Pourquoi les plantes ont besoin du machine learning

Nous avons appris de Roman Chebotarev ( convexe ) comment l'introduction de l'apprentissage automatique dans les entreprises industrielles, qui ont obtenu le plus grand succès dans ce domaine et quels exemples d'utilisation existent déjà. Roman est architecte ML et directeur de la mise en œuvre chez Digital . Il implémente les technologies de classe Smart Machine Learning et Artificial Intelligence depuis 11 ans. Ces dernières années, Roman s'est spécialisé dans le ML / AI dans l'industrie.


Parlez-nous de votre cheminement de carrière.

J'ai commencé mon cheminement de carrière avec l'apprentissage automatique (même si un tel terme n'était pas encore largement utilisé) pour les tâches de vision par ordinateur. J'ai développé différents modules pour les systèmes d'analyse vidéo: détecteurs de congestion, détecteurs de fumée, compteurs d'objets. Ensuite, ils ont également été conçus comme des systèmes de sécurité de la génération future - maintenant ils sont utilisés partout.

Lentement, de l'analyse d'images, je suis passé à l'analyse des données en général. J'ai déjà travaillé au CROC, où je suis venu en tant que développeur, et j'ai quitté en tant que chef de la pratique d'apprentissage automatique. La plupart de l'expérience que j'ai acquise là-bas, et fondamentalement, nous avons résolu les problèmes liés à la prévision de diverses quantités quantitatives à l'avenir. Plus de tâches étaient dans le commerce de détail - l'apprentissage automatique était alors le plus demandé par les clients dans ce domaine. Nous avons résolu les tâches de prévision de la demande d'optimisation de la logistique. Il y avait beaucoup de ces tâches dans divers domaines: de la vente au détail de produits alimentaires aux stations-service automobiles.

Puis, un vif intérêt pour l'apprentissage automatique a commencé à prendre forme dans les entreprises industrielles. À un moment donné, mes partenaires et moi avons décidé d'organiser ma propre startup - Theta Data Solution. Nous avons réalisé 6 projets et plus de 10 pilotes par an pour des entreprises industrielles, puis la société a été acquise par la société "Digital", où je travaille désormais en tant que Directeur de la mise en œuvre au sein du département IA. Par rapport à l'équipe de démarrage initiale, nous avons considérablement augmenté: maintenant, dans notre tribu IA (comme nous nous appelons), il y a plus de 30 personnes.

Quand l'industrie s'est-elle intéressée au machine learning?

L'intérêt a toujours existé, mais la volonté des entreprises d'investir dans ces projets, bien que très, très lente, est apparue, selon mes observations, en 2013. Plus ou moins, il est devenu possible d'appeler cela une tendance d'ici 2016. Maintenant, la phase de croissance rapide a commencé.

Quelles sont les spécificités de la conception de modèles d'apprentissage automatique pour les entreprises industrielles?

Il y a un prix d'erreur très élevé dans l'industrie. Si vous commencez à gérer une installation de manière incorrecte, au mieux, elle commencera à mal fonctionner, pas aussi efficacement qu'elle le pourrait (en tout cas, ce sont de très grands nombres en roubles), et dans le pire des cas, des processus irréversibles se produiront et des réparations coûteuses seront nécessaires.

Cela affecte la conception et le fonctionnement des modèles: ils sont très «biaisés» dans le sens d'expérimenter moins. Si, par exemple, dans la fintech ou les télécommunications, vous pouvez vous permettre de faire des tests A / B et de leur montrer une publicité fondamentalement différente, d'accorder une remise ciblée, etc., au niveau d'un sous-ensemble de clients, alors dans l'industrie, les outils et les possibilités d'expérimentation sont beaucoup plus étroits . Si vous essayez de formuler les caractéristiques en une seule phrase - des changements radicaux dans le travail du système industriel ne peuvent pas être effectués. Les changements seront très petits et directionnels. Nous ferons des ajustements, verrons ce qui se passe - et, si tout se passe bien, essayons d'avancer dans cette direction, mais avec de très petits pas. C'est ce qu'on appelle la régularisation des modèles d'apprentissage automatique (plus précisément, les modèles de contrôle) - dans l'industrie, ils sont très régularisés pour les changements. De cette façon, la possibilité d'une erreur coûteuse est minimisée.

