पौधों को मशीन सीखने की आवश्यकता क्यों है

औद्योगिक उद्यमों में मशीन लर्निंग को कैसे पेश किया जा रहा है, जिन्होंने इसमें सबसे बड़ी सफलता हासिल की है और उपयोग के कौन से उदाहरण पहले से मौजूद हैं, हमने रोमन चेबटेरेव ( उत्तल ) से सीखा। रोमन डिजिटल में एक एमएल वास्तुकार और कार्यान्वयन निदेशक हैं। वह 11 वर्षों से स्मार्ट मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस क्लास प्रौद्योगिकियों को लागू कर रहा है। पिछले कुछ वर्षों में, रोमन ने इंडस्ट्री में ML / AI में विशेषज्ञता हासिल की है।


हमें अपने करियर पथ के बारे में बताएं।

मैंने कंप्यूटर सीखने के कार्यों के लिए मशीन लर्निंग के साथ अपना कैरियर पथ शुरू किया (हालांकि तब ऐसा शब्द अभी तक व्यापक रूप से उपयोग नहीं किया गया था)। मैंने वीडियो एनालिटिक्स सिस्टम के लिए विभिन्न मॉड्यूल विकसित किए: कंजेशन डिटेक्टर, स्मोक डिटेक्टर, ऑब्जेक्ट काउंटर। फिर उन्हें भविष्य की पीढ़ी की सुरक्षा प्रणालियों के रूप में भी योजनाबद्ध किया गया था - अब उनका उपयोग हर जगह किया जाता है।

धीरे-धीरे, छवि विश्लेषण से, मैंने सामान्य रूप से डेटा विश्लेषण पर स्विच किया। मैंने पहले से ही CROC में काम किया, जहां मैं एक डेवलपर के रूप में आया, और मशीन लर्निंग प्रैक्टिस के प्रमुख के रूप में छोड़ दिया। अधिकांश अनुभव मुझे वहां मिले, और मूल रूप से हमने भविष्य में विभिन्न मात्रात्मक मात्राओं की भविष्यवाणी से जुड़ी समस्याओं को हल किया। अधिक कार्य खुदरा क्षेत्र में थे - मशीन लर्निंग तब इस क्षेत्र में ग्राहकों के बीच सबसे अधिक मांग थी। हमने लॉजिस्टिक्स के अनुकूलन की मांग के पूर्वानुमानों को हल किया। विभिन्न क्षेत्रों में ऐसे कई कार्य थे: खाद्य खुदरा से लेकर ऑटोमोबाइल गैस स्टेशन तक।

फिर मशीन लर्निंग में एक गंभीर दिलचस्पी औद्योगिक उद्यमों से आकार लेने लगी। कुछ बिंदु पर, मेरे भागीदारों और मैंने अपने स्वयं के स्टार्टअप - थेटा डेटा सॉल्यूशन को व्यवस्थित करने का निर्णय लिया। हमने औद्योगिक उद्यमों के लिए प्रति वर्ष 6 परियोजनाएं और 10 से अधिक पायलट बनाए, और फिर कंपनी को "डिजिटल" कंपनी द्वारा अधिग्रहित किया गया, जहां मैं अब एआई विभाग में कार्यान्वयन निदेशक के रूप में काम करता हूं। प्रारंभिक स्टार्टअप टीम की तुलना में, हमने बहुत विस्तार किया है: अब हमारे एआई-जनजाति (जैसा कि हम खुद को कॉल करते हैं) में 30 से अधिक लोग हैं।

उद्योग को मशीन सीखने में रुचि कब थी?

ब्याज हमेशा मौजूद रहा है, लेकिन इन परियोजनाओं में निवेश करने के लिए कंपनियों की इच्छा, बहुत, बहुत सुस्त, मेरी टिप्पणियों के अनुसार, 2013 में दिखाई दी। कमोबेश 2016 तक इसे एक प्रवृत्ति कहना संभव हो गया। अब तेजी से विकास का दौर शुरू हो गया है।

औद्योगिक उद्यमों के लिए मशीन लर्निंग मॉडल डिजाइन करने की बारीकियां क्या हैं?

उद्योग में त्रुटि की बहुत अधिक कीमत है। यदि आप गलत तरीके से कुछ इंस्टॉलेशन का प्रबंधन करना शुरू करते हैं, तो कम से कम यह खराब तरीके से काम करना शुरू कर देगा, न कि कुशलता से, जैसा कि यह हो सकता है (किसी भी मामले में, ये बहुत बड़ी संख्या में रूबल में हैं), और सबसे खराब में अपरिवर्तनीय प्रक्रियाएं होंगी और महंगी मरम्मत की आवश्यकता होगी।

