Mengapa tanaman membutuhkan pembelajaran mesin

Bagaimana pembelajaran mesin diperkenalkan di perusahaan industri, yang telah mencapai kesuksesan terbesar dalam hal ini dan contoh penggunaan apa yang sudah ada di sana, kami belajar dari Roman Chebotarev ( cembung ). Roman adalah seorang arsitek ML dan direktur implementasi di Digital . Dia telah menerapkan teknologi kelas Smart Machine Learning dan Artificial Intelligence selama 11 tahun. Beberapa tahun terakhir, Roman memiliki spesialisasi dalam ML / AI di industri.


Ceritakan tentang jalur karier Anda kepada kami.

Saya memulai jalur karier saya dengan pembelajaran mesin (meskipun kemudian istilah seperti itu belum banyak digunakan) untuk tugas-tugas penglihatan komputer. Saya mengembangkan berbagai modul untuk sistem analisis video: detektor kemacetan, detektor asap, penghitung objek. Kemudian mereka juga direncanakan sebagai sistem keamanan generasi masa depan - sekarang mereka digunakan di mana-mana.

Perlahan, dari analisis gambar, saya beralih ke analisis data secara umum. Saya sudah bekerja di CROC, di mana saya datang sebagai pengembang, dan pergi sebagai kepala praktik pembelajaran mesin. Sebagian besar pengalaman yang saya dapatkan di sana, dan pada dasarnya kami memecahkan masalah yang terkait dengan memprediksi berbagai kuantitas kuantitatif di masa depan. Lebih banyak tugas dalam ritel - pembelajaran mesin kemudian paling diminati di antara pelanggan di daerah ini. Kami menyelesaikan tugas perkiraan permintaan untuk mengoptimalkan logistik. Ada banyak tugas seperti itu di berbagai bidang: dari ritel makanan hingga pompa bensin mobil.

Kemudian minat serius dalam pembelajaran mesin mulai terbentuk dari perusahaan industri. Pada titik tertentu, saya dan mitra saya memutuskan untuk mengatur startup saya sendiri - Theta Data Solution. Kami membuat 6 proyek dan lebih dari 10 pilot per tahun untuk perusahaan industri, dan kemudian perusahaan "Digital" mengakuisisi perusahaan kami, di mana saya sekarang bekerja sebagai direktur implementasi di departemen AI. Dibandingkan dengan tim startup awal, kami telah berkembang pesat: sekarang di suku AI kami (seperti yang kita sebut diri kita sendiri) ada lebih dari 30 orang.

Kapan industri tertarik pada pembelajaran mesin?

Bunga selalu ada, tetapi kesediaan perusahaan untuk berinvestasi dalam proyek-proyek ini, meskipun sangat, sangat lamban, muncul, menurut pengamatan saya, pada 2013. Kurang lebih menjadi mungkin untuk menyebutnya tren pada tahun 2016. Sekarang fase pertumbuhan yang cepat telah dimulai.

Apa yang spesifik dari merancang model pembelajaran mesin untuk perusahaan industri?

Ada harga kesalahan yang sangat tinggi dalam industri. Jika Anda mulai mengelola beberapa instalasi secara tidak benar, paling baik itu akan mulai bekerja dengan buruk, tidak seefisien mungkin (dalam hal apapun, ini adalah jumlah yang sangat besar dalam rubel), dan yang terburuk, proses ireversibel akan terjadi dan perbaikan mahal akan diperlukan.

