22 февраля 2022 г.
По данным ряда исследовательских компаний, только 10% компаний сегодня могут сообщить о значительных финансовых выгодах от инвестиций в технологии искусственного интеллекта. Тем не менее, инвестиции в ИИ растут. Как инвестировать эти средства с пользой для дела?
Технологии искусственного интеллекта все шире представлены на промышленных предприятиях всего мира. 95% компаний (отчет S&P Global) считают ИИ важным фактором в своих программах по цифровой трансформации.
По данным IDC, в 2020 году организации инвестировали более 50 млрд долл. в системы искусственного интеллекта по сравнению с 37,5 млрд долл. в 2019 году. Ожидается, что к 2024 году инвестиции достигнут 110 млрд долларов.
Быстрее, точнее, лучше
ИИ и цифровые технологии на производстве ускоряют бизнес-процессы через автоматизацию принятия решений.
Типовой пример: анализ информации по ремонтам и эксплуатации единицы оборудования. Раньше инженеру требовалось выгрузить информацию по каждой единице оборудования, просмотреть историю её ремонтов, сравнить текущие показатели работы с эталонными. С приходом цифровых решений этот процесс можно автоматизировать так, чтобы результат достигался с минимальным участием человека.
Фактически цифровые сервисы позволяют перейти от выполнения какого-либо процесса на основании личного опыта человека к принятию решений на основе обработанного массива информации. Сегодня бизнес-процесс может быть оцифрован полностью.
Например, процесс оценки качества сборки различных изделий. Обычно на участке присутствует контролер, но человек не может со 100%-ной фокусировкой выполнять такую работу на протяжении длительного времени. Для этого можно использовать алгоритмы компьютерного зрения, которые оценивают качество сборки по данным видео или фото.
Сегодня ИИ-решения реализованы во всех функциональных направлениях деятельности промышленных предприятий: техническое обслуживание и ремонт, производство и технология, планирование, закупки, охрана труда и промышленная безопасность, HR и т. д.
Такие инструменты внедрены и используются на металлургических, добывающих и нефтеперерабатывающих предприятиях, в пищевой промышленности, на обогатительных фабриках.
Уже в эксплуатации
Многие промышленные компании опробовали и используют системы с использованием компьютерного зрения (computer vision) — для оперативного контроля качества продукции, наличия различных дефектов в материалах. Также технологии компьютерного зрения активно используются в охране труда и промышленной безопасности, например, для контроля нахождения людей в опасных зонах.
Для некоторых процессов применимы рекомендательные системы (системы поддержки принятия решений) на основе ИИ. При наличии большого количества статистической информации по технологическому процессу, эта информация может быть проанализирована так, чтобы помочь определить оптимальный технологический режим при определенных внешних условиях: при изменяющемся составе сырья, изменении погодных условий.
Это особенно актуально, когда речь идет о сложных технологических процессах, с большим количеством взаимозависимостей и ограничений. В работе с такими вводными человек физически не может в каждый момент времени определять наиболее эффективную точку.
Риски автоматизации
Многие компании стараются полностью исключить человеческое участие в процессах управления технологическим режимом, для этого требуется очень плотное взаимодействие интеллектуальных систем с автоматизированными системами управления производством.
При таком подходе возникают риски, связанные с информационной безопасностью. Согласно законодательству РФ о защите критической инфраструктуры, существуют ограничения по прямому взаимодействию интеллектуальных систем с промышленным оборудованием.
Исключение участия человека из цепочки управления технологическим режимом может потребовать проведения дополнительных работ по изменению архитектуры программного решения с проработкой рисков и ограничений. Также возникают риски, связанные с промышленной безопасностью.
Если человек покупает товар в интернет-магазине и рекомендательная система выдает в рубрике «с этим товаром обычно покупают» нерелевантный товар — это результат работы модели машинного обучения. Но в данном случае самое худшее, что может произойти, это отказ от покупки.
В случае производственного процесса неудовлетворительные результаты работы ИИ-модели могут сказаться на целостности единицы оборудования и безопасности людей. Поэтому модели машинного обучения в промышленности строго ограничены эксплуатационными требованиями: верхними и нижними границами сигнализации.
Также следует упомянуть риски культурного характера. Люди обычно воспринимают внедрения инноваций «в штыки», видят в этом тенденцию к сокращению штата. Иногда персонал настолько погряз в рутине ежедневных дел, что не готов воспринимать что-то новое, тем более настолько революционное, как ИИ.
ИИ и кадровый вопрос
В действительности внедрение ИИ раскрывает большой потенциал для профессионального роста сотрудников. Это возможность приобрести новые компетенции, особенно в кроссфункциональном плане: для инженера-технолога или инженера-механика — освоить ИТ, а для разработчика или аналитика — промышленные производственные процессы.
Разумеется, ряд решений направлен на исключение некоторых штатных единиц через увеличение производительности труда. Однако как правило такие проекты не являются приоритетом — выгоды от сокращения удельных затрат материалов, энергоресурсов или увеличения производительности оборудования кратно превышают выгоды от сокращения персонала.
К тому же компании стремятся использовать высвобождение персонала, то есть закрывают внутренние открытые вакансии высвобождаемыми сотрудниками и тем самым сохраняют внутреннюю экспертизу и общий культурный уровень.
ИИ-решения и другие цифровые сервисы не только упрощают жизнь сотрудникам, но и вызывают потребность в развитии у них новых компетенций. В первую очередь, знаний ИТ-инструментов, аналитического подхода к решению задач и умения «мыслить с опорой на данные».
ИИ-адаптация: базовые рекомендации
В качестве рекомендаций для повышения успеха адаптации цифровых технологий и снижения рисков при их использовании можно выделить три правила:
- Привлекайте максимальный уровень кроссфункциональной экспертизы, чтобы технологии для потенциального внедрения на производстве были рассмотрены со всех сторон. Важно избегать однобокого восприятия цифровых сервисов только ИТ-специалистами.
- Разрабатывайте цифровые решения для производства и внедряйте их таким образом, чтобы полностью вовлечь в проект необходимых специалистов. Для повышения вовлеченности используются стандартные методы управления изменениями: поиск талантов, агентов изменений, наделение дополнительными полномочиями активных участников, целеполагание и стимуляция, в том числе финансовая.
- Поддерживайте высокий уровень осведомленности руководителей. Все цифровые инициативы должны быть в фокусе внимания. На всех уровнях принятия решений необходимо обеспечить полное понимание того, какие проблемы решает та или иная модель машинного обучения, как правильно с ней работать, каких результатов от нее можно ожидать.
Одна из главных причин провалов ИИ-проектов в крупном бизнесе, которую отмечают эксперты из разных стран и отраслей — компании расходуют бюджеты на специалистов по технологиям и данным, не внося изменений в бизнес-процессы, которые могли бы выиграть от ИИ.
Большой разрыв между возможностями ИИ, машинного обучения, компьютерного зрения и их применением для конкретной задачи на предприятии — наиболее распространенное «слабое звено» в цифровой трансформации.
Предотвратить потери инвестиций в результате некачественно реализованных digital-инициатив можно только через глубокую координацию взаимодействия команд технологов и бизнес-департаментов.
Источник: Андрей Гусев, менеджер практики «Прикладной искусственный интеллект» Accenture
