ИИ всё чаще прописывается на заводах — предсказывает поломки, следит за безопасностью, помогает инженерам. Но работает ли это как надо? IT World разбирался, где заканчивается хайп и начинается реальный эффект, что умеет промышленный ИИ прямо сейчас и почему без человека в цеху пока всё равно никуда.
11 февраля 2025 в Париже прошел саммит по искусственному интеллекту. По итогам, саммита не все стороны подписали международную декларацию о регулировании ИИ. В число несогласных вошли США и Великобритания. Британцы, заявляли о необходимости подписывать только те инициативы, которые отвечают их национальным интересам. Но 60 других стран участниц саммита согласились с его основными положениями.
Споры об ИИ, не утихают который год, еженедельно публикуются новости в этой сфере. Мир еще не определился с понятием ИИ: статья знаменитой интернет энциклопедии, начинается со слов “в самом широком смысле…”, статья менее знаменитой, но отечественной интернет энциклопедии дает целых четыре определения ИИ: 1) это, интеллект, как у человека, 2) способный творить 3) моделирующий мыслительный процесс 4) и способный оставаться в контексте происходящего. Неплохо, но не совсем конкретно.
Кроме того, разночтения в определении ИИ наблюдаются и на уровне нормативных документов разных стран. В США, например, под ИИ чаще подразумеваются системы, способные к самостоятельному обучению и принятию решений, в то время как в ЕС особое внимание уделяется прозрачности и этике работы алгоритмов. Китай, в свою очередь, активно развивает концепцию «умного производства» на базе ИИ, делая акцент на его интеграцию в реальный сектор экономики. Предлагаем читателю принять факт отсутствия четкого понимания ИИ и пренебречь отсутствием еще более узкого его определения “в промышленности”.
От горного дела до аграрного комплекса
В настоящее время на практике известно множество успешных примеров применения ИИ (ML) в разных отраслях промышленности: горное дело, добыча полезных ископаемых, металлургия, нефтяная, газовая, химическая, машиностроительная отрасли, аграрно-промышленный комплекс и т.д.:
● Предиктивное обслуживание - системы анализируют данные с различных датчиков в режиме реального времени, прогнозируют поломки и отказы.
● Машинное зрение для контроля состояния, качества, соответствия требованиям, безопасности.
● Автоматизация складской логистики - координация процессов и оптимизация затрат на хранение запасов, беспилотные аппараты для комплектации, перемещения и транспортировки сырья, материалов и готовой продукции.
● Проектирование объектов - генеративный дизайн с помощью ИИ позволяет моделировать свойства материалов, деталей, узлов, снизить вес детали без ущерба функциональности, сократить количество используемого в производстве сырья и материалов, улучшить характеристики продукции.
● Производственное планирование - формирует реалистичные производственные планы, основываясь на данных о производственных мощностях, планируемых поставках материалов и остатках запасов на складах.
● Поддержка принятия решений (всевозможные советчики).
Было бы логичным предположить, что по числу инициатив на первом месте должны быть решения, связанные с промышленной безопасностью, аспектом затрагивающим всех без исключения, когда недремлющее, всевидящее и неподкупное око ИИ следит за выполнением операций разумными творческими людьми, другими машинами и окружающим пространством.
Искусственный интеллект против поломок
Рассмотрим подробнее примеры применения ИИ, связанные с предиктивной диагностикой и оптимизацией производственных процессов. Сложно представить необходимость в творческом и мыслящем ИИ в сталеплавильном цеху. Глубокой автоматизации подвергаются (должны подвергаться) опасные или рутинные операции, где нет никакого творчества. Такие задачи следуют четкому алгоритму, в них нет места рассуждению, а следовательно это скорее можно отнести к задачам машинного обучения. Отдельно следует упомянуть класс решений, предназначенный для снижения риска травматизма. Модели видеоаналитики способны распознавать опасность и риски, контролировать наличия средств индивидуальной и коллективной защиты. В таком случае нейронные сети, помогают им переобучаться, но все еще сложно говорить о “глубоком рассуждении” в решении этих задач.
Что касается задач предиктивного обслуживания, то выявление будущих неисправностей всегда была и останется важной темой промышленных предприятий. Предотвращение поломки чаще намного лучше (дешевле), чем ее устранение. Зная заранее о развивающемся дефекте, у персонала предприятия есть время на принятие решения, планирование и подготовку, закупку запчастей и т.д.. Справедливо также, что остановка оборудования для планового технического обслуживания или ремонта тоже дорогое удовольствие, но в таких случаях правильно было бы определить стратегию работы “до отказа” и не акцентировать внимание персонала, и тем более ИИ на этих узлах.
Концепция Fault-Tolerant Systems — системы, устойчивые к отказам, где критически важные узлы дублируются, а их диагностика осуществляется в режиме реального времени.
