Новости / октябрь 2020
Фабрики - искусственному интеллекту!

Свыше половины лидеров в сфере промышленности считают, что в течение следующих пяти лет мир передаст решениям на основе искусственного интеллекта управление активами большой ценности - в частности, заводами, оборудованием и станками. Такая тенденция глобального масштаба выявлена в совместном исследовании Siemens и Longitude Research.
© ComNews
28.10.2020

В опросе, посвященном развитию и внедрению ИИ, приняли участие более 500 топ-менеджеров из энергетического, производственного, инфраструктурного, транспортного секторов, а также из сектора тяжелой промышленности.

Согласно результатам исследования, уровень доверия к ИИ уже сегодня очень высок: 56% респондентов предпочитают внедрить идеальную модель ИИ вместо поиска опытного сотрудника. Это означает, что остальные 44%, вероятно, больше доверяют решениям, принимаемым людьми, даже если факты свидетельствуют в пользу ИИ.

Кроме того, в исследовании уделяется внимание типам контекстуальных данных, которые, по мнению лидеров, можно считать наиболее полезными на сегодняшний день. Больше всего голосов (71%) в вопросе о важнейших и незначительных преимуществах участники отдали в пользу данных от производителей оборудования. За ними идут внутренние данные других подразделений, регионов или департаментов (70%), данные поставщиков (70%) и показатели производительности проданной продукции при использовании заказчиками (68%).

Исследование показало, что в перечисленных отраслях многие сценарии использования предполагают возможность применения ИИ для того, чтобы избежать несчастных случаев и сделать рабочие места безопаснее. В этой связи стоит отметить, что, по мнению 44% респондентов, в течение следующих пяти лет системы на базе ИИ будут автономно контролировать машинное оборудование, эксплуатация которого несет потенциальные риски травм или гибели персонала. Еще больше респондентов - 54% - считают, что в те же сроки ИИ будет автономно контролировать отдельные активы большой ценности их компаний. Но чтобы передать промышленному ИИ такую ответственность, он, как полагают участники опроса, должен выйти на новый уровень. В большинстве случаев этому будут способствовать новые подходы к управлению, сбору, отображению и обмену данными.

"Графы знаний добавляют контекст анализируемым данным, - поясняет руководитель отдела научных исследований в области цифровизации и автоматизации компании Siemens Норберт Гаус. - Например, технические характеристики станка можно анализировать в контексте данных проектирования, в том числе задач, для которых предназначен станок, температур, при которых он должен работать, ключевых параметров, встроенных в компоненты и т.п. Добавьте сюда историю обслуживания аналогичных станков, в том числе неисправности, отзывы и ожидаемые результаты проверок на протяжении всего срока службы такого станка. Графы знаний существенно упрощают связывание промышленных данных, необходимое для обучения моделей ИИ, и добавляют ценную контекстную информацию".

Директор по развитию технологических конкурсов Up Great в РВК Юрий Молодых согласен с выводами, приведенными в исследовании, что в течение следующих пяти лет мир передаст решениям на основе искусственного интеллекта управление активами большой ценности. "Такой процесс уже происходит. Один из лучших примеров - уже сейчас профессиональная высокочастотная биржевая торговля осуществляется на таких скоростях, что напрямую человек не может контролировать процесс - речь идёт о миллисекундах. Управление осуществляется опосредовано, через тот набор правил и инструкций, которыми пользуются биржевые алгоритмы. Со временем будет все больше и больше отраслей, в которых контроль за процессом осуществляется через алгоритмы", - считает Юрий Молодых.

По его мнению, мало кто доверит искусственному интеллекту разработку стратегии компании, однако для хорошо автоматизируемых задач это вполне уместно. ИИ как технология делает доступными для автоматизации те задачи, которые еще 10 лет назад можно было делать только вручную.

"Нейронные сети уже сегодня учат другие нейронные сети. Один из очень эффективных для ряда задач подходов - GAN - Generative Adversarial Networks, или генеративно-состязательные сети. Он включает в себя две нейросети, соревнующиеся друг с другом. Например, в deepfake одна нейросеть генерирует фейк, а вторая пытается определить, фейк это или нет. Они могут сделать миллион итераций и за счет этого научиться выполнять свою задачу очень хорошо - без участия человека в обучении. Другой пример - всем известная AlphaGo Zero, которая научилась играть в го лучше всех в мире, сыграв огромное количество партий сама против себя. Конечно, такие сети - только один инструмент и не подходят для решения всех задач, но, думаю, в ближайшее время их начнут использовать чаще", - утверждает Юрий Молодых.