La deuxième caractéristique est que les modèles d'apprentissage automatique (ML) doivent se lier d'amitié avec la physique et la chimie. Ce n'est pas assez simple. Un modèle basé sur des données ne se soucie pas du type de physique qui se cache derrière un processus particulier - il capture simplement les modèles entre les données. Il s'avère souvent que le modèle construit est complètement non physique. Par exemple, toute personne sensée comprend - et la physique le confirme: si vous augmentez la température du liquide de refroidissement dans le système de chauffage, il deviendra plus chaud dans les maisons, ceteris paribus. Un modèle peut apprendre une relation complètement différente, parfois le contraire. Donner plus de poids aux facteurs indirects (différences de température dans la rue, heure de la journée, etc.) et ainsi apprendre à sembler être le bon comportement, mais en utilisant les «mauvais» facteurs.

Maintenant, les gens travaillent dans l'industrie, assez ouverts aux nouvelles technologies. Ils essaient de comprendre ce que nous leur proposons de livrer. Si les modèles ne sont pas physiques (comme le vérifient quelques tests simples), personne ne donnera le feu vert pour lancer un tel système. Mais à la fin, il s'est avéré qu'en raison de ces échecs, nous avons trouvé un autre moyen, selon les estimations actuelles, beaucoup plus efficace.

Il existe des lois, théoriques ou empiriques, des systèmes d'équations différentielles et une énorme couche de connaissances créées par des physiciens et des chimistes. Ces connaissances sont utilisées dans la conception des usines et, en général, décrivent plus ou moins bien le processus de production. Nous incorporons ces connaissances avec ML pour obtenir des modèles physiques - en fait, nous nous appuyons sur un ensemble de dépendances connues et diffurs, affinons les coefficients sur les données disponibles, et décrivons également la dynamique qui ne pouvait pas être "apprise" par des approches physiques utilisant des approches ML assez standard .

Pour plus de clarté, j'introduis souvent le concept de «données de dépenses». Lorsque vous apprenez quelque chose du modèle, vous «gaspillez» des données (dans le sens où toute réutilisation dans la formation est un point subtil, il y a un risque de «sur-formation» - sur-ajustement). Ainsi, nous ne «dépensons» pas de données sur la restauration de schémas et de dépendances, qui en général sont déjà connus grâce aux scientifiques et aux technologues. Nous utilisons ces dépendances bien connues et «dépensons» les données pour clarifier les caractéristiques, compléter les dépendances qui n'ont pas été prises en compte dans les modèles physiques, et enfin construire des modèles qui prennent en compte les caractéristiques de chaque site de production local ou même un équipement, sachant comment cela fonctionne fondamentalement.

En conséquence, nous obtenons des modèles meilleurs et plus stables. Naturellement, les modèles de processus physiques et chimiques ne sont pas toujours disponibles ou complets - dans ce cas, notre équipe a des analystes ayant une expérience dans les industries respectives qui pourraient construire des modèles de référence physiques appropriés pour les scientifiques des données.

De plus, nous essayons d'utiliser les approches de la théorie de la commande automatique pour prendre des décisions sur les paramètres de commande optimaux qui doivent être définis à l'installation, en tenant compte du retard inévitable dans le temps et de la probabilité que la recommandation ne soit pas du tout acceptée. En général, nous examinons de près les approches d'apprentissage par renforcement, mais jusqu'à présent, les lois de contrôle (politiques) qui en résultent sont assez instables dans nos tâches. Mais la combinaison de ces approches réside certainement dans l'avenir. Et ce n'est pas seulement mon avis.

