del proyecto suelen negociar con especialistas de TI cuando el proyecto ya está cerca de su implementación. Esto es característico no solo de la industria, sino que aquí es más crítico. La arquitectura de la solución depende en gran medida de si Internet está disponible o no, como dije anteriormente. Y no se trata solo de los modelos.

La segunda clase de problemas está relacionada con la entrada de datos incorrecta. Por ejemplo, datos sobre la calidad de productos certificados, datos de análisis de laboratorio. Esto puede suceder por varias razones, no hablaré de ellas, la mayoría de las razones no son muy agradables para expresar, y aún más para escuchar, pero este es un problema muy grande, porque un modelo que ha aprendido de datos falsos comienza a predecir características falsas del proceso y emitir recomendaciones incorrectas . Esto puede tachar todo el proyecto.

Recuerde el ejemplo de implementación más exitoso y lento.

Comenzaré con un proyecto exitoso en el sistema de energía. Vimos al cliente solo dos veces. La primera vez que llegamos, aclaramos la tarea, nos proporcionaron la información necesaria, nos fuimos y llamamos una vez por semana. Tres meses después, se lanzó el primer lanzamiento, después de otros dos, el lanzamiento final. Todo funcionó a la perfección, los modelos se actualizan automáticamente y el sistema ha estado funcionando sin fallas durante más de dos años. El proyecto requirió una cantidad mínima de esfuerzo, porque el cliente era muy competente: entendía lo que necesitaba, cómo debía gestionarse y sabíamos de antemano todos los matices.

Hay ejemplos mucho más laboriosos. Desafortunadamente, la presencia del término "digitalización" en conversaciones preliminares con el cliente aquí es a menudo una señal de que el proyecto no tendrá éxito. A menudo escuchamos: "Estás participando en nuestro proceso de transformación digital, estamos rehaciendo completamente todo, así que atornilla tu IA aquí". Al mismo tiempo, las personas a menudo no entienden que deben resolver los problemas no con la ayuda de una máquina, sino primero cambiando los procesos en su empresa a "digitalizaciones" más apropiadas. Cambiar los procesos (o al menos repensarlos) siempre debe ser la primera fase del cambio con cualquier digitalización u otra evolución. Cualquier herramienta, incluido el aprendizaje automático, tiene límites de aplicabilidad. Si el proceso es antiguo, subóptimo e incluso peor, construido completamente por consenso de las personas (varias personas necesitan sentarse y decidir qué hacer, esto sucede a menudo en la logística de producción, donde los fabricantes, los especialistas en logística y el comercio chocan), entonces ningún aprendizaje automático lo solucionará. Y, por el contrario, a veces los cambios más simples en los procesos (por ejemplo, el concepto de “manufactura esbelta”) nos permiten lograr efectos que ningún ML puede lograr. Desafortunadamente, muy pocos "transformadores" entienden esto y trabajan en esta dirección. Hypanut sobre la implementación de IA, sin importar por qué, es una práctica más común.

Un ejemplo simple: hay una columna de destilación, en ella puede controlar las tasas de alimentación de vapor y reflujo. Si simplemente emitimos recomendaciones al operador en la pantalla: "amigo, gira este bolígrafo así", entonces, desafortunadamente, el sistema no tendrá casi ningún efecto. Idealmente, una persona debe permanecer solo para el control, y el control directo debe ser automático. Tal cambio en el proceso, de acuerdo con nuestras estimaciones muy conservadoras, proporciona una mejora de 3-4 veces. No estoy a favor de despedir a todas las personas y reemplazarlas por automóviles; solo un pequeño cambio en el proceso con muy poca inversión da un efecto mucho mayor.

Muchos proyectos, sobre los cuales se afirma que la IA se implementa allí, en realidad se ven así, discúlpeme por el útero de la verdad: un tío Vasya muestra recomendaciones en la pantalla, las mira y dice "Sí, al diablo con él, tal vez mañana yo Lo pondré como él quiera, pero hoy no haré nada ". Es muy desafortunado que potentes tecnologías geniales se desglosen en los procesos de la empresa y las personas que no están listas para cambiar estos procesos. Pero si este tío Vasya puso KPI para implementar las recomendaciones del sistema. O incluso sin IA en absoluto, para poner Vasya KPI en el rendimiento específico del producto a las materias primas, solo como una bonificación al salario, entonces hay efectos realmente serios. Siempre que, por supuesto, el tío Vasya no pueda ser reemplazado por un controlador, pero esto ya es una pregunta desde un plano diferente.