यह प्रभावित करता है कि मॉडल कैसे डिज़ाइन और संचालित किए जाते हैं: वे कम प्रयोग करने की दिशा में बहुत "तिरछा" होते हैं। यदि, उदाहरण के लिए, फिनटेक या टेलीकॉम में, आप ए / बी परीक्षण कर सकते हैं और ग्राहकों के एक सबसेट के स्तर पर, उन्हें एक अलग-अलग विज्ञापन दिखा सकते हैं, लक्षित छूट दे सकते हैं, आदि, तो उद्योग में उपकरण और प्रयोग की संभावनाएं बहुत कम हैं। । यदि आप एक वाक्यांश में सुविधाओं को बनाने की कोशिश करते हैं - तो औद्योगिक प्रणाली के काम में भारी बदलाव नहीं किया जा सकता है। परिवर्तन बहुत छोटा और दिशात्मक होगा। हम समायोजन करेंगे, देखें कि क्या होता है - और, अगर सब कुछ ठीक हो जाता है, तो इस दिशा में आगे बढ़ने की कोशिश करें, लेकिन बहुत छोटे चरणों के साथ। इसे मशीन लर्निंग मॉडल (अधिक सटीक, नियंत्रण मॉडल) के नियमितीकरण कहा जाता है - उद्योग में उन्हें परिवर्तनों के लिए बहुत नियमित किया जाता है। इस तरह, एक महंगी त्रुटि की संभावना कम से कम हो जाती है।

दूसरी विशेषता यह है कि मशीन लर्निंग (एमएल) मॉडल को भौतिकी और रसायन विज्ञान के साथ दोस्ती करने की आवश्यकता है। यह काफी आसान नहीं है। डेटा पर बनाया गया एक मॉडल इस बात की परवाह नहीं करता है कि किसी विशेष प्रक्रिया के पीछे किस तरह का भौतिकी निहित है - यह केवल डेटा के बीच के पैटर्न को पकड़ता है। यह अक्सर पता चलता है कि निर्मित मॉडल पूरी तरह से अप्रभावी है। उदाहरण के लिए, कोई भी समझदार व्यक्ति समझता है - और भौतिकी इस बात की पुष्टि करता है: यदि आप हीटिंग सिस्टम में शीतलक के तापमान में वृद्धि करते हैं, तो यह घरों में गर्म हो जाएगा, क्रेटरिस परिबस। एक मॉडल पूरी तरह से अलग संबंध सीख सकता है, कभी-कभी विपरीत। अप्रत्यक्ष कारकों (सड़क पर तापमान का अंतर, दिन का समय आदि) के लिए अधिक वजन देने के लिए और इस तरह से सही व्यवहार प्रतीत होता है, लेकिन "गलत" कारकों का उपयोग करना सीखें।

अब लोग उद्योग में काम कर रहे हैं, नई तकनीकों के लिए काफी खुले हैं। वे यह पता लगाने की कोशिश कर रहे हैं कि हम उन्हें क्या देने के लिए प्रदान करते हैं। यदि मॉडल भौतिक नहीं हैं (जैसा कि कुछ सरल परीक्षणों द्वारा सत्यापित है), तो कोई भी इस तरह की प्रणाली को लॉन्च करने के लिए हरी बत्ती नहीं देगा। लेकिन अंत में यह पता चला कि इस तरह की विफलताओं के परिणामस्वरूप, हमने वर्तमान अनुमानों के अनुसार, एक और अधिक प्रभावी तरीका पाया।

कानून, सैद्धांतिक या अनुभवजन्य हैं, अंतर समीकरणों की प्रणाली और ज्ञान की एक बड़ी परत है जो भौतिकविदों और रसायनज्ञों द्वारा बनाई गई थी। इस ज्ञान का उपयोग पौधों के डिजाइन में किया जाता है और, सामान्य तौर पर, कम या ज्यादा उत्पादन प्रक्रिया का वर्णन करता है। हम भौतिक मॉडलों को प्राप्त करने के लिए एमएल के साथ मिलकर इस ज्ञान को शामिल करते हैं - वास्तव में, हम ज्ञात निर्भरता और भिन्नता के एक सेट पर भरोसा करते हैं, उपलब्ध आंकड़ों पर गुणांक को परिष्कृत करते हैं, और उन गतिशीलता का भी वर्णन करते हैं जो भौतिक रूप से काफी मानक एमएल दृष्टिकोण (बूस्टिंग) का उपयोग करके "सीखा" नहीं जा सकता है। ।

स्पष्टता के लिए, मैं अक्सर "खर्च डेटा" की अवधारणा को पेश करता हूं। जब आप किसी मॉडल को कुछ सिखाते हैं, तो आप "बेकार" डेटा (इस अर्थ में कि प्रशिक्षण में किसी भी पुन: उपयोग के बजाय एक सूक्ष्म बिंदु है, "अति-प्रशिक्षण" - ओवरफिटिंग) का खतरा है। इसलिए, हम पैटर्न और निर्भरता की बहाली पर डेटा को "खर्च" नहीं करते हैं, जो सामान्य शब्दों में पहले से ही वैज्ञानिकों और प्रौद्योगिकीविदों के लिए धन्यवाद के रूप में जाना जाता है। हम इन जानी-मानी निर्भरताओं का उपयोग करते हैं और विशेषताओं को स्पष्ट करने के लिए डेटा को "खर्च" करते हैं, उन निर्भरता को पूरा करते हैं जो भौतिक मॉडल में ध्यान में नहीं लिए गए थे, और अंत में उन मॉडल का निर्माण करते हैं जो प्रत्येक स्थानीय उत्पादन साइट या यहां तक ​​कि उपकरणों के एक टुकड़े को ध्यान में रखते हुए जानते हैं कि यह मूल रूप से कैसे काम करता है।

