"Большие рельсы" "Сибура"

В 2018 году ПАО "СИБУР Холдинг" ("Сибур") начало масштабную трансформацию и переход на "цифровую химию". Как "Сибур" автоматизирует процессы в условиях производства повышенной опасности, корреспонденту ComNews рассказал руководитель центра "Управление корпоративными данными" (Chief data officer) "Сибура" Александр Айваз.

- Александр, расскажите об основных направлениях вашей деятельности на посту Chief data officer "Сибура".

- Мой опыт работы с хранилищами данных и внедрением аналитического подхода складывался последние 10 лет в разных компаниях. В "Cибуре" я возглавляю центр управления корпоративными данными. В мои обязанности входит создание инфраструктуры для накопления всех данных и знаний компании, а также внедрение культуры работы с этими знаниями: как и какими инструментами правильно извлекать информацию из данных, как критически смотреть на полученные значения, выявлять тренды и определять правильный вектор движения.

- Какое количество типов данных собирает "Сибур", какой объем данных холдинг накапливает в среднем за месяц?

- Тип и формат данных, который есть в "Сибуре", сильно отличается от больших компаний из других секторов - банков, страховых, ретейлеров. Это в первую очередь производственная компания, и у нас мало классических табличных (реляционных) источников информации. Большая часть данных приходит от датчиков, и нужно использовать множество дополнительных средств, чтобы эти сведения превратить в полезную цифровую информацию. Получается, что это не типовая задача, и это отличает нас от множества других компаний.

У нас есть ERP-система SAP, забрать данные из которой - крайне сложная задача. Сейчас мы тестируем несколько способов. В системах накоплено очень много разнородной информации, которую нужно объединить в понятную модель. Часть данных мы уже объединили, часть информации пока только присоединяем. Мы сознательно не пошли по пути "собрать все", а потом решить, что с этим делать. Мы используем подход определения приоритета информации, которая даст больше ценности, и в первую очередь загружаем ее в "озеро данных".

Часть производственной информации мы получаем в рамках IoT, второй класс данных - это корпоративные системы - CRM, ERP. Пока мы вышли на объем данных немногим менее 1 Тбайт в месяц. Тот объем данных, что собираем мы, формируется благодаря физическому источнику информации. Например, чтобы нам получить данные с производства, на этом производстве должен появиться датчик, какая-то физическая система, которая должна передавать данные.

- Где расположено "озеро данных" "Сибура" - исключительно в собственном ЦОДе или также задействованы коммерческие облачные сервисы? Если второе, то Cloud-сервисы каких провайдеров использует "Сибур" и важно ли вам физическое местонахождение их дата-центров - в России, за рубежом?

- Пока мы работаем по схеме размещения "озера данных" в собственном ЦОДе. Мы рассматриваем варианты подключения дополнительных мощностей в коммерческих ЦОДах, но это точно будут дата-центры, расположенные на территории России.

Мы предъявляем высокие требования к обеспечению безопасности данных, которые будут храниться в чужих ЦОДах. Мы пока только думаем о такой возможности: собственной емкости хватает, тут скорее вопрос резервирования данных. Мы хотим учитывать возможные риски и всегда быть готовыми на них отреагировать, если с нашим ЦОДом что-то произойдет.

Мы не пошли сразу в коммерческие ЦОДы из соображений безопасности. Как только мы столкнемся с необходимостью резервирования данных или расширения емкости, тогда мы будем вести диалог со сторонними ЦОДами.

- Видите ли вы принципиальные отличия промышленного интернета вещей (IIoT) от "обычного" IoT?  В чем они заключаются?

- С точки зрения данных принципиальных отличий нет, потому что это информация, которая структурно выглядит как временные ряды: есть какая-то метрика, которая с течением времени отдает нам значение. Это может быть температура промышленной установки или, если говорить об обычном интернете вещей, температура чайника дома. На самом деле технически никакой разницы нет - это просто температура, сопоставленная с меткой во времени.