Ini memengaruhi bagaimana model dirancang dan dioperasikan: mereka sangat "condong" ke arah kurang bereksperimen. Jika, misalnya, dalam fintech atau telekomunikasi, Anda dapat melakukan tes A / B dan menunjukkan kepada mereka iklan yang berbeda secara mendasar, memberikan diskon yang ditargetkan, dll., Pada tingkat sekelompok pelanggan, maka dalam industri alat dan kemungkinan untuk bereksperimen jauh lebih sempit. . Jika Anda mencoba merumuskan fitur dalam satu frasa - perubahan drastis dalam pekerjaan sistem industri tidak dapat dilakukan. Perubahan akan sangat kecil dan terarah. Kami akan melakukan penyesuaian, melihat apa yang terjadi - dan, jika semuanya berjalan dengan baik, cobalah bergerak ke arah ini, tetapi dengan langkah yang sangat kecil. Ini disebut regularisasi model pembelajaran mesin (lebih tepatnya, model kontrol) - dalam industri mereka sangat diatur untuk perubahan. Ini meminimalkan kemungkinan kesalahan mahal.

Fitur kedua adalah bahwa model pembelajaran mesin (ML) perlu berteman dengan fisika dan kimia. Ini tidak cukup mudah. Model yang dibangun berdasarkan data tidak peduli apa jenis fisika yang ada di balik proses tertentu - hanya menangkap pola antara data. Seringkali ternyata model yang dibangun benar-benar tidak fisik. Misalnya, siapa pun yang waras mengerti - dan fisika menegaskan hal ini: jika Anda meningkatkan suhu cairan pendingin dalam sistem pemanas, ia akan menjadi lebih hangat di rumah, ceteris paribus. Seorang model dapat mempelajari hubungan yang sangat berbeda, kadang-kadang sebaliknya. Untuk memberi lebih banyak bobot pada faktor-faktor tidak langsung (perbedaan suhu di jalan, waktu hari, dll.) Dan dengan demikian belajar untuk kelihatannya merupakan perilaku yang benar, tetapi menggunakan faktor-faktor "salah".

Sekarang orang bekerja di industri ini, cukup terbuka untuk teknologi baru. Mereka berusaha mencari tahu apa yang kami tawarkan kepada mereka untuk disampaikan. Jika model tidak fisik (seperti diverifikasi oleh beberapa tes sederhana), maka tidak ada yang akan memberi lampu hijau untuk meluncurkan sistem seperti itu. Tetapi pada akhirnya ternyata sebagai akibat dari kegagalan tersebut, kami menemukan cara lain, dengan perkiraan saat ini, jauh lebih efektif.

Ada hukum, teori atau empiris, sistem persamaan diferensial dan lapisan besar pengetahuan yang diciptakan oleh fisikawan dan ahli kimia. Pengetahuan ini digunakan dalam desain pabrik dan, secara umum, kurang lebih menggambarkan proses produksi. Kami menggabungkan pengetahuan ini bersama-sama dengan ML untuk mendapatkan model fisik - pada kenyataannya, kami bergantung pada serangkaian dependensi dan difur yang diketahui, memperbaiki koefisien pada data yang tersedia, dan juga menggambarkan dinamika yang tidak dapat "dipelajari" dengan pendekatan fisik menggunakan pendekatan ML yang cukup standar (meningkatkan) .

Untuk lebih jelasnya, saya sering memperkenalkan konsep "menghabiskan data." Ketika Anda mengajar model sesuatu, Anda “membuang-buang” data (dalam arti bahwa penggunaan kembali dalam pelatihan adalah titik yang agak halus, ada risiko “pelatihan berlebih” - overfitting). Jadi, kita tidak "menghabiskan" data pada pemulihan pola dan dependensi, yang secara umum sudah diketahui berkat para ilmuwan dan teknologi. Kami menggunakan dependensi yang terkenal ini dan "menghabiskan" data untuk mengklarifikasi karakteristik, melengkapi dependensi yang tidak diperhitungkan dalam model fisik, dan akhirnya membangun model yang mempertimbangkan fitur dari setiap lokasi produksi lokal atau bahkan peralatan, mengetahui bagaimana dasarnya bekerja.

