AI — это дикий хайп. Все про него говорят. Если ты на этой неделе еще не сказал хоть что-то про нейросети, то ты как Брежнев: медленный, смешной и ретро. Помнят тебя только бумеры, да и то не все. Но значит ли это, что AI не приносит пользу? Доказываю: приносит. Причем в таких тяжелых областях, как энергетика, производство и металлообработка.

Всем привет! В эфире Влад Кармаков, CEO Siberian.pro, компании по разработке цифровых решений. Сегодня я принес вдохновляющие примеры внедрения искусственного интеллекта в промышленности, причем с реальными результатами. А в конце будет самое интересное: расскажу, как понять, нужно ли вашему производству AI-решение, и с чего начать его внедрение.

Примеры использования ИИ в производственных процессах

О цифровых решениях в промышленности я недавно писал другой большой материал. Там я подробно рассказывал об особенностях цифровизации производств, в том числе в России, и темы искусственного интеллекта тоже кратко касался. Ключевые направления здесь — предиктивное сервисное обслуживание, контроль качества, оптимизация и НИОКР.

Вот и давайте разберем несколько реальных примеров внедрения AI в производство в рамках этих направлений.

Как ИИ повышает надежность работы, уменьшает время простоев и снижает затраты на обслуживание

Всякий раз, когда речь заходит об автоматизации производств и конкретно об использовании ИИ в промышленной автоматизации, почему-то всплывает компания Siemens. Возможно, дело в том, что курс на технологические инновации компания взяла задолго до того, как это стало трендом и модным словом.

Siemens интегрирует ИИ в производственные процессы, чтобы проводить предиктивное обслуживание. Речь, конечно, о системе Senseye.  

Алгоритмы машинного обучения анализируют данные оборудования и предвидят поломки, что минимизирует время простоя и расходы на техническое обслуживание. Причем, не в теории, а на практике. Затраты на техническое обслуживание снизились на 30%, а время простоя уменьшилось аж в два раза! Кроме того, благодаря Senseye персонал лучше понимает, что именно не так на той или иной производственной линии, потому что ИИ дает краткое саммари по ситуации вполне человеческим языком.

Впрочем, если от компании Siemens в каком-то смысле априори ожидаешь инноваций, то кейс компании Nestlé несколько более интересный.

Представьте: $200 млн. убытков из-за непредвиденных поломок оборудования. Разорванные контракты и вырванные волосы на голове топ-менеджмента.

Что сделала компания? Наняла специалистов по разработке AI-решений и оцифровала производственные процессы на предприятии. Сначала был небольшой пилот, а затем отлаженное решение масштабировали на другие заводы компании.

Оцифровка включала анализ всех производственных процессов и отображение их в цифровую форму, на базе которой затем обучалась AI-модель. Каждый день база пополнялась двумя терабайтами данных!

Результат превзошел все ожидания. Готовая AI-модель успешно предсказывала 87% потенциальных поломок. И на все про все уходило не больше 15 секунд!

К 2025 году решение внедрили на все 68 заводов компании. Результат?

• На 42% меньше незапланированных простоев;

• на 38% снизились операционные расходы;

• своевременный ремонт повысил срок службы оборудования на 27%;

• и главное: экономия $140 миллионов в год.

Понятное дело, AI — не единственное техническое решение в этих кейсах. Был и промышленный Интернет вещей, и разработка, и аналитика. Но без ИИ ничего бы не получилось. Аналогичные примеры есть у Ford, Audi, Delta Airlines, General Electric и многих других компаний, в том числе в России.

Но давайте посмотрим, где еще будет полезен AI/ML в производственном цехе. Потенциал применения ИИ в производственных процессах огромный, поэтому я охвачу лишь малую часть его возможностей.

Как ИИ помогает контролировать качество продукции

Берем OCR-систему, добавляем машинное обучение — вот тебе и контроль качества. Казалось бы, фактор AI здесь ничего нового не добавляет, однако это не совсем так. Системы распознавания образов на базе нейросетей работают точнее и быстрее традиционных. И уж точно намного превосходят в этом деле человека.  

Скажем, компания BMW внедрила комплексные системы компьютерного зрения на основе ИИ на своих производственных мощностях. В ходе пилотного проекта на одном из европейских заводов компании количество дефектов сократилось на 30% в течение года.