С точки зрения применения информации - тут наиболее важны для нас значения промышленного интернета вещей, потому что эту информацию мы умеем монетизировать. Мы используем полученную информацию для дальнейшего построения предиктивных моделей, которые подсказывают, как эффективно управлять производством.

- Принципиальны ли для "Сибура" определенные технологии IoT. Если да, то какие технологии являются наиболее предпочтительными - LoRaWAN, NB-IoT, Sigfox, "Стриж", NB-Fi, другие? Считаете ли вы необходимой стандартизацию технологий IoT/IIoT на национальном уровне? Готов ли "Сибур" применять технологии IoT, ни одна из которых, по сути, не является мировым стандартом?

- Мы как компания, которая хочет применять у себя индустриальный интернет вещей, столкнулись с тем, что для датчиков есть высокие требования по взрывозащищенности. У нас взрывоопасное предприятие. И любое устройство, которое мы размещаем на производстве, должно быть завернуто в специальный защитный корпус. Они также должны быть пригодны для работы при очень низких температурах. Я точно знаю, что коллеги выбрали протокол для передачи данных LoRaWAN, но датчиков, которые поддерживают LoRaWAN и оборудованы при этом корпусом, защищающим от взрыва, и к тому же работающие при очень низких температурах, на рынке пока нет. И это тот вопрос, который может обсуждаться на национальном уровне, в виде каких-то программ по разработке и сертификации, которые учитывали бы все требования датчика, использующего протокол LoRaWAN. В этой технологии заинтересованы не только мы, а практически все предприятия страны. Те датчики, например, которые работают на сетях 3G, 4G или по Wi-Fi, возможно, имеют подходящие нашему производству корпусы, но их эксплуатационные характеристики значительно хуже, чем у оборудования на базе LoRaWAN.

"Сибур" применяет технологии IoT, которые пока не являются мировым стандартом, потому что видит в этом огромную пользу.

- Делает ли "Сибур" ставку на предиктивную аналитику и ставит ли задачу перехода к обслуживанию производственного оборудования по состоянию, а не по регламенту? Если да, то когда это может быть реализовано, что для этого необходимо сделать внутри предприятия и в регуляторике? Какую точность математической модели - "цифрового двойника" - оборудования, с точки зрения предсказания отказов, вы считаете удовлетворительной?

- "Сибур" делает очень большую ставку на предиктивную аналитику, потому что мы видим в этом большой потенциал и большие эффекты, которые можно получить, не меняя что-то на техническом уровне. Мы сделали несколько моделей, которые успешно прошли испытания и хорошо себя зарекомендовали на предприятии. Они позволили поднять эффективность по отношению к классическому методу управления при помощи панелей мониторинга. Дальше мы видим для себя движение в сторону расширения применения машинного обучения для управления производством.

Относительно точности аналитики - все очень индивидуально, каждая предиктивная модель для той или иной установки делается командами индивидуально. Сложно разработать универсальную модель, которая будет работать на типовом оборудовании в разных местах. Каждая модель проходит дополнительную настройку, потому что должна учитывать уникальные факторы, которые окружают эту установку, - температуру внешней среды, давление, режим работы оборудования.

Те модели, что мы сейчас сделали, в том числе предсказывают вероятность сбоя, который может произойти, что помогает оператору установки вовремя предпринять необходимые действия, чтобы не допустить сбой.

Мы сейчас учимся масштабировать накопленный опыт, который у нас появился за последний год. Все те продукты, которые мы создали, были сделаны под скрупулезным вниманием высококвалифицированных специалистов. Но для того, чтобы двигаться быстрее, делать проекты шире, необходимо эффективно отмасштабировать людской ресурс, который будет внедрять наши решения и технологическую базу.