Hasilnya, kami mendapatkan model yang lebih baik dan lebih stabil. Tentu saja, model proses fisik dan kimia tidak selalu tersedia atau lengkap - untuk kasus ini, tim kami memiliki analis dengan pengalaman di masing-masing industri yang dapat membangun model baseline fisik yang sesuai untuk ilmuwan data.

Selain itu, kami mencoba menggunakan pendekatan teori kontrol otomatis untuk membuat keputusan tentang parameter kontrol optimal yang perlu ditetapkan pada instalasi, dengan mempertimbangkan jeda waktu yang tak terhindarkan dan kemungkinan rekomendasi tidak akan diterima sama sekali. Secara umum, kami melihat secara dekat pendekatan Reinforcement Learning, tetapi sejauh ini hukum kontrol yang dihasilkan (kebijakan) cukup tidak stabil dalam tugas kami. Tetapi kombinasi dari pendekatan-pendekatan ini tentunya terletak di masa depan. Dan ini bukan hanya pendapat saya.

Pendekatan “fisik” seperti itu akhirnya mengungkapkan konsekuensi jangka panjang yang penting: karena stabilitas model yang lebih besar, kita jarang bangun di malam hari untuk mengatakan bahwa ada yang tidak beres dan model perlu dilatih ulang. Akibatnya, kami menghabiskan lebih sedikit waktu untuk dukungan.

Banyak orang di dunia berpikir tentang pendekatan hibrida semacam itu, tetapi di Rusia kami adalah salah satu yang pertama melangkah lebih jauh dari eksperimen dan memasukkannya ke dalam produksi aktual.

Pada 22 November, Roman akan menjadi moderator panel diskusi “AI dan IoT: Expectation and Reality” di Konferensi AI. Detail dan program acara - di situs web resmi .

Bagaimana pekerjaan membuat model digital dari proses produksi berjalan?

Proyek pengembangan dan implementasi sedikit berbeda dari industri lain. Secara umum, manajer proyek yang datang, misalnya, dari industri perbankan ke industri, merasa cukup nyaman (di samping fakta bahwa para teknolog biasanya mengolok-olok mereka). Dari sudut pandang organisasi, proyek tidak jauh berbeda. Pertama, kami menangkap harapan pelanggan - apa yang ingin mereka capai. Terkadang kami menawarkan untuk mengerjakannya bersama jika mereka tidak tahu apa yang mereka inginkan, tetapi benar-benar ingin mendigitalkan. Bersama-sama kita menemukan titik-titik perbaikan, menempatkannya dalam beberapa KPI yang terukur, melakukan prototipe, melakukan sedikit riset atau bahkan seorang pilot - kita meyakinkan diri kita sendiri dan pelanggan bahwa KPI ini dapat dicapai, setelah itu kita mengembangkan model, menggunakan sejumlah besar perkembangan kita saat ini, berintegrasi dengan sistem produksi pelanggan dan menerapkan sistem dalam produksi.

Fitur utama difokuskan pada fase implementasi. Sistemnya cukup kompleks - baik dalam cara kerjanya maupun dalam data apa yang mereka gunakan untuk membuat keputusan pada titik waktu yang berbeda. Pekerja di pabrik paling sering tidak memiliki pendidikan khusus untuk bekerja dengan mereka. Oleh karena itu, mereka harus datang dengan dashboard khusus dan skema mnemonik, melakukan pelatihan. Pada saat yang sama, ada manual yang mengerti betul apa yang mereka butuhkan, dan bagi mereka untuk melakukan dashboard lain dengan informasi yang lebih rinci.

