Как искусственный интеллект помогает в обучении рабочих на заводе

В «Северстали» в промышленной эксплуатации находятся порядка 60 ИИ-решений. Например, на ЧерМК цифровыми решениями охвачены все ключевые агрегаты и участки — прокатка, травление, оцинковка.

В «Северстали» решения на основе машинного обучения имеют несколько векторов: повышение качества продукции (когда нейросети помогают распознавать дефекты), повышение безопасности (компьютерное зрение следит за безопасным нахождением людей в опасной зоне, за ношением СИЗов), снижение экологической нагрузки (когда за счет эффективного управления агрегатом снижаются выбросы веществ или использование топлива) и повышение производительности агрегатов. Экономический эффект только от новых и усовершенствованных решений, выпущенных в промышленную эксплуатацию за последний год, составил 960 млн руб.

Например, на самом производительном стане горячей прокатки — стане 2000 ЧерМК — действует комплекс моделей машинного обучения, который управляет темпом прокатки и выдачей слябов из печи. Решение позволяет дополнительно производить в среднем 5,5 тыс. т металлопроката ежемесячно, а среднюю паузу при прокатке удалось снизить на 1 секунду на сляб. В 2023 г. с помощью этой системы дополнительно произвели 65,5 тыс. т металлопроката, а экономический эффект составил 184,5 млн руб.

В ГК «Прогресс Агро» по направлению «Цифровизация» мы реализуем проект «Точное земледелие», в рамках которого мы внедрили следующие инновации:

• Дифференцированное внесение удобрений — комплекс мероприятий, который включает в себя спутниковый мониторинг, агрохимическую картограмму. Это позволяет нам не только оптимизировать количество используемых удобрений, но и сохранить почву здоровой.

• Точный сев — программа по использованию умной техники, которая позволяет нам осуществлять сев семян равномерно на одной глубине, что на 15—20% увеличивает получаемый урожай.

• Использование дронов — мы начинали данный проект, но в связи с запретом их полетов мы его отложили. Но это очень важный проект на будущее. Потому что использование дронов при опрыскивании культур позволяет нам избежать уплотнения почвы, так как не будет необходимости заводить на поле технику, сократить количество используемых средств защиты растений и обрабатывать участки поля по индивидуальной программе.

• Автопилот — программа, позволяющая проводить сев и уборку культур при помощи компьютера. Конечно, наличие водителя в кабине еще необходимо, но вождением по большей части занимается автопилот. Что позволяет не только работать ночью, но и составлять карту сева, которая поможет при культивации сохранить посевы.

• Комплексная система управления растениеводством — мы используем отечественную разработку «История поля», которая позволяет нам полностью контролировать все процессы растениеводства. В нее заносится вся информация обо всех произведенных работах на полях, что дает возможность анализировать эффективность работы агрономов и оперативно вносить изменения в нее. Внедрение современных технологий в АПК открывает большие возможности перед бизнесом в этой сфере. В первую очередь необходимо развивать роботизацию, которая позволит решить вопрос с кадрами.

Применение ИИ в разрезе промышленности имеет измеримый эффект. Мы видим влияние машинного обучения на такие показатели, как увеличение производительности, снижение затрат и уменьшения расхода сырья. Многое из этого достигается за счет точности, которой не обладают аналитические модели и другие инструменты. Если мы говорим о крупном промышленном кластере, то оптимизация производственных процессов даже на 2—3% может существенно изменить текущую экономику предприятия вследствие снижения затрат. Важно, что решения на основе ИИ можно адаптировать почти под любой производственный процесс.

С другой стороны, использование технологий на основе ИИ сопряжено с определенными рисками. Первая группа рисков связана с безопасностью и конфиденциальностью данных. В разрезе машинного обучения данная проблема является достаточно острой для бизнеса, учитывая высокую конкуренцию в некоторых отраслях промышленности.

Вторая группа рисков связана с процессом взаимодействия между работниками и робототехническими технологиями. В 2023 г. мы узнали о смерти мужчины от робота на одном из агропромышленных холдингов в Южной Корее. Ситуация произошла в подразделении предприятия, где осуществлялась сортировка овощей. Робототехническая конструкция прижала работника к металлическому контейнеру, приняв его за коробку овощей. Необходимо отметить, что подобные случаи были зафиксированы и ранее.

Во всех ситуациях оборудование проходило тщательное тестирование и на протяжении нескольких лет работало корректно. Что именно провоцирует сбои, непонятно. Ясно одно — даже единичные случаи смерти человека от робота делают приоритетным вопрос безопасности применения технологий. Фактически любой, даже незначительный сбой, может привести к печальным последствиям.