Руководитель направления прикладных решений для промышленности ИT-компании "Крок" Иван Попков утверждает, что передать управление активами большой ценности решениям на основе искусственного интеллекта получится у ограниченного круга лидеров. "Чтобы получить результат от ИИ и правильно обучить нейросеть, нужны данные. Получить их можно с помощью интеграционных решений, которые объединят информационные потоки со всех слоев ИТ-ландшафта - от низов и MES-систем до бэкофисных систем компании. Сейчас такой уровень зрелости ИТ-ландшафта есть у немногих отраслевых лидеров, которые все активнее создают песочницы для работы с данными и ИИ", - подчеркивает Иван Попков.

По его словам, доверие растет, но нельзя говорить, что компании выберут вместо опытного технолога искусственный интеллект. Пока видится, что ИИ будет хорошим помощником и другом. Иван Попков утверждает, что отечественная промышленность - достаточно консервативная отрасль, поэтому потребуется чуть больше времени. "К 2025 г. можно ожидать применение ИИ, но лишь в части производственных процессов. Например, многие наши клиенты уже применяют видеоаналитику для контроля безопасности на производстве или качества продукции", - говорит Иван Попков.

"Опрос производился среди топ-менеджеров. Это люди бизнеса. Возможность стабильно обеспечить рост прибыли за счет использования ИИ лежит точно в фокусе бизнеса. Возможность извлечь максимум из установленного оборудования без снижения надежности, снижения энерго- и ресурсоемкости продукции в сочетании со стабильным качеством - это мечта, которая все активнее становится реальностью. "Новая нефть" в виде множества разноплановых, но достоверных данных от различных инженерных систем, метеоданных, данных о состоянии персонала и накопленных моделях его поведения обеспечивает серьезный экономический эффект. Эффект использования современных систем ИИ порождает некоторую эйфорию: еще немного - и ИИ сможет управлять всем сам. Скорее нет, чем да", - считает руководитель группы IoT Softline Валерий Милых.

По его мнению, современные ИИ-системы - это довольно грубая имитация работы человеческого мозга. "Конечно, они не должны повторять его работу и его структуру. Но главное отличие мозга от ИИ - наличие "обратной связи" в виде системы ценностей и опыта. И если опыт - это еще "интерпретируемая" величина, то ценности - пока нет. Кроме того, необходимо отметить, что и механизмы "формирования суждений" систем ИИ еще находятся в стадии становления и осмысления. Поэтому, вероятно, при всей "мощности" современного ИИ, мы наблюдаем довольно умеренное его влияние на экономику, именно в виде систем подсказок, глубокого анализа данных и очень осторожного управления. Возможно, новые исследования положат конец такому осторожному подходу уже в последующие пять лет", - полагает Валерий Милых.

Валерий Милых утверждает, что современные системы ИИ по большей части "усилители разума". "Это касается и систем поддержки принятия решений, и систем, управляющих технологическими процессами в сложных, но все-таки очень ограниченных функциональных средах. Они способны отследить взаимосвязи между большим количеством параметров, но это скорее статистический анализ и выявление закономерностей. Да, это хороший "подсказчик" на поле больших, но ограниченных и устойчивых данных. И хорошая система управления известного и наблюдаемого парка технических систем, особенно после длительного периода "обучения с учителем". Эти системы однозначно обеспечат управление лучше инженерного состава или дадут ему необходимые и своевременные подсказки. Но такие системы ограничены в таком понятии, как "опыт". Еще один важнейший аспект - интерпретируемость результата или выводов работающих систем ИИ. Здесь пока также много "экспертного" знания, недостаточно "практики", которая критерий истины", - объясняет Валерий Милых.

Согласно оценке Валерия Милых, вполне возможно, что искусственный интеллект в России через пять лет выйдет на такой уровень, что можно будет ему доверить машинное обучение других машин, но при условии построения качественно нового ИИ в течение этого времени. "Развитие идет очень быстро. Доверие - это некое ожидание, что объект, на который распространяется доверие, будет способствовать сохранению и увеличению ресурсов того, кто доверяет. Говорить о современных системах ИИ как об "объекте", которому доверяют, еще однозначно рано. ИИ должен обосновать и доказать эффективность применения использованных методов анализа реальности. Как минимум мы должны иметь возможность строгой интерпретации его действий. Представляется уместным немного более строгая интерпретация, когда ИИ доверяется воспроизведение моделей "поведения", которым научил человек-учитель и потом выявлял какие-то ошибки. Да, это возможно. Но, говорить о некоем общем случае обучения, вероятно, преждевременно", - подчеркивает Валерий Милых.