Secara umum, "musuh" utama sistem kami adalah seorang insinyur proses. Keputusan untuk mengubah rezim dibuat olehnya, dan dia biasanya memiliki pendapatnya sendiri tentang bagaimana seharusnya bengkel atau lokasi produksi yang dipercayakan kepadanya. Banyak waktu dihabiskan untuk meyakinkan para eksekutif langsung untuk percaya rekomendasi dari sistem. Lebih tepatnya, tidak hanya "percaya", tetapi ambil dan uji - pertama hanya melihat rekomendasi, kemudian menerapkannya dengan tepat. Seringkali karyawan ini tidak secara langsung berada di bawah pelanggan langsung proyek dan tidak mungkin memaksa mereka untuk mengikuti rekomendasi secara langsung. Tetapi secara keseluruhan, kami tampaknya telah belajar untuk membangun dialog dan proses persuasi seperti itu pada tingkat yang berbeda, dari operator yang tidak dapat ditembus hingga manajer produksi yang keras. Ini adalah pengalaman yang sangat menarik, terutama untuk "vanilla" ahli matematika IT dari Moskow seperti kami. Tetapi, seperti yang biasanya terjadi, hal yang nyata lebih baik daripada persuasi apa pun, jadi jika model kita benar-benar berhasil, maka ini adalah argumen terbaik dan biasanya diskusi semacam itu berumur pendek.

Seberapa sering Anda harus pergi ke perusahaan nyata ketika mengembangkan model dan mengimplementasikannya?

Analis bisnis menghabiskan sebagian besar waktu di situs. Mereka selalu hadir dalam tim proyek, di samping ilmuwan data dan insinyur data. Analis bisnis menggambarkan proses, menulis aturan dan batasan sistem, dan mereka perlu memahami secara mendalam proses yang akan terjadi, karena sekarang modis untuk mengatakan "digitalisasi", lebih tepatnya, permisi, "digitalisasi". Di situs, mereka menemukan nuansa tertentu dan memahami di mana, bagaimana dan apa yang perlu diimplementasikan agar proses bekerja: bagaimana proses biasanya dikelola, bagaimana mereka tidak dikendalikan, yang biasanya tidak tertulis dalam peraturan. Banyak hal yang dapat dipelajari hanya di ruang merokok, berbicara dengan pekerja keras lokal selama istirahat - bagaimana keadaan sebenarnya, di mana Anda benar-benar perlu melakukan upaya, dll. Tugas analis adalah untuk mengungkapkan kebutuhan, dan ini dapat ditemukan hanya dari karyawan nyata yang mereka bekerja di tanah dengan tangan mereka sendiri. Tetapi ada kekhasan: orang-orang yang bekerja dengan tangan mereka sendiri biasanya tinggal jauh dari kota dengan populasi lebih dari satu juta. Kadang-kadang mereka umumnya hadir secara rotasi dalam deposito dan penggalian. Karena itu, kita harus mendatangi mereka di tempat-tempat indah yang berbeda.

Yang terjauh, kemana kamu pergi?

Kami ada di mana-mana, dari wilayah Murmansk hingga Wilayah Khabarovsk.

Apakah sering terjadi bahwa model virtual yang dibuat mulai bekerja segera dan tanpa kejutan dalam kondisi nyata?

Kami mencoba untuk meminimalkan semua kejutan pada tahap survei, tetapi ketika diterapkan, itu tidak pernah lengkap tanpa mereka. Kejutan dapat dibagi menjadi beberapa kelompok. Yang pertama, tentu saja, TI dan infrastruktur. Untuk memperbarui model dari waktu ke waktu, penting bagi kita untuk memiliki akses ke data untuk mengubah, memperbaiki, menambahkan sesuatu. Tetapi akses ke infrastruktur mungkin tidak mungkin jika objek tersebut berada di suatu tempat yang sangat jauh, di mana koneksi diatur, seperti yang kita katakan, "melalui sisir" atau tidak ada sama sekali. Jika ini diketahui sebelumnya, Anda dapat membangun dan men-debug proses yang akan memperbarui model sendiri, tanpa campur tangan penciptanya. Ini sekarang sedang dilakukan dengan relatif mudah, kami memiliki teknologi siap pakai untuk ini - namun demikian, saya ingin tahu sebelumnya bahwa tidak akan ada koneksi. Minimal, karena itu mempengaruhi tenaga kerja dan biaya proyek. Pelanggan proyek paling sering pergi untuk bernegosiasi dengan spesialis TI ketika proyek sudah dekat dengan implementasi. Ini adalah karakteristik tidak hanya dari industri, tetapi di sini yang paling penting. Arsitektur solusi sangat bergantung pada apakah Internet tersedia atau tidak, seperti yang saya katakan sebelumnya. Dan ini bukan hanya tentang model.