नतीजतन, हम बेहतर और अधिक स्थिर मॉडल प्राप्त करते हैं। स्वाभाविक रूप से, भौतिक और रासायनिक प्रक्रिया मॉडल हमेशा उपलब्ध या पूर्ण नहीं होते हैं - इस मामले के लिए, हमारी टीम के पास संबंधित उद्योगों में अनुभव वाले विश्लेषक हैं जो डेटा वैज्ञानिकों के लिए उपयुक्त भौतिक आधार रेखा मॉडल का निर्माण कर सकते हैं।

इसके अलावा, हम इष्टतम नियंत्रण मापदंडों के बारे में निर्णय लेने के लिए स्वत: नियंत्रण के सिद्धांत के दृष्टिकोण का उपयोग करने की कोशिश कर रहे हैं जो कि स्थापना में निर्धारित करने की आवश्यकता है, समय पर अपरिहार्य अंतराल को ध्यान में रखते हुए और सिफारिश की कि सभी पर स्वीकार नहीं किया जाएगा। सामान्य तौर पर, हम सुदृढीकरण सीखने के दृष्टिकोणों को करीब से देखते हैं, लेकिन अभी तक परिणामी नियंत्रण कानून (नीतियां) हमारे कार्यों में काफी अस्थिर हैं। लेकिन इन दृष्टिकोणों का संयोजन निश्चित रूप से भविष्य में निहित है। और यह केवल मेरी राय नहीं है।

समय के साथ इस तरह के "भौतिक" दृष्टिकोण ने एक महत्वपूर्ण दीर्घकालिक परिणाम प्रकट किया: इस तरह के मॉडल की अधिक स्थिरता के कारण, हम रात में कम जागने के लिए कहते हैं कि कुछ गलत हो गया और मॉडल को पीछे हटने की जरूरत है। नतीजतन, हम समर्थन पर कम समय बिताते हैं।

दुनिया में कई लोगों ने इस तरह के एक संकर दृष्टिकोण के बारे में सोचा, लेकिन रूस में हम प्रयोगों में से आगे जाने और वास्तविक उत्पादन में डालने वाले पहले लोगों में से एक थे।

22 नवंबर को रोमन सम्मेलन में AI सम्मेलन में “AI और IoT: Expectation and Reality” चर्चा पैनल का मॉडरेटर बन जाएगा। घटना का विवरण और कार्यक्रम - आधिकारिक वेबसाइट पर ।

उत्पादन प्रक्रिया का डिजिटल मॉडल बनाने पर काम कैसे हो रहा है?

विकास और कार्यान्वयन पर परियोजना अन्य उद्योगों से अलग है। सामान्य तौर पर, जो परियोजना प्रबंधक आते हैं, उदाहरण के लिए, बैंकिंग उद्योग से उद्योग तक, काफी सहज महसूस करते हैं (इस तथ्य के अलावा कि टेक्नोलॉजिस्ट आमतौर पर उनका मजाक उड़ाते हैं)। संगठनात्मक दृष्टिकोण से, परियोजनाएं बहुत अलग नहीं हैं। सबसे पहले, हम ग्राहक की अपेक्षाओं को पकड़ते हैं - वे क्या हासिल करना चाहते हैं। कभी-कभी हम उन्हें एक साथ काम करने की पेशकश करते हैं यदि वे नहीं जानते कि वे क्या चाहते हैं, लेकिन वास्तव में डिजिटल करना चाहते हैं। एक साथ हम सुधार के बिंदु ढूंढते हैं, उन्हें कुछ मापने योग्य KPI में डालते हैं, प्रोटोटाइप बनाते हैं, थोड़ा शोध करते हैं या एक पायलट भी करते हैं - हम खुद को और ग्राहक को विश्वास दिलाते हैं कि ये KPI प्राप्त करने योग्य हैं, जिसके बाद हम मॉडल विकसित करते हैं, बड़ी संख्या में अपने वर्तमान विकास का उपयोग करते हैं, उत्पादन प्रणालियों के साथ एकीकृत होते हैं। ग्राहक और उत्पादन में प्रणाली लागू करते हैं।

मुख्य विशेषताएं कार्यान्वयन चरण पर केंद्रित हैं। सिस्टम काफी जटिल हैं - वे कैसे काम करते हैं और किस डेटा में दोनों का उपयोग समय में विभिन्न बिंदुओं पर निर्णय लेने के लिए करते हैं। संयंत्र में श्रमिकों को अक्सर उनके साथ काम करने के लिए विशेष शिक्षा नहीं होती है। इसलिए, उन्हें विशेष डैशबोर्ड और एमनेमिक योजनाओं के साथ आना होगा, प्रशिक्षण का संचालन करना होगा। इसी समय, एक मैनुअल है जो बहुत अच्छी तरह से समझता है कि उन्हें क्या चाहिए, और उनके लिए अधिक विस्तृत जानकारी के साथ अन्य डैशबोर्ड करने के लिए।

