Узкий ИИ в производстве: что реально работает в 2020 году
Честный обзор задач, где искусственный интеллект на производстве уже даёт измеримый результат, и где ещё нет.
Когда разговор заходит об ИИ на производстве, я слышу два крайних варианта. Первый: "это революция, всё изменится". Второй: "это хайп, нам не нужно". Оба неточны.
Реальность выглядит так: узкий ИИ - системы, обученные решать конкретную, хорошо определённую задачу - уже работает в производственных условиях там, где данных достаточно и задача чётко сформулирована. И пока не работает там, где этих условий нет.
Что уже работает
Визуальный контроль качества. Это наиболее зрелое направление. Системы машинного зрения на базе глубокого обучения обнаруживают дефекты поверхности, геометрические отклонения, неправильную сборку. Они работают быстрее человека и без усталости. Порог входа за последние пять лет существенно снизился.
Условия успеха здесь: достаточно размеченных данных, контролируемые условия съёмки, чётко определённые классы дефектов.
Прогнозирование отказов оборудования. Если с оборудования собираются данные датчиков - вибрация, температура, ток - то ML-модели умеют находить паттерны, предшествующие отказу. Это не предсказание будущего в общем смысле. Это статистическая аномалия: этот паттерн в прошлом всегда предшествовал отказу.
Условие: история данных за достаточный период и привязка к инцидентам обслуживания.
Оптимизация расписания и загрузки. Планирование производственных заданий - задача комбинаторной оптимизации, в которой ML-подходы конкурируют с классическими алгоритмами. На крупных задачах с множеством ограничений современные методы дают прирост.
Где пока не работает
Там, где нет данных. Если оборудование не подключено, история отказов не фиксируется систематически, а дефекты записываются в тетрадь - обучить модель не на чем. Это первый и самый частый барьер.
Там, где задача не определена. "Сделайте так, чтобы ИИ следил за качеством" - не задача. Задача - это: "обнаруживать царапины на поверхности детали А длиной более 0.5 мм в зоне Б". Без конкретики нет ни модели, ни метрики успеха.
Там, где нет инфраструктуры для вывода результата. Модель предсказала отказ - что дальше? Кто получает уведомление, в каком виде, через какую систему, какое решение принимает? Если этого нет - модель работает вхолостую.
Как оценить готовность к пилоту
Если рассматриваете конкретную задачу:
- Есть ли исторические данные по этой задаче - и за какой период?
- Определён ли результат, который нужно предсказывать или обнаруживать?
- Кто будет использовать результат работы модели и в каком процессе?
- Есть ли команда, которая будет поддерживать систему после запуска?
- Что произойдёт, если модель ошибётся - каков допустимый уровень ошибки?
Если на пять вопросов есть ответы - пилот имеет смысл начать. Если нет - сначала стоит получить ответы. ИИ-проект без них превращается в демо, которое не доживёт до продакшена.