Искусственный интеллект в тяжелой промышленности
Искусственный интеллект постепенно проникает во все сферы человеческой жизни: от распознавания музыки на смартфоне до управления тяжелыми отраслями вроде нефтехимии и металлургии. Обычный человек воспринимает внедрение искусственного интеллекта в свою жизнь легко, открыто и с интересом. Ведь риск ошибки невелик: максимум, что может произойти, — алгоритм подскажет тебе не ту песню в приложении или «умный дом» не вовремя включит чайник. А в условной металлургии цена ошибки выше: когда сотрудник, несколько десятков лет оттачивавший навык управления сложным процессом, знакомится с новой производственной системой на основе искусственного интеллекта, которая должна упростить ему жизнь и взять на себя часть задач, он не спешит ей верить. И его мотивы понятны: как команда айтишников, которые чаще бывают в офисе, чем в цехе, смогла создать систему, учитывающую все факторы лучше профессионала, имеющего многолетний опыт? В этом и состоит проблема доверия: важно не просто разработать искусственный интеллект, но и объяснить его реальную пользу сотрудникам, которые будут с этой системой работать.
Системы машинного зрения и цифровые советчики
Искусственный интеллект (Artificial Intelligence, AI), машинное обучение (Machine Learning, ML) и нейронные сети — термины, используемые для описания мощных технологий, базирующихся на построении математических моделей и/или алгоритмов за счет их обучения на данных. Они способны решать множество задач. В металлургии сейчас активно используются цифровые советчики и предиктивная аналитика, системы машинного зрения (computer vision), EDGE-computing и многое другое c применением искусственных нейросетей и машинного обучения на основе работы с большими данными.
Машинное зрение подразумевает использование камер, оно помогает распознавать объекты, наблюдать и отслеживать состояние того или иного компонента, классифицировать их и т. д. А системы ИИ на базе big data избавляют человека от необходимости проводить сложные расчеты, основанные на технологических инструкциях, в очень ограниченное время. Например, в процессе выплавки стали на определенных участках сотруднику нужно быстро рассчитать, сколько именно и каких ферросплавов необходимо добавить в плавку, чтобы получить заданную химию металла, при этом сопоставить с исходным химическим составом, объемом, температурой и другими параметрами. Таких параметров десятки — все они связаны между собой, а вычисления нужно проводить быстро и без ошибок. Такая работа требует огромной концентрации и опыта, ведь цена ошибки может составить сотни миллионов рублей. И здесь подсказки моделей машинного обучения незаменимы: ты можешь вычислить значения и пройти весь путь сам, а можешь нажать кнопку в советчике — и через секунду получить эти же цифры.
Советчик имеет и экономический эффект, ведь на основе учета всех параметров и изучения десятков таблиц сотрудник приходит к диапазону значений и отдает материалы по среднему значению диапазона, тогда как ИИ способен вычислить не диапазон, а точное и наиболее оптимальное значение, что напрямую влияет на сокращение расхода дорогостоящих материалов.
Советчики тоже бывают разными. Один вариант, когда система ИИ обучена на исторических данных и сопоставляет свои знания с показателями агрегатов в онлайн-режиме. Другой — когда математическая модель представляет собой формулу с коэффициентами, через которую проходят данные, и на выходе мы получаем точную рекомендацию, рассчитанную по этой формуле. В случае с моделью-формулой все просто: у ИИ есть все цифры, и он их просто считает, избавляя человека от этой задачи. Если речь идет об исторических данных, то ИИ обучается на закономерностях из прошлого и на их основе выдает оптимальную рекомендацию.
Вот еще один сценарий использования ИИ в металлургии в рамках оптимизации производственного процесса. На одном участке сталь нагревают, на другом — разливают в слябы. Чтобы разлить сталь в слябы, она должна иметь точные физико-химические характеристики: температуру, состав и другие параметры. Если на подходе ко второму участку сталь будет слишком холодной, произойдет авария. Если сталь будет слишком горячей, это негативно скажется на качестве. Раньше опытные сталевары определяли температуру, ориентируясь на большой опыт и несколько параметров, а сегодня здесь внедрен точный цифровой расчет. На основе исторических данных мы построили модель, которая точно прогнозирует падение температуры плавки за время доставки стальковша из пункта А в пункт В, учитывая до 200 значений. Исходя из прошлого опыта, модель искала зависимости и отслеживала падение температуры за последние два года с учетом всех доступных для анализа производственных данных — человеку такой объем информации обработать просто невозможно.
