В чем преимущество индустриального Интернета вещей и как обнаружить данные там, где их, кажется, быть не может? Ваэль Эльрифаи, старший директор по корпоративным решениям компании Hitachi Vantara, в своем интервью рассказал, как заставить старые системы взаимодействовать с современными и внедрить технологии машинного обучения.
У предприятий, работающих уже давно, накопилось большое количество традиционных ИТ-систем. У них большой срок службы, но они мало совместимы с решениями нового поколения. К тому же затраты на замену старых систем вполне могут перевесить прогнозируемые выгоды для бизнеса. Что делать руководителям предприятий, чтобы объединить возможности Интернета вещей и машинного обучения с традиционными инфраструктурами?
.jpg) |
| Ваэль Эльрифаи: «Типичная проблема с новыми технологиями заключается в том, что люди ищут проблемы. Это не имеет смысла. Ищите решение!» |
Меня удивляет, почему мы подходим к этому вопросу так, будто в прошлом эти системы не генерировали никаких данных. Не забывайте: бизнес уже давно использует множество роботизированных систем, и они оснащены датчиками, которые приносили данные в течение десятилетий. Такие системы, как программируемые логические контроллеры (ПЛК) и системы диспетчерского управления и сбора данных (SCADA), уже давно занимаются сбором промышленных данных. Сейчас нужно только извлечь эти данные из систем. Для этого создаются так называемые средства интеграции данных.
Расскажите, что такое прогнозное обслуживание и как быть тем предприятиям, на которых сбор данных никогда не осуществлялся?
Прогнозное обслуживание – технология тоже отнюдь не новая. С ее помощью бизнес может снизить стоимость вычислительных ресурсов и систем хранения. Здесь действует положительная обратная связь: если компании удается собирать больше данных, она может производить более сложные вычисления – в частности, использовать прикладную математику, машинное обучение и искусственный интеллект (ИИ).
И наоборот, в ситуациях, когда производство чисто механизированное и роботизация и сбор данных не используются в принципе, необходимо искать любые способы их получения. Для этого может потребоваться дооснащение производства, однако, по моему опыту, немало данных уже присутствует в системах – на них просто никто не обращает внимания.
В некоторых отраслях внедрение систем Промышленного интернета вещей ( IIoT ) продвигается довольно быстро, тогда как другие отрасли даже не интересуются подобными технологиями. Как убедить традиционный бизнес в том, что Интернет вещей и машинное обучение приносят реальную выгоду?
Сложные методики машинного обучения активно используются, например, в портовой отрасли. Так, логистические компании применяют метод имитации отжига топлива, чтобы оптимизировать планирование судовых перевозок — благодаря этому портовые краны выполняют нужные действия в нужное время, а грузовые контейнеры перемещаются в соответствии с оптимальным графиком.
Это пример очень эффективного использования машинного обучения. Однако недавно мне довелось побывать на сталелитейной фабрике, которая стремилась повысить эффективность производства. Несколько раз в день там происходили сбои в работе. Из-за них продуктивность компании падала примерно на 10% – для сталелитейной отрасли это огромная цифра. Проблема давала о себе знать довольно необычным образом: помещение аппаратного зала начинало вибрировать. Когда фабрика решила взяться за эту проблему, применив методики прогнозного обслуживания, ее руководство даже не подозревало, что все необходимые данные у них уже есть.
На этом предприятии учитывались только несколько параметров — пять, десять или двадцать – тех, что использовались в системе SCADA. Персоналу не пришло в голову интегрировать их с тысячами других источников данных. Методики статистического анализа, которые применяют сегодня фабрики, имеют малую размерность. Убедить специалистов расширить масштаб анализа – значит объяснить им, что это просто логическое продолжение того, что они уже делают.
Какую роль играет человек в машинном обучении – помимо того, что пишет изначальные алгоритмы?
Человеческий фактор – действительно важный аспект при использовании машинного обучения и искусственного интеллекта. Если говорить о контролируемом обучении – по сути, просто прогнозировании, то контрольные данные, которые используются для тренировки таких систем, зачастую поступают именно от человека. И эти системы должны развиваться, поскольку технологии не стоят на месте, развивается и требует большего бизнес, который их использует. Думаю, люди всегда будут участвовать в процессах организации ИИ, помогая устанавливать базовые истины. По крайней мере — в обозримом будущем.
Может ли машина полностью заменить человека на производстве?
