Как Data Science помогает бизнесу в принятии стратегических решений

Data Science и искусственный интеллект позволяют бизнесу повышать эффективность производства и качество управленческих решений. Благодаря технологическим возможностям предприятия могут увеличить рентабельность более чем на 5%. R&D-аналитик компании Embedika (ООО «Эмбедика») Валерия Басова рассказала о перспективах умных сервисов в промышленном секторе.

Цифровая трансформация и инвестиции в технологии

Каждое предприятие — большая сложная система, где все бизнес­процессы и операции должны быть синхронизированы, чтобы продукция производилась в срок и надлежащего качества. Как правило, эта деятельность сопровождается множеством рутинных операций, высокой нагрузкой на персонал и большим количеством учитываемых параметров — оборудования, сырья, регламентов.

Сегодня промышленный сектор осознаёт возможности новых технологий и активно внедряет их в ряд процессов. Так, в России 33% предприятий планируют задействовать интеллектуальные решения в своих бизнес­процессах.

Ожидается, что инвестиции во внедрение искусственного интеллекта в производственную деятельность вырастут на 57% к 2026 году. Эти вложения будут направлены на использование инновационных решений, которые становятся основой для улучшения эффективности производства и принятия стратегических решений.

Более того, такие инвестиции несут в себе ощутимый экономический потенциал — это объясняется возможностью оптимизации производственных операций, снижением издержек и улучшением качества продукции за счёт анализа больших объёмов данных, что в результате приводит к повышению эффективности бизнеса.

Сценарии применения ИИ на промышленном предприятии

Инновации в Data Science и ИИ-технологиях позволили эффективно обрабатывать и анализировать огромные объёмы информации, предоставляя беспрецедентные возможности для получения знаний. Так, распространение систем промышленного интернета вещей привело к появлению огромного количества данных. Датчики и устройства на заводе могут генерировать более 1 ТБ необработанной информации в день.

Её отправка, обработка и хранение на сторонних сервисах влекут за собой существенные затраты для предприятия, а любая неисправность на линии связи может привести к критическим последствиям вплоть до остановки производства. Поэтому сегодня приложения IIoT используют возможности AI и ML на «границе» сети, чтобы обеспечить более мощные возможности предварительной обработки сырых данных непосредственно на предприятии. Ожидается, что к 2025 году объём данных, создаваемых и обрабатываемых на периферии предприятий, увеличится с 10 до 75%, а весь рынок промышленных устройств для ИИ значительно вырастет.

Особенно востребованными являются сервисы для работы с документами и текстовой информацией, начиная с технической документации и заканчивая отчётами о производственных операциях. ИИ позволяет автоматизировать процессы обработки, ускоряя их и снижая ручную нагрузку на сотрудников.

Алгоритмы ML, обученные на больших наборах данных, могут распознавать и извлекать информацию из текстовых документов, таких как контракты, спецификации, технические схемы и др. А системы автоматической обработки документов способны индексировать и организовывать информацию, делая её легкодоступной для поиска и анализа. Это позволяет сотрудникам быстро находить необходимые данные, повышая производительность и сокращая время на поиск информации.

К тому же ИИ может выявлять паттерны, тренды и взаимосвязи в документах, способствуя принятию более обоснованных стратегических решений. Системы позволяют в автоматическом режиме анализировать отчёты о производственной деятельности и выявлять неэффективные процессы или потенциальные проблемы, что помогает улучшить управление производством и сократить издержки.

Оценка рисков и возможностей

Исследовательская компания IDC прогнозирует, что к 2025 году 40% сервисов для оценки рисков будут использовать решения на базе генеративного ИИ в том или ином виде. Такие инструменты помогут создавать виртуальных помощников, которые будут отвечать на вопросы из базы знаний предприятия. Например, покажут инструкцию о работе с оборудованием или пропишут чёткий план действий при чрезвычайных ситуациях.

Алгоритмы машинного обучения могут анализировать данные о производственных операциях, чтобы предсказывать потенциальные проблемы и снижать риск возникновения сбоев. Также можно поставить задачу определить сдвиг плановой даты окончания строительно-монтажных работ более чем на 30 дней на основании накопленных данных. И алгоритм предоставит подробную информацию о предполагаемых причинах переноса сроков и новых датах реализации.

