Привет, Хабр! Вы когда-нибудь задумывались, что чувствовали люди, создавшие паровую машину? А запустившие первый двигатель? Первый летательный аппарат? Они делали что-то первыми и видели результаты своей работы. Примерно это сейчас переживают айтишники, работающие на производстве. Они видят, как IT-проекты улучшают процессы и приносят прибыль. Один тимлид сказал, что IT — это техномагия: она появляется извне и трансформирует производство. Мы попросили рассказать наших ребят о своих проектах и о том, с чем они сталкиваются на производстве. Подробности, как эта техномагия выглядит изнутри, — под катом.
Первый этап трансформации: на производстве появляются свои IT-продукты
Цельнометаллический стол напоминает, что металлургия — это серьёзно
Что самое главное, когда что-то нагревается до 2000 градусов? Чтобы всё шло по плану. Поэтому первые IT-проекты обеспечивали оптимальные режимы работы техники, облегчали мониторинг систем управления и экономили ресурсы. Они быстро доказали суровым металлургам, что не зря учили детей информатике и математике: IT-проекты быстро окупились, показав свою эффективность, пользу и перспективы.
Сейчас у нас уже развивается 165 цифровых проектов, и мы готовим к запуску новую волну. Например, в пуле проектов по техническому обслуживанию и ремонту оборудования на начало 2020 года не было ни одного цифрового, а в середине 2021-го их уже примерно половина.
Александр Сальник
Начальник отдела разработки и тимлид направления бэкенда
Когда я пришёл, то внедрял проект по беспилотникам, которые оценивают рельеф и уровень выработки угольного месторождения. Тема была инновационной, её все боялись, а я просто взял и продвинул её. Потом были другие проекты, которые доказали, что даже нереализуемые на первый взгляд идеи всё же могут быть воплощены.
Например, чтобы получить сталь и чугун заданного качества, технологам на производстве необходимо рассчитать исходное сырьё — шихту. Она представляет собой смесь руды, топлива и различных добавок, облегчающих процесс выплавки. Раньше технолог дозировал добавление разных типов шихты, опираясь только на свой опыт. Мы на это посмотрели, задумались и приступили к делу: разработали цифровые подсказчики, которые смотрят историю поступления за год и по ней рассчитывают необходимые пропорции исходных материалов. Ещё подсказчики помогают раскладывать шихту правильно по слоям, чтобы сделать нормальное усреднение материала.
Включив подсказчик, мы замерили показатели — ага, есть рост. Но как понять, что дело в нас? Легко: выключили подсказчик на обслуживание — через три дня производство просит: «Верните всё как было — у нас показатели вниз пошли». Ну, отлично: доказали экономический эффект.
Например, чтобы получить сталь и чугун заданного качества, технологам на производстве необходимо рассчитать исходное сырьё — шихту. Она представляет собой смесь руды, топлива и различных добавок, облегчающих процесс выплавки. Раньше технолог дозировал добавление разных типов шихты, опираясь только на свой опыт. Мы на это посмотрели, задумались и приступили к делу: разработали цифровые подсказчики, которые смотрят историю поступления за год и по ней рассчитывают необходимые пропорции исходных материалов. Ещё подсказчики помогают раскладывать шихту правильно по слоям, чтобы сделать нормальное усреднение материала.
Включив подсказчик, мы замерили показатели — ага, есть рост. Но как понять, что дело в нас? Легко: выключили подсказчик на обслуживание — через три дня производство просит: «Верните всё как было — у нас показатели вниз пошли». Ну, отлично: доказали экономический эффект.
Подсказчик поможет выплавить качественную сталь, даже если в чан упадёт Т-1000
Андрей Косинцев
Data Scientist
Видите на фото раскалённые потоки металла? Пока это полупродукт, а полноценной сталью его делают дорогостоящие добавки, максимальное и минимальное количество которых определяет ГОСТ. Отмеряет и добавляет их технолог на производстве, а мы разрабатываем и поддерживаем подсказчик, который помогает избежать перерасхода.
Сначала служба БСЕ ЕВРАЗа (специалисты, которые направленно смотрят, что и где можно улучшить, и помогают реализовать улучшение) вместе с технологами от производства подбирали проекты с наибольшим экономическим эффектом и увидели, что можно оптимизировать расход добавок. Затем они подключили меня в роли специалиста Data Science. Мне понадобилось вникнуть в технологию выплавки стали и дать несколько презентаций про ML-модели, чтобы технологи понимали возможности инструментов, которыми обладает Data Scientist.
Первый пул данных выгружал Data Engineer от производства (так как внешнему специалисту искать нужную информацию в производственной базе очень долго). Это был просто Excel. Затем мы уточняли шаг за шагом, какие ещё данные мы можем получить для улучшения качества ML-моделей, выгружали новые данные, анализировали — и потом по новой. Часть данных оказалась низкого качества — например, на истории видно, что человек отдавал много материала, а параметры стали не менялись. Из-за этого пришлось разными способами создавать расчётные коэффициенты и чистить сырые данные.
Пробовали множество моделей: начиная от линейной регрессии и заканчивая градиентными бустингами. Остановились на LightGBM ввиду особенностей технологического процесса, а также скорости работы модели. Подходы к машинному обучению тоже разнились: сначала тренировали модели на данных «как есть», но в процессе поняли, что качество моделей посредственное, а модели не технологичны. Изменили подход к формированию целевого значения (сделали относительные целевые переменные, а не абсолютные) — и всё получилось.
До подсказчика сталевар перестраховывался, чтобы точно попасть в ГОСТ, и засыпа́л чуть больше материалов. Наша модель прогнозирует, что получит человек с той или иной отдачей материала, и учит людей экономить дорогостоящие добавки. Теперь сталевары наблюдают всю необходимую информацию на рабочих местах, получают рекомендации по отдаче материала и более детально анализируют свои действия, прислушиваясь к подсказчику. В целом процесс стал менее человекозависимым, и продукт выходит более качественным вне зависимости от опыта сотрудника.