А вот пример из другой области. Samsung внедрила систему контроля качества на основе искусственного интеллекта в процесс производства полупроводников. Система выявляет дефекты с точностью до 99%, поэтому количество брака снизилось примерно на 20%. А с точки зрения бизнеса результат таков: за полтора года число возвратов от клиентов сократилось на треть.

К слову, в производстве полупроводников AI сегодня используют практически на всех этапах: от разработки спецификаций и дизайна новых материалов до трассировки многослойных печатных плат с просчетом взаимодействий между слоями и поиска причин дефектов на полупроводниковой пластине. Вот, например, хороший обзор. В числе интересных кейсов — использование AI для коррекции влияния дифракции на изображение, формируемое подэкранной камерой современных смартфонов.

Если вы думаете, что ИИ на заводе — это игрушка для больших корпораций, то вот вам пример попроще. Европейский производитель деревянной мебели использует ИИ-решения для выявления дефектов в древесине. В итоге возврат по браку свелся к нулю. Буквально.

Оптимизация производства с помощью ИИ

Здесь задача искусственного интеллекта — проанализировать последовательность операций и технологические процессы, а затем попытаться найти пути оптимизации. 

Yates Industries, производитель прецизионного оборудования, внедрила платформу Seraf Manufacturing AI для унификации разрозненных источников данных о производстве. Затем на данные натравили обученную нейросеть для поиска инсайтов и способов оптимизации производства и транспортировки. Итог: сокращение производственных ошибок на 37%, своевременная доставка на 99,2% и сокращение сроков выполнения заказов на 22%.

В Австралии AI-решение воплотил крупный кондитерский завод. Де факто, на базе технологий AI/ML и компьютерного зрения компания Priestley's Gourmet Delights запустила полноценное умное производство. Общий объем инвестиций компании составил 53 миллиона долларов.

Генеративный дизайн продукции, НИОКР

General Motors с помощью AI улучшила конструкцию ремня безопасности, Microsoft обнаружила перспективную замену твердотельного лития для аккумуляторов, а фармацевтическая компания Merck запустила целую AI-платформу для поиска потенциальных молекул-кандидатов для синтеза лекарств.

Примеры использования ИИ в промышленной логистике

Вообще, с математической точки зрения оптимизация маршрутов невероятно сложна. В классической формулировке задача коммивояжера относится к классу NP-трудных, а значит, ее сложность растет экспоненциально по мере роста числа точек маршрута. Очевидно, что AI, будучи компьютерным алгоритмом, тоже потребует полиномиального времени для решения этой задачи, а стало быть, даже в сравнительно простых случаях нейросеть сядет в лужу.

Но решать обобщенную задачу и не нужно. Типичная проблема, с которой имеет дело логист: завтра у нас отправка груза в полдень. При этом производство по графику не успевает вовремя укомплектовать груз. Можем ли мы перенести время погрузки, чтобы дать команде больше свободы? Или, быть может, есть возможность забрать груз раньше с другого склада?

Вот в таких задачах AI-системы блистают. Нейросети отлично умеют находить повторяющиеся паттерны, а получать оптимальный маршрут во всех без исключения ситуациях нам и не надо — достаточно решить конкретный частный случай, понять, что там можно улучшить, и оценить потенциальные риски. Вот этим и занимаются ИИ-системы в примерах, которые я приведу далее.

Как AI управляет логистикой на производстве

Список реальных примеров внедрения ИИ в промышленную логистику стартует с компании PepsiCo, которая успешно внедрила систему управления складской логистикой на основе искусственного интеллекта.

Управлять логистикой на производстве, значит, ежедневно искать ответы на вопросы:

• что есть на складе, в каком количестве и где именно?

• поставки каких товаров и в какие сроки требуются?

• какие поставки ожидаются в ближайшее время?

• как соотносится график производства с поставками?

• какие материалы нужно доставить в определенные точки производственной линии?

• какие погрузчики доступны в терминале склада?

• понадобятся ли вообще погрузчики для разгрузки того или иного транспорта?

Причем эта информация обычно раскидана по разным системам (WMS, TMS, какая-либо логистическая платформа и т.д.), поэтому оптимальное решение в каждом случае опирается на опыт сотрудников и их умение быстро проанализировать эти данные.

Именно такая ситуация сложилась у PepsiCo. До некоторого момента классический подход работал, но ковидные пертурбации не прошли для компании даром.