Директор по стратегии (CVO) компании ITGlobal.com Виталий Грицай рассказывает, что ИИ уже сейчас - большой рынок, на котором крутятся огромные деньги. "Могу привести два примера, где ИИ - это уже core-технология. Например, интернет-реклама, где алгоритмы ИИ применяются для повышения качества приводимого трафика. Или игровая индустрия: в играх, которые рассчитаны на большую аудиторию, ИИ тоже используется сплошь и рядом. Это два примера, где ИИ - обязательный инструмент. И тенденция сейчас такова, что применение ИИ все больше расширяется. Поэтому, да, я согласен с выводами", - отмечает Виталий Грицай.

На его взгляд, оценка, что большинство руководителей предпочитают внедрить идеальную модель ИИ вместо поиска опытного сотрудника, вполне справедлива. "В промышленности все на 100% должно быть автоматизировано, потому что человек не настолько надежен, как хорошо обученный ИИ. Это уровень доверия. В остальном многое зависит даже не от отрасли, а от конкретного кейса. Например, все, что связано с обработкой Big Data, просто не работает без ИИ и машинного обучения", - считают 56% респондентов и предпочитают внедрить идеальную модель ИИ вместо поиска опытного сотрудника.

"Сейчас нейронные сети уже взаимодействуют, могут работать в связке, когда, например, одна сеть пытается что-то сломать, а другая - восстановить или защититься. Но машинное обучение других машин не всегда возможно. Я думаю, более популярным будет "наслоение" разных моделей ИИ друг на друга, нежели обучение одних нейронок другими. Или, например, сценарий, при котором машину обучает человек. Грубо говоря, система строит модель, делает какие-то предположения, и на огромной массе людей все это проверяется. Но сама по себе идея очень хорошая. Будет ли существенный прорыв в этом - не уверен", - говорит Виталий Грицай.

Заместитель генерального директора ITGlobal.com Василий Белов также соглашается с выводом, что свыше половины лидеров отрасли считают так, как они ответили в рамках опроса. "Со статистикой не поспоришь. Но я менее оптимистичен по поводу сроков. Дело в том, что для управления активами большой ценности и тем более для принятия решений, которые могут повлиять на жизнь и здоровье людей, на сегодняшний день нужна не статистическая вероятность принятия более качественных решений, чем те, что принимает человек. Нужен уровень доверия к ИИ в конкретной задаче, близкий к 100%. И в большинстве случаев здесь есть несколько неразрешенных проблем", - подчеркивает Василий Белов

По его словам, первая - этическая проблема: кто будет отвечать в случае катастрофы или ущерба людям? Вторая - проблема законодательства: это вопрос в любом случае не быстрый. Третья - технологическая: современный ИИ в ряде случаев может лучше, чем человек, справляться в стандартных ситуациях, но в нестандартных вероятность ошибки резко возрастает. "Тут я соглашусь с теми респондентами, которые отмечали, что для передачи действительно ответственных задач ИИ должен выйти на новый уровень. Я считаю, что на решение этих проблем у ИТ-отрасли уйдет не менее 10-15 лет. ИИ, безусловно, перестал быть диковинкой, он активно применяется в разных отраслях, в том числе в промышленности. Но внедрить идеальную модель ИИ вместо поиска опытного сотрудника - вопрос немного некорректный. Нужно смотреть конкретный кейс, и тут много вопросов. Есть ли возможность заменить этого сотрудника на ИИ? Будет ли ИИ выполнять работу лучше человека? Целесообразно ли это экономически? И так далее", - объясняет Василий Белов.

По его оценке, до создания себе подобных ИИ еще далеко. "Пока что максимум, что может ИИ, - писать достаточно простые программы на Python. В любом случае, я думаю, что продвинутые ИИ будущего будут действовать не так, как мы можем сегодня предположить, а как-то по-другому. В этом и будет прорыв", - утверждает Василий Белов.

Руководитель направления "Большие данные" компании "Техносерв" Денис Рыбченко утверждает, что горизонт в пять лет - вполне правдоподобная перспектива для достижения отечественными решениями на базе ИИ такого уровня, который позволит им выполнять функцию машинного обучения других машин. "Технологии искусственного интеллекта сегодня быстро развиваются и должны сделать машинное обучение более устойчивым, гарантировать корректную работу даже в новых экстремальных условиях. Например, уже сейчас активно используется AutoML, который позволяет моделям обучать другие модели", - говорит Денис Рыбченко.

Новости из связанных рубрик