Искусство работать с интеллектом

Об искусственном интеллекте много говорят, но даже не все главы ИТ-подразделений до конца понимают, как он работает и какие задачи может решать. Опытом внедрения ИИ в промышленность на заседании клуба «Цифровые сезоны» поделились представители дивизионов, дирекции по цифровизации «Росатома» и руководитель Mechanica AI Александр Хайтин.

Определение и границы

Для начала проще пояснить, что такое не искусственный интеллект. Это любые вычисления, даже сложные, с однозначно определенным алгоритмом. Все АСУ или, например, программа, обыгравшая в шахматы Гарри Каспарова, — ​это не искусственный интеллект.

Большие данные (big data) тоже не ИИ, это лишь сырье для него. Без массива достоверных данных вырастить ИИ не удастся — ​нужно много примеров, чем дольше они собираются, тем лучше. Под «капотом» ИИ — ​машинное обучение, методы которого позволяют модели запомнить образцы (комбинации факторов). Обученные модели можно использовать на новых данных для выдачи прогнозов или рекомендаций.

Так что же такое искусственный интеллект? «Это системы, которые способны принимать решения в условиях неопределенности» — ​такую формулировку предлагает Александр Хайтин. До того как открыть собственный бизнес, он возглавлял направление Yandex Data Factory, которое занималось внедрением ИИ в разных отраслях, в том числе в промышленных.

Чаще всего ИИ применяется, во‑первых, для распознавания объектов, например лиц. Во-вторых, для прогнозирования. Возьмем среду, ограниченную технологическими параметрами: температура не может быть выше или ниже определенных значений, но внутри диапазона возможны варианты. Реакция лучше всего проходит при х °C, фактически же мы имеем х ± 2 °C. ИИ предсказывает, какой будет температура, и выдает рекомендации по оптимизации процесса. В-третьих, решения для комплексного моделирования объектов, «цифровые близнецы», которые сокращают срок перебора параметров в поиске оптимальных. Так, в материаловедении можно составить массу потенциально интересных соединений, а синтезировать только самые перспективные — ​многократная экономия времени и денег.

Главная иллюзия по поводу искусственного интеллекта заключается в ожидании, что он откроет новое знание. На деле ИИ анализирует уже полученный опыт и выносит рекомендации на основе обработки статистики. Еще одна иллюзия — ​что модель процесса, построенная на ИИ, даст ответ «это так, потому что…». «Большая часть моделей неинтерпретируема: в них используется очень большой набор факторов, а также их комбинации. Выявить причинно-следственные связи невозможно», — ​объяснил Александр Хайтин. Кто-то уверен, что модель будет работать одинаково хорошо в любых условиях. Нет, ее нужно дообучать за счет свежих данных, накопленных при мониторинге и при любых изменениях в технологии. Модель, не отражающая актуальное состояние процесса, будет давать неверные прогнозы и рекомендации.

Измерять эффективность ИИ Александр Хайтин советует в деньгах — сокращение затрат, повышение доходов. Так можно оценить масштаб выгоды, сделать ее понятной для заинтересованных сторон, топ-менеджеров или собственников, и посчитать стоимость услуг авторов проекта. Последнее важно, потому что внедренных решений пока мало, информацией компании друг с другом особо не делятся и бенчмарк по цене пока не сложился.

А есть ли предел использования искусственного интеллекта? По мнению Александра Хайтина, на нынешнем этапе развития ИИ лучше не применять к задачам с катастрофическими рисками.

Точки приложения в «Росатоме»

С докладом об использовании ИИ в бизнесах «Росатома» выступил начальник лаборатории интеллектуальных систем частного учреждения по цифровизации атомной отрасли «Цифрум» Денис Ларионов. Он показал карты применимости ИИ в общекорпоративных процессах (закупках, кадрах и т. д.), как его можно использовать на протяжении жизненного цикла АЭС, на разных этапах ЯТЦ, в других бизнесах.

Представители дирекции по цифровизации «Росатома» предложили участникам подумать, где можно применить ИИ для облегчения работы. Итог — ​35 предложений: по моделированию объектов и формированию прогнозов, видеоаналитике и работе с изображениями, семантическому анализу документов, цифровым платформам и связанным с ними сервисам, работе с кадрами и проч.