सामान्य तौर पर, हमारे सिस्टम का मुख्य "दुश्मन" एक प्रक्रिया इंजीनियर है। शासन बदलने का निर्णय उसके द्वारा किया जाता है, और आमतौर पर कार्यशाला या उत्पादन स्थल उसे कैसे काम करना चाहिए, इस पर उनकी अपनी राय है। सिस्टम की सिफारिशों पर विश्वास करने के लिए प्रत्यक्ष निष्पादकों को समझाने में बहुत समय व्यतीत होता है। अधिक सटीक रूप से, न केवल "विश्वास", लेकिन ले लो और परीक्षण करें - पहले केवल सिफारिशों को देखें, फिर उन्हें बिंदुवार लागू करें। अक्सर ये कर्मचारी परियोजना के प्रत्यक्ष ग्राहकों के लिए सीधे अधीनस्थ नहीं होते हैं और उन्हें निर्देशात्मक तरीके से सिफारिशों का पालन करने के लिए मजबूर करना संभव नहीं है। लेकिन कुल मिलाकर, हम विभिन्न स्तरों पर ऐसे संवादों और अनुनय प्रक्रियाओं का निर्माण करना सीख चुके हैं, जो अभेद्य ऑपरेटरों से लेकर कठोर उत्पादन प्रबंधकों तक हैं। यह एक बहुत ही दिलचस्प अनुभव है, विशेष रूप से मॉस्को से हमारे जैसे "वैनिला" आईटी गणितज्ञों के लिए। लेकिन, जैसा कि आमतौर पर होता है, असली चीज किसी भी अनुनय से बेहतर है, इसलिए यदि हमारे मॉडल वास्तव में काम करते हैं, तो यह सबसे अच्छा तर्क है और आमतौर पर इस तरह की चर्चाएं अल्पकालिक होती हैं।

एक मॉडल को विकसित करने और इसे लागू करने के दौरान आपको कितनी बार एक वास्तविक उद्यम पर जाना पड़ता है?

व्यवसाय विश्लेषक साइट पर सबसे अधिक समय बिताते हैं। वे डेटा वैज्ञानिकों और डेटा इंजीनियरों के अलावा, हमेशा प्रोजेक्ट टीम में मौजूद रहते हैं। व्यावसायिक विश्लेषक प्रक्रियाओं का वर्णन करते हैं, सिस्टम के नियमों और सीमाओं को लिखते हैं, और उन्हें उस प्रक्रिया को गहराई से समझने की आवश्यकता होती है, जैसा कि अब "डिजिटलाइज" कहने के लिए फैशनेबल है, अधिक सटीक रूप से, मुझे माफ करना, "डिजिटल करना"। साइट पर, वे कुछ बारीकियों का पता लगाते हैं और समझते हैं कि कहां, कैसे और क्या काम करने के लिए प्रक्रिया को लागू करने की आवश्यकता है: प्रक्रिया आमतौर पर कैसे प्रबंधित की जाती है, उन्हें कैसे नियंत्रित नहीं किया जाता है, जो आमतौर पर नियमों में नहीं लिखा जाता है। बहुत सारी चीजें केवल धूम्रपान कक्ष में सीखी जा सकती हैं, ब्रेक के दौरान स्थानीय कठिन श्रमिकों के साथ बात करना - कैसे चीजें वास्तव में हैं, जहां आपको वास्तव में प्रयास करने की आवश्यकता है, आदि विश्लेषकों का कार्य आवश्यकता को प्रकट करना है, और यह केवल वास्तविक कर्मचारियों से ही पता लगाया जा सकता है, जो वे अपने हाथों से जमीन पर काम करते हैं। लेकिन एक विशिष्टता है: वे लोग जो अपने हाथों से काम करते हैं वे आमतौर पर दस लाख से अधिक आबादी वाले शहरों से दूर रहते हैं। कभी-कभी वे आम तौर पर जमा और खदानों में एक घूर्णी आधार पर मौजूद होते हैं। इसलिए, हमें उन्हें अलग-अलग सुरम्य स्थानों पर जाना होगा।

सबसे दूर, आप कहाँ गए थे?

हम हर जगह थे, मरमंस्क क्षेत्र से खाबरोवस्क क्षेत्र तक।

क्या अक्सर ऐसा होता है कि बनाया गया वर्चुअल मॉडल वास्तविक परिस्थितियों में तुरंत और आश्चर्यजनक रूप से काम करना शुरू कर देता है?