Сначала служба БСЕ ЕВРАЗа (специалисты, которые направленно смотрят, что и где можно улучшить, и помогают реализовать улучшение) вместе с технологами от производства подбирали проекты с наибольшим экономическим эффектом и увидели, что можно оптимизировать расход добавок. Затем они подключили меня в роли специалиста Data Science. Мне понадобилось вникнуть в технологию выплавки стали и дать несколько презентаций про ML-модели, чтобы технологи понимали возможности инструментов, которыми обладает Data Scientist.
Первый пул данных выгружал Data Engineer от производства (так как внешнему специалисту искать нужную информацию в производственной базе очень долго). Это был просто Excel. Затем мы уточняли шаг за шагом, какие ещё данные мы можем получить для улучшения качества ML-моделей, выгружали новые данные, анализировали — и потом по новой. Часть данных оказалась низкого качества — например, на истории видно, что человек отдавал много материала, а параметры стали не менялись. Из-за этого пришлось разными способами создавать расчётные коэффициенты и чистить сырые данные.
Пробовали множество моделей: начиная от линейной регрессии и заканчивая градиентными бустингами. Остановились на LightGBM ввиду особенностей технологического процесса, а также скорости работы модели. Подходы к машинному обучению тоже разнились: сначала тренировали модели на данных «как есть», но в процессе поняли, что качество моделей посредственное, а модели не технологичны. Изменили подход к формированию целевого значения (сделали относительные целевые переменные, а не абсолютные) — и всё получилось.
До подсказчика сталевар перестраховывался, чтобы точно попасть в ГОСТ, и засыпа́л чуть больше материалов. Наша модель прогнозирует, что получит человек с той или иной отдачей материала, и учит людей экономить дорогостоящие добавки. Теперь сталевары наблюдают всю необходимую информацию на рабочих местах, получают рекомендации по отдаче материала и более детально анализируют свои действия, прислушиваясь к подсказчику. В целом процесс стал менее человекозависимым, и продукт выходит более качественным вне зависимости от опыта сотрудника.
Второй этап: IT переходит от продуктов к процессам и взаимодействиям
Пишите ваши идеи в комментариях
Из интересного. Вокруг IT-проектов работает «эффект присутствия». Когда приходит команда с проектом и начинает что-то делать, пользователи уже на этом этапе стараются быть аккуратнее и эффективнее, следить более внимательно за техническим процессом, соблюдать нормы.
Цифровая трансформация стала распространяться лавинообразно: появились новые процессы и направления, а специальные службы оценивают и запускают идеи в работу. Идею можно заявить через мобильное приложение или веб-портал — то есть инициатором изменений может стать любой работник ЕВРАЗа.
Александр Сальник
Начальник отдела разработки и тимлид направления бэкенда
Мы занимаемся не только автоматизацией, но и введением абсолютно новых процессов, меняем бизнес-логику предприятия. IT ведь не всегда только автоматизирует, а часто заставляет по-новому посмотреть на привычные объекты, в корне пересмотреть подходы и получить своеобразную техническую революцию.
Например, мы решили контролировать качество и состав сырья, из которого получаем металл. Оно подается по конвейерам в агломерационные машины, где подготавливается к переплавке в доменных печах. Мы устанавливаем на конвейерной ленте потоковые анализаторы химического состава, которые анализируют всё проезжающее сырьё с дискретностью в одну минуту: сколько внутри железа, углерода, кальция и так далее.
Например, мы решили контролировать качество и состав сырья, из которого получаем металл. Оно подается по конвейерам в агломерационные машины, где подготавливается к переплавке в доменных печах. Мы устанавливаем на конвейерной ленте потоковые анализаторы химического состава, которые анализируют всё проезжающее сырьё с дискретностью в одну минуту: сколько внутри железа, углерода, кальция и так далее.
Похоже на майнинг-ферму
Борис Сатышев
Руководитель IT‑проектов по направлению ТОРО (техническое обслуживание, ремонт оборудования)
В моём направлении технического ремонта и обслуживания оборудования можно выделить три направления для IT-проектов:
- Мы повышаем удобство мобильных и веб-приложений для пользователей: настраиваем интерфейс под конкретные пожелания пользователей.
- Интегрируем наши продукты со смежными в области ремонта, готовим их унификацию и реализацию в единой системе.
- Развиваем новый функционал.
Например, сейчас на Нижнетагильском металлургическом комбинате ЕВРАЗа внедряется система APM (Asset Performance Management): благодаря ей мы заранее прогнозируем риски и обслуживаем оборудование ДО того, как оно сломается, а технологические процессы встанут.
Для этого каждая единица оборудования анализируется по ряду критериев, сведённых в так называемую «матрицу рисков». В ней мы оцениваем вероятность и тяжесть последствий, вычисляем по ним риск отказа и по ним уже выставляем приоритеты в обслуживании оборудования. В результате приоритетным становится обслуживание оборудования, у которого выше вероятность поломки и тяжелее последствия отказа. На предприятии много критичных систем, час вынужденного простоя которых может обойтись в сотни тысяч рублей, а APM позволяет нам предотвращать подобные инциденты.
Третий этап: IT открывает для производства новые продукты и ресурсы
Количество зелёных огоньков прямо пропорционально умиротворённости оператора
Первые IT-проекты в ЕВРАЗе отрабатывали базовые потребности. Разворачивались первые серверные мощности, набирался штат девопс-инженеров. Готовились инструменты, с помощью которых мы можем внедрять более сложные системы. Отрабатывались методологии, которые бы учитывали специфику производства.
Александр Сальник
Начальник отдела разработки и тимлид направления бэкенда
На ранних проектах компания разработала свою методологию EVRAZ-scrum и EVRAZ-agile. С приставкой EVRAZ-, потому что основные процессы были пересмотрены и адаптированы под потребности и задачи производства. Уже тогда водопадная модель не отвечала нашим требованиям. Благодаря внедрению agile удалось сделать процесс разработки более гибким и повысить производительность команд.
Кроме этого, я занимаюсь разработкой стандартов для разработчиков и руководителей проектов: здесь много работы уходит на понимание того, как действовать в конкретных реалиях масштабов холдинга.