Но, возможно, главным итогом стало понимание, в каком направлении наращивать компетенции. Нужно четко представлять, из каких компонентов складывается ИИ и какая именно информация включается в дата-сет — ​набор данных для обучения. Участники встречи уяснили, что данных должно быть много, они должны быть разных видов, но однотипными внутри каждого вида. Но как, спрашивается, строить предиктивную аналитику поломок агрегатов, если годовой объем их производства — несколько десятков штук? Это один из вопросов, которыми задавались представители предприятий «Росатома». После презентаций отраслевых проектов стало понятно, что дата-сет складывается не из штук, а из параметров работы — ​состава, температуры и других физико-химических свойств среды, с которой взаимодействует агрегат, толщины его стенок, параметров деформации и т. д.

Обработка документов

«На старте мы думали, что понимаем все проблемы и ограничения, которые связаны с использованием искусственного интеллекта. На самом деле мы ничего не понимали» — ​так руководитель направления бизнес-приложений департамента информационных технологий ТВЭЛ Денис Калашников начал презентацию о цифровизации закупок для топливного дивизиона. ФЗ № 223 и внутрикорпоративный единый отраслевой стандарт жестко регламентируют закупки. Сложный алгоритм действий требует огромных трудозатрат сотен людей.

Заказчик и рабочая группа проекта решили автоматизировать начальные шаги: проверку техзаданий и поиск ценовых источников с выдачей ценового анализа и справки о начальной максимальной цене договора.

Алгоритмы проверки техзаданий анализируют неструктурированный текст на наличие орфографических и пунктуационных ошибок, корректность ссылок на ГОСТы и другие нормативные документы, соответствие шаблонов техзаданий ЕОСЗ, наличие избыточных требований, не относящихся к предмету закупки, и т. д. — ​всего около 90 параметров. Так как технология еще проходит апробацию, после машинной проверки документ в режиме рецензирования просматривает эксперт и принимает либо отклоняет правки. Статистика показала, что примерно 80 % корректировок оправданны.

Следующая стадия — ​поиск ценовых предложений. Программа-робот отправляется на сайты-агрегаторы и рассылает запросы потенциальным поставщикам (одновременно это проверка подлинности данных), а получив коммерческое предложение, идентифицирует по необходимым атрибутам и автоматически формирует ценовой анализ и справку о начальной максимальной цене договора.

Проект показал удовлетворительные результаты в головном офисе, но неожиданно стал сбоить на УЭХК, который выбрали для обкатки решения на производственных закупках. Оказалось, проблема в поставщиках: они игнорировали формы коммерческих предложений, вместо них присылали счета. Программа не могла их обработать — извлечь параметры. Воздействовать на поставщиков невозможно: любой их ответ по закону должен быть принят к рассмотрению.

Денис Калашников предположил, что систему для каждого предприятия придется дообучать, поэтому полного эффекта разработчики ожидают к 2021 году. Впрочем, уже в 16 раз сократились трудозатраты на формирование начальной максимальной цены договора, скорость проверки техзадания выросла на 30 %. «Главный вывод — ​это подтверждение философского тезиса ученого-футуролога Роя Амары: «Ожидания от любой технологии сильно переоценены в моменте, но недооценены в перспективе», — ​подытожил Денис Калашников.

Работа с клиентами

Два примера внедрения привел заместитель гендиректора по техническому развитию «Атомэнергосбыта» Андрей Кувшинов — ​голосовые роботы для обработки звонков уже работают, а распознавание клиента на основе биометрических данных готовится к запуску.

Целью роботизации приема вызовов было снижение нагрузки на операторов и увеличение количества обрабатываемых звонков. Показания счетчиков электроэнергии сообщают по телефону в определенные дни каждый месяц. В этот период кол-центр «Атомэнергосбыта» перегружен, а клиентам сложно дозвониться. Нанимать дополнительных операторов на несколько дней в месяц не было смысла.

Между закупкой оборудования и отладкой системы прошло три года. По данным на начало декабря 2019 года, роботы приняли 51 % звонков (остальное — ​операторы), количество потерянных звонков снизилось на треть. Проект должен окупиться за неполные четыре года, предполагается, что компания будет экономить 3,4 млн рублей ежегодно.

Проект Face ID должен заработать в этом году. Клиенты на удаленном обслуживании и в офисе проходят биометрическую идентификацию, вместо того чтобы называть менеджеру или оператору номер лицевого счета, адрес или предъявлять документ, удостоверяющий личность. Предполагается, что продолжительность визита сократится почти на 19 %, или 110 секунд. Окупаемость нововведения — ​4,5 года.