Анализ контрактов и соглашений может сопровождаться ошибками, что часто приводит к финансовым рискам для компании. Алгоритмы машинного обучения позволят бизнесу автоматически анализировать контрактные документы на предмет потенциальных отклонений и несоответствий допустимым для компании нормам. ИИ-системы способны автоматически выделять неполные или противоречивые условия в контрактах, предупреждая о возможных рисках.

Умный мониторинг и контроль безопасности

Модели машинного обучения помогают прогнозировать износ станков, чтобы оптимизировать затраты на амортизацию и избегать простоев производства. Например, с помощью интеллектуальной системы Тверской вагоностроительный завод смог сократить издержки на ремонт оборудования на 30% и уменьшить время простоев на 12%. Механизм прогнозирования «самочувствия» агрегатов, по данным предприятия, увеличивает количество выпускаемой продукции на 10%, повышает техническую готовность к эксплуатации оборудования на 50% и уменьшает расходы на ремонт и обслуживание на 30%.

Анализ данных о производственных операциях, поддерживаемый ML-моделями, позволяет предсказывать отказы оборудования, оптимизировать расписание обслуживания и минимизировать простои. Например, компьютерное зрение помогает оперативно выявлять сбои. Точность выявления дефектов при этом повышается до 97%, а вызванных браком издержек становится меньше на 10%.

Компьютерное зрение также применяют для контроля наличия средств индивидуальной защиты у персонала. Технологии уже способны в режиме реального времени определять по видео- или фотоизображению, где находится человек, и оценивать правильность ношения спецодежды (перчаток и каски). Подобные решения идентифицируют нарушения с точностью в 95%.

Прогнозирование и оптимизация решений

В конечном итоге данные, обработанные с использованием технологий Data Science и ML, становятся ценным инструментом для принятия решений. Алгоритмы машинного обучения могут строить прогнозы, исходя из текущей внешней и внутренней ситуации, и подбирать оптимальный план для достижения требуемых результатов. Такие системы могут работать как в режиме рекомендаций, когда оператору даются советы, так и в автоматическом режиме, когда алгоритмы напрямую управляют процессом под контролем человека. Благодаря такому сценарию появляется возможность более гибко планировать, повышать рентабельность, оптимизировать производство в целом.

К примеру, в металлургии производитель хочет достигнуть определённых физико-химических свой­ств готового продукта — получить марку стали определённого качества. Тогда на этапе добавки ферросплавов система рекомендует количество присадок, исходя из задания и текущих кондиций металла. Таким образом, можно решать две задачи: первая — минимизация брака, если сотрудники не добавили нужное количество ферросплавов и партия вышла с браком; вторая — минимизация затрат, если они добавили ферросплавы «с запасом» и получили перерасход дорогих присадок.

Барьеры распространения технологий

Несмотря на стремительное развитие технологий искусственного интеллекта, существуют и вызовы, с которыми сталкивается промышленный сектор. Во-первых, это недостаток данных. Для обучения алгоритмов необходимо много эталонных оцифрованных данных, на основе которых в будущем система будет определять отклонения. Более того, наличие конфиденциальной и чувствительной информации может сильно усложнить процесс внедрения. Так, при привлечении сторонних специалистов бизнес вынужден будет обезличить все данные.

Во-вторых, сложная индивидуальная разработка решений. Невозможно создать готовую ИИ-систему, которая будет эффективна на любом предприятии, так как каждое производство имеет свою специфику. Для внедрения ИИ необходима разметка данных и качественная интерпретация информации для обучения моделей.

В связи с этим требуется немало ресурсов, чтобы разработать сервис и интегрировать его в процессы. Для фиксации первых результатов обычно требуется около года. Ускорить этот процесс, как правило, позволяет привлечение сторонней команды, которая имеет опыт во внедрении подобных решений.

В-третьих, страх сокращений. Инновации часто приводят к изменению привычных процессов и сокращению нужды в персонале. Например, по мнению экспертов, к 2030 году передовые технологии помогут оптимизировать работу около 800 млн сотрудников в промышленном секторе по всему миру. Автоматизация рутинных процессов, для которых не требуются профессиональные навыки, позволит высвободить время квалифицированных специалистов для решения более приоритетных и творческих задач.