Командная работа
Когда подобная система внедряется в производство, ИT-команда сталкивается с серьезным недоверием со стороны сотрудников, которые не один десяток лет поддерживали все эти операции вручную. Тот, кто несет личную ответственность за результат производственного процесса, не готов сразу поверить в эффективность и точность математической модели. Для достижения результата айтишникам и производственникам нужно действовать в команде — важно помочь сотруднику понять, как работает система и почему она не так сильно отличается от методов, которыми пользовался металлург в предыдущие годы. Для этого мы провели работу с каждым сотрудником: уточнили, на какие параметры он опирается на том или ином этапе производственного процесса, вывели эти параметры на отдельный дисплей и дали возможность работать параллельно — выполнять задачи по-старому и попутно смотреть на данные, которые выдает ИИ. Рекомендацию математической модели можно было принять или отклонить (в этом случае необходимо объяснить причину отклонения, чтобы ИT-персонал мог собрать данные для доработки систем ИИ). К каждому сотруднику на производстве был прикреплен ИT-специалист, с которым они вместе на смене обсуждали и принимали рекомендации советчика — это позволило донести сотрудникам на производстве, что разработчики математической модели понимают ответственность и вообще знают, что делают. По итогам тестового периода мы сравнили данные на основе выводов человека и моделей машинного обучения — оказалось, что в подавляющем большинстве случаев ИИ выдавал более точные значения, чем сотрудник. Со временем это позволило завоевать доверие профессионалов: когда опытный специалист видит на практике, что искусственный интеллект не ошибается, ему не нужно даже понимать принцип работы — он начинает относиться к рекомендациям моделей машинного обучения спокойнее и лояльнее.
Машинное зрение
С машинным зрением все намного проще: тебе не нужно доказывать, почему цифры и формулы работают именно так — ты видишь все собственными глазами. Поэтому и проблема доверия ИИ (CV) не стоит так остро.
Один из возможных вариантов использования машинного зрения в металлургии — снятие шлака при плавке чугуна. Для производства стали сначала необходимо произвести чугун — это происходит в доменном цехе. Затем в чугун добавляется известь, которая выводит из него серу. Сера поднимается на поверхность в виде шлака — его нужно снять и только затем продолжить процесс. Раньше это делал специалист, но, во-первых, никогда не исключен риск ошибки из-за человеческого фактора, во-вторых, из рубки сотрудника не всегда видна вся картина. Здесь и помогает машинное зрение: камеры направлены на манипулятор со скребком, который снимает шлак, а система с помощью ИИ распознает, как идет процесс, и с точностью до процента сообщает, сколько шлака осталось после каждого движения скребком. Сама по себе камера не может распознать, что находится на изображении, — она работает в паре с программным обеспечением на основе системы ИИ, которое помогает различать шлак, сталь и сам скребок. Этот процесс тоже требует длительного обучения системы ИИ, но с доверием все проще: когда ты показываешь специалисту на производстве, как работает система, он своими глазами видит изображение с камеры и понимает, что система на основе машинного зрения делает все правильно. Конечно, время на адаптацию и притирку все равно требуется, но с советчиками на базе предсказательных моделей его нужно куда больше.
***
Проблема доверия к системам искусственного интеллекта не возникает из ниоткуда, она оправданна: человек, который полжизни посвятил металлургии, имеет полное право не сразу доверять новым технологиям. Здесь лучше всего действует правило «доверяй, но проверяй»: чтобы доверие появилось, сначала нужно поработать с системой в тестовом режиме, присмотреться к «цифровому другу», покритиковать и исправить все ошибки. При тестовой эксплуатации ошибки действительно случаются, и именно совместная работа айтишников и производственников позволяет дообучить искусственный интеллект и добиться желаемого результата.
Опубликовано 25.01.2023