Кроме этого, я занимаюсь разработкой стандартов для разработчиков и руководителей проектов: здесь много работы уходит на понимание того, как действовать в конкретных реалиях масштабов холдинга.
Андрей Косинцев
Data Scientist
В случае высокого bus-фактора в коде придётся разбираться полжизни, а для холдинга такого масштаба, как ЕВРАЗ, это критически важно. Поэтому мы стали вырабатывать единую архитектуру и разрабатывать стандартные библиотеки ЕВРАЗа в дополнение к классическому набору Data Scientist'а (Рython для разработки математических моделей с open-source-библиотеками, Pandas, NumPy). Сами стандартные библиотеки появились потому, что проектов стало много, мы захотели переиспользовать наработки, придерживаться единого подхода и одной архитектуры на всех проектах.
Плюс привлекаем citizen DS (гражданских DS от бизнеса) с целью исследовать свои же данные с минимальным привлечением IT-ресурсов (только для консультаций). То есть мы обучаем Data Scientist'ов со стороны производства, которые могут сами исследовать данные, проверять гипотезы. Такие команды способны создать прототип инструментами self-service-аналитики «на коленке», дать его технологу, сталевару или другому человеку от производства, и он протестирует в реальном времени, поймёт, жизнеспособна ли гипотеза. В этом направлении взаимодействуем с платформами Azure ML для создания статистических прогнозных моделей, KNIME — для подготовки данных и Power BI — для создания дашбордов. В будущем планируем привлекать также MS PowerApps для разработки полноценных приложений с подходом low-code, а также разрабатывать собственные библиотеки ЕВРАЗа для инструментов self-service-аналитики. Таким образом увеличиваем число проектов плюс развиваем компетенции со стороны бизнеса.
Плюс привлекаем citizen DS (гражданских DS от бизнеса) с целью исследовать свои же данные с минимальным привлечением IT-ресурсов (только для консультаций). То есть мы обучаем Data Scientist'ов со стороны производства, которые могут сами исследовать данные, проверять гипотезы. Такие команды способны создать прототип инструментами self-service-аналитики «на коленке», дать его технологу, сталевару или другому человеку от производства, и он протестирует в реальном времени, поймёт, жизнеспособна ли гипотеза. В этом направлении взаимодействуем с платформами Azure ML для создания статистических прогнозных моделей, KNIME — для подготовки данных и Power BI — для создания дашбордов. В будущем планируем привлекать также MS PowerApps для разработки полноценных приложений с подходом low-code, а также разрабатывать собственные библиотеки ЕВРАЗа для инструментов self-service-аналитики. Таким образом увеличиваем число проектов плюс развиваем компетенции со стороны бизнеса.
Выход на новый уровень: как предприятия помогают айтишникам расти
Айтишники находят неочевидные зависимости, подсвечивают узкие места опытным сотрудникам, которые работают по десять лет и, кажется, знают всё о руде, металле и готовой стали.
И если на этапе настройки аутентификации или прокси-сервера для рядовых сотрудников результат неочевиден, то готовый продукт, который бизнес может использовать при улучшении операционной деятельности, даёт то самое ощущение управления ракетой.
Борис Сатышев
Руководитель IT‑проектов по направлению ТОРО (техническое обслуживание, ремонт оборудования)
Я не приобрёл новые софт-скилы, но прокачал те, что у меня уже были.
Любая задача имеет решение. Неинтересно делать то, что ты уже делал много раз. Интересно что-то новое, интеграция с другими продуктами. Поэтому постоянно приходится учиться, прокачиваться.
Изначально позвали решать конкретные управленческие задачи, так как у меня есть соответствующий бэкграунд, опыт и образование по направлению ремонта оборудования. Оборудования, от бесперебойной работы которого зависят поставки тысяч тонн стали.
Мотивацией стало решение сложных задач и желание преодолеть организационные сложности в новой сфере. Сейчас у меня много новых достаточно масштабных проектов. Привлекают условия с прописанными сроками, ресурсами, которые в этих определённых узких рамках нужно выполнить.
Любая задача имеет решение. Неинтересно делать то, что ты уже делал много раз. Интересно что-то новое, интеграция с другими продуктами. Поэтому постоянно приходится учиться, прокачиваться.
Изначально позвали решать конкретные управленческие задачи, так как у меня есть соответствующий бэкграунд, опыт и образование по направлению ремонта оборудования. Оборудования, от бесперебойной работы которого зависят поставки тысяч тонн стали.
Мотивацией стало решение сложных задач и желание преодолеть организационные сложности в новой сфере. Сейчас у меня много новых достаточно масштабных проектов. Привлекают условия с прописанными сроками, ресурсами, которые в этих определённых узких рамках нужно выполнить.
Александр Сальник
Начальник отдела разработки и тимлид направления бэкенда
Прежде всего я поднял на новый уровень свои софт-скилы. Вообще, для того, кто хочет здесь работать, самое главное — ответственность и исполнительность. Плюс важно желание коснуться производства, побывать на нём. Если хочешь не только оказать влияние на сайтик, чтобы какой-то менеджер был доволен, а сделать утилиту или какой-то подсказчик-оптимизатор, который может приносить миллионы долларов ежемесячно, и если хочется осознания, что с его помощью можно сэкономить на уровне вот таких объёмов, — то это дорога к нам. Наши проекты дорогостоящие, и эффект от них колоссальный.
Андрей Косинцев
Data Scientist
Я научился ещё раз проверять то, что на первый взгляд кажется истиной. Данные и статистика — наши лучшие друзья. Я прокачался в доменной области, стал лучше понимать различные процессы горнодобывающего и металлургического производства, разобрался в технологиях транспортировки руды, этапах её обогащения, влиянии характеристик руды и других параметров на результат. Изучил этапы обработки и особенности производства стали — и в целом, и отдельных марок: какие химические элементы могут восстанавливаться в процессе обработки; зачем нужны продувки стали и на что они могут повлиять; каким образом сталевар проводит отдачу ферросплавов, чем он руководствуется в ходе различных технологических процессов и многое другое. Для поиска решения проблем порой приходилось даже читать учебники и другие книги в этой области. А самое интересное, на мой взгляд как Data Scientist'а, — это именно находить применение и, соответственно, видеть эффект от прогнозных моделей в технологической цепочке.
