Нейросети на производстве: как искусственный интеллект помогает выполнять контроль качества
В промышленной сфере пока не так много экспериментов с нейросетями. Хотя всё чаще мы слышим, что именно искусственный интеллект может помочь предприятиям в решении одного из самых сложных и высокобюджетных вопросов: организации контроля качества на производстве. И здесь возникают сомнения.
Кажется, что производителям можно посоветовать просто сравнить стоимость разных технологий и просчитать временные затраты. На внедрение классических систем мониторинга нужно выделять значительное время и ресурсы. Огромное количество решений по контролю качества от ИИ тоже требует вложений. Разбираемся, что производствам предлагает искусственный интеллект и почему в этой сфере так мало готовых кейсов работы с нейротехнологиями.
Возможности искусственного интеллекта в отношении контроля качества производства по-настоящему безграничны, убеждают эксперты. ML-технологии, к примеру, помогают организовать промышленную охрану предприятия, мониторить действия сотрудников. Компьютерное зрение также автоматически курирует все сложные процессы: сборку, сварку, измерение размеров и обнаружение дефектов.
Инструменты контроля качества от ИИ
Человеческий глаз способен распознать меньше информации, чем компьютерное зрение, считают эксперты. Не потому, что у ИИ больше возможностей: человеческий глаз может уставать и болеть, а оператор видеонаблюдения ― ошибаться. Кроме того, интерпретация данных, сделанных сотрудником, не всегда объективна, потому что тот может отвлечься от чего‑то очень важного и значимого. А компьютерное зрение, представляющее собой совокупность передовых программ и систем, способно за короткое время выдать глубокий анализ информации.
По мнению основателя Лаборатории интеллектуальной трансформации тульской компании «Райтек ДТГ» Виталия Кудряшова, оно хорошо для мониторинга этапов сборки, поскольку выявляет даже мельчайшие отклонения от нормы. Это позволяет оперативно обнаруживать дефекты и вносить коррективы в производственный процесс, что, в свою очередь, улучшает стабильность и качество выпускаемой продукции и сокращает количество брака.
Второй инструмент ― управление цепочками поставок. На таких специалистах, как правило, держится производство. Сотрудник отвечает за анализ рынка, логистические процессы, сведение к минимуму издержек, оптимизацию и многое другое. Неудивительно, что работа специалиста по снабжению стоит дорого. Сейчас прогнозирующую аналитику может выдать нейросеть. В этом случае ИИ анализирует транспортные расходы, производственные мощности, сроки выполнения заказов.
Ещё одно решение ― прогнозирующая аналитика. Чтобы предвосхитить итог сложных технологических процессов и работу того или иного оборудования, нужно потратить не один месяц. Ведь специалисту нужно найти скрытые закономерности, правильно обработать информацию, интерпретировать, выстроить на её основании свои рекомендации. Все эти этапы заменила революционная технология от ИИ.
Цифровой двойник ― на сегодня одна из самых востребованных в промышленности технологий. Создание виртуальной модели объекта, его формы и всех внутренних процессов помогает предприятиям предвосхищать многое, экономить время и средства, а также избегать вреда для людей.
ИИ также может следить за контролем качества и промышленной безопасностью. Нейросеть помогла одному из российских машиностроительных заводов заменить работу целой команды специалистов. И этот кейс московских разработчиков стоит рассмотреть. Программа анализа данных с использованием такого языка программирования, как С#.Net (индивидуальная разработка для конкретного заказчика), по заявлениям, помогла автоматизировать процесс контроля качества и тотально исключить человеческий фактор.
По информации из официальных источников, на крупный машиностроительный завод разработчики внедрили ПО, которое может определять наличие дефектов сварного шва и их координаты, делать фотографии и формировать отчёт в режиме реального времени.
Цена вопроса
Нейросети требуют значительных инвестиций: затрат на машины, оборудование и ПО, приобретаемые для внедрения ИИ-технологий, техобслуживание, команду специалистов, постоянное обучение нейросети. Хотя подробных кейсов применения в российской промышленности искусственного интеллекта в открытом доступе практически не найти.
Один из примеров ― внедрение AI-решения в компании, занимающейся разработкой и поставкой решений для хранения и генерации энергии. Там изготавливают промышленные аккумуляторные батареи, солнечные модули и развивают связанных с ними технологии.
«Недавно компания столкнулась с высокой нагрузкой на службу техподдержки и дефицитом кадров. Внедрённое решение автоматизировало ключевые процессы. Мы ввели AI-ассистента, который 24/7 обрабатывает запросы без участия операторов. Автоматически классифицировали заявки по типу, приоритету и сервису.
Внедрили автоматическое заполнение и контроль атрибутов заказов и интегрировали всё это с базами знаний для быстрого поиска решений. Наладили идентификацию массовых инцидентов и их обработку. Организовали выдачу рекомендаций по решениям на основе накопленного опыта. Внедрили BI-аналитику для мониторинга и прогнозирования.