Математическая точность очень индивидуальна. Даже первая версия математической модели уже начинает давать эффект. Суть работы моделей - чтобы они были максимально точны, а для этого нужно накопить огромную статистику того, что эту модель бы обучило. Чтобы собрать статистику отказов, например, в экструдере, сбой должен произойти много раз. Мы не можем этого допустить. Это слишком дорого для нас и неоправданно. Максимальная точность очень дорога и никогда не будет достигнута. 85% вполне достаточно.

- Верите ли вы в то, что искусственный интеллект (ИИ) в обозримом будущем сможет превзойти по уровню IQ человека и будет способен "думать" - на основе машинного обучения, - самостоятельно принимая решения?

- Я бы сказал, что он уже обошел IQ человека, как минимум в рамках решения типовых задач. Любая когнитивная система, основанная на нейронных сетях, требует на вход большого количества данных, которые эту сеть обучат. И она начнет выдавать результат, зачастую как минимум не хуже, чем это бы делал человек. Только она это делает значительно быстрее, потому что уже давно компьютеры работают в разы быстрее человека. Они никогда не устают, не болеют и не уходят в отпуск. Поэтому здесь ИИ во многих областях уже нас обогнал.

Принятие ИИ самостоятельных решений зависит от области применения. Если мы сейчас говорим об опасном производстве, таком как "Сибур", то мы пока не имеем достаточной законодательной и технической базы для того, чтобы позволить тем цифровым моделям, что у нас есть, управлять производством. Они сейчас работают исключительно в режиме советчика: на экран оператора выводится подсказка. И дальше оператор принимает решения, потому что он отвечает за последствия, к которым могут привести его решения. Но в будущем совершенно точно, что такой сценарий (принятие ИИ самостоятельных решений) возможен.

Данные приносят пользу не только на технологическом уровне, когда поверх собранной информации мы выстраиваем модели, которые могут за человека думать и принимать решения по управлению производством. Данные в том числе нужны и полезны для ведения бизнеса. Для того чтобы люди изучали процессы, которыми они управляют, в цифровом виде смотрели на то, в каких местах процесс имел "узкое горлышко", чтобы продавцы могли лучше изучить своего клиента и правильно выбирать стратегию работы с ним, для того чтобы наша функция обеспечения производства могла быстрее принимать решения, какой поставщик для нас лучше.

Это все мы называем культурным изменением. Когда происходит структурный сдвиг у каждого специалиста, он меньше начинает отталкиваться в принятии решений от своей экспертной оценки, интуиции и начинает критически смотреть на свои решения с точки зрения данных. Он начинает думать о том, какова эффективность первого и второго варианта, прежде чем выбрать путь на развилке. Сотрудник начинает думать, как он может получить статистические данные из этой области. Если их пока нет, что нужно для того, чтобы появились. Таким образом, мы сейчас проходим путь автоматизации многих процессов, которые раньше жили на "ручном приводе".

Сейчас, как только появляется потребность в информации, всегда появляется запрос на то, чтобы появлялись системы для управления процессами. Например, процесс закупки - у нас будет внедряться система управления взаимоотношениями с поставщиками - SRM. Она даст много полезной и ценной информации для изучения, для оптимизации процесса и принятия решений на основе тех данных, что будут в ней накапливаться. Этот проект уже инициирован и находится на этапе внедрения.

Интересный проект есть по цифровизации логистики. Наша логистика - это непрерывный процесс принятия решений: когда, какой состав, из каких вагонов необходимо скомпоновать, когда отправить. Большинство этих решений принимаются людьми практически в безостановочном режиме изо дня в день. Исходные данные, которые помогают принимать решения, лежали в разрозненных системах. Всегда было сложной задачей собрать эти данные в одну картинку. Проект цифровизации железнодорожной логистики позволил, во-первых, собрать всю эту информацию, увидеть ее в одном месте, что привело к тому, что стали приниматься более эффективные и стратегически верные решения. Это дало возможность сделать более интеллектуальную автоматизацию, которая начинает подсказывать диспетчеру, как тот или иной состав должен быть скомпонован. Тут начинают появляться элементы в роботизированном виде.