Вообще, я пришёл сюда, потому что было интересное для меня направление — искусственный интеллект. HR хотел позвать меня в АСУТП (автоматизация систем управления технологическими процессами), но я предложил свою кандидатуру в отдел искусственного интеллекта. По факту перешёл из проектировщика, который на верхних уровнях описывает, что должна делать система, к тому, чтобы самому это руками делать. Мне кажется, это важно для любого программиста — видеть, что твоей разработкой пользуются реальные пользователи для решения реальных проблем.
Мотивирует причастность к общему глобальному делу. Хочется реально влиять на процессы, улучшать их. Нравится, что получаешь очень много хард-скилов, работая с новыми технологиями. Первые мои проекты были классическим Data Science — числовыми, сейчас на новых проектах уже подключаем видеоаналитику. Некоторые платят деньги, чтобы получить эти знания и опыт, а тут на производстве можешь сам прокачаться и достичь того же. При этом не занимаешься технологиями ради технологий, а прикладываешь их к задачам бизнеса, то есть «в стол» ничего не уходит, нет работы ради работы.
Вообще, я пришёл сюда, потому что было интересное для меня направление — искусственный интеллект. HR хотел позвать меня в АСУТП (автоматизация систем управления технологическими процессами), но я предложил свою кандидатуру в отдел искусственного интеллекта. По факту перешёл из проектировщика, который на верхних уровнях описывает, что должна делать система, к тому, чтобы самому это руками делать. Мне кажется, это важно для любого программиста — видеть, что твоей разработкой пользуются реальные пользователи для решения реальных проблем.
Мотивирует причастность к общему глобальному делу. Хочется реально влиять на процессы, улучшать их. Нравится, что получаешь очень много хард-скилов, работая с новыми технологиями. Первые мои проекты были классическим Data Science — числовыми, сейчас на новых проектах уже подключаем видеоаналитику. Некоторые платят деньги, чтобы получить эти знания и опыт, а тут на производстве можешь сам прокачаться и достичь того же. При этом не занимаешься технологиями ради технологий, а прикладываешь их к задачам бизнеса, то есть «в стол» ничего не уходит, нет работы ради работы.
Привет, Хабр! Вы когда-нибудь задумывались, что чувствовали люди, создавшие паровую машину? А запустившие первый двигатель? Первый летательный аппарат? Они делали что-то первыми и видели результаты своей работы. Примерно это сейчас переживают айтишники, работающие на производстве. Они видят, как IT-проекты улучшают процессы и приносят прибыль. Один тимлид сказал, что IT — это техномагия: она появляется извне и трансформирует производство. Мы попросили рассказать наших ребят о своих проектах и о том, с чем они сталкиваются на производстве. Подробности, как эта техномагия выглядит изнутри, — под катом.
Первый этап трансформации: на производстве появляются свои IT-продукты
Цельнометаллический стол напоминает, что металлургия — это серьёзно
Что самое главное, когда что-то нагревается до 2000 градусов? Чтобы всё шло по плану. Поэтому первые IT-проекты обеспечивали оптимальные режимы работы техники, облегчали мониторинг систем управления и экономили ресурсы. Они быстро доказали суровым металлургам, что не зря учили детей информатике и математике: IT-проекты быстро окупились, показав свою эффективность, пользу и перспективы.
Сейчас у нас уже развивается 165 цифровых проектов, и мы готовим к запуску новую волну. Например, в пуле проектов по техническому обслуживанию и ремонту оборудования на начало 2020 года не было ни одного цифрового, а в середине 2021-го их уже примерно половина.
Александр Сальник
Начальник отдела разработки и тимлид направления бэкенда
Когда я пришёл, то внедрял проект по беспилотникам, которые оценивают рельеф и уровень выработки угольного месторождения. Тема была инновационной, её все боялись, а я просто взял и продвинул её. Потом были другие проекты, которые доказали, что даже нереализуемые на первый взгляд идеи всё же могут быть воплощены.
Например, чтобы получить сталь и чугун заданного качества, технологам на производстве необходимо рассчитать исходное сырьё — шихту. Она представляет собой смесь руды, топлива и различных добавок, облегчающих процесс выплавки. Раньше технолог дозировал добавление разных типов шихты, опираясь только на свой опыт. Мы на это посмотрели, задумались и приступили к делу: разработали цифровые подсказчики, которые смотрят историю поступления за год и по ней рассчитывают необходимые пропорции исходных материалов. Ещё подсказчики помогают раскладывать шихту правильно по слоям, чтобы сделать нормальное усреднение материала.
Включив подсказчик, мы замерили показатели — ага, есть рост. Но как понять, что дело в нас? Легко: выключили подсказчик на обслуживание — через три дня производство просит: «Верните всё как было — у нас показатели вниз пошли». Ну, отлично: доказали экономический эффект.
Например, чтобы получить сталь и чугун заданного качества, технологам на производстве необходимо рассчитать исходное сырьё — шихту. Она представляет собой смесь руды, топлива и различных добавок, облегчающих процесс выплавки. Раньше технолог дозировал добавление разных типов шихты, опираясь только на свой опыт. Мы на это посмотрели, задумались и приступили к делу: разработали цифровые подсказчики, которые смотрят историю поступления за год и по ней рассчитывают необходимые пропорции исходных материалов. Ещё подсказчики помогают раскладывать шихту правильно по слоям, чтобы сделать нормальное усреднение материала.
Включив подсказчик, мы замерили показатели — ага, есть рост. Но как понять, что дело в нас? Легко: выключили подсказчик на обслуживание — через три дня производство просит: «Верните всё как было — у нас показатели вниз пошли». Ну, отлично: доказали экономический эффект.