हम सर्वेक्षण चरण में सभी आश्चर्य को कम करने की कोशिश करते हैं, लेकिन जब लागू किया जाता है, तो यह उनके बिना कभी पूरा नहीं होता है। आश्चर्य को कई समूहों में विभाजित किया जा सकता है। पहला, निश्चित रूप से, आईटी और बुनियादी ढांचा। समय के साथ मॉडल अपडेट करने के लिए, कुछ को बदलने, ठीक करने, जोड़ने के लिए डेटा तक पहुंच होना हमारे लिए महत्वपूर्ण है। लेकिन बुनियादी ढांचे तक पहुंच संभव नहीं हो सकती है यदि ऑब्जेक्ट कहीं बहुत दूर स्थित है, जहां कनेक्शन का आयोजन किया जाता है, जैसा कि हम कहते हैं, "एक कंघी के माध्यम से" या पूरी तरह से अनुपस्थित है। यदि यह पहले से ज्ञात है, तो आप एक ऐसी प्रक्रिया का निर्माण और डिबग कर सकते हैं, जो अपने रचनाकारों के हस्तक्षेप के बिना मॉडल को अपने आप अपडेट कर देगा। यह अब अपेक्षाकृत आसानी से किया जा रहा है, हमारे पास इसके लिए तैयार तकनीकें हैं - लेकिन फिर भी, मैं पहले से जानना चाहूंगा कि कोई संबंध नहीं होगा। कम से कम, क्योंकि यह परियोजना के श्रम और लागत को प्रभावित करता है। परियोजना के ग्राहक अक्सर आईटी विशेषज्ञों के साथ बातचीत करने जाते हैं जब परियोजना पहले से ही कार्यान्वयन के करीब होती है। यह न केवल उद्योग की विशेषता है, बल्कि यहां यह सबसे महत्वपूर्ण है। समाधान की वास्तुकला इस बात पर बहुत निर्भर करती है कि इंटरनेट उपलब्ध है या नहीं, जैसा कि मैंने पहले कहा था। और यह केवल मॉडलों के बारे में नहीं है।

समस्याओं का दूसरा वर्ग गलत डेटा प्रविष्टि से संबंधित है। उदाहरण के लिए, प्रमाणित उत्पादों की गुणवत्ता, प्रयोगशाला विश्लेषण डेटा पर डेटा। यह विभिन्न कारणों से हो सकता है, मैंने उनके बारे में बात नहीं की है, अधिकांश कारण बहुत अच्छा लग रहा है, अकेले सुनने के लिए, लेकिन यह एक बहुत बड़ी समस्या है, क्योंकि एक मॉडल जो झूठे डेटा से सीखा है, प्रक्रिया की झूठी विशेषताओं की भविष्यवाणी करना शुरू करता है और गलत सिफारिशें जारी करता है। । यह पूरी परियोजना को पार कर सकता है।

सबसे सफल और समय लेने वाला कार्यान्वयन उदाहरण याद रखें।

मैं बिजली प्रणाली में एक सफल परियोजना के साथ शुरुआत करूंगा। हमने ग्राहक को केवल दो बार देखा। पहली बार हम पहुंचे, हमने कार्य को स्पष्ट किया, हमें आवश्यक जानकारी प्रदान की गई, हमने सप्ताह में एक बार छोड़ दिया और फोन किया। तीन महीने बाद, पहली रिलीज़ को रोल आउट किया गया, एक और दो के बाद, अंतिम रिलीज़। सब कुछ पूरी तरह से काम किया है, मॉडल स्वचालित रूप से अपडेट किए जाते हैं और सिस्टम दो साल से अधिक समय तक विफलताओं के बिना काम कर रहा है। परियोजना को न्यूनतम मात्रा में प्रयास की आवश्यकता थी, क्योंकि ग्राहक बहुत सक्षम था: वह समझता था कि उसे क्या चाहिए, कैसे प्रबंधित किया जाना चाहिए, और हमें पहले से सभी बारीकियों के बारे में पता था।

बहुत अधिक श्रम-गहन उदाहरण हैं। दुर्भाग्य से, यहां ग्राहक के साथ प्रारंभिक बातचीत में शब्द "डिजिटलाइजेशन" की उपस्थिति अक्सर एक संकेत है कि परियोजना सफल नहीं होगी। अक्सर हम सुनते हैं: "आप हमारी डिजिटल परिवर्तन प्रक्रिया में भाग ले रहे हैं, हम पूरी तरह से सब कुछ फिर से कर रहे हैं, इसलिए अपने एआई को यहां पेंच करें।" इसी समय, लोग अक्सर यह नहीं समझते हैं कि उन्हें एक मशीन की मदद से समस्याओं का समाधान नहीं करना चाहिए, लेकिन पहले अपनी कंपनी में प्रक्रियाओं को अधिक उपयुक्त "डिजिटलाइजेशन" में बदलकर। बदलती प्रक्रियाओं (या कम से कम उन्हें पुनर्विचार) हमेशा किसी भी डिजिटलीकरण या अन्य विकास के साथ परिवर्तन का पहला चरण होना चाहिए। मशीन लर्निंग सहित किसी भी उपकरण में प्रयोज्यता की सीमा होती है। यदि यह प्रक्रिया प्राचीन, उप-रूपी और इससे भी बदतर है - पूरी तरह से लोगों की सहमति पर निर्मित है (कई लोगों को बैठकर यह तय करने की आवश्यकता है कि यह क्या होता है - उत्पादन रसद में अक्सर होता है, जहां निर्माता, तर्कशास्त्री और वाणिज्य टकराते हैं), तो कोई भी शिक्षण अधिगम इसे ठीक नहीं करेगा। और, इसके विपरीत, कभी-कभी प्रक्रियाओं में सबसे सरल परिवर्तन होते हैं (उदाहरण के लिए, "दुबला विनिर्माण" की अवधारणा) हमें उन प्रभावों को प्राप्त करने की अनुमति देती है जो कोई भी एमएल प्राप्त नहीं कर सकता है। दुर्भाग्य से, बहुत कम "ट्रांसफॉर्मर" इसे समझते हैं और इस दिशा में काम करते हैं। एआई के कार्यान्वयन पर सम्मन, कोई फर्क नहीं पड़ता कि क्यों, अधिक सामान्य अभ्यास है।

