Транспорт и техника, перемещающиеся по цехам предприятий без участия людей, заводы, непрерывно оптимизирующие потребление энергии и ресурсов, машины, автоматически контролирующие качество и непосредственно корректирующие процесс производства, – то, о чем раньше можно было прочесть в научно-фантастической литературе, становится реальностью. У технологий искусственного интеллекта – огромный потенциал развития в промышленности. Уже сегодня они помогают преобразовывать производственные модели. Как именно и на какие преимущества можно рассчитывать в плане повышения эффективности, гибкости и надежности производства?
Интеллектуальное производство
Степень цифровизации промышленности стремительно повышается, и цифровое производство – уже реальность. В сфере производства постоянно создается, обрабатывается и анализируется множество данных, объемы которых служат основой для выстраивания цифровых моделей целых заводов и систем. Эти цифровые двойники давно используются для структурного планирования и проектирования продуктов и оборудования (а также производственных процессов). Благодаря им повышаются гибкость и эффективность выполнения подобных задач, появляется возможность выпускать высококачественные индивидуализированные продукты быстрее и по доступной цене.
А что если машины и производственные системы смогут самостоятельно выявлять тенденции в этих массивах информации и оптимизировать свою работу в постоянном режиме? От перспектив захватывает дух. Сегодня мы можем шаг за шагом двигаться к достижению таких целей благодаря технологиям и методам искусственного интеллекта (ИИ).
Новые горизонты
Более 30 лет искусственный интеллект находится в центре внимания научных исследований. Достаточно вспомнить ранние работы по представлению знаний и экспертных систем таких авторов, как Марвин Мински, Хейес Рот, или концепцию ситуационного управления, предложенную Дмитрием Поспеловым.
За это время в области компьютерных и вычислительных технологий было сделано несколько важных прорывов. В десятки раз увеличились вычислительная мощность аппаратного обеспечения, производительность в области передачи данных. Алгоритмы нейронных сетей, машинного обучения, логического вывода и поиска оптимальных решений теперь доступны любому современному смартфону.
Использование методов ИИ в промышленности открывает новые возможности для гибкого эффективного производства, особенно если возникает необходимость выпускать малые партии сложных продуктов с учетом индивидуальных требований заказчиков.
Потенциальный выигрыш огромен. Согласно исследованию Roland Berger, к 2035 г. в странах Западной Европы интеллектуальные системы и цепочки процессов, объединенные в сети, могут обеспечить дополнительный экономический прирост в размере примерно 420 млрд евро. Исследование PwC показало, что в глобальном масштабе к 2030 г. вклад технологий ИИ в экономику оценивается в 15,7 трлн долл.
Первые приложения на базе искусственного интеллекта встречаются в промышленности, в частности, это модули распознавания речи для выполнения рутинных задач, средства распознавания образов при наблюдении за территориями и объектами, виртуальные личные ассистенты в сфере логистики и продаж.
Аналитики PwC выяснили, что в 2018 г. 62% крупных компаний начали использовать технологии ИИ. На рынке представлены различные решения такого рода, например, системы предиктивного технического обслуживания, другие приложения для инжиниринга и проверки качества на основе технологий машинного обучения и нейронных сетей. Облачное решение MindSphere и интеллектуальные приложения для этой платформы позволяют непрерывно оптимизировать процессы, повышая тем самым уровень эффективности и эксплуатационной готовности оборудования.
Алгоритм ускорения для Индустрии 4.0
Большие данные и технологии искусственного интеллекта значительно ускоряют развитие концепции «Индустрия 4.0». Интеллектуальные алгоритмы могут анализировать огромные объемы данных, создаваемых оборудованием, выявлять тенденции и повторяющиеся образцы, связи в данных, обнаруживать аномалии. В частности, в пакете услуг MindSphere Predictive Learning выполнение этих задач достигается благодаря набору алгоритмов и библиотек для создания предсказательных моделей, которые используют методы глубокого машинного обучения, нейронные сети и математические модели. Отдельно следует отметить входящий в состав пакета модуль Data Science Workbench, который включает в себя готовые к использованию инструменты глубокого обучения для создания предсказательных моделей, играющих важную роль в предиктивной диагностике оборудования. С помощью этого модуля компании могут создавать свои прогностические модели, адаптировать их к различным условиям и обучать на большом массиве реальных данных, включенных в хранилище Zeppelin Notebook, а полученный результат легко визуализируется. Для создания моделей задействуются такие алгоритмы и наборы библиотек, как TensorFlow, Keras, Theano, а также распределенные библиотеки алгоритмов машинного обучения, например MLib. Надобность в программировании и создании скриптов при таком подходе отпадает, а взаимодействие специалистов из разных областей становится проще. В целом же полученную таким образом аналитическую информацию можно использовать для повышения эффективности производственных процессов и сокращения расхода ресурсов, а производство получает возможность постоянно адаптироваться к новым условиям и оптимизировать процессы даже без вмешательства со стороны оператора.