Подсказчик поможет выплавить качественную сталь, даже если в чан упадёт Т-1000
Андрей Косинцев
Data Scientist
Видите на фото раскалённые потоки металла? Пока это полупродукт, а полноценной сталью его делают дорогостоящие добавки, максимальное и минимальное количество которых определяет ГОСТ. Отмеряет и добавляет их технолог на производстве, а мы разрабатываем и поддерживаем подсказчик, который помогает избежать перерасхода.
Сначала служба БСЕ ЕВРАЗа (специалисты, которые направленно смотрят, что и где можно улучшить, и помогают реализовать улучшение) вместе с технологами от производства подбирали проекты с наибольшим экономическим эффектом и увидели, что можно оптимизировать расход добавок. Затем они подключили меня в роли специалиста Data Science. Мне понадобилось вникнуть в технологию выплавки стали и дать несколько презентаций про ML-модели, чтобы технологи понимали возможности инструментов, которыми обладает Data Scientist.
Первый пул данных выгружал Data Engineer от производства (так как внешнему специалисту искать нужную информацию в производственной базе очень долго). Это был просто Excel. Затем мы уточняли шаг за шагом, какие ещё данные мы можем получить для улучшения качества ML-моделей, выгружали новые данные, анализировали — и потом по новой. Часть данных оказалась низкого качества — например, на истории видно, что человек отдавал много материала, а параметры стали не менялись. Из-за этого пришлось разными способами создавать расчётные коэффициенты и чистить сырые данные.
Пробовали множество моделей: начиная от линейной регрессии и заканчивая градиентными бустингами. Остановились на LightGBM ввиду особенностей технологического процесса, а также скорости работы модели. Подходы к машинному обучению тоже разнились: сначала тренировали модели на данных «как есть», но в процессе поняли, что качество моделей посредственное, а модели не технологичны. Изменили подход к формированию целевого значения (сделали относительные целевые переменные, а не абсолютные) — и всё получилось.
До подсказчика сталевар перестраховывался, чтобы точно попасть в ГОСТ, и засыпа́л чуть больше материалов. Наша модель прогнозирует, что получит человек с той или иной отдачей материала, и учит людей экономить дорогостоящие добавки. Теперь сталевары наблюдают всю необходимую информацию на рабочих местах, получают рекомендации по отдаче материала и более детально анализируют свои действия, прислушиваясь к подсказчику. В целом процесс стал менее человекозависимым, и продукт выходит более качественным вне зависимости от опыта сотрудника.
Сначала служба БСЕ ЕВРАЗа (специалисты, которые направленно смотрят, что и где можно улучшить, и помогают реализовать улучшение) вместе с технологами от производства подбирали проекты с наибольшим экономическим эффектом и увидели, что можно оптимизировать расход добавок. Затем они подключили меня в роли специалиста Data Science. Мне понадобилось вникнуть в технологию выплавки стали и дать несколько презентаций про ML-модели, чтобы технологи понимали возможности инструментов, которыми обладает Data Scientist.
Первый пул данных выгружал Data Engineer от производства (так как внешнему специалисту искать нужную информацию в производственной базе очень долго). Это был просто Excel. Затем мы уточняли шаг за шагом, какие ещё данные мы можем получить для улучшения качества ML-моделей, выгружали новые данные, анализировали — и потом по новой. Часть данных оказалась низкого качества — например, на истории видно, что человек отдавал много материала, а параметры стали не менялись. Из-за этого пришлось разными способами создавать расчётные коэффициенты и чистить сырые данные.
Пробовали множество моделей: начиная от линейной регрессии и заканчивая градиентными бустингами. Остановились на LightGBM ввиду особенностей технологического процесса, а также скорости работы модели. Подходы к машинному обучению тоже разнились: сначала тренировали модели на данных «как есть», но в процессе поняли, что качество моделей посредственное, а модели не технологичны. Изменили подход к формированию целевого значения (сделали относительные целевые переменные, а не абсолютные) — и всё получилось.
До подсказчика сталевар перестраховывался, чтобы точно попасть в ГОСТ, и засыпа́л чуть больше материалов. Наша модель прогнозирует, что получит человек с той или иной отдачей материала, и учит людей экономить дорогостоящие добавки. Теперь сталевары наблюдают всю необходимую информацию на рабочих местах, получают рекомендации по отдаче материала и более детально анализируют свои действия, прислушиваясь к подсказчику. В целом процесс стал менее человекозависимым, и продукт выходит более качественным вне зависимости от опыта сотрудника.
Второй этап: IT переходит от продуктов к процессам и взаимодействиям
Пишите ваши идеи в комментариях
Из интересного. Вокруг IT-проектов работает «эффект присутствия». Когда приходит команда с проектом и начинает что-то делать, пользователи уже на этом этапе стараются быть аккуратнее и эффективнее, следить более внимательно за техническим процессом, соблюдать нормы.
Цифровая трансформация стала распространяться лавинообразно: появились новые процессы и направления, а специальные службы оценивают и запускают идеи в работу. Идею можно заявить через мобильное приложение или веб-портал — то есть инициатором изменений может стать любой работник ЕВРАЗа.
Александр Сальник
Начальник отдела разработки и тимлид направления бэкенда
Мы занимаемся не только автоматизацией, но и введением абсолютно новых процессов, меняем бизнес-логику предприятия. IT ведь не всегда только автоматизирует, а часто заставляет по-новому посмотреть на привычные объекты, в корне пересмотреть подходы и получить своеобразную техническую революцию.
Например, мы решили контролировать качество и состав сырья, из которого получаем металл. Оно подается по конвейерам в агломерационные машины, где подготавливается к переплавке в доменных печах. Мы устанавливаем на конвейерной ленте потоковые анализаторы химического состава, которые анализируют всё проезжающее сырьё с дискретностью в одну минуту: сколько внутри железа, углерода, кальция и так далее.
Например, мы решили контролировать качество и состав сырья, из которого получаем металл. Оно подается по конвейерам в агломерационные машины, где подготавливается к переплавке в доменных печах. Мы устанавливаем на конвейерной ленте потоковые анализаторы химического состава, которые анализируют всё проезжающее сырьё с дискретностью в одну минуту: сколько внутри железа, углерода, кальция и так далее.
