19 апреля 2022 года эксперты Yandex.Cloud и Beltel Datanomics рассказали о том, как можно использовать облачные технологии и машинное обучение для решения бизнес-задач промышленности в текущих условиях. В частности, речь шла об облачных сервисах, с помощью которых можно собирать и анализировать данные, создавать и обучать ML-модели, а также разворачивать модели быстро и без лишних затрат. Полученные ML-модели могут быть использованы в предиктивной и предписывающей аналитике: они помогают предсказывать важные показатели, определять курс действий и создавать стратегию.
Основные темы:
 |
Максим Хлупнов, архитектор продуктового направления ML/AI в Yandex Cloud Когда для проектов по машинному обучению имеет смысл выбирать облака
|
 |
Анна Племяшова, директор Beltel Datanomics Практические кейсы внедрения систем искусственного интеллекта. Предиктивная и предписывающая аналитика для промышленности• Какие решения наиболее востребованы в промышленности • Примеры типовых задач и подходов к построению систем AI на производстве • На сколько этапов разбивать проект и рамки пилотных проектов • Схема запуска AI проектов в промышленную эксплуатацию и с какими сложностями можно столкнуться • Факторы успеха проекта с применением технологий AI |
Облачные решения и машинное обучение помогают снизить затраты, предотвратить выход из дорогостоящего оборудования, решить проблему с логистикой комплектующих и запасных частей для проведения ремонтов.
Существующие проблемы в управлении технологическими процессами:
- Отклонение в качестве готовой продукции
- Снижение целевых показателей производительности
- Изменение расхода сырья и энергии
- Высокая стоимость утилизации и списания продукции ненадлежащего качества
- Сложности в найме квалифицированного персонала для работы оператором
- Влияние человеческого фактора на протекание технологического процесса
- Множество переменных, от которых зависит качество протекания процесса
Подходы к решению задач методами искусственного интеллекта:
- Повышение эффективности за счет минимизации потерь (какие значения управляемых параметров максимизируют выход/снижают потери?). При этом требуются исторические данные и данные по качеству сырья.
- Поддержание стабильного качества и снижение расхода сырья и материалов (какие значения управляемых параметров и дозирование компонент обеспечивают минимальное отклонение по качеству?). Необходимы исторические данные, данные по качеству сырья и материалов.
- Детектирование аномальной работы (отображаемый режим работы нормальный?). Наличие исторических данных, технологических ограничений.
Существующие проблемы в управлении активами предприятия (предиктивное обслуживание оборудования):
- Остановка производственного процесса при отказе оборудования
- Долгий процесс технического обслуживания и поиска причины отказа оборудования
- Высокая стоимость внеплановых ремонтов, невозможность их предотвращения
- Сложности с анализом поступающих от оборудования данных в силу их большого количества, разрозненности и большого количества факторов, которые надо учитывать
- Множество критически важного и технологически сложного оборудования, поломки которого потенциально опасны
Подходы к решению задач методами искусственного интеллекта:
- Использование регрессионных моделей для прогнозирования оставшегося срока использования (сколько времени/циклов осталось до выхода оборудования из строя?). При этом требуются исторические данные и факты поломки.
- Классификационные модели для прогнозирования сбоя в заданном временном окне (произойдёт ли сбой оборудования в следующие N дней/циклов?). Необходимы исторические данные об отказах оборудования и типах сбоев.
- Детектирование аномальной работы (отображаемый режим работы нормальный?). Не требуется никаких дополнительных данных на наличие поломок, достаточно просто иметь технические отклонения.
Для получения дополнительной информации обращайтесь по адресу datanomics@beltel.ru