Masalah kelas kedua terkait dengan entri data yang salah. Misalnya, data tentang kualitas produk bersertifikat, data analisis laboratorium. Ini bisa terjadi karena berbagai alasan, saya tidak akan membicarakannya, sebagian besar alasannya tidak terlalu menyenangkan untuk dibicarakan, apalagi didengar, tetapi ini adalah masalah yang sangat besar, karena model yang telah belajar dari data palsu mulai memprediksi karakteristik palsu dari proses dan mengeluarkan rekomendasi yang salah . Ini dapat mencoret seluruh proyek.

Ingat contoh implementasi yang paling sukses dan memakan waktu.

Saya akan mulai dengan proyek yang sukses di sistem tenaga. Kami melihat pelanggan hanya dua kali. Pertama kali kami tiba, kami mengklarifikasi tugas, kami diberi informasi yang diperlukan, kami pergi dan dipanggil seminggu sekali. Tiga bulan kemudian, rilis pertama diluncurkan, setelah dua lagi, rilis terakhir. Semuanya bekerja dengan sempurna, model diperbarui secara otomatis dan sistem telah bekerja tanpa kegagalan selama lebih dari dua tahun. Proyek ini membutuhkan upaya minimum, karena pelanggan sangat kompeten: dia mengerti apa yang dia butuhkan, bagaimana apa yang harus dikelola, dan kami tahu semua nuansa di muka.

Ada banyak contoh yang lebih padat karya. Sayangnya, kehadiran istilah "digitalisasi" dalam percakapan awal dengan pelanggan di sini sering merupakan tanda bahwa proyek tidak akan berhasil. Kita sering mendengar: "Anda berpartisipasi dalam proses transformasi digital kami, kami benar-benar mengulang semuanya, jadi persetan AI Anda di sini." Pada saat yang sama, orang sering tidak mengerti bahwa mereka harus menyelesaikan masalah bukan dengan bantuan mesin, tetapi pertama-tama dengan mengubah proses di perusahaan mereka menjadi “digitalisasi” yang lebih tepat. Mengubah proses (atau setidaknya memikirkan kembali) harus selalu menjadi fase perubahan pertama dengan digitalisasi atau evolusi lainnya. Setiap alat, termasuk pembelajaran mesin, memiliki batas penerapan. Jika prosesnya kuno, suboptimal, dan bahkan lebih buruk - dibangun sepenuhnya berdasarkan konsensus orang (beberapa orang perlu duduk dan memutuskan apa yang harus dilakukan - ini sering terjadi dalam logistik produksi, di mana produsen, ahli logistik dan perdagangan bertabrakan), maka tidak ada pembelajaran mesin yang akan memperbaikinya. Dan, sebaliknya, terkadang perubahan paling sederhana dalam proses (misalnya, konsep "lean manufacturing") memungkinkan kami untuk mencapai efek yang tidak dapat dicapai oleh ML. Sayangnya, sangat sedikit "transformer" yang memahami ini dan bekerja ke arah ini. Hypanut pada implementasi AI, tidak peduli mengapa, adalah praktik yang lebih umum.