Похоже на майнинг-ферму
Борис Сатышев
Руководитель IT‑проектов по направлению ТОРО (техническое обслуживание, ремонт оборудования)
В моём направлении технического ремонта и обслуживания оборудования можно выделить три направления для IT-проектов:
- Мы повышаем удобство мобильных и веб-приложений для пользователей: настраиваем интерфейс под конкретные пожелания пользователей.
- Интегрируем наши продукты со смежными в области ремонта, готовим их унификацию и реализацию в единой системе.
- Развиваем новый функционал.
Например, сейчас на Нижнетагильском металлургическом комбинате ЕВРАЗа внедряется система APM (Asset Performance Management): благодаря ей мы заранее прогнозируем риски и обслуживаем оборудование ДО того, как оно сломается, а технологические процессы встанут.
Для этого каждая единица оборудования анализируется по ряду критериев, сведённых в так называемую «матрицу рисков». В ней мы оцениваем вероятность и тяжесть последствий, вычисляем по ним риск отказа и по ним уже выставляем приоритеты в обслуживании оборудования. В результате приоритетным становится обслуживание оборудования, у которого выше вероятность поломки и тяжелее последствия отказа. На предприятии много критичных систем, час вынужденного простоя которых может обойтись в сотни тысяч рублей, а APM позволяет нам предотвращать подобные инциденты.
Третий этап: IT открывает для производства новые продукты и ресурсы
Количество зелёных огоньков прямо пропорционально умиротворённости оператора
Первые IT-проекты в ЕВРАЗе отрабатывали базовые потребности. Разворачивались первые серверные мощности, набирался штат девопс-инженеров. Готовились инструменты, с помощью которых мы можем внедрять более сложные системы. Отрабатывались методологии, которые бы учитывали специфику производства.
Александр Сальник
Начальник отдела разработки и тимлид направления бэкенда
На ранних проектах компания разработала свою методологию EVRAZ-scrum и EVRAZ-agile. С приставкой EVRAZ-, потому что основные процессы были пересмотрены и адаптированы под потребности и задачи производства. Уже тогда водопадная модель не отвечала нашим требованиям. Благодаря внедрению agile удалось сделать процесс разработки более гибким и повысить производительность команд.
Кроме этого, я занимаюсь разработкой стандартов для разработчиков и руководителей проектов: здесь много работы уходит на понимание того, как действовать в конкретных реалиях масштабов холдинга.
Кроме этого, я занимаюсь разработкой стандартов для разработчиков и руководителей проектов: здесь много работы уходит на понимание того, как действовать в конкретных реалиях масштабов холдинга.
Андрей Косинцев
Data Scientist
В случае высокого bus-фактора в коде придётся разбираться полжизни, а для холдинга такого масштаба, как ЕВРАЗ, это критически важно. Поэтому мы стали вырабатывать единую архитектуру и разрабатывать стандартные библиотеки ЕВРАЗа в дополнение к классическому набору Data Scientist'а (Рython для разработки математических моделей с open-source-библиотеками, Pandas, NumPy). Сами стандартные библиотеки появились потому, что проектов стало много, мы захотели переиспользовать наработки, придерживаться единого подхода и одной архитектуры на всех проектах.
Плюс привлекаем citizen DS (гражданских DS от бизнеса) с целью исследовать свои же данные с минимальным привлечением IT-ресурсов (только для консультаций). То есть мы обучаем Data Scientist'ов со стороны производства, которые могут сами исследовать данные, проверять гипотезы. Такие команды способны создать прототип инструментами self-service-аналитики «на коленке», дать его технологу, сталевару или другому человеку от производства, и он протестирует в реальном времени, поймёт, жизнеспособна ли гипотеза. В этом направлении взаимодействуем с платформами Azure ML для создания статистических прогнозных моделей, KNIME — для подготовки данных и Power BI — для создания дашбордов. В будущем планируем привлекать также MS PowerApps для разработки полноценных приложений с подходом low-code, а также разрабатывать собственные библиотеки ЕВРАЗа для инструментов self-service-аналитики. Таким образом увеличиваем число проектов плюс развиваем компетенции со стороны бизнеса.
Плюс привлекаем citizen DS (гражданских DS от бизнеса) с целью исследовать свои же данные с минимальным привлечением IT-ресурсов (только для консультаций). То есть мы обучаем Data Scientist'ов со стороны производства, которые могут сами исследовать данные, проверять гипотезы. Такие команды способны создать прототип инструментами self-service-аналитики «на коленке», дать его технологу, сталевару или другому человеку от производства, и он протестирует в реальном времени, поймёт, жизнеспособна ли гипотеза. В этом направлении взаимодействуем с платформами Azure ML для создания статистических прогнозных моделей, KNIME — для подготовки данных и Power BI — для создания дашбордов. В будущем планируем привлекать также MS PowerApps для разработки полноценных приложений с подходом low-code, а также разрабатывать собственные библиотеки ЕВРАЗа для инструментов self-service-аналитики. Таким образом увеличиваем число проектов плюс развиваем компетенции со стороны бизнеса.
Выход на новый уровень: как предприятия помогают айтишникам расти
Айтишники находят неочевидные зависимости, подсвечивают узкие места опытным сотрудникам, которые работают по десять лет и, кажется, знают всё о руде, металле и готовой стали.
И если на этапе настройки аутентификации или прокси-сервера для рядовых сотрудников результат неочевиден, то готовый продукт, который бизнес может использовать при улучшении операционной деятельности, даёт то самое ощущение управления ракетой.
Борис Сатышев
Руководитель IT‑проектов по направлению ТОРО (техническое обслуживание, ремонт оборудования)
Я не приобрёл новые софт-скилы, но прокачал те, что у меня уже были.
Любая задача имеет решение. Неинтересно делать то, что ты уже делал много раз. Интересно что-то новое, интеграция с другими продуктами. Поэтому постоянно приходится учиться, прокачиваться.
