"Инфосистемы Джет" внедряет интеллектуальную систему "Помощник сталевара" для экономии ферросплавов на Абинском ЭлектроМеталлургическом заводе. На первом этапе проекта доказана применимость системы в электросталеплавильном цеху (ЭСПЦ) завода для определения оптимального расхода ферросплавов при процессе выплавки стали. Результатом второго этапа проекта станет введение системы в промышленную эксплуатацию.
© ComNews
04.08.2021

Для автоматизации процесса на Абинском ЭлектроМеталлургическом заводе решили создать интеллектуальную систему на основе технологий машинного обучения, которая прогнозирует и рекомендует точное количество ферросплавов для каждой плавки. Интеллектуальная система поддержки принятия решений для сталевара разрабатывается центром машинного обучения ИТ-компании "Инфосистемы Джет" на основе технологий искусственного интеллекта. Цель проекта - сохранив качество стали, оптимизировать производство путем снижения расхода ферросплавов.

Интеллектуальная система поддержки принятия решений для сталевара пока внедряется на ограниченном количестве типов металлов. Она будет рассчитывать минимально необходимые добавки для попадания в требования марки стали, основываясь на технологических картах и физико-химических параметрах конечной продукции, а затем выводить подсказки (прогнозы и рекомендации) в интерфейс системы. Это "круиз-контроль" для сталевара, который не заменит оператора, а станет советчиком по дальнейшим действиям. Также разработанная система будет интегрирована c Data Lake заказчика для оперирования данными.

В ходе второго этапа проекта выполняется интеграция с системами источников заказчика, разрабатываются интерфейсы для работы с системой, в результате система будет развернута в продуктивном сегменте. Следующий этап разработки - накопление данных, улучшение, адаптация, расширение функциональности и ландшафта применимости сервиса.

"Команда "Инфосистемы Джет" доказала применимость рекомендательной системы уже на первом этапе и принялась за интеграцию сервиса на основе ML в информационные системы завода. Надеюсь, что его внедрение повысит не только качество работы сталеваров, но и компетенции сотрудников по работе с информационными системами", - говорит директор по ИТ управляющей компании "Новосталь-М" Анатолий Маслов.

"Рекомендательная система - это кастомная разработка с применением ML. Опыт и компетенции нашей команды, а также глубокое погружение в предметную область позволяют быстро понять, что требуется заказчику и каким образом возможно решить его задачу. Положительные результаты первого этапа работ позволяют перейти на новый этап сотрудничества с АЭМЗ", - сообщил руководитель проекта от "Инфосистемы Джет" Сергей Поняев.

Эксперт Softline Digital Lab Николай Князев рассказывает, что спрос на подобные решения растет прежде всего в областях с однородными процессами с большими оборотами: металлургия, нефтехимия, бумажное производство и агрокомплекс, производство материалов. По его словам, в таких областях эффекты от внедрений рекомендательных сервисов измеряются миллионами долларов в год. "Ввиду специфики области такие решения сильно зависят от конкретного поставщика, поэтому универсальных решений не так много, скорее можно говорить о командах разработки и внедрения, которые адаптируют методы под заказчика. Я сам участвую в такого рода команде. Такие команды есть и в России, и за рубежом, однако не во всех есть необходимые компетенции, достаточные для получения эффекта", - подчеркивает Николай Князев. По его оценке, внедрение подобного решения, если говорить о среднем проекте на крупном производстве, занимает несколько месяцев и стоит от 10 млн, с учетом пилотной стадии, стадии внедрения, аренды мощностей.

Архитектор ИТ-решений департамента Data Insights компании Navicon Александр Двойнев отмечает, что спрос на системы искусственного интеллекта растет, но сфера производства не находится в числе первых, кто активно стал такие решения внедрять. "Банковская отрасль, ретейл и телеком в этом плане ушли далеко вперед. Пока примеров внедрения искусственного интеллекта в российских промышленных компаниях не так много, но все они подтверждают свою эффективность. Сейчас мы видим, что в числе заказчиков преимущественно крупные добывающие и перерабатывающие компании, начинают подключаться средние производственные предприятия промышленного сектора", - сообщил Александр Двойнев. По его словам, "вилка стоимости" подобных решений может быть очень большой, поскольку подобные решения обычно разрабатываются под конкретного заказчика и крайне редко являются типовыми. "В первую очередь стоимость зависит от типа задачи. Даже если ограничиться только производственным сектором, то даже здесь системы с применением искусственного интеллекта решают очень разные задачи - от планирования и прогнозирования производства и спроса до безопасности, прогнозирования поломок оборудования и работы с персоналом", - размышляет Александр Двойнев.

Руководитель бизнес-юнита "CRM Т1 Консалтинг" Юрий Мацыгин рассказал, что ключевыми потребителями технологий машинного обучения исторически были ретейл и финтех, которые задавали тренды и быстрее других конвертировали эти разработки в прибыль. Производство долгое время оставалось в хвосте процесса цифровизации. "Прежде всего потому, что зачастую производственные системы мониторинга и сбора данных не готовы к интеграции сложных решений машинного обучения, из них трудно получить информацию. Вторая причина связана с тем, что часть процессов просто не оцифрована. При этом производство очень насыщено данными. Сейчас оно начинает раскрывать потенциал по снижению себестоимости и повышению производительности именно за счет внедрения датчиков и анализа информации. Согласно совместному исследованию "Т1 Интеграция", TAdviser и Huawei, машинное обучение к концу 2020 г. использовали 68% российских компаний крупного и верхнего сегмента среднего бизнеса. Еще почти четверть бизнес-игроков планируют запуск проектов в ближайшие два-три года", - подчеркнул Юрий Мацыгин.