Внедрили AI. Результат? Тот же объем работы теперь выполняет меньшее число сотрудников. Число перемещений по складу уменьшилось, а ошибки и простои свелись к минимуму.

Как ИИ оптимизировал работу склада

Werner Electric, американский производитель электрического оборудования внедрил логистическое AI-решение на складах. Искусственный интеллект обучили на перемещениях опытных складских рабочих и попросили найти паттерны с учетом измеряемых KPI и мест расположения конкретных товаров на склад. В результате удалось оптимизировать передвижение погрузчиков по складу: скорость доставки груза со склада увеличилась, а число холостых перемещений сократилось на 40%.

А что насчет безопасности? Для сокращения числа инцидентов и увеличения производительности компания CJ Logistics использовала решение на основе ИИ, камер наблюдения и датчиков. Система анализирует весь объем склада в реальном времени в связке с WPS-системой. Если AI видит, что в какой-то части склада «запара», он автоматически выводит предупреждение и показывает, какие именно работники загружены сильнее всего в данный момент.

Нарушений ТБ стало на 73% меньше, число инцидентов сократилось на 98%, а производительность и контроль за процессами улучшились.

Похожие AI-системы есть у Nestlé, DHL, Unilever и других компаний. А мы переходим к следующей сфере, где промышленные предприятия выигрывают от внедрения искусственного интеллекта.

Примеры использования ИИ в управлении персоналом

Вообще говоря, ускорить многие HR-процессы с помощью AI — хорошая идея, даже если речь идет не о промышленности. Согласно инсайтам Gartner, не менее 11% компаний активно используют AI-инструменты в найме, а еще 18% компаний пробуют пилотные решения. Например, мы в своей компании тоже используем AI для решения рутинных задач наших эйчаров. Однако в производственных кадрах есть своя специфика.

ИИ-чат-боты

Окей, здесь нужно аккуратно. Действительно, внедрение чат-ботов существенно ускоряет процесс найма. Вместо личного общения с каждым кандидатом мы инструктируем чат-бот задать кандидату все интересующие нас вопросы и ответить на типовые вопросы кандидата о компании.

Вместе с тем, отсеивать кандидатов все же лучше вручную. Доверять чат-боту решать, кто подходит на позицию, а кто — нет, я считаю, не следует. А с учетом общего негативного опыта общения соискателей с разного рода ботами, нужно явно дать понять кандидату, что решение будут принимать именно люди.

Но в целом, ИИ-чат-бот для отдела кадров позволяет здорово уменьшить нагрузку.

ИИ ускоряет скрининг резюме и результатов собеседований

Онбординг узкого специалиста на промышленном предприятии — задача многоэтапная и ответственная. При этом второй (третий и т.д.) этапы собеседования уже требуют времени довольно высокооплачиваемых специалистов, поэтому экономически выгодно продолжать собеседовать только самых интересных кандидатов. Но как их выявить? С помощью AI.

Например, одному из наших клиентов мы разработали AI-решение для быстрого отсева кандидатов после первичного собеседования. Инструмент ориентируется на критерии, сформулированные при непосредственном участии техлидов, и, как показало тестирование, дает оценку навыков кандидата в 90% случаев совпадающую с человеческой. При большом потоке кандидатов это резко сокращает нагрузку как на кадровый отдел предприятия, так и на профильных специалистов, которым теперь не нужно собеседовать заведомо неподходящих кандидатов. 

А в Unilever с помощью похожей системы вообще умудрились за год нанять 30 тысяч человек, не «потрогав» ни одного резюме. Соискателей по всему миру было больше миллиона! Представляете, какая нагрузка на кадры? Если не представляете, то я озвучу: 70,000 человеко-часов.

Другие примеры: Electrolux, IBM, Сбер и многие другие компании.

Административные задачи

HR — это не только наём, это буквально человеческие ресурсы. Поэтому на ИИ можно повесить самые разные рутинные, но важные HR-задачи, которые имеются на любом предприятии, а уж на промышленном их тем более в достатке:

• отвечать на вопросы по первичному инструктажу;

• рассчитывать заработную плату;

• подавать заявки на детали;

• заполнять таможенные документы;

• проверять расчеты с контрагентами;

• составлять графики смен;

• вести журналы.