एक सरल उदाहरण: एक आसवन स्तंभ है, इसमें आप भाप और भाटा की प्रवाह दरों को नियंत्रित कर सकते हैं। अगर हम स्क्रीन पर ऑपरेटर को केवल सिफारिशें जारी करते हैं - "दोस्त, इस पेन को उस तरह से मोड़ें" - तो, ​​दुर्भाग्य से, सिस्टम से लगभग कोई प्रभाव नहीं होगा। आदर्श रूप से, एक व्यक्ति को केवल नियंत्रण के लिए रहना चाहिए, और प्रत्यक्ष नियंत्रण स्वचालित होना चाहिए। हमारे बहुत रूढ़िवादी अनुमानों के अनुसार, प्रक्रिया में इस तरह का बदलाव 3-4 बार का सुधार देता है। मैं सभी लोगों को खारिज करने और उन्हें कारों के साथ बदलने के पक्ष में नहीं हूं - बस बहुत कम निवेश के साथ प्रक्रिया में एक छोटा सा बदलाव भी बहुत अधिक प्रभाव देता है।

कई परियोजनाएं, जिनके बारे में यह दावा किया जाता है कि एआई को वहां लागू किया गया है, वास्तव में इस तरह दिखती हैं, मुझे सत्य-गर्भ का बहाना देती हैं: कुछ चाचा वासी स्क्रीन पर सिफारिशें प्रदर्शित करते हैं, वह उन्हें देखता है और कहता है "हां, उसके साथ नरक में, शायद कल मैं। मैं इसे वैसे ही रखूंगा जैसे वह चाहता है - लेकिन आज मैंने कुछ नहीं किया। यह बहुत दुर्भाग्यपूर्ण है कि शक्तिशाली शांत तकनीकें उद्यम की प्रक्रियाओं में टूट जाती हैं और जो लोग इन प्रक्रियाओं को बदलने के लिए तैयार नहीं हैं। लेकिन अगर इस चाचा वस्या ने सिस्टम की सिफारिशों को लागू करने के लिए KPI डाल दिया। या फिर एआई के बिना भी - कच्चे माल को उत्पाद की विशिष्ट उपज पर वास्या केपीआई डालने के लिए, बस वेतन के बोनस के रूप में - फिर वास्तव में गंभीर प्रभाव हैं। बशर्ते, कि चाचा वासी को नियंत्रक द्वारा प्रतिस्थापित नहीं किया जा सकता है, लेकिन यह पहले से ही एक अलग विमान से एक सवाल है।

उद्यमों में डेटा संग्रह और मशीन सीखने के साथ स्थिति क्या है? उनमें से कितने इस दिशा में जाने की कोशिश कर रहे हैं?

उद्यमों की संख्या पर आंकड़े हर साल सुधार करते हैं। नेता, हमेशा की तरह, जिनके पास पैसा है और दीर्घकालिक प्रभाव में निवेश करने का अवसर है: तेल उद्योग, पेट्रोकेमिकल्स और धातु विज्ञान।बाकी सब लोग पकड़ रहे हैं।

लेकिन आपको यह समझने की आवश्यकता है कि मूल रूप से ये सिस्टम हैं जो किसी व्यक्ति को सिफारिशें देते हैं, और वह पहले से ही एक निर्णय करता है कि इन सिफारिशों के अनुसार कुछ करना है या नहीं, व्यावहारिक रूप से सिफारिशों का कोई स्वचालित निष्पादन नहीं है। यह निश्चित रूप से इन प्रणालियों के विकास के लिए एक डाट है। सामान्य तौर पर, यह, निश्चित रूप से उद्योग 4.0 कभी नहीं रहा है, क्योंकि वे अक्सर इसे मीडिया में स्थान देना पसंद करते हैं। लेकिन स्वचालन के साथ पुन: उपकरण के लिए बड़े पूंजीगत व्यय की आवश्यकता होती है, इसलिए अभी के लिए हमारे पास जो है उससे हम खुश हैं।

हम कंपनियों में प्रक्रियाओं को अधिक कार्बनिक देखना चाहते हैं: लोग पहले डेटा एकत्र करते हैं, और फिर उनके आधार पर मशीन सीखने को लागू करते हैं। वास्तव में, पहले तो एआई / एमएल के आधार पर कुछ करने की आवश्यकता है, हम ग्राहक के पास आते हैं और समझते हैं कि आवश्यक डेटा एकत्र नहीं किया गया है। या वे कुछ भयानक रूप में जोड़ते हैं, ताकि उन्हें प्राप्त करना असंभव हो - आपको डेटा संग्रह परियोजना शुरू करने की आवश्यकता है। लगभग 5-7 साल पहले यह टेलिकॉम और बैंकों में आम था (अब नहीं) - आज उद्योग की समस्याएं समान हैं। ऐसी परियोजनाएं थीं जो डेटा की कमी के कारण छह महीने - डेढ़ साल की देरी से चल रही थीं।

क्या यह समय सेंसर और डेटा अधिग्रहण प्रणालियों को लागू करने के लिए लेता है?