Une telle approche «physique» au fil du temps a révélé une conséquence importante à long terme: en raison de la plus grande stabilité de ces modèles, nous nous réveillons moins souvent la nuit pour appeler que quelque chose s'est mal passé et le modèle doit être recyclé. En conséquence, nous passons moins de temps sur le support.

De nombreuses personnes dans le monde ont pensé à une telle approche hybride, mais en Russie, nous avons été parmi les premiers à aller au-delà des expériences et à les mettre en production réelle.

Le 22 novembre, Roman deviendra le modérateur du panel de discussion «AI et IoT: attentes et réalité» à la conférence AI. Détails et programme de l'événement - sur le site officiel .

Comment se passe le travail de création d'une maquette numérique du processus de production?

Le projet de développement et de mise en œuvre diffère peu des autres industries. En général, les chefs de projet qui viennent, par exemple, du secteur bancaire à l'industrie, se sentent assez à l'aise (outre le fait que les technologues s'en moquent généralement). D'un point de vue organisationnel, les projets ne sont pas très différents. Premièrement, nous capturons les attentes du client - ce qu'il veut réaliser. Parfois, nous proposons de les travailler ensemble s'ils ne savent pas ce qu'ils veulent, mais veulent vraiment numériser. Ensemble, nous trouvons des points d'amélioration, les mettons dans des KPI mesurables, réalisons le prototypage, faisons un peu de recherche ou même un pilote - nous nous convaincons ainsi que le client que ces KPI sont réalisables, après quoi nous développons des modèles, utilisons un grand nombre de nos développements actuels, intégrons avec des systèmes de production client et mettre en œuvre le système en production.

Les principales caractéristiques sont axées sur la phase de mise en œuvre. Les systèmes sont assez complexes - à la fois dans leur fonctionnement et dans les données qu'ils utilisent pour prendre des décisions à différents moments. Le plus souvent, les travailleurs de l'usine n'ont pas de formation spécialisée pour travailler avec eux. Par conséquent, ils doivent proposer des tableaux de bord spéciaux et des schémas mnémoniques, organiser une formation. En même temps, il existe un manuel qui comprend assez bien ce dont ils ont besoin, et pour eux de faire d'autres tableaux de bord avec des informations plus détaillées.

En général, le principal «ennemi» de nos systèmes est un ingénieur de processus. Il décide de modifier les régimes et il a généralement sa propre opinion sur le fonctionnement de l'atelier ou du site de production qui lui est confié. Beaucoup de temps est consacré à convaincre les exécuteurs directs de croire les recommandations du système. Plus précisément, ne vous contentez pas de «croire», mais prenez et testez - tout d'abord, regardez les recommandations, puis appliquez-les de façon ponctuelle. Souvent, ces employés ne sont pas directement subordonnés aux clients directs du projet et il n'est tout simplement pas possible de les forcer à suivre les recommandations de manière directive. Mais dans l'ensemble, nous semblons avoir appris à construire de tels dialogues et processus de persuasion à différents niveaux, des opérateurs impénétrables aux gestionnaires de production exigeants. C'est une expérience extrêmement intéressante, en particulier pour des mathématiciens de l'informatique «vanille» de Moscou comme nous. Mais, comme cela arrive généralement, la vraie chose est meilleure que toute persuasion, donc si nos modèles fonctionnent vraiment, alors c'est le meilleur argument et généralement de telles discussions sont de courte durée.

À quelle fréquence devez-vous vous rendre dans une véritable entreprise lors de l'élaboration et de la mise en œuvre d'un modèle?