Процесс внедрения AI-системы включал два ключевых этапа: пилотный запуск и последующую эксплуатацию. Настройка и пилотное внедрение стоили 150 000 рублей. На этом этапе были проведены интеграции с существующими системами, подготовка и разметка данных, обучение моделей, а также тестирование работы AI-ассистента», ― приводит пример Виталий Кудряшов.
По его словам, эксплуатация обойдётся в 1 200 000 руб. в год (по 100 000 руб. в месяц) без учёта НДС. В эту сумму входит поддержка и обновление системы, адаптация AI-моделей к новым запросам, оптимизация аналитики и интеграции с базами знаний. Подобные решения реализованы у ряда клиентов «Райтек ДТГ», но большинство проектов находятся под NDA (соглашением о неразглашении информации).
Доверяй, но проверяй
На разработке и внедрении систем машинного зрения и промышленной видеоаналитики уже более 14 лет специализируется компания ООО «Малленом Системс». Это предприятие за время своего существования воплотило более сотни проектов в промышленном производстве. Однако эксперты не торопятся говорить, что искусственный интеллект ― панацея от всех бед для каждого промышленника.
«По данным отчёта АНО „Цифровая экономика”, опубликованного в декабре прошлого года, технология компьютерного зрения занимает 35% в структуре решений на базе ИИ, применяемых в промышленном производстве. А следовательно, эта технология вышла уже из лабораторных стен, в достижение эффектов от её внедрения потребители верят. Хотя в её использовании, не хочу вас обнадёживать, ещё остаётся много нюансов, которые мы, как опытная компания, всегда обсуждаем со своими клиентами на предпроектном этапе.
Сложность оценки эффекта применения машинного зрения для нас, как разработчика и поставщика ИИ-решения, заключается в двух моментах. Во-первых, на многих предприятиях пока имеет место так называемая лоскутная автоматизация, когда разрозненные системы контроля внедряются на отдельных локальных участках в рамках большой производственной цепочки.
Эффекты от таких локальных внедрений сложно оценивать. Во-вторых, предприятия, как правило, не предоставляют данные по их экономике, чтобы достоверно сделать оценки достигаемых результатов. Однако у нас есть информация по целому ряду реализованных проектов, где эффект оценивался от десятков и даже сотен миллионов рублей за счёт повышения качества продукции и обеспечения оперативного управления процессом производства на основе формируемых нашими системами заключений об объектах контроля.
К слову, такими объектами могут выступать не только сама продукция, но и промышленные механизмы, транспорт и персонал. Контроль за соблюдением техники безопасности, корректности выполняемых людьми технологических операций ― важная часть повышения эффективности и безопасности производства. При этом эффекты, возникающие в результате профилактики несчастных случаев и снижения аварийности, с одной стороны, весьма значимы, но, с другой стороны, не всегда поддаются точным оценкам.
Помимо прямых эффектов, такие кейсы затрагивают вопросы поддержания на высоком уровне как корпоративной производственной культуры, так и имиджа предприятия на конкурентном рынке трудовых ресурсов и среди своих клиентов-потребителей», ― рассказывает кандидат технических наук, директор по развитию ООО «Малленом Системс» Владимир Царёв.
Антикейсы от ИИ Появились в информационном поле и отрицательные кейсы взаимодействия с искусственным интеллектом.
«У одного из наших клиентов было достаточно большое количество инвойсов, которые бухгалтерия вносит ручками. Это может быть и PDF-файл, и PNG-файл с крайне плохим качеством изображений на разных языках из разных стран.
Руками всё это перебивать было достаточно трудоёмко, и, естественно, на поверхности, казалось, было решение: можно научить искусственный интеллект распознавать нужные данные из нужных мест документа и их „выцеплять”. Что мы получили в итоге? 80% инвойсов типичны ― это три типа документов, все остальные 20% сильно разные.
Мы поняли, что обучать модель детектировать нужные данные будет крайне проблематично. Процент распознавания будет крайне низким в первую очередь из-за плохого качества документов. В итоге мы потратим огромное количество ресурсов на перепроверку. Гораздо проще будет выбрать привычные всем технологии: разметить три вида инвойсов и извлекать данные. Получается, эффективность привычных и понятных технологий в этом случае была выше. Затраты сократились, и бизнес-задача была решена.
Иногда эффективнее применять привычные нам технологии программирования, задавать инструкции, подгружать данные и получать гарантированный результат», ― делится опытом директор по развитию направления заказной разработки ГК «КОРУС Консалтинг» Полина Ефремова.
Как не разориться с ИИ?
В вопросах нейротехнологий анализ неудач всегда может стать началом пути к успеху. Самые частые ошибки компаний, считают эксперты, связаны с недостаточно комплексным подходом и поверхностным анализом потребностей. Решения становятся очень дорогими всегда у тех предприятий, кто не уделяет должного внимания сбору и хранению данных.
«При построении того же цифрового двойника нужны очень хорошие входные параметры. Однажды мы создавали модель для трубопровода. С чем возникла проблема? Все коллекторы построены во времена СССР, данные не оцифрованы. Кто‑то когда‑то пытался это сделать, на одном из проектов мы нашли эти данные об объекте. Загоняем их в систему, они не соответствуют реальности. Где‑то была допущена ошибка», ― предостерегает руководитель группы Data Science департамента аналитических решений ООО «Группа компаний «КОРУС Консалтинг» Екатерина Торсукова.