¿Cuál es la situación con la recopilación de datos y el aprendizaje automático en las empresas? ¿Cuántos de ellos están tratando de ir en esta dirección?

Las estadísticas sobre el número de empresas mejoran cada año. Los líderes, como de costumbre, son aquellos que tienen dinero y la oportunidad de invertir en efectos a largo plazo: industria petrolera, petroquímica y metalurgia.Todos los demás se están poniendo al día.

Pero debe comprender que, básicamente, estos son sistemas que dan recomendaciones a una persona, y que ya toma la decisión de hacer algo de acuerdo con estas recomendaciones o no, prácticamente no hay una ejecución automática de las recomendaciones. Este es sin duda un obstáculo para el desarrollo de estos sistemas. En general, esto, por supuesto, nunca ha sido Industria 4.0, ya que a menudo les gusta posicionarlo en los medios. Pero el reequipamiento con automatización requiere grandes gastos de capital, por lo que por ahora estamos contentos con lo que tenemos.

Nos gustaría ver que los procesos en las empresas sean más orgánicos: las personas primero recopilan datos y luego implementan el aprendizaje automático sobre su base. De hecho, al principio es necesario hacer algo basado en AI / ML, llegamos al cliente y entendemos que no se recopilan los datos necesarios. O se suman de alguna forma terrible, por lo que es imposible obtenerlos: debe comenzar un proyecto de recopilación de datos. Hace unos 5-7 años, era común en las telecomunicaciones y los bancos de todo el mundo (ahora ya no), hoy la industria tiene los mismos problemas. Hubo proyectos que se retrasaron seis meses, un año y medio debido a la falta de datos.

¿Es este el tiempo que tardan los sensores y los sistemas de adquisición de datos en implementarse?

Casi todos tienen sensores; la pregunta es que los datos de ellos pueden no almacenarse o almacenarse en un almacenamiento a corto plazo durante tres meses, por ejemplo, para que sea posible organizar un análisis de vuelo basado en ellos. Como innecesarios, ya no se pueden almacenar, y si se almacenan, entonces en una forma inadecuada para el análisis. Tenemos que hacer los procesos de su extracción y purificación. Y hay casos bastante cómicos en los que todo parece estar allí, pero llegamos a la empresa, y existe todo el análogo del tubo caliente , por ejemplo, los indicadores de dirección .

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

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

¿Qué tipos estándar de tareas resuelve la IA en la producción?

La tarea más común es predecir la falla del equipo, o más bien, diagnosticar momentos de comportamiento atípico. Aquí hay características: necesitamos datos que pueden no recopilarse, necesitamos información sobre cómo funciona este equipo; para esto hay personal de producción con el que consultamos. Debido a que algunos patrones en los datos son lógicos y no significan que el equipo no funciona correctamente.

Un ejemplo de tal tarea es determinar cuánto tiempo puede funcionar una determinada sección de la tubería, dependiendo de dónde esté enterrada, qué tan profundo, como lo muestran los últimos datos de la inspección interna de las tuberías o el control magnético, con qué frecuencia cambian los regímenes y cuáles fueron. Podemos predecir cuándo la tubería quedará inutilizable y planificar de manera óptima su reemplazo.