Les analystes commerciaux passent le plus de temps sur le site. Ils sont toujours présents dans l'équipe projet, en plus des data scientistes et des data ingénieurs. Les analystes commerciaux décrivent les processus, écrivent les règles et les limites du système, et ils doivent comprendre en profondeur le processus qui sera, comme il est maintenant à la mode de dire "numériser", plus précisément, excusez-moi, "numériser". Sur le site, ils comprennent certaines nuances et comprennent où, comment et ce qui doit être mis en œuvre pour que le processus fonctionne: comment le processus est généralement géré, comment il n'est pas contrôlé, ce qui n'est généralement pas écrit dans la réglementation. Beaucoup de choses peuvent être apprises uniquement dans le fumoir, en discutant avec les travailleurs locaux pendant la pause - comment les choses sont vraiment, où vous devez vraiment faire des efforts, etc. La tâche des analystes est de révéler le besoin, et cela ne peut être découvert que par de vrais employés qui ils travaillent sur le terrain de leurs propres mains. Mais il y a une spécificité: les personnes qui travaillent de leurs propres mains vivent généralement loin des villes de plus d'un million d'habitants. Parfois, ils sont généralement présents en rotation dans les gisements et les carrières. Par conséquent, nous devons aller à eux dans différents endroits pittoresques.

Le plus loin, où êtes-vous allé?

Nous étions partout, de la région de Mourmansk au territoire de Khabarovsk.

Arrive-t-il souvent que le modèle virtuel créé commence à fonctionner immédiatement et sans surprise dans des conditions réelles?

Nous essayons de minimiser toutes les surprises au stade de l'enquête, mais une fois mis en œuvre, il n'est jamais complet sans eux. Les surprises peuvent être divisées en plusieurs groupes. Le premier est, bien sûr, l'informatique et l'infrastructure. Pour mettre à jour les modèles au fil du temps, il est important pour nous d'avoir accès aux données afin de changer, corriger, ajouter quelque chose. Mais l'accès aux infrastructures peut ne pas être possible si l'objet est situé quelque part très loin, où la connexion est organisée, comme on dit, «à travers un peigne» ou est totalement absente. Si cela est connu à l'avance, vous pouvez créer et déboguer un processus qui mettra à jour le modèle seul, sans l'intervention de ses créateurs. Cela se fait maintenant relativement facilement, nous avons des technologies toutes faites pour cela - mais néanmoins, je voudrais savoir à l'avance qu'il n'y aura pas de connexion. Au minimum, car cela affecte la main-d'œuvre et le coût du projet. Les clients du projet vont le plus souvent négocier avec des informaticiens lorsque le projet est déjà proche de sa mise en œuvre. Ceci est caractéristique non seulement de l'industrie, mais ici, il est le plus critique. L'architecture de la solution dépend fortement de la disponibilité ou non d'Internet, comme je l'ai dit précédemment. Et ce n'est pas seulement une question de modèles.

La deuxième classe de problèmes est liée à une entrée de données incorrecte. Par exemple, des données sur la qualité des produits certifiés, des données d'analyse en laboratoire. Cela peut se produire pour diverses raisons, je n'en parlerai pas, la plupart des raisons ne sont pas très agréables à entendre, encore moins à entendre, mais c'est un très gros problème, car un modèle qui a appris de fausses données commence à prédire les fausses caractéristiques du processus et à émettre des recommandations incorrectes . Cela peut barrer l'ensemble du projet.

N'oubliez pas l'exemple d'implémentation le plus réussi et le plus long.

Je vais commencer par un projet réussi dans le système électrique. Nous n'avons vu le client que deux fois. La première fois que nous sommes arrivés, nous avons clarifié la tâche, on nous a fourni les informations nécessaires, nous sommes partis et appelés une fois par semaine. Trois mois plus tard, la première version a été déployée, après deux autres, la version finale. Tout fonctionnait parfaitement, les modèles sont mis à jour automatiquement et le système fonctionne sans échec depuis plus de deux ans maintenant. Le projet a nécessité un minimum d'effort, car le client était très compétent: il comprenait ce dont il avait besoin, comment gérer, et nous connaissions à l'avance toutes les nuances.