Изначально позвали решать конкретные управленческие задачи, так как у меня есть соответствующий бэкграунд, опыт и образование по направлению ремонта оборудования. Оборудования, от бесперебойной работы которого зависят поставки тысяч тонн стали.
Мотивацией стало решение сложных задач и желание преодолеть организационные сложности в новой сфере. Сейчас у меня много новых достаточно масштабных проектов. Привлекают условия с прописанными сроками, ресурсами, которые в этих определённых узких рамках нужно выполнить.
Любая задача имеет решение. Неинтересно делать то, что ты уже делал много раз. Интересно что-то новое, интеграция с другими продуктами. Поэтому постоянно приходится учиться, прокачиваться.
Изначально позвали решать конкретные управленческие задачи, так как у меня есть соответствующий бэкграунд, опыт и образование по направлению ремонта оборудования. Оборудования, от бесперебойной работы которого зависят поставки тысяч тонн стали.
Мотивацией стало решение сложных задач и желание преодолеть организационные сложности в новой сфере. Сейчас у меня много новых достаточно масштабных проектов. Привлекают условия с прописанными сроками, ресурсами, которые в этих определённых узких рамках нужно выполнить.
Александр Сальник
Начальник отдела разработки и тимлид направления бэкенда
Прежде всего я поднял на новый уровень свои софт-скилы. Вообще, для того, кто хочет здесь работать, самое главное — ответственность и исполнительность. Плюс важно желание коснуться производства, побывать на нём. Если хочешь не только оказать влияние на сайтик, чтобы какой-то менеджер был доволен, а сделать утилиту или какой-то подсказчик-оптимизатор, который может приносить миллионы долларов ежемесячно, и если хочется осознания, что с его помощью можно сэкономить на уровне вот таких объёмов, — то это дорога к нам. Наши проекты дорогостоящие, и эффект от них колоссальный.
Андрей Косинцев
Data Scientist
Я научился ещё раз проверять то, что на первый взгляд кажется истиной. Данные и статистика — наши лучшие друзья. Я прокачался в доменной области, стал лучше понимать различные процессы горнодобывающего и металлургического производства, разобрался в технологиях транспортировки руды, этапах её обогащения, влиянии характеристик руды и других параметров на результат. Изучил этапы обработки и особенности производства стали — и в целом, и отдельных марок: какие химические элементы могут восстанавливаться в процессе обработки; зачем нужны продувки стали и на что они могут повлиять; каким образом сталевар проводит отдачу ферросплавов, чем он руководствуется в ходе различных технологических процессов и многое другое. Для поиска решения проблем порой приходилось даже читать учебники и другие книги в этой области. А самое интересное, на мой взгляд как Data Scientist'а, — это именно находить применение и, соответственно, видеть эффект от прогнозных моделей в технологической цепочке.
Вообще, я пришёл сюда, потому что было интересное для меня направление — искусственный интеллект. HR хотел позвать меня в АСУТП (автоматизация систем управления технологическими процессами), но я предложил свою кандидатуру в отдел искусственного интеллекта. По факту перешёл из проектировщика, который на верхних уровнях описывает, что должна делать система, к тому, чтобы самому это руками делать. Мне кажется, это важно для любого программиста — видеть, что твоей разработкой пользуются реальные пользователи для решения реальных проблем.
Мотивирует причастность к общему глобальному делу. Хочется реально влиять на процессы, улучшать их. Нравится, что получаешь очень много хард-скилов, работая с новыми технологиями. Первые мои проекты были классическим Data Science — числовыми, сейчас на новых проектах уже подключаем видеоаналитику. Некоторые платят деньги, чтобы получить эти знания и опыт, а тут на производстве можешь сам прокачаться и достичь того же. При этом не занимаешься технологиями ради технологий, а прикладываешь их к задачам бизнеса, то есть «в стол» ничего не уходит, нет работы ради работы.
Вообще, я пришёл сюда, потому что было интересное для меня направление — искусственный интеллект. HR хотел позвать меня в АСУТП (автоматизация систем управления технологическими процессами), но я предложил свою кандидатуру в отдел искусственного интеллекта. По факту перешёл из проектировщика, который на верхних уровнях описывает, что должна делать система, к тому, чтобы самому это руками делать. Мне кажется, это важно для любого программиста — видеть, что твоей разработкой пользуются реальные пользователи для решения реальных проблем.
Мотивирует причастность к общему глобальному делу. Хочется реально влиять на процессы, улучшать их. Нравится, что получаешь очень много хард-скилов, работая с новыми технологиями. Первые мои проекты были классическим Data Science — числовыми, сейчас на новых проектах уже подключаем видеоаналитику. Некоторые платят деньги, чтобы получить эти знания и опыт, а тут на производстве можешь сам прокачаться и достичь того же. При этом не занимаешься технологиями ради технологий, а прикладываешь их к задачам бизнеса, то есть «в стол» ничего не уходит, нет работы ради работы.
Комментарии (9)
xp_hunter
09.11.2021 20:08+3Сейчас такие ЗП в АСУ ТП, что я думал, что оттуда все в ИТ сбежали уже )
А по делу - разве может нейронная сеть управлять тех процессом? Насколько знаю, они же не могут применяться, так как их алгоритмы не детерминированы, а только для анализа уже проделанной работы.
andrey70rus
11.11.2021 07:27+2Никаких автоматических воздействий на тех процесс пока что не применяем (кроме систем, связанных с ОТиПБ, где критично время отклика), т.к. это довольно рискованное мероприятие, да и требования там совсем другие, если интегрироваться с исполнительными механизмами АСУ ТП... Текущий уровень систем - рекомендации для пользователя, а он уже принимает решение.
Нейронные сети также практически не используются (ну разве что в Computer Vision), потому что довольно сложно интерпретируются, а пользователю важно знать причину той или иной рекомендации/прогноза, потому деревья решений, линейные регрессии и прочие интерпретируемые алгоритмы в связке с SHAP - наше все :)
evgdgl
11.11.2021 10:01+1Сейчас такие ЗП в АСУ ТП, что я думал, что оттуда все в ИТ сбежали уже ) - это точно).