Опытный механик определяет (предвидит, как Кассандра) поломку по косвенным признакам: электропривод продолжает стоять на месте, но чуть сильнее чувствуется вибрация или появились посторонние шумы. Так работает естественный интеллект, так любой автомобилист со стажем, определяет состояние своего транспорта. Собирает данные, интерпретирует их, делает вывод. Тот же порядок действий необходим и для машинного анализа (предиктивной аналитики выполняемой комплексом технических средств). Сегодня в DeepSeek и его конкурентах, мы видим попытки имитации рассуждений, в которых модель путем, похожим на логический приходит к ответу. Это средняя часть. Вывод по полученным данным, в виде синтетического индекса или флага о необходимости ремонта тоже не является проблемой.
Наиболее сложной частью является именно сбор данных с оборудования. К примеру на том же электроприводе: одни лишь токовые характеристики не способны породить развернутую предиктивную аналитику. Требуется анализ звуков, вибраций, моментов и так далее. Такое дооснащение требует значительных сил и ресурсов, не всегда доступных. А ИИ (или даже просто машинное обучение) является здесь, всего лишь вишенкой на торте. Все тот же опытный механик, получив данные о крутящем моменте, например, в разрезе года, будет способен сделать вывод о состоянии привода и своим естественным интеллектом. “Тут растет, с такого-то числа, когда цифры превысят критические значения произойдет отказ”.
Немаловажен не только объем, но и качество собранных данных. И тут есть шанс как раз для ИИ. Например для сбора звуков или изображений. Улучшение звуков и изображений, то в чем ИИ-функции могли бы очень сильно поспособствовать. Собрать данные, о работе маленького, но дорого сервопривода в цеху обогатительной фабрики задача сложная. Крайне полезным оказалась бы способность ИИ очистить полученные данные от посторонних шумов, грохота, работы крана и прочего, предоставив на вход в модели чистый неискаженный звук. Но, на текущем этапе это вызывает опасения: самые маленькие галлюцинации или искажения, приведут к самым большим потерям. Даже самые продвинутые системы компьютерного зрения и аналитики пока не способны полностью исключить влияние человеческого фактора. Ошибки в обучении моделей, ограниченность данных и проблемы с калибровкой сенсоров могут привести к ложным тревогам или, наоборот, пропуску критичных ситуаций. Именно поэтому сочетание ИИ с традиционными методами контроля безопасности остается наиболее эффективным подходом. Но если валидировать данные через человека, то это уже совсем не ИИ, а гибрид.
Когда цех думает сам
Но не стоит считать, что все дело только за сбором данных. Стоит внимательно взглянуть на задачи недоступные “естественному интеллекту”. Представим себе сферического коня в вакууме, цех по обогащению полезных ископаемых далеко на севере. Где на сотни машин, единицы людей. Будучи, хорошо оснащенным для предиктивной диагностики, технически цех позволит собрать большие данные, на которых будут выявлены массовые ухудшения работы. Например, очень ценная информация, что машины с 7 по 12 в разной степени снизили свои характеристики в ближайшем периоде от планового ТО. А вывод можно оставить за человеком. Или нет?
Сегодня результаты ручной диагностики попадают к менеджерам по надежности и планированию, которые на основании полученных данных формируют стратегии ремонтов, обслуживания, используют специализированное ПО для анализа, проводят сложные RCA (Анализ корневых причин) и формируют огромные RCM (Техническое обслуживание, ориентированное на надежность). Все это процессы, требующие понимания рисков и возможностей. Но, если врачи могут, то и здесь ИИ мог бы справиться. Одним из таких примеров является применение ИИ в судебной экспертизе и криминалистике. В этих сферах алгоритмы анализируют огромные массивы данных, выявляя закономерности, которые могут ускользнуть от внимания человека. Аналогичный подход может быть использован и в промышленности: ИИ способен находить корреляции между внешне несвязанными параметрами работы оборудования, помогая в выявлении скрытых дефектов и предотвращении аварий. Подготовленные ИИ первичные данные, передают их другому ИИ агенту который готовит необходимые анализы и стратегию. Чем не перспектива?
Все это осталось только лишь интегрировать в систему управления производством MES. Для того, чтобы инженер понимал, где и что у него происходит. Стал больше диспетчером, чем инженером. Мог бы связать полученные данные об отказах, ухудшениях с учетом производства и его планами. Самостоятельно понять, как изменение производительности оборудования приводит к отказам или доверить это следующему ИИ агенту для анализа причин и уже далее принимать взвешенное и согласованное решение внести изменения в параметры тех. процесса.
***
Теперь, когда ажиотаж вокруг ИИ прошел, и мы вышли на так называемое “плато”, технологии начнут дешеветь. В лучшем случае, это должно привести к собственным решениям в крупных промышленных компаниях и облачным - типовым решениям в малых и средних производствах. «ИИ» скорее становится лейблом, увеличивающим продажи. Сегодня термин «ИИ» или «AI» можно встретить даже в описании обычных алгоритмов автоматизации. Важно отличать реальное применение технологий искусственного интеллекта от просто умных программных решений, чтобы избежать неоправданных ожиданий и инвестиций. Именно поэтому всегда стоит помнить о целесообразности применения той или иной технологии.