По его словам, предложений на российском рынке, как и отечественных разработок, очень мало. При этом, по его оценке, потенциал огромный, особенно с учетом, что почти 40% компаний принимают во внимание возможные санкционные риски, что заставляет их смотреть в сторону российских решений. Причина, как считает Юрий Мацыгин, кроется в том, что сами производственники достаточно консервативны и отраслевых специалистов по машинному обучению и ИИ в этой среде практически нет.

Директор департамента решений на базе искусственного интеллекта компании Oberon Владимир Борисов уверен, что в настоящий момент наиболее востребованы решения по ИИ в ТЭК, энергетике и промышленности. "Это обусловлено сложностью технологических процессов, необходимостью контролировать их не силами сотрудников, а при помощи ИИ и машинного зрения, сокращая издержки. Существующая практика внедрений подобного класса решений показывает, что эффективность контроля возрастает в десятки раз, при этом затраты снижаются в разы, а ROI составляет полтора-два года. Это очень эффективные для бизнеса показатели. Именно этим обусловлен бурный рост числа подобных проектов. Подобного рода решения, как правило, носят характер заказной разработки, а на рынке сейчас существует много компаний, которые готовы выполнить эти проекты. Российские системы сегодня занимают долю примерно в 70% рынка. Стоимость решения напрямую зависит от сложности технологических процессов, требующих автоматизации или усиления контроля над ними, и их числа. Мы говорим о границах от нескольких десятков до нескольких сотен миллионов рублей", - рассказал Владимир Борисов.

Руководитель отдела внедрения и продвижения решений компании Crosstech Solutions Group Никита Андреянов говорит, что на сегодняшний день термин "искусственный интеллект" уже перестал быть чем-то новомодным и редко встречающимся - современные тенденции говорят об устойчивом интересе к технологиям ИИ со стороны различных областей. В частности, по оценке Никиты Андреянова, в сфере промышленности ИИ получил широкое распространение в машиностроении, производстве авиатехники и микроэлектроники. "Кроме этого, если говорить про промышленность, реальные проекты уже имеют место в металлургии и компаниях, занимающихся полезными ископаемыми. Как правило, ИИ на производствах решает задачи по автоматизации и контролю исполняемых бизнес-процессов, от выявления отклонений в производственных процессах до контроля за деятельностью сотрудников и анализа корректности работы оборудования. За последние годы со стороны заказчиков определенный скептицизм относительно ИИ перерос в стабильный прикладной интерес. В связи с этим на российском рынке наблюдается определенный дефицит исполнителей, готовых браться за крупные проекты. Также стоит понимать, что практически каждая задача, связанная с ИИ, является уникальной. Бизнес-процессы и данные, циркулирующие в компании, всегда индивидуальны, а поэтому готовых решений, которые могут функционировать "из коробки", практически не существует. В связи с этим львиную долю успешных проектов занимают именно точечные разработки под конкретного заказчика. На отечественном рынке ввиду усилившихся трендов на импортозамещение российские разработки на текущий момент занимают ключевые позиции", - объясняет Никита Андреянов.

Генеральный директор компании Datana (входит в группу "Ланит") Владимир Захаров подчеркивает, что решения с применением ИИ востребованы по всей цепочке создания ценности предприятия. "Это и интеллектуальное управление основным и вспомогательным оборудованием, логистикой движения полупродуктов между различными этапами производственной цепочки, что ведет к повышению загрузки производственных мощностей, снижению простоев и затоваренности складов, а также формирование производственных планов на основе данных - спроса, реального состояния оборудования и производственных возможностей. Нужно упомянуть и решение задач производственной безопасности с помощью дополнительных датчиков на персонале и компьютерного зрения на опасных производствах", - говорит Владимир Захаров. По его словам, лидируют зарубежные вендоры. В частности, как отмечает Владимир Захаров, в металлургии производители основного оборудования наращивают свою экспертизу в технологиях Индустрии 4.0. Однако, по мнению эксперта, российские разработки также имеют свою долю рынка и активно конкурируют с ними. У российских производителей хороший потенциал, который интересен, в том числе и гигантам отрасли.

По оценке Владимира Захарова, стоимость внедрения даже типового решения невозможно оценить абстрактной цифрой, поскольку ситуация сильно отличается от предприятия к предприятию. "Даже внедрение типового решения чаще представляет собой нетиповой проект. Разброс предложений стоимости очень большой - от десятка до нескольких сотен миллионов рублей. Зачастую поставщики в азарте конкуренции демпингуют на конкурсах для входа в рынок, закрывают глаза на риски, и в результате низкая цена контракта не является бенчмарком и не гарантирует успешности проекта. На стоимость проекта влияет множество факторов - необходимость провести НИР, поставки дополнительного оборудования, датчиков, готовность к интеграциям legacy-систем предприятия, задачи последующего тиражирования", - объяснил Владимир Захаров.

Новости из связанных рубрик