AI в тяжелой промышленности: перспективы и направления использования в России

Егор Сачко

Какие перспективы открывает использование ИИ в тяжелой промышленности России и с какими вызовами приходится сталкиваться?

В России есть несколько лидеров, которые в течение 5-7 лет используют ИИ в работе. Среди них такие гиганты, как, например, «Северсталь» и «Сибур Холдинг». На реализованных проектах они показали, что методы AI способствуют росту доходов и снижению операционных затрат. Но для большинства участников рынка это направление – непаханое поле. Даже по статистике мы видим, что еще далеко не все компании применяют технологии ИИ на своих производствах. Но это однозначно лишь вопрос времени. Опыт и достижения гигантов дают возможность последователям идти проторенным ими путем.

Компании-лидеры создают работающие алгоритмы на основе искусственного интеллекта. Причем они не являются дорогостоящими ноу-хау и доступны всем желающим. Главная проблема в использовании AI предприятиями – найти квалифицированный персонал. Но здесь важно осознать, что для начала работы хватает одного или двух специалистов. Каждая компания может начать внедрение искусственного интеллекта в управление, имея минимальные инвестиции в трудовые ресурсы. Работая, команда по ИИ постепенно выходит на самоокупаемость за счет масштабирования юзкейсов. И тогда это открывает возможность расширить штат и области применения ИИ.

При внедрении ИИ в отечественной тяжелой промышленности ощущается проблема нехватки кадров?

Да, у специалистов по AI есть более привлекательные предложения по заработной плате из других сегментов экономики. Самые большие зарплаты специалистам машинного обучения традиционно предлагает банкинг и IT. Вторая причина нехватки квалифицированных кадров – отсутствие глубокого понимания того, в каких проектах можно развернуть машинное обучение и ИИ в тяжелой индустрии. Но я вижу, что постепенно ситуация меняется. Большие игроки рынка получают огромную пользу от предиктивных моделей и аналитики ИИ. Они освещают полученные результаты на конференциях, хакатонах и в СМИ. Благодаря им специалисты AI получают мотивирующую информацию об интересных проектах, достижениях и уровне оплаты в тяжелой промышленности.Витрина данных НОТА ВИЗОР для налогового мониторинга

Как Вы поделились, Вам удалось повысить на 2-5% ключевые показатели компаний, для которых вы выполняли проекты на основе моделей ИИ. В абсолютном значении это гигантские суммы. Можете рассказать, как удалось этого достичь на примере конкретного кейса?

Для предприятия по добыче и переработке цветных металлов в Саудовской Аравии я разработал ансамбль предсказательных моделей относительно показателей извлечения ископаемых и уровня их переработки. Было разработано более ста моделей, работающих в реальном времени в совокупности с моделей оптимизации экономики предприятия. Они давали на выходе рекомендации по изменению параметров обогащения руды. Оператор мог применять полученные в реальном времени рекомендации по ключевым параметрам обогащения: скорость шаровых мельниц, дозировка реагентов процесса флотации, добавления воды в различных участках процесса, давление в гидроциклонах и другие управляемые параметры производства.

Мы с командой определяли оптимизационную переменную и составляли модель, учитывающую показатели извлечения, качества руды и экономических показателей (например, рыночных цен в реальном времени) Такой подход незаменим для вертикально интегрированных компаний, занимающихся добычей, обогащением и дальнейшей переработкой ископаемых. Предсказательная модель работает как усложненная формула, описывающая экономику предприятия. Искусственный интеллект подбирает параметры с учетом цен на цветные металлы и цен не реагенты, добавляемые в процессе флотации. Каждый час модель выводила на большой монитор подсказки операторам. Они понимали, что им делать, какие параметры менять для улучшения экономики предприятия. В результате этой работы извлечение выросло на 1-2% в зависимости от типа руды и части карьера, которую разрабатывали в тот период времени. Переработка выросла на 5-10%, а доходы – на 10%.

Работа над этим проектом была удаленной?