«Если вы хотите использовать искусственный интеллект в работе, важно начать с организации систематизированного и качественного сбора данных, собрать всю информацию в единое хранилище, что создаст целостное представление о производстве.
Затем следует настроить систему предобработки данных, чтобы быстро подключать алгоритмы машинного обучения и большие языковые модели для тестирования различных гипотез.
Такой подход позволяет применять технологии компьютерного зрения для, например, автоматического контроля сборки, сварки, измерения размеров и выявления дефектов, а также оптимизировать параметры технологических процессов в режиме реального времени», ― советует Виталий Кудряшов.
Тем, кто ещё не решился на помощь искусственного интеллекта, но очень хочет это сделать, эксперты советуют сначала определиться, что точно нужно получить на выходе и нужна ли та система, которую планируют внедрять. Можно представить несколько вариантов реализации этого проекта, к примеру, взять аналог у конкурентов. Исходя из этого понять, подходит ли модель. После этого считать экономику проекта.
«Но бывают ситуации, когда мы хотим применить модель, не использованную ранее нигде. Нет доказанных эффективных кейсов на рынке, но мы верим в эту технологию и хотим её внедрять. Здесь всё не очень прогнозируемо и значительно сложнее. Мы не знаем, с какой операции наладится работа. И сколько их будет нужно. Здесь нужно посчитать, сколько денег мы готовы инвестировать в эту технологию.
И, если наш бюджет начинает „переваливаться”, мы должны остановиться. Да, возможно, не захочется выбрасывать результаты в мусорку, но, если вы продолжите, то потратите ещё больше. На этапе проверки гипотезы подумайте, можно ли решить проблему по-другому», ― говорит Полина Ефремова.
Нейротехнологии подойдут далеко не всем, говорят учёные, разработчики ИИ и компании-интеграторы систем в промышленность.
«Когда мы говорим о приложениях ИИ в производстве, то нужно понимать, что в мире существуют десятки отраслей промышленности, в них ― сотни типов предприятий, которые в совокупности выпускают множество различных видов продукции.
И при всём видовом разнообразии современный ИИ вполне способен обеспечить решение пусть и большинства задач контроля качества и прослеживания (идентификации) продукции на этапах её производства, начиная с приёмки поступающего сырья, подготовки полуфабрикатов или комплектующих и заканчивая готовыми изделиями, их упаковкой и отгрузкой, но далеко не всех», ― высказывает мнение Владимир Царев.
Искусственный интеллект ― это не панацея от всех проблем предприятия. Это всего лишь инструмент ― мощный, но пока ещё не вполне дешёвый. И настоящим мастерством будет применять его для решения подходящих задач.
У специалистов есть шутка: «Если микроскопом забивать гвозди, то, скорее всего, расходы окажутся больше, чем выгода».
Крупные промышленные предприятия и холдинги давно и вполне успешно идут этой дорогой. В части формирования кадров, создания инфраструктуры, проведения проблемного анализа и управления проектами по внедрению ИИ в России сложились кейсы, интересные, возможно, для всего мирового сообщества. Лучшие практики и успешные кейсы часто освещаются на различных отраслевых конференциях, форумах и в интернете.
Тем предприятиям, которые ещё не освоили технологии ИИ для управления качеством, но хотели бы с чего‑то начать, эксперты рекомендуют сформировать небольшую рабочую группу, например, на базе ИТ-отдела. В неё должны войти ведущие специалисты предприятия по технологии производства, автоматизации и информатизации и т. п.
Группа сможет выявить основные проблемы, связанные с качеством продукции; примерно оценить эффекты, возникающие при их решении (как локально, где это возможно, так и в комплексе); определить минимально-достаточные и желаемые параметры таких решений; расставить приоритеты по выявленным проблемам.
Далее провести аудит данных, которые связаны с контролем качества продукции и уже собираются на предприятии, определить, каких данных недостаточно для принятия оперативных решений при автоматизированном управлении качеством, и подумать о способах формирования таких данных, их сбора и хранения. Параллельно провести аудит технологических операций и процессов, непосредственно влияющих на качество, степень их автоматизации, а также аудит текущей ИТ-инфраструктуры.
Для следующих шагов: формирования детализированного технического задания, проектирования, поставки/разработки и внедрения ИИ-решений ― эксперты рекомендуют привлекать внешние опытные команды. Есть мнение, что попытки сэкономить и всё делать своими силами (инхаускомандами) часто приводят к разочарованию в нейротехнологиях. Успешные масштабные проекты внедрения искусственного интеллекта ― это в первую очередь те, над которыми поработали люди со своими выдающимися природными знаниями, умениями и навыками, желательно объединив усилия.
Однако влияние ИИ не угрожает человечеству — сокращения спроса на рабочую силу не ожидается. Каждый год появляются новые задачи и рабочие места, которые, требуют соответствующего набора навыков.
Текст: Надежда Белозерская. Фото: freepik.com.