Contoh sederhana: ada kolom distilasi, di dalamnya Anda dapat mengontrol laju umpan uap dan refluks. Jika kami hanya mengeluarkan rekomendasi kepada operator di layar - "sobat, putar pena ini seperti itu" - maka, sayangnya, hampir tidak ada efek dari sistem. Idealnya, seseorang harus tetap hanya untuk kontrol, dan kontrol langsung harus otomatis. Perubahan dalam proses tersebut, menurut perkiraan kami yang sangat konservatif, memberikan peningkatan 3-4 kali lipat. Saya tidak mendukung pemberhentian semua orang dan menggantinya dengan mobil - hanya perubahan kecil dalam proses dengan investasi sangat sedikit memberikan efek yang jauh lebih besar.

Banyak proyek, tentang yang diklaim bahwa AI diimplementasikan di sana, sebenarnya terlihat seperti ini, permisi untuk rahim kebenaran: beberapa paman Vasya menampilkan rekomendasi di layar, dia melihat mereka dan berkata, “Ya, persetan dengannya, mungkin besok aku Saya akan mengatakannya seperti yang dia inginkan - tetapi hari ini saya tidak akan melakukan apa-apa. " Sangat disayangkan bahwa teknologi keren yang kuat dipecah menjadi proses perusahaan dan orang-orang yang tidak siap untuk mengubah proses ini. Tetapi jika paman ini Vasya menempatkan KPI untuk mengimplementasikan rekomendasi dari sistem. Atau bahkan tanpa AI sama sekali - untuk menempatkan Vasya KPI pada hasil spesifik produk ke bahan baku, sama seperti bonus untuk gaji - maka ada efek yang sangat serius. Asalkan, tentu saja, bahwa Paman Vasya tidak dapat digantikan oleh pengontrol, tetapi ini sudah merupakan pertanyaan dari pesawat yang berbeda.

Bagaimana situasi dengan pengumpulan data dan pembelajaran mesin di perusahaan? Berapa banyak dari mereka yang mencoba menuju ke arah ini?

Statistik jumlah perusahaan meningkat setiap tahun. Para pemimpin, seperti biasa, adalah mereka yang memiliki uang dan kesempatan untuk berinvestasi dalam efek jangka panjang: industri minyak, petrokimia dan metalurgi.Semua orang mengejar.

Tetapi Anda perlu memahami bahwa pada dasarnya ini adalah sistem yang memberikan rekomendasi kepada seseorang, dan dia sudah membuat keputusan apakah akan melakukan sesuatu sesuai dengan rekomendasi ini atau tidak, praktis tidak ada eksekusi rekomendasi secara otomatis. Ini tentu saja merupakan penghenti untuk pengembangan sistem ini. Secara umum, ini, tentu saja, tidak pernah Industri 4.0, karena mereka sering suka memposisikannya di media. Tetapi peralatan ulang dengan otomatisasi membutuhkan pengeluaran modal besar, jadi untuk saat ini kami senang dengan apa yang kami miliki.

Kami ingin melihat proses di perusahaan lebih organik: orang pertama mengumpulkan data, dan kemudian menerapkan pembelajaran mesin berdasarkan pada mereka. Bahkan, pada awalnya ada kebutuhan untuk melakukan sesuatu berdasarkan AI / ML, kami datang ke pelanggan dan memahami bahwa data yang diperlukan tidak dikumpulkan. Atau mereka menjumlahkan dalam bentuk yang mengerikan, sehingga tidak mungkin untuk mendapatkannya - Anda harus memulai proyek pengumpulan data. Sekitar 5-7 tahun yang lalu, sudah umum di telekomunikasi dan bank di mana-mana (sekarang tidak lagi) - saat ini industri memiliki masalah yang sama. Ada proyek yang tertunda selama enam bulan - satu setengah tahun karena kurangnya data.

Apakah ini waktu yang dibutuhkan untuk sensor dan sistem akuisisi data untuk diimplementasikan?