По мере увеличения числа включенных в сеть устройств приложения ИИ могут научиться «читать между строк» и выявлять в системах множество сложных взаимосвязей, незаметных человеку. Интеллектуальное ПО и интеллектуальные аналитические технологии доступны уже сейчас. Методы обработки данных – облачное решение или локальная среда (например, с использованием периферийных вычислений) – определяются исходя из требований пользователя. Данные на периферийных платформах доступны быстрее и в более высоком разрешении, а облако отличается практически неограниченной вычислительной мощностью. Во многих случаях для получения преимуществ обоих решений требуется объединить периферийные и облачные вычисления.
В последние годы все активнее ведутся разработки в области глубокого обучения и реализующих его глубоких нейронных сетей. Безусловно, пока большинство достижений в этой сфере применяется преимущественно в академической среде или различных развлекательных приложениях, направленных на распознавание фото-, видео- или аудиоинформации. Тем не менее ведущие технологические компании усиленно работают над обучением нейросетей решению реальных бизнес-задач. В частности, Siemens делает ставку на глубокое обучение и глубокое обучение с подкреплением, также известное как Deep Reinforcement Learning (DRL), которое отличается своей повышенной универсальностью и по сравнению с другими методами машинного обучения требует ощутимо меньшего количества данных. Методы глубокого обучения задействуют десятки тысяч искусственных нейронов и миллионы связей между ними.
Использование открытой облачной платформы в сочетании со встроенными инструментами глубокого обучения способно не только увеличить эффективность анализа данных и прогнозирования, но и открыть новые возможности в сфере оптимизации физических производственных процессов – именно этой теме посвящен совместный проект Калифорнийского университета в Беркли и Siemens Corporate Technology. Его участники в последние годы активно работают над расширением функционала промышленных роботов и их возможностей к приобретению новых навыков с помощью DRL – и это весьма актуально для многих предприятий, поскольку сегодня большинство машин на заводах запрограммировано на выполнение одних и тех же рутинных операций, причем сам процесс программирования каждого действия достаточно трудоемок. Цель разработчиков – сделать так, чтобы роботы могли изучать новые задачи с минимальным программированием. Не меньшую роль в этом процессе играют и облачные технологии, ведь для того чтобы понять, как выполнять новые движения, а также для обмена данными с другими системами автоматизации, им понадобится доступ к облаку, которое позволяет хранить невообразимый объем информации (база данных с акцентом на один только захват объекта уже может включать в себя несколько миллионов изображений в сочетании с 3D-моделями) и осуществлять немедленную коммуникацию между всеми подключенными устройствами. Этот проект – пока один из немногих примеров, где глубокие нейросети используются для управления физическими системами, но, учитывая перспективность такого направления, можно ожидать, что в последующие годы подобные практики начнут активнее внедряться в реальное производство.
Помимо этого в ближайшем будущем благодаря цифровому представлению обрабатывающих инструментов и связанных с ними производственных процессов системы ИИ научатся определять, соответствует ли изготавливаемая деталь требуемым стандартам качества. Кроме того, они смогут выявлять параметры, требующие корректировки, чтобы в ходе текущего процесса не возникало отклонений. В результате производство станет еще более надежным и эффективным, а компании получат дополнительные конкурентные преимущества.
Разработчики не останавливаются на обучении нейронных сетей. Для принятия решений в современной индустрии необходимо целостно представлять знания в предметной области, учитывать сложные зависимости, контекст текущей ситуации, накопленные экспертами эвристики. На помощь приходят методы декларативного представления знаний, когда сложные онтологии, связи и зависимости между объектами, например компоненты оборудования, описываются в виде модели графа (семантической сети, модели фреймов).
В настоящее время эти методы и инструменты используются в обслуживании и оптимизации работы сложных систем, таких как турбины. Комплекс инструментов и технологий под названием «Граф индустриальных знаний» (Industry Knowledge Graph) прошел стадию промышленного прототипа и в ближайшем будущем будет доступен на платформе MindSphere.
Индустриальный ИИ требует детальных знаний в предметной области при распознавании, логическом выводе и принятии решений
Безопасность – высший приоритет
Обязательным условием для внедрения концепции «Индустрия 4.0» и технологий искусственного интеллекта в компании любого размера является наличие современной комплексной ИТ-инфраструктуры как элемента цифрового будущего. При этом необходимо понимание того, что нельзя разделять цифровизацию и кибербезопасность. Отсутствие надежных средств защиты влечет за собой серьезные риски. Согласно отчету о глобальных рисках, составленному по результатам Всемирного экономического форума 2018 г., убытки коммерческих организаций от преступлений в сфере компьютерной информации в ближайшие пять лет составят около 8 трлн долл., что значительно больше, чем ВВП Германии. Таким образом, комплексные системы безопасности промышленных объектов вскоре будут играть ключевую роль в работе предприятий. Киберпреступники постоянно изобретают новые методы взлома, а значит, нужно всегда быть на шаг впереди.