लगभग सभी के पास सेंसर हैं - सवाल यह है कि उनमें से डेटा या तो तीन महीनों के लिए कुछ अल्पकालिक भंडारण में संग्रहीत या संग्रहीत नहीं किया जा सकता है, उदाहरण के लिए, ताकि उनके आधार पर उड़ान विश्लेषण की व्यवस्था करना संभव हो सके। अनावश्यक के रूप में, उन्हें अब संग्रहीत नहीं किया जा सकता है, और यदि वे संग्रहीत हैं, तो विश्लेषण के लिए अनुपयुक्त रूप में। हमें उनके निष्कर्षण और शुद्धिकरण की प्रक्रियाएँ करनी होंगी। और काफी हास्यपूर्ण मामले हैं जब सब कुछ लगता है, लेकिन हम उद्यम में आते हैं - और सभी गर्म ट्यूब एनालॉग हैं, उदाहरण के लिए, दिशा संकेतक।

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

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

AI किस प्रकार के कार्य उत्पादन में हल करता है?

सबसे आम कार्य उपकरण की विफलता की भविष्यवाणी करना है, या बल्कि, असामान्य व्यवहार के क्षणों का निदान करना है। यहां विशेषताएं हैं: हमें डेटा की आवश्यकता होती है जिसे एकत्र नहीं किया जा सकता है, हमें इस बात की जानकारी चाहिए कि यह उपकरण कैसे काम करता है - इसके लिए उत्पादन कार्मिक हैं जिनके साथ आप परामर्श करते हैं। क्योंकि डेटा में कुछ पैटर्न तार्किक हैं और इसका मतलब यह नहीं है कि उपकरण सही तरीके से काम नहीं करते हैं।

इस तरह के कार्य का एक उदाहरण यह निर्धारित करना है कि पाइप लाइन का एक निश्चित खंड कितनी देर तक काम कर सकता है, यह इस बात पर निर्भर करता है कि यह कहां दफन है, कितना गहरा है, जैसा कि पाइप या चुंबकीय नियंत्रण के आंतरिक निरीक्षण से नवीनतम आंकड़ों द्वारा दिखाया गया है, कितनी बार शासन बदलते हैं और वे क्या थे। हम अनुमान लगा सकते हैं कि पाइप कब अनुपयोगी हो जाएगा और इसके प्रतिस्थापन की योजना बनाएगा।

दूसरे प्रकार के कार्यों में कुछ प्रक्रिया को अनुकूलित करने की आवश्यकता शामिल है। आइए हम थर्मल पावर के साथ एक उदाहरण की जांच करें, जो सामान्य पाठक के लिए सबसे अधिक समझ में आता है। हम तापीय ऊर्जा (बॉयलर हाउस, थर्मल पावर प्लांट, आदि) के स्रोतों पर थर्मल स्थितियों को नियंत्रित कर सकते हैं, जबकि हमें अलग-अलग कमरों में एक निश्चित तापमान स्तर बनाए रखना चाहिए: वे अलग-अलग दूरी पर हैं, विभिन्न सामग्रियों से निर्मित, भूगणित में भिन्न होते हैं, और परिणामस्वरूप। परिवेशी वायु द्वारा अलग से ठंडा। अंतिम ग्राहक के संबंध में गुणवत्ता के स्तर के एक संकेतक को बनाए रखने के लिए बॉयलर घर या थर्मल पावर प्लांट में थर्मल शासनों का अनुकूलन कैसे करें? यहां आपको प्रभावशीलता के मुख्य संकेतक को निर्धारित करने की आवश्यकता है। हम कुलिंग पर कम ऊर्जा खर्च कर सकते हैं और शीतलक को पंप कर सकते हैं, हम जमी हुई दादी से शिकायतों की संख्या को कम कर सकते हैं,हम परिवर्तनीय ताप लागत को कम कर सकते हैं, गर्मी के नुकसान को कम कर सकते हैं या यहां तक ​​कि उपकरण भी पहन सकते हैं। आप कोई भी अनुकूलन मॉडल कर सकते हैं - बस विभिन्न कारकों की सापेक्ष प्राथमिकताओं को बताएं। यह चुनाव सबसे बड़ी समस्या है। अपने आप को एक ताप कंपनी के मालिक की कल्पना करें। कितने असंतुष्ट दादी आप इस तथ्य के बदले में तैयार हैं कि यह पाइप कुछ महीनों तक जीवित रहेगा? एक बेहद कठिन सवाल। इसलिए, हमारे व्यापार विश्लेषक माप के लिए सबसे सार्वभौमिक मूल्य के रूप में रूबल के सभी कारकों को कम करने में मदद करने पर, अन्य चीजों के बीच काम कर रहे हैं। उसके बाद, यह आमतौर पर स्पष्ट हो जाता है कि किस पर काम करने की आवश्यकता है और क्या अनुकूलित करना है।यह चुनाव सबसे बड़ी समस्या है। अपने आप को एक ताप कंपनी के मालिक की कल्पना करें। कितने असंतुष्ट दादी आप इस तथ्य के बदले में तैयार हैं कि यह पाइप कुछ महीनों तक जीवित रहेगा? एक बेहद कठिन सवाल। इसलिए, हमारे व्यापार विश्लेषक माप के लिए सबसे सार्वभौमिक मूल्य के रूप में रूबल के सभी कारकों को कम करने में मदद करने पर, अन्य चीजों के बीच काम कर रहे हैं। उसके बाद, यह आमतौर पर स्पष्ट हो जाता है कि किस पर काम करने की आवश्यकता है और क्या अनुकूलित करना है।यह चुनाव सबसे बड़ी समस्या है। अपने आप को एक ताप कंपनी के मालिक की कल्पना करें। कितने असंतुष्ट दादी आप इस तथ्य के बदले में तैयार हैं कि यह पाइप कुछ महीनों तक जीवित रहेगा? एक बेहद कठिन सवाल। इसलिए, हमारे व्यापार विश्लेषक माप के लिए सबसे सार्वभौमिक मूल्य के रूप में रूबल के सभी कारकों को कम करने में मदद करने पर, अन्य चीजों के बीच काम कर रहे हैं। उसके बाद, यह आमतौर पर स्पष्ट हो जाता है कि किस पर काम करने की आवश्यकता है और क्या अनुकूलित करना है।क्या काम करना है और क्या ऑप्टिमाइज़ करना है।क्या काम करना है और क्या ऑप्टिमाइज़ करना है।