В целом, для того чтобы ИИ жил во благо и не приносил никакого вреда, мы всегда должны себе задавать вопрос о том, какие полномочия мы даем той или иной модели машинного обучения.

Любое ограничение с законодательной стороны всегда тормозит прогресс и получение дополнительной выгоды от каких-то технологий. Важно, чтобы все игроки рынка отдавали себе отчет в том, что и как они делают, к каким последствиям это может привести. Я уверен, что рынок сам себя отрегулирует здесь не хуже, чем законодательные нормы. 

- "Индустрия 4.0" - название программы интенсификации промышленности Германии, которая в основном является сборочной (дискретной). Нефтехимическая отрасль, в которой действует "Сибур", является непрерывной. Тем не менее "Сибур" также упоминает "Индустрию 4.0". Насколько это корректно и можно ли адаптировать идеологию и подходы "Индустрии 4.0" для непрерывных производств?

- Это большой философский вопрос. Мое мнение, что да, можно использовать термин "Индустрия 4.0" применительно к производству "Сибура", в том числе для непрерывного производства, потому что само определение четвертой промышленной революции позволяет его применять для разных типов производств. С одной стороны, "Индустрия 4.0" подразумевает максимальную универсальность, максимальную безлюдность и существенные отличия разной единицы товара по требованиям клиента, что в том числе может быть обеспечено и в непрерывном производстве.

Допустим, наш клиент запросил какую-то очень специфичную марку полимера. В будущем мы можем выстроить наше производство так, что его потребности будут поступать на вход какого-то глобального механизма, который распределит цепочку производства так, чтобы на выходе клиент получил продукт такого качества, которое ему нужно. В этом, в принципе, и есть суть четвертой революции. Это грань: в третьей революции мы выпускали массово какие-то марки и уже потом продавали клиенту. Четвертая промышленная революция подразумевает такой конвейер, который очень быстро умеет сам себя перенастраивать по требованию клиента.

- Согласны ли вы с утверждением Всемирного банка о том, что цифровые платформы являются основой цифровой трансформации? Кто должен их создавать и эксплуатировать: отдельные предприятия, целые отрасли, государства, международные вендоры или кто-либо еще?

- Это самый интересный вопрос для меня. Я полностью поддерживаю эту идею. Для того чтобы двигаться дальше и эффективно управлять всем тем ноу-хау, которое мы создаем, важно иметь цифровую платформу. Это "большие рельсы", как мы их называем, на которые встают все продукты, которые мы создаем, и в рамках которых можно ими управлять, их масштабировать.

Цифровая платформа очень важна, иначе будет большой хаос, и в какой-то момент мы столкнемся с тем, что не успеваем адекватно управлять всем тем, что мы успели сделать. Создавать платформы точно должно предприятие. Не существует единого стандарта цифровой платформы. Сейчас очень много различных технологий на любой цвет и вкус, и компании вполне могут справиться с выбором того, из каких компонентов должна быть создана их цифровая платформа.

Многие компании идут по пути найма вендора - это факт. Многие компании решают задачу цифровой платформы своими силами. У разных подходов есть свои плюсы и минусы. Нанимая вендора, мы покупаем внешнюю экспертизу. Мы экономим на времени, затрачиваемом при сборе команды. Обратная сторона медали в том, что мы начинаем зависеть от вендора, от его поддержки и специалистов. Мы не можем на 100% влиять на то, как тот или иной продукт, который он производит, работает. В случае собственной разработки мы вынуждены существенно инвестировать в собственную команду, набрать ведущих специалистов, что само по себе длительный и очень непростой процесс. Но в конечном итоге мы получаем максимально подходящий продукт, который можем максимально быстро развивать и вносить в него изменения.