Эксперты полагают, что решение данной проблемы должно лежать в плоскости минимизации сочетания роботизированного и ручного труда. То есть промышленность должна делать полностью автономные RPA (Robotic process automation), но, как показывает практика, далеко не во всех случаях это возможно. К тому же полная автоматизация — это достаточно дорогостоящий процесс, требующий значительных затрат в рамках инвестиционной программы.

Один из интересных примеров — внедрение нейросетей для анализа дыхательных аппаратов, используемых пожарными и спасателями. Эти аппараты — не просто техника, от них зависят жизни людей. Поэтому диагностика дефектов и оперативная замена запасных частей должны проводиться на высоком уровне. Мы разработали систему, которая анализирует фотографии аппаратов и их частей, присланные заказчиками. ИИ распознает дефекты, классифицирует их по степени серьезности и предлагает рекомендации для ремонта или замены.

Главное преимущество системы — возможность качественного дистанционного обслуживания. Это не только экономия времени, но и повышение качества сервиса. Точность диагностики возросла, а время на обработку запросов сократилось в разы. Это шаг к более быстрому и качественному обслуживанию спасательных служб.

На этом применение ИИ не заканчивается. В ближайшем будущем мы планируем расширить его функции для управления запасами и планирования производственной программы. Нейросети будут помогать предприятиям оптимизировать цепочки поставок и прогнозировать потребности на основе накопленных данных.

ИИ также находит применение в проектировании. В разработке оборудования, например, нейросети могут ускорить работу инженеров и конструкторов. Они автоматически подбирают оптимальные материалы и узлы, исходя из заданных параметров. Это сокращает время разработки и повышает ее эффективность.

Еще один пример использования ИИ — контроль применения средств индивидуальной защиты (СИЗ). Нейросеть отслеживает нарушения безопасности, фиксируя моменты, когда сотрудники игнорируют правила. Например, в зонах опасных работ ИИ следит за наличием касок и жилетов, а также проверяет корректность использования блокирующих устройств. В случае нарушения нейросеть не только поднимает тревогу, но и находит аналогичные случаи из прошлого для предиктивного анализа. Машины, как и люди, учатся на ошибках.

Нейросети также прекрасно справляются с обработкой больших массивов данных. Каждая уважающая себя компания регулярно обновляет регламенты, а государственные органы добавляют новые требования. Эти документы могут противоречить друг другу. Обработку этой информации можно доверить нейросетям. Они способны выявлять противоречия, обновления и подсказывать специалисту, на что нужно обратить внимание в первую очередь.

Кроме того, ИИ можно использовать как систему поддержки принятия решений. Вместо того чтобы часами копаться в бумажных регламентах, специалист может просто задать нейросети вопрос о требованиях безопасности или оборудовании — и получить ответ за считаные секунды. Это реальная помощь, которая экономит время.

Однако не все так просто. Главная сложность, с которой мы сталкиваемся при внедрении нейросетей, — это подготовка корректных данных. Готовых данных для обучения ИИ практически нет, а те, что есть, часто некачественны. Любая ошибка на этапе сбора данных напрямую влияет на точность работы нейросети. Кроме того, работа в условиях строгих регламентов служб безопасности требует значительных временных затрат, особенно если речь идет о доступе к закрытым объектам.

Мы преодолеваем эти преграды, но подготовка данных остается самым трудоемким процессом. Тем не менее в долгосрочной перспективе инвестиции в качественные данные и нейросети окупаются.

Искусственный интеллект открывает массу возможностей для повышения эффективности на производстве, но вместе с преимуществами есть и ­риски. Основные из них:

1. Неправильная интерпретация данных. Нейросети работают на основе данных, и качество этих данных имеет решающее значение. Если данные неполные или содержат ошибки, это может привести к некорректной работе системы. Например, нейросеть может пропустить серьезное нарушение или, наоборот, отреагировать на незначительную проблему как на критическую. Это чревато ложными тревогами или пропуском реальных угроз для производства.

2. Перекладывание ответственности. Когда ИИ берет на себя многие задачи, люди могут начать слишком полагаться на него. Специалисты могут перестать тщательно проверять результаты, принимая решения нейросети за чистую монету. Это особенно опасно в вопросах безопасности, ведь ИИ — всего лишь инструмент, который может ошибаться. Без человеческого контроля могут возникать ситуации, когда проблемы не распознаются вовремя или принимаются неверные решения.

3. Критическое мышление на паузе. Существует риск, что человек, работающий с нейросетями, со временем утратит навык критического мышления. Постоянная автоматизация может притупить способность самостоятельно анализировать ситуации. Если нейросеть «говорит», как нужно действовать, люди склонны безоговорочно ей доверять. Это может привести к серьезным ошибкам, ведь в сложных ситуациях человек должен оставаться последним звеном в принятии решений.