एमओ के तरीकों में सुधार के लिए हाल ही में धन्यवाद करने के लिए किस प्रकार के कार्य संभव हो गए?

मैं, शायद, अधिकांश पाठक निराश करेंगे, क्योंकि आंदोलन एमएल विधियों में नवीनतम उपलब्धियों के उपयोग के कारण नहीं है। इसलिए नहीं कि उत्पादन में जो पेश किया जा रहा है वह समय-परीक्षण और अधिक टिकाऊ होना चाहिए। यहां विकास दूसरे तरीके से जाता है: मॉडल को भौतिकी और रसायन विज्ञान के साथ दोस्ती करने की आवश्यकता है, जिसके बारे में मैंने पहले ही बात की थी। यह पता चला है कि यह एमएल के दृष्टिकोण से भी बहुत मुश्किल है।

अपने अभ्यास से उदाहरण दें जब मशीनों द्वारा किए गए निर्णय एक व्यक्ति से आए लोगों की तुलना में अधिक सफल और कुशल थे।

वास्तव में, सिस्टम द्वारा जारी किए गए निर्णय और सिफारिशें हमेशा व्यक्ति द्वारा किए गए की तुलना में अधिक प्रभावी होती हैं। अन्यथा, हमारे व्यवसाय का कोई मतलब नहीं होता। यहाँ कुछ उदाहरण हैं।

स्टीलमेकिंग में, ब्लास्ट फर्नेस एक छोटे शहर की तरह ऊर्जा की खपत करते हैं। स्क्रैप की गुणवत्ता के आधार पर हम वहां डालते हैं, इसके टुकड़ों का क्या आकार, आप भट्ठी को गर्म करने के लिए आपूर्ति की जाने वाली वर्तमान की ताकत को समायोजित कर सकते हैं। वर्तमान ताकत को नियंत्रित करके, बिजली की लागत को कम करने के लिए (और उद्योग के लिए 1-2% - यह महत्वपूर्ण है) महत्वपूर्ण है।

अभी भी धातु विज्ञान से - सीढ़ी वाली भट्टियां जिसमें स्टील लाया जाता है। पिघलते समय, स्टील में फेरोलोइल मिलाया जाता है। वे मुख्य कच्चे माल की तुलना में बहुत अधिक खर्च करते हैं। किसी विशेष सामग्री की विशेषताओं का विश्लेषण करके, हम समझते हैं कि किसी दिए गए उत्पाद की गुणवत्ता प्राप्त करने के लिए और एक ही समय में फेरोललॉयस को बचाने के लिए थोड़ा कम फेरोललॉयस डालना संभव है।

तेल उद्योग में - हमने तेल के यांत्रिक उठाने के दौरान पंपों के संचालन को अनुकूलित किया है। हमने पंप मोड के अधिक कुशल नियंत्रण के कारण तेल के उत्पादन दर को थोड़ा बढ़ाना सीखा। यह महत्वपूर्ण है कि इस मामले में हम इस तथ्य के कारण न्यूनतम रूप से भूगर्भीय डेटा का उपयोग करते हैं कि हमारा नियंत्रण क्षितिज बहुत लंबा नहीं है (एक महीने तक) और हम बहुत जटिल और महंगी गठन मॉडलिंग सॉफ्टवेयर के साथ एकीकरण से बचने का प्रबंधन करते हैं।

रूस में सभी उत्पादन एकल हैं, और यह कहना है कि हम कहीं काम करते हैं इसका मतलब है कि ग्राहक को तुरंत खोलना और एनडीए का उल्लंघन करना। इसलिए, मान लें कि हम खनिज उर्वरकों और विभिन्न रासायनिक उद्योगों के उत्पादन को अनुकूलित करने के लिए समान काम कर सकते हैं (पेट्रो रसायन से नहीं)। खुले से - पीजेएससी गज़प्रोम नेफ्ट के लिए डिजिटल प्लांट प्रोजेक्ट, जिसके विवरण आसानी से गुगुल हैं।