Il existe des exemples beaucoup plus de main-d'œuvre. Malheureusement, la présence du terme «numérisation» dans les conversations préliminaires avec le client ici est souvent un signe que le projet ne réussira pas. Souvent, nous entendons: «Vous participez à notre processus de transformation numérique, nous refaisons tout, alors vissez votre IA ici.» Dans le même temps, les gens ne comprennent souvent pas qu'ils doivent résoudre les problèmes non pas à l'aide d'une machine, mais d'abord en modifiant les processus de leur entreprise vers des «numérisations» plus appropriées. Changer les processus (ou du moins les repenser) devrait toujours être la première phase du changement avec toute numérisation ou autre évolution. Tout outil, y compris l'apprentissage automatique, a des limites d'applicabilité. Si le processus est ancien, sous-optimal et pire encore - construit entièrement sur le consensus des gens (plusieurs personnes doivent s'asseoir et décider quoi faire - cela se produit souvent dans la logistique de production, où les fabricants, les logisticiens et le commerce entrent en collision), alors aucun apprentissage automatique ne le corrigera. Et, au contraire, parfois les changements les plus simples dans les processus (par exemple, le concept de «fabrication sans gaspillage») nous permettent d'obtenir des effets qu'aucun ML ne peut produire. Malheureusement, très peu de «transformateurs» le comprennent et travaillent dans ce sens. L'hypanut sur la mise en œuvre de l'IA, peu importe pourquoi, est une pratique plus courante.

Un exemple simple: il y a une colonne de distillation, dans laquelle vous pouvez contrôler les débits d'alimentation de la vapeur et du reflux. Si nous émettons simplement des recommandations à l’opérateur sur l’écran - «mon pote, tournez ce stylet comme ça» - alors, malheureusement, il n’y aura presque aucun effet du système. Idéalement, une personne ne devrait rester que pour le contrôle, et le contrôle direct devrait être automatique. Un tel changement dans le processus, selon nos estimations très conservatrices, donne une amélioration de 3-4 fois. Je ne suis pas en faveur de licencier tout le monde et de les remplacer par des voitures - même un petit changement dans le processus avec très peu d'investissement donne un effet beaucoup plus important.

De nombreux projets, sur lesquels on prétend que l'IA est mise en œuvre là-bas, ressemblent en fait à cela, excusez-moi pour l'utérus de vérité: un oncle Vasya affiche des recommandations à l'écran, il les regarde et dit «Oui, au diable avec lui, peut-être demain je Je vais le dire comme il veut - mais aujourd'hui je ne ferai rien. " Il est très regrettable que de puissantes technologies cool soient décomposées dans les processus de l'entreprise et des personnes qui ne sont pas prêtes à changer ces processus. Mais si cet oncle Vasya a mis KPI pour mettre en œuvre les recommandations du système. Ou même sans l'IA du tout - pour mettre Vasya KPI sur le rendement spécifique du produit aux matières premières, tout comme un bonus sur le salaire - alors il y a des effets vraiment sérieux. À condition, bien sûr, que l'oncle Vasya ne puisse pas être remplacé par un contrôleur, mais c'est déjà une question d'un autre plan.

Quelle est la situation de la collecte de données et de l'apprentissage automatique dans les entreprises? Combien d'entre eux essaient d'aller dans cette direction?

Les statistiques sur le nombre d'entreprises s'améliorent chaque année. Les dirigeants, comme d'habitude, sont ceux qui ont de l'argent et la possibilité d'investir dans des effets à long terme: l'industrie pétrolière, la pétrochimie et la métallurgie.Tout le monde rattrape son retard.

Mais vous devez comprendre que ce sont essentiellement des systèmes qui donnent des recommandations à une personne, et qu'il décide déjà s'il faut faire quelque chose conformément à ces recommandations ou non, il n'y a pratiquement pas d'exécution automatique des recommandations. C'est certainement un frein au développement de ces systèmes. En général, cela n'a bien sûr jamais été l'Industrie 4.0, car ils aiment souvent le positionner dans les médias. Mais le rééquipement avec automatisation nécessite d'importantes dépenses en capital, donc pour l'instant nous sommes satisfaits de ce que nous avons.