Hampir setiap orang memiliki sensor - pertanyaannya adalah bahwa data dari mereka mungkin tidak disimpan atau disimpan dalam penyimpanan jangka pendek selama tiga bulan, misalnya, sehingga akan mungkin untuk mengatur analisis penerbangan berdasarkan pada mereka. Karena tidak perlu, mereka tidak lagi dapat disimpan, dan jika disimpan, maka dalam bentuk yang tidak sesuai untuk analisis. Kita harus melakukan proses ekstraksi dan pemurnian mereka. Dan ada beberapa kasus lucu ketika semuanya tampaknya ada di sana, tetapi kami datang ke perusahaan - dan ada semua analog tabung hangat , misalnya, indikator arah .

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

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

Apa jenis tugas standar yang diselesaikan AI dalam produksi?

Tugas yang paling umum adalah untuk memprediksi kegagalan peralatan, atau lebih tepatnya, untuk mendiagnosis momen perilaku atipikal. Ada fitur-fitur di sini: kami membutuhkan data yang mungkin tidak dikumpulkan, kami membutuhkan informasi tentang cara kerja peralatan ini - untuk ini ada personel produksi dengan siapa kami berkonsultasi. Karena beberapa pola dalam data adalah logis dan tidak berarti bahwa peralatan tidak berfungsi dengan benar.

Contoh dari tugas semacam itu adalah untuk menentukan berapa lama bagian pipa dapat bekerja, tergantung di mana ia ditanam, seberapa dalam, seperti yang ditunjukkan oleh data terbaru dari inspeksi internal pipa atau kontrol magnetik, seberapa sering rezim berubah dan seperti apa mereka. Kita dapat memprediksi kapan pipa akan menjadi tidak dapat digunakan dan secara optimal merencanakan penggantiannya.

Jenis tugas kedua melibatkan kebutuhan untuk mengoptimalkan beberapa proses. Mari kita periksa contoh dengan daya termal, sebagai yang paling dimengerti oleh pembaca umum. Kita dapat mengontrol kondisi termal pada sumber energi panas (rumah boiler, pembangkit listrik termal, dll.), Sementara kita harus mempertahankan tingkat suhu tertentu di ruangan yang berbeda: mereka berada pada jarak yang berbeda, dibuat dari bahan yang berbeda, berbeda dalam geodesi dan, akibatnya, berbeda didinginkan oleh udara sekitar. Bagaimana cara membangun rezim termal secara optimal di rumah boiler atau pembangkit listrik termal untuk mempertahankan indikator tingkat kualitas dalam kaitannya dengan pelanggan akhir? Di sini Anda perlu menentukan indikator utama efektivitas. Kita dapat menghabiskan lebih sedikit energi secara total untuk memanaskan dan memompa cairan pendingin, kita dapat mengurangi jumlah keluhan dari nenek yang beku,kita dapat mengurangi biaya pemanasan variabel, mengurangi kehilangan panas atau bahkan keausan peralatan. Anda dapat melakukan model pengoptimalan apa pun - cukup beri tahu prioritas relatif berbagai faktor. Pilihan ini adalah masalah terbesar. Bayangkan diri Anda pemilik perusahaan pemanas. Berapa banyak nenek yang tidak puas yang ingin Anda tukarkan dengan fakta bahwa pipa ini akan hidup beberapa bulan lebih lama? Pertanyaan yang sangat sulit. Oleh karena itu, analis bisnis kami bekerja, antara lain, untuk membantu mengurangi semua faktor menjadi rubel sebagai nilai paling universal untuk pengukuran. Setelah itu, biasanya menjadi jelas apa yang perlu dikerjakan dan apa yang harus dioptimalkan.Pilihan ini adalah masalah terbesar. Bayangkan diri Anda pemilik perusahaan pemanas. Berapa banyak nenek yang tidak puas yang ingin Anda tukarkan dengan fakta bahwa pipa ini akan hidup beberapa bulan lebih lama? Pertanyaan yang sangat sulit. Oleh karena itu, analis bisnis kami bekerja, antara lain, untuk membantu mengurangi semua faktor menjadi rubel sebagai nilai paling universal untuk pengukuran. Setelah itu, biasanya menjadi jelas apa yang perlu dikerjakan dan apa yang harus dioptimalkan.Pilihan ini adalah masalah terbesar. Bayangkan diri Anda pemilik perusahaan pemanas. Berapa banyak nenek yang tidak puas yang ingin Anda tukarkan dengan fakta bahwa pipa ini akan hidup beberapa bulan lebih lama? Pertanyaan yang sangat sulit. Oleh karena itu, analis bisnis kami bekerja, antara lain, untuk membantu mengurangi semua faktor menjadi rubel sebagai nilai paling universal untuk pengukuran. Setelah itu, biasanya menjadi jelas apa yang perlu dikerjakan dan apa yang harus dioptimalkan.apa yang harus dikerjakan dan apa yang harus dioptimalkan.apa yang harus dikerjakan dan apa yang harus dioptimalkan.