El segundo tipo de tareas implica la necesidad de optimizar algún proceso. Examinemos un ejemplo con energía térmica, como el más comprensible para el lector general. Podemos controlar las condiciones térmicas en las fuentes de energía térmica (salas de calderas, centrales térmicas, etc.), mientras que debemos mantener un cierto nivel de temperatura en diferentes habitaciones: están a diferentes distancias, construidas con diferentes materiales, difieren en la geodesia y, como resultado, Enfriado de manera diferente por el aire ambiente. ¿Cómo construir de manera óptima los regímenes térmicos en una sala de calderas o planta de energía térmica para mantener un indicador del nivel de calidad en relación con el cliente final? Aquí debe determinar el indicador principal de efectividad. Podemos gastar menos energía en total en calentar y bombear refrigerante, podemos reducir la cantidad de quejas de las abuelas congeladas,Podemos reducir los costos variables de calefacción, reducir la pérdida de calor o incluso el desgaste del equipo. Puede hacer cualquier modelo de optimización, solo diga las prioridades relativas de varios factores. Esta elección es el mayor problema. Imagínese el dueño de una empresa de calefacción. ¿Cuántas abuelas descontentas estás dispuesta a cambiar por el hecho de que esta pipa vivirá un par de meses más? Una pregunta extremadamente difícil. Por lo tanto, nuestros analistas de negocios están trabajando, entre otras cosas, para ayudar a reducir todos los factores al rublo como el valor más universal para las mediciones. Después de eso, generalmente queda claro en qué se debe trabajar y qué optimizar.Esta elección es el mayor problema. Imagínese el dueño de una empresa de calefacción. ¿Cuántas abuelas descontentas estás dispuesta a cambiar por el hecho de que esta pipa vivirá un par de meses más? Una pregunta extremadamente difícil. Por lo tanto, nuestros analistas de negocios están trabajando, entre otras cosas, para ayudar a reducir todos los factores al rublo como el valor más universal para las mediciones. Después de eso, generalmente queda claro en qué se debe trabajar y qué optimizar.Esta elección es el mayor problema. Imagínese el dueño de una empresa de calefacción. ¿Cuántas abuelas descontentas estás dispuesta a cambiar por el hecho de que esta pipa vivirá un par de meses más? Una pregunta extremadamente difícil. Por lo tanto, nuestros analistas de negocios están trabajando, entre otras cosas, para ayudar a reducir todos los factores al rublo como el valor más universal para las mediciones. Después de eso, generalmente queda claro en qué se debe trabajar y qué optimizar.en qué trabajar y qué optimizar.en qué trabajar y qué optimizar.

¿Qué tipos de tareas se hicieron posibles recientemente gracias a la mejora de los métodos de MO?

Probablemente, la mayoría de los lectores decepcionarán, porque el movimiento no se debe al uso de los últimos logros en los métodos de aprendizaje automático. No porque lo que se está introduciendo en la producción deba ser probado y más sostenible. Aquí el desarrollo va para otro lado: el modelo necesita hacerse amigo de la física y la química, de lo que ya hablé antes. Resulta que esto también es muy difícil desde el punto de vista de ML.

Dé ejemplos de su práctica cuando las decisiones tomadas por las máquinas fueron más exitosas y eficientes que las de una persona.

De hecho, las decisiones y recomendaciones emitidas por el sistema siempre son, en última instancia, más efectivas que las tomadas por la persona. De lo contrario, nuestro negocio simplemente no habría tenido sentido. Aquí hay algunos ejemplos.

En la fabricación de acero, los altos hornos consumen energía como un pequeño pueblo. Dependiendo de la calidad de la chatarra que ponemos allí, qué tamaño de sus piezas, puede ajustar la fuerza de la corriente que se suministra para calentar el horno. Al controlar la fuerza actual, es posible reducir significativamente (y para la industria del 1-2%, esto es significativo) reducir el costo de la electricidad.

Todavía de la metalurgia: hornos de cuchara en los que se trae acero. Al fundir, se agregan ferroaleaciones al acero. Cuestan mucho más que las principales materias primas. Al analizar las características de un material en particular, comprendemos cuándo es posible verter un poco menos de aleaciones ferrosas para obtener una calidad de producto dada y al mismo tiempo ahorrar en ferroaleaciones.

En la industria petrolera, hemos optimizado el funcionamiento de las bombas durante el levantamiento mecánico de aceite. Aprendimos a aumentar ligeramente la tasa de producción de petróleo solo debido al control más eficiente de los modos de bombeo. Es importante que en este caso utilicemos mínimamente datos geológicos debido a que nuestro horizonte de control no es muy largo (hasta un mes) y logramos evitar integraciones con un software de modelado de formación muy complejo y costoso.

Toda la producción en Rusia es única, y decir que trabajamos en algún lugar significa abrir inmediatamente al cliente y violar el NDA. Por lo tanto, supongamos que podemos hacer lo mismo para optimizar la producción de fertilizantes minerales y diversas industrias químicas (no de productos petroquímicos). Desde el principio, el proyecto de planta digital para PJSC Gazprom Neft, cuyos detalles se pueden buscar fácilmente en Google.