Nous aimerions voir les processus dans les entreprises plus organiques: les gens collectent d'abord des données, puis mettent en œuvre le machine learning sur leur base. En fait, au début, il est nécessaire de faire quelque chose basé sur AI / ML, nous venons au client et comprenons que les données nécessaires ne sont pas collectées. Ou ils s'additionnent sous une forme terrible, de sorte qu'il est impossible de les obtenir - vous devez démarrer un projet de collecte de données. Il y a environ 5 à 7 ans, c'était courant dans les télécommunications et les banques partout (maintenant plus) - aujourd'hui, l'industrie a les mêmes problèmes. Certains projets ont été retardés de six mois - un an et demi en raison du manque de données.

Est-ce le temps qu'il faut pour mettre en place des capteurs et des systèmes d'acquisition de données?

Presque tout le monde a des capteurs - la question est que les données qu'ils contiennent peuvent ne pas être enregistrées ou stockées dans un stockage à court terme pendant trois mois, par exemple, de sorte qu'il serait possible d'organiser une analyse de vol basée sur eux. Comme inutiles, ils ne peuvent plus être stockés, et s'ils sont stockés, alors sous une forme impropre à l'analyse. Nous devons faire les processus d'extraction et de purification. Et il y a des cas assez comiques où tout semble être là, mais nous arrivons à l'entreprise - et il y a tout l' analogue à tube chaud , par exemple, les indicateurs de direction .

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

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

Quels types de tâches standard l'IA résout-elle en production?

La tâche la plus courante est de prédire la panne d'un équipement, ou plutôt de diagnostiquer des moments de comportement atypique. Il y a des caractéristiques ici: nous avons besoin de données qui ne peuvent pas être collectées, nous avons besoin d'informations sur le fonctionnement de cet équipement - pour cela, il y a du personnel de production que nous consultons. Parce que certains modèles dans les données sont logiques et ne signifient pas que l'équipement ne fonctionne pas correctement.

Un exemple d'une telle tâche consiste à déterminer combien de temps une certaine section du pipeline peut fonctionner, en fonction de l'endroit où il est enterré, de la profondeur, comme le montrent les dernières données de l'inspection interne des tuyaux ou du contrôle magnétique, à quelle fréquence les régimes changent et ce qu'ils étaient. Nous pouvons prédire quand le tuyau deviendra inutilisable et planifier de manière optimale son remplacement.

Le deuxième type de tâches implique la nécessité d'optimiser certains processus. Examinons un exemple avec la puissance thermique, comme le plus compréhensible pour le lecteur général. Nous pouvons contrôler les conditions thermiques aux sources d'énergie thermique (chaufferies, centrales thermiques, etc.), tout en maintenant un certain niveau de température dans différentes pièces: elles sont à des distances différentes, construites à partir de matériaux différents, diffèrent par la géodésie et, par conséquent, différemment refroidi par l'air ambiant. Comment construire de manière optimale les régimes thermiques dans une chaufferie ou une centrale thermique afin de maintenir un indicateur du niveau de qualité par rapport au client final? Ici, vous devez déterminer le principal indicateur d'efficacité. Nous pouvons dépenser moins d'énergie au total pour chauffer et pomper du liquide de refroidissement, nous pouvons réduire le nombre de plaintes de grands-mères congelées,nous pouvons réduire les coûts de chauffage variables, réduire les pertes de chaleur ou même l'usure des équipements. Vous pouvez faire n'importe quel modèle d'optimisation - indiquez simplement les priorités relatives de divers facteurs. Ce choix est le plus gros problème. Imaginez-vous propriétaire d'une entreprise de chauffage. Combien de grand-mères mécontentes êtes-vous prêt à échanger contre le fait que cette pipe vivra encore quelques mois? Une question extrêmement difficile. Par conséquent, nos analystes commerciaux travaillent, entre autres, à aider à réduire tous les facteurs au rouble comme valeur la plus universelle pour les mesures. Après cela, il devient généralement clair ce qui doit être travaillé et ce qu'il faut optimiser.Ce choix est le plus gros problème. Imaginez-vous propriétaire d'une entreprise de chauffage. Combien de grand-mères mécontentes êtes-vous prêt à échanger contre le fait que cette pipe vivra encore quelques mois? Une question extrêmement difficile. Par conséquent, nos analystes commerciaux travaillent, entre autres, à aider à réduire tous les facteurs au rouble comme valeur la plus universelle pour les mesures. Après cela, il devient généralement clair ce qui doit être travaillé et ce qu'il faut optimiser.Ce choix est le plus gros problème. Imaginez-vous propriétaire d'une entreprise de chauffage. Combien de grand-mères mécontentes êtes-vous prêt à échanger contre le fait que cette pipe vivra encore quelques mois? Une question extrêmement difficile. Par conséquent, nos analystes commerciaux travaillent, entre autres, à aider à réduire tous les facteurs au rouble comme valeur la plus universelle pour les mesures. Après cela, il devient généralement clair ce qui doit être travaillé et ce qu'il faut optimiser.sur quoi travailler et quoi optimiser.sur quoi travailler et quoi optimiser.