Apa jenis tugas yang menjadi mungkin untuk diselesaikan baru-baru ini berkat peningkatan metode MO?

Saya, mungkin, sebagian besar pembaca akan kecewa, karena gerakan ini bukan karena penggunaan pencapaian terbaru dalam metode ML. Bukan karena apa yang sedang diperkenalkan dalam produksi harus diuji waktu dan lebih berkelanjutan. Di sini perkembangannya sebaliknya: model perlu berteman dengan fisika dan kimia, yang sudah saya bicarakan sebelumnya. Ternyata ini juga sangat sulit dari sudut pandang ML.

Berikan contoh dari praktik Anda saat keputusan yang dibuat oleh mesin lebih sukses dan efisien daripada yang berasal dari seseorang.

Bahkan, keputusan dan rekomendasi yang dikeluarkan oleh sistem pada akhirnya selalu lebih efektif daripada yang dibuat oleh orang tersebut. Kalau tidak, bisnis kita tidak akan masuk akal. Berikut ini beberapa contohnya.

Dalam pembuatan baja, tungku ledakan mengkonsumsi energi seperti kota kecil. Tergantung pada kualitas memo yang kami pasang di sana, berapa ukuran potongannya, Anda dapat menyesuaikan kekuatan arus yang disuplai untuk memanaskan tungku. Dengan mengendalikan kekuatan saat ini, dimungkinkan untuk secara signifikan (dan untuk industri 1-2% - ini penting) mengurangi biaya listrik.

Masih dari metalurgi - tungku sendok di mana baja dibawa. Saat meleleh, ferroalloy ditambahkan ke baja. Harganya jauh lebih mahal daripada bahan baku utama. Dengan menganalisis karakteristik bahan tertentu, kami memahami kapan dimungkinkan untuk menuangkan sedikit ferroalloy untuk mendapatkan kualitas produk yang diberikan dan pada saat yang sama menghemat ferroalloy.

Dalam industri minyak - kami telah mengoptimalkan operasi pompa selama pengangkatan minyak secara mekanis. Kami belajar untuk sedikit meningkatkan tingkat produksi minyak hanya karena kontrol mode pompa yang lebih efisien. Adalah penting bahwa dalam hal ini kita minimal menggunakan data geologi karena fakta bahwa cakrawala kendali kita tidak terlalu lama (hingga satu bulan) dan kita berhasil menghindari integrasi dengan perangkat lunak pemodelan formasi yang sangat kompleks dan mahal.

Semua produksi di Rusia adalah tunggal, dan untuk mengatakan bahwa kami bekerja di suatu tempat berarti segera membuka pelanggan dan melanggar NDA. Karena itu, katakanlah kita dapat melakukan hal yang sama untuk mengoptimalkan produksi pupuk mineral dan berbagai industri kimia (bukan dari petrokimia). Dari open - proyek Digital Plant untuk PJSC Gazprom Neft, detailnya mudah dicari di Google.