Сам имел дело с АСУ ТП в металлургии, химии, пищевой промышленностях. Сейчас получать данные от АСУ ТП вообще не составляет трудностей. Проблема только в том, что если АСУ ТП использует устаревшее оборудование, но и тут тоже решается при помощи IoT, компьютерное зрение и т.п. БД от АСУ ТП должно быть на ИТ стороне - это важно. А вот насчет нейросетей да и в целом - предиктива - миф. Много пытались - пока человек решает толку не будет, не оправдает себя. Из полученого опыта пришел к выводу, что нужно избавлятся от полуавтоматов и приводить все к полному автому, иначе пользы от этих технологий не будет. А для этого само производство должно быть полностью прозрачным зарегулированным и стандартизированным, но этого не позволят сами производственники, отдать всю кухню на автомат категорически не хотят, не потому что автомат не справится, а потому что прозрачности боятся. Так, что все это классно звучит, но на практике все по другому. Сейчас вообще не проблема управлять заводом со смартфона одним глазом и одним пальцем и даже не управлять, а видеть одно значение - прибыль. Ограничения лишь в головах у владельцев процессов. Подумайте сами - сегодня космический аппарат в космосе может ориентироватся и долететь до другой планеты за несколько лет и приземлится в нужном месте. То заставить работать любой станок самостоятельно без человека - ерунда, но станок нужно перестроить, т.к. все оборудование заточено под человека. Производством давно должны заниматся машины, а не люди, у людей масса проблем более сложных, чем какое-то производство и нужно много людей и усилий, чтобы их решать - например уйти от потребительской модели общества или уйти от экономической модели, когда один богатеет за счет миллионов обнищания других или когда одна страна богатеет за счет разрушения других стран вот это проблема для всех людей, а автоматизация в наше время это просто.
На счет SAP ERP - та еще история)
order227
17.11.2021 18:57+1Капитализм иначе работать не может, нет ни одного прецедента. Коммунизм же тоже не достижим в современных реалиях с яркой идеологией потребления, такова природа человека)) Так что не мешайте людям зп получать, а то они совсем без дела окажутся.
arkan1973
19.11.2021 11:28+1Безусловно, нельзя недооценивать полезность АСУТП, но и от чрезмерного восхваления я бы тоже воздержался. По первому образованию я инженер-металлург (Электрометаллургия стали и ферросплавов), поэтому техпроцесс производства стали немного знаю.
Для производственника сталь Х18Н10Т согласно марочнику должна содержать 17-19% Cr по массе. Для менеджера - экономиста 17,5%, а лучше 17,1%. Аналогичная тенденция и по никелю, марганцу и титану. Когда на 100-тонном ковше (а не ЧАНе) есть возможность сэкономить пару тонн легирующих - немногие устоят перед соблазном. Не удивлюсь, что для достижения этого значения, приходится брать дополнительно пару проб, чтобы быть точно уверенным, что состав стали на выпуске будет в пределах допустимого. Не исключено также, что благодаря этому продолжительность внепечной обработки несколько вырастет, что снизит эффективность загрузки оборудования.
Надеюсь что эффективность внедренных решений действительно высока, вот только хотелось бы в числах увидеть...
kr12
05.12.2021 01:23>>оптимизировать расход добавок
т.е. качество упадёт в среднем, но будет приближено к минимально требуемому стандартом?
1cetouch
Хотелось бы больше узнать, как реализовано взаимодействие в рамках производственных линий, каким образом формируются данные с них (если не ошибаюсь, то проблема с мультивендорными линиями имеет место быть) и консолидируются, какие сложности возникади?
Есть ли в планах обратное влияние на тех.процесс в результате предиктивной аналитики, какие кейсы используются?
С какими трудностями сталкивались при интеграции с SAP ERP?
Что планируете в рамках развития персонала на местах? Если брать НТМК, то ЕВРАЗТЕХНИКА до сих пор выглядит топорно в плане воркфлоу работы над проектами и программистами.
andrey70rus
Отвечу по тем вопросам, с которыми сталкивался сам в рамках направления DS :)
В первую очередь данные технологические агрегирует АСУ ТП, как ни странно, второй уровень консолидации данных, необходимых для конкретного проекта - уже БД самого приложения. Сложности могут возникать на этапе - как передать данные из АСУ ТП в БД приложения, если в АСУ ТП они хранятся в проприетарных форматах Historian хранилищ, на помощь приходят дополнительные коннекторы к таким хранилищам (например, стандартные вендорные, если таковые имеются, или самописные). Также могу быть проблемы с глубиной данных, которую хранит АСУ ТП, например 3-6 месяцев, что сильно усложняет аналитику, в таких случаях приходится начинать с изменения подхода к хранению данных. В консолидации данных в разрабатываемом приложении сложностей нет, сформирован устоявшийся стек/стандарты.
Обратное влияние на технологический процесс по результатам предиктива/решения задачи оптимизации осуществляется почти всегда "через человека", то есть человек получает подсказку и принимает решение по ее использованию (если не говорим про кейсы ОТиПБ, когда, например, необходимо автоматически остановить агрегат при нахождении человека в опасной зоне), потому что системы-подсказчики создаются в помощь человеку, а не на замену, плюс все прекрасно понимают, что машинное обучение в 100% случаев не может отработать идеально и при этом хорошо интерпретироваться. Один из примеров влияния на процесс "через человека" приведен в этой статье, про "Подсказчик по отдаче ферросплавов" планируем сделать отдельную статью.
В рамках проектной работы на проектах Цифровой трансформации используем Agile (дейли, демо, барометры, ретро, в общем "все включено"), незнакомые с этой методологией новые команды проходят обучение. При необходимости в рамках проектов команды могут также обучаться новым инструментам, вплоть до изучения конкретных технологий, которые необходимы для реализации проекта, ничего чересчур топорного или забюрократизированного не было замечено за полтора года работы в ЕвразТехнике ИС :)
Bizonozubr
Странно, что так мало в АСУ ТП хранит данные - по нашим регламентам АРМ хранит данные за год, на уровне диспетчерской - 3 года.