Quels types de tâches il est devenu possible de résoudre récemment grâce à l'amélioration des méthodes de MO?

Je, probablement, la plupart des lecteurs décevront, car le mouvement n'est pas dû à l'utilisation des dernières réalisations dans les méthodes de ML. Non pas parce que ce qui est introduit dans la production devrait être éprouvé et plus durable. Ici, le développement va dans l'autre sens: le modèle doit se lier d'amitié avec la physique et la chimie, dont j'ai déjà parlé auparavant. Il s'avère que cela est également très difficile du point de vue de ML.

Donnez des exemples tirés de votre pratique lorsque les décisions prises par les machines ont été plus efficaces et réussies que celles qui émanaient d'une personne.

En fait, les décisions et recommandations émises par le système sont toujours finalement plus efficaces que celles prises par la personne. Sinon, notre entreprise n'aurait tout simplement pas de sens. Voici quelques exemples.

Dans la sidérurgie, les hauts fourneaux consomment de l'énergie comme une petite ville. Selon la qualité de la ferraille que nous y mettons, la taille de ses morceaux, vous pouvez ajuster la force du courant fourni pour chauffer le four. En contrôlant la force actuelle, il est possible de réduire considérablement (et pour l'industrie 1-2% - ce qui est important) le coût de l'électricité.

Toujours de la métallurgie - fours à poche dans lesquels de l'acier est amené. Lors de la fusion, des ferro-alliages sont ajoutés à l'acier. Ils coûtent beaucoup plus cher que les principales matières premières. En analysant les caractéristiques d'un matériau particulier, on comprend quand il est possible de remplir un peu moins de ferro-alliages afin d'obtenir une qualité de produit donnée et en même temps économiser sur les ferro-alliages.

Dans l'industrie pétrolière - nous avons optimisé le fonctionnement des pompes lors du levage mécanique de l'huile. Nous avons appris à augmenter légèrement le taux de production d'huile simplement grâce à un contrôle plus efficace des modes de pompage. Il est important que dans ce cas, nous utilisons le moins possible les données géologiques, car notre horizon de contrôle n'est pas très long (jusqu'à un mois) et nous parvenons à éviter les intégrations avec un logiciel de modélisation de formation très complexe et coûteux.

Toute la production en Russie est unique, et dire que nous travaillons quelque part signifie ouvrir immédiatement le client et violer le NDA. Par conséquent, disons que nous pouvons faire les mêmes choses pour optimiser la production d'engrais minéraux et diverses industries chimiques (pas de la pétrochimie). De plein air - le projet d'usine numérique pour PJSC Gazprom Neft, dont les détails sont facilement googlé.