Контроль соблюдения ТБ, поиск, перевод

В «Росэнергоатоме» ИИ начали применять для визуального контроля использования средств индивидуальной защиты. Опытной площадкой стала Кольская АЭС. Для формирования дата-сета потребовалось 37 часов видеозаписей с правильным и неправильным использованием разных комплектов СИЗ, для разметки видеоряда — ​более 1,3 тыс. человеко-часов. Создан каскад нейросетей, определяющих нарушения применения СИЗ в режиме реального времени. «Это первый крупный проект по видеоаналитике, — ​отметил директор департамента управления ИТ-проектами и интеграцией Олег Шальнов. — ​Опыт мы изучаем, уроки извлекаем, все учтем на тираже. Но мы это сделали!»

Вторым проектом «Росэнергоатома» с использованием ИИ стала дивизиональная система контентного поиска по документальным архивам описания событий низкого уровня на АЭС. Если проще — ​этот «внутренний «Яндекс» ищет взаимосвязи между слабыми местами или недостатками, которые могли привести к серьезным последствиям. Анализ статистики помогает выявить факторы риска и предупредить незапланированные простои оборудования.

Проект стартовал в 2016 году. Сейчас в систему загружено около 8 млн документов из 27 источников. В ней работают более 3 тыс. пользователей. «Нам надо подключиться к единой отраслевой системе документооборота, девять месяцев уже ждем», — ​обозначил проблему Олег Шальнов.

Совсем свежий пример от «Росэнергоатома» — ​система синхронного перевода для обучения персонала строящихся за рубежом АЭС. Специалист говорит по-русски в микрофон своего планшета, а на планшете ученика появляется перевод. Но оба устройства должны быть соединены кабелем (требования службы безопасности — ​беспроводная передача данных запрещена). «Мы хотим организовать беспроводную сеть передачи данных на блоке. Проект сложный, связан с обеспечением норм промышленной, физической и информационной безопасности в производственных помещениях АЭС», — ​заявил Олег Шальнов.

Сделай сам

В конце двухдневной работы «Цифровых сезонов» Александр Хайтин предложил участникам клуба сформулировать концепт применения ИИ. Сначала надо было составить список из одной-двух задач — ​актуальных (встречаются часто, вызывают потери), реалистичных (решения есть, но неудобные, требуют времени), сложных (решение не очевидно), имеющих экономический эффект (вырастет доход, сократятся затраты). Затем задачи формулировали в экономических категориях.

Вот пример задачи, которую рабочая группа сформулировала так: сокращение затрат и рост производительности при изготовлении металлических трубок за счет раннего выявления брака. Искусственный интеллект подключается после каждого цикла производства трубок. Измерить эффект можно выходом в годное и снижением расхода ресурсов (металла, электроэнергии). Здесь все понятно. Гораздо сложнее было разобраться с моделью подключения ИИ к оптимизации работы вычислительных мощностей, чтобы ускорить обслуживание заказчиков. Просчитать эффект можно было бы по сокращению затрат этих заказчиков, но для этого понадобилось бы сопоставить множество данных. Рабочая группа взяла за основу экономию на покупке дополнительного вычислительного оборудования за счет плотной загрузки действующего. Момент использования ИИ — ​падение потребления электроэнергии, свидетельствующее о снижении производительности. На измерении пропускной способности дело застопорилось. Количество задач? Но они могут иметь разную сложность. Количество обработанной информации (например, терабайт)? Но тогда встает вопрос о единице времени. Секунда? День? Месяц? В идеале надо было просчитать экономический эффект от внедрения и оценить, какие изменения нужны в процессе. Для этого у участников уже не хватило ни времени, ни данных.

Сложно сказать, насколько полезным был этот мозговой штурм. Но листочки со схемами участники обсуждения на всякий случай взяли с собой.

Справка

«Цифровые сезоны» — ​серия тематических встреч, посвященных сквозным цифровым технологиям. Формат — ​диалог первых лиц компаний, руководителей производственных и цифровых подразделений о развитии цифровых технологий и практике их внедрения.

Заседание по искусственному интеллекту в промышленности включало разбор примеров внедрения на промышленных предприятиях в России и знакомство аудитории с формами использования ИИ. Докладчики — ​руководители известных международных и отечественных компаний, в том числе IBM, «Газпром нефти», VisionLabs.