Как объединить алгоритмы, чтобы создать умную промышленность будущего
Что искусственный интеллект даст промышленности и нефтегазовой отрасли России? Чтобы выяснить это, эксперты Центра социального проектирования «Платформа» совместно со специалистами Промышленно-энергетического форума TNF провели масштабное исследование. «Энергия+» побеседовала с исследователями и подготовила серию публикаций. В первой из них о роли нейросетей в будущем ТЭК рассказывает руководитель группы ИИ в промышленности Института AIRI Илья Макаров.
О важности открытых данных
Российский индустриальный бизнес внедряет искусственный интеллект (ИИ), чтобы автоматизировать бумажную рутину: документооборот, закупки, контракты. При этом проекты из классического нейросетевого репертуара — предиктивная аналитика, оптимизация процессов, роботизация — у большинства из них развиваются медленнее.
Причина в том, что многие промышленники боятся отдавать данные вовне и привлекать к работе стартапы, предпочитая решать задачи силами штатных команд. Мотивированная стартап-команда могла бы справиться с задачей быстро и эффективно. Однако из-за отсутствия опыта ей сложно получить доступ к данным и оборудованию, без них не создать пилотный проект, а без него трудно заинтересовать промышленников. Замкнутый круг.
Взаимодействие промышленности и стартапов выгодно всем. Если проект «выстрелит» — предприятие его внедрит и повысит свою эффективность, если нет — получит из него новые идеи и технологии, а заодно поможет стартапу развиваться. Такая кооперация рождает культуру партнерства: бизнес приносит запрос и данные — инженеры создают свежие решения, работая над интересными задачами.
Сегодня практически все крупные промышленные компании смотрят в сторону ИИ, но большая часть достижений остается в тени. Среди тех, кто делится наработками и поддерживает обмен знаниями: «Газпром нефть» — в нефтегазовой отрасли, «Сибур» — в нефтехимии, «Норникель» и «Северсталь» — в металлургии.
Открытость промышленности ускорит развитие науки. Если предприятия будут предоставлять обезличенные производственные данные и поддерживать открытые проекты, к работе подключится широкий круг ученых. Оценивая результат, они выберут лучшие разработки.
О том, как подготовить индустриальных разработчиков
Промышленный ИИ вот-вот совершит рывок, но для этого нужно изменить подход к сотрудничеству и подготовке специалистов. Многие молодые инженеры хотят делать что-то значимое, менять мир к лучшему. Промышленность может привлечь эти таланты и предложить им масштабные задачи. Однако пока выпускники ведущих вузов и тем более успешные ИИ-разработчики предпочитают заводам — ИТ и финтех. Результат — дефицит кадров, способных внедрять нейросети на производстве.
Чтобы мотивировать инженеров развивать индустриальные проекты, нужна новая модель взаимодействия. Надо перейти от разрозненных «фабрик алгоритмов», когда у вузов и предприятий нет общих задач, к умным заводам, которые объединяют усилия всех сторон. Бизнесу важно пересмотреть подход к внедрению технологий и открыться внешним идеям, науке и образованию — готовить кадры под запросы индустрии, государству — создавать условия и стимулировать сотрудничество.
Ключ к прорыву не в алгоритмах, а в новой культуре сотрудничества между наукой, бизнесом и государством. Только объединив усилия и доверие, можно превратить точечные успехи в промышленности в системные изменения и перейти от автоматизированного документооборота к интеллектуальной промышленности будущего.
О зонах роста для промышленного ИИ
Зона роста, где важно продолжать развивать ИИ, — оптимизация рецептур и сырья. В химии и металлургии нейросети быстро подбирают оптимальные составы для создания продуктов с нужными характеристиками, если выполнено достаточно лабораторных тестов. Не каждый завод может позволить себе отобрать тысячи проб, чтобы накопить обширную базу данных. Здесь пригодится сила умных алгоритмов, способных обобщать даже ограниченный набор информации, анализировать ее и прогнозировать по ней результат.
Еще одна зона роста — анализ сейсмических данных при разведке залежей нефти и природного газа. Полный цикл геологоразведки занимает до полугода. ИИ способен сократить анализ до дней или недель, ускорив поиск залежей и сэкономив ценное время специалистов.
Чтобы цифровые решения эволюционировали, важен доступ разработчиков к большим данным. Создание совместных банков обезличенной информации — по сейсмике, рецептурам — обеспечило бы разработчиков сведениями для обучения алгоритмов, а предприятия — разнообразием полезных цифровых продуктов. Чем больше такая выборка, тем умнее ИИ — и тем ближе интеллектуальная промышленность будущего.