Все эти действия быстро и эффективно может выполнять ИИ. Представьте, что нужно составить несколько сотен описаний для таможенной декларации каких-нибудь запчастей для производственного оборудования из Китая. Руками? Это несколько десятков часов работы минимум. И хорошо еще, если исходный каталог на английском будет. А если нет? Нейросеть же справится за 15 минут. При этом за счет интеграции с другими информационными системами весь процесс будет полностью автоматическим.

И вновь приведу пример из опыта моей компании. Мы разработали систему AI для поиска тендеров, что позволило значительно сократить временные затраты и ускорить работу. В другом случае внедрение простого инструмента на базе ИИ позволило заказчику повысить производительность аутстаф-подразделения в 4 раза.

Еще мы автоматизировали расчет заработной платы у себя в компании, тоже с AI-шкой. Да и вообще активно внедряем AI в самые разные производственные процессы. Я мог бы еще приводить и приводить другие примеры, но пора переходить к главному: как это дело внедрить у себя.

Рекомендации по внедрению AI в промышленности

Сначала общие рекомендации.

1. Начните с малого. Выберите одну-две конкретные проблемы, где AI может принести быстрый и измеримый результат. Например, пилотный проект по предиктивному обслуживанию одного типа станков или HR-автоматизация.

2. Сформулируйте конкретную цель. Для чего вашему производству нужен AI? Каких результатов вы хотите добиться с его помощью? Скажем, снизить процент брака на такую-то величину. Увеличить производительность отдела. Помочь новым сотрудникам влиться в производство, и т.д. Не помешает заранее обозначить желаемые KPI.

3. Определитесь с данными. Успех всего мероприятия зависит от высококачественных данных и бесшовной интеграции с существующими системами. Допустим, мы хотим обучить ИИ предупреждать нас о необходимости обслуживания оборудования. По каким данным сейчас это устанавливается? Достаточно ли этих данных? Какого они качества? Есть ли там субъективная составляющая? Как вы планируете собирать эту информацию и где будете ее хранить?

4. Оцените инфраструктуру проекта. Что есть сейчас, что понадобится дополнительно (сервера, сеть, безопасность, необходимость интеграции с WPS, ERP, SCADA и т.д.)

5. Определитесь с бюджетом. Исходя из предположения, что желаемый KPI будет достигнут, оцените экономический эффект от внедрения. Посчитайте, какие затраты потребуются на инфраструктуру, обучение сотрудников, оплату разработки и внедрения ИИ в промышленность.

6. Найдите правильных партнеров. Интеграция AI с «зоопарком» промышленного оборудования (возможно, не самого современного) — задача нетривиальная. Если у вас нет собственной сильной команды по AI, ищите разработчиков с опытом работы именно в производстве. Если у них есть опыт в IoT — еще лучше.

7. Внедрение и оценка результатов. AI — это не статичное решение. Технологии развиваются, появляются как новые возможности инструментов, так и новые данные с производства.

Сколько стоит разработка AI-решения для производства

Когда я общаюсь с представителями разных индустрий, вижу неподдельный интерес к сфере ИИ. Многие руководители предприятий заявляют, что с радостью заплатят за решение их проблем с помощью искусственного интеллекта и нейросетей (а проблемы действительно есть).

Нюанс в том, что большинство компаний на рынке AI-разработки в России пока не могут показать конкретного портфолио в этой сфере. Хуже того: зачастую у исполнителя нет даже понимания того, как подступиться к подобным задачам. Ну, а производственники не горят желанием за свой счет тестировать чужие гипотезы с неочевидными перспективами. Уловка 22.

Однако выход есть. Я его обозначил выше: начните с малого. Разработка простого AI-инструмента автоматизации какого-то одного процесса обойдется совсем недорого, внедрить такой ИИ на предприятии можно моментально, а эффект почувствуете с первых дней. За это время вы и подход разработчика оцените, и его квалификацию, да и сами лучше поймете, чего хотите, и уже тогда можно будет обсудить что-то посложнее.

Скажем, разработка мобильного приложения для сотрудников с AI-функциями будет стоить не сильно дороже аналогичного приложения без таких функций. А автоматизация документооборота или заполнение документов с помощью AI можно и вовсе воплотить за совершенно смешные деньги, до 500 тыс. руб.

Если статья показалась вам полезной, буду рад видеть вас в моем Телеграм-канале. Там размышляю о роли руководителя, своих находках в управлении и проблемах, с которыми сталкиваюсь на пути CEO IT-компании. И конечно, всегда рад подискутировать или проконсультировать по вопросам продуктовой разработки.