Надо отметить, что нередко на фабриках вероятность отказа оборудования оценивают несколько разных алгоритмов, но и эксперты тоже принимают в этом участие. Используя подобные методы – коллективные, если угодно, вы получаете более точные результаты. К примеру, машина самостоятельно способна дать прогноз с точностью 75%, а человек – с точностью 68%. Объединив их усилия, вы получите более высокий показатель, скажем, 80 или 85%. Возможности для совместной работы человека и машины пока сохраняются. Не думаю, что алгоритмы уже сейчас способны целиком взять на себя эту задачу.
Многие компании в принципе настороженно относятся к любым новым технологиям. Почему так происходит?
.jpg) |
| Все, что требуется, чтобы подключить традиционное оборудование к системам IIoT, – это организовать базовую инфраструктуру инженерии данных или машинного обучения. Это недорого |
Типичная проблема с новыми технологиями заключается в том, что люди ищут проблемы. Это не имеет смысла. Ищите решение! Начните со сценариев использования технологий. Таков универсальный совет для всех компаний, планирующих подключить традиционное оборудование к системам IIoT.
Кажется, сложилось мнение, будто это требует чрезвычайно больших затрат. В действительности все, что требуется, – это организовать базовую инфраструктуру инженерии данных или машинного обучения. Это недорого. Сейчас существует множество средств автоматизации, позволяющих упростить машинное обучение. Когда бизнес пытается строить модели машинного обучения, примерно 80-90% вкладываемых усилий приходится на инженерию данных и функций, подготовку данных, их фильтрацию – на все эти простые задачи.
А между тем многие процессы подготовки данных к инженерии можно выполнять автоматизированным способом. Мне кажется, люди этого не понимают. Они пытаются использовать старые инструменты для решения новых проблем.
Интернет вещей в России: что наблюдаем?Рассказывает Александр Тимчур, архитектор направления «Аналитика и Промышленный интернет вещей» Hitachi Vantara в North EMEAВ каких отраслях российской экономики наиболее востребованы Промышленный интернет вещей и машинное обучение? Почему? В России я наблюдаю развитие проектов Промышленного интернета вещей и предсказательной аналитики в основном в таких сферах, как ЖКХ, агробизнес, химическая промышленность, производство металлов и добыча полезных ископаемых. Тенденции, которые лежат в основе развития этих проектов, различны: часть из них прогрессирует на волне моды на IoT, или, как сейчас говорят, хайпа. В других же сферах бизнес признает возможность создания качественно новых продуктов и услуг, ощутимого улучшения характеристик существующих процессов или значительного снижения затрат (например, на ремонт оборудования или – как бы банально это ни звучало – на снижение убытков от воровства). Какие проблемы во внедрении и использовании Интернета вещей существуют на российском рынке? Причины, затрудняющие внедрение IIoT-проектов, разнообразны. Во-первых, недостаток опыта. Наличие публичных кейсов не помогает индустрии – открытая «маркетинговая» информация о вариантах применения Интернета вещей в большинстве случаев мало полезна. Я лично сталкивался с тем, что многие предприятия, стоит им добиться успеха в применении IIoT, начинают скрывать значимые подробности проекта — не хотят терять конкурентных преимуществ. Множество стартапов и компаний-интеграторов, открывших для себя практики IIoT или Data Science, пытаются повторить «успешные» кейсы, не обладая достаточным опытом в этом, и лишь умножают число проваленных проектов. Неуспешные проекты в свою очередь снижают доверие бизнеса к индустрии и заставляют откладывать развитие IIoT. Во-вторых, в основе подобных проектов лежат не только датчики, парадигма сбора данных через Интернет и настроенные прогнозные модели. Все перечисленное связывает друг с другом технологическая платформа, отвечающая за промышленную подготовку, очистку, хранение и обогащение данных, а также принятие бизнес-решений, основанных на реакции прогнозной модели. Именно это позволяет встроить «магию» машинного обучения в отлаженные технологические процессы. Поэтому одним из критериев зрелости IIoT-практик у интеграторов является наличие подобной платформы, выбранной из существующих на рынке или построенной самостоятельно. Так ли много данных, пригодных для Промышленного интернета вещей и машинного обучения, в действительности есть у российских предприятий? Ситуация на предприятиях различна даже в рамках одной индустрии, но в целом можно сказать: данных недостаточно. Даже в тех случаях, когда компания обладает оборудованием, уже оснащенным датчиками контроля технологических процессов, эти данные утрачиваются. С другой стороны, нельзя бездумно собирать (и хранить) все возможные данные в надежде использовать их в дальнейшем. Здесь важнейшим фактором является наличие технологического партнера, который выберет индустриальную предсказательную модель, соберет подходящие данные, исключив загрязняющий «шум», обогатит их данными корпоративных систем и настроит модель именно под технологические процессы выбранного предприятия. |