Нет, я находился непосредственно на предприятии по открытой добыче фосфатов. Самостоятельно и с командой писал код, общался с операторами на их рабочих местах, помогал им внедрять наши рекомендации. Очень важно, чтобы персонал компании понимал, как работают модели AI и что дают. Без их реального тестирования в производстве толку не будет. А коммуникации с сотрудниками лучше вести оффлайн, так получается эффективнее.

Вы работали в подразделениях машинного обучения Сбербанка и МТС. Теперь занимаетесь консалтингом в тяжелой промышленности. Какие ключевые моменты повлияли на решение строить карьеру в data science именно в области тяжелой промышленности?

У меня математическое образование и в целом математический склад ума. Я окончил факультет ВМК МГУ по специализации `Прикладная математика и информатика кафедры математической статистики`, углубленно изучал теорию вероятности. По сути я начал занимался data science еще лет 10 назад. Тогда термин только появился в лексиконе айтишников и руководителей больших компаний, а упоминать ИИ считалось претенциозным. Хотя основные методы работы, набравшие популярность в то время, используются и сейчас. Мне всегда нравились математика и физика, особенно в контексте инженерии. Всегда было интересно разбираться, как все работает, как строить алгоритмы. Я хотел совместить знания доменной области с возможностями ИИ, и однажды мне посчастливилось побывать на трубопрокатном заводе. Я увидел огромную доменную печь, заполненную десятками тонн жидкого металла, и влюбился в эту мощь. Потом пришло осознание, какое огромное количество данных собирается на каждом этапе процесса и какой потенциал существует для разработки ИИ на этих данных В большинстве алгоритмов особенно важно количество и качество исторических данных для обучения таких моделей. Чем больше я работал, тем быстрее видел позитивные результаты внедрения моделей AI. Поскольку предприятия конкретного сегмента добычи и производства используют одинаковые технологии, созданные на основе ИИ модели эффективны для всех. Постепенно они меняют к лучшему работу всей отрасли. Меня это очень вдохновляет.

Можно ли уменьшить вредные выбросы предприятий тяжелой промышленности с помощью искусственного интеллекта? Ощущается ли заинтересованность в этом со стороны компаний? Потому что сейчас большое количество производств – огромная проблема для экологии.

Конечно, AI помогает в этом. Например, у производителей электроэнергии есть разрешение на предельный размер выбросов в атмосферу. Электростанции не могут увеличить производство электроэнергии в период, когда рискуют его превысить. Возникает челлендж – как произвести больше электроэнергии, не превышая объем вредных выбросов? Ведь потребление растет, соответственно генерация тоже увеличивается. И здесь помогают предиктивные модели на основе ИИ. Они выстраивают решения, рекомендуемые оптимальные параметры работы турбин, температуры на различных участках процесса, наиболее эффективные условия для включения горелок и т.д. Все это влечет за собой снижение вредных выбросов в атмосферу. Несмотря на рост доли солнца и ветра в производимой электроэнергии, газ будет использоваться и в будущем, поэтому предсказание тепловой мощности и ИИ для управления выбросами в атмосферу и воду будут только набирать популярность. И продвинутые компании используют ИИ, чтобы сбалансировать рост производства и сокращение выбросов.

Вас часто приглашают в качестве члена жюри на хакатоны. Какие проблемы вы видите в работе молодых специалистов?

В финале хакатонов участники должны продемонстрировать взаимосвязь между предложенной моделью и поставленной задачей. И я замечаю, что очень малое количество молодых специалистов глубоко вникают в суть того, для чего они это делают. Результат их работы нужно связать с результативностью, которая она даст бизнесу – предприятию. И мало, кто выходит за рамки машинного обучения и думает о бизнесе. Побеждают те, кому удается креативно перевести созданную модель с языка математики на язык бизнеса.

Какое напутствие можете дать молодым специалистам?

Ключевыми в профессии я считаю хорошее образование и практический опыт. Я бы посоветовал в студенческие годы пройти как можно больше стажировок и хакатонов. Это поможет самостоятельно разобраться, освоить, применить и валидировать на практике полученные знания. Так шансов на хорошее трудоустройство будет гораздо больше.

Автор: Дмитрий Каминский