Вслед за пионерами в области цифровизации, такими как банки, телеком или ретейл, промышленные предприятия активно осваивают современные технологии, среди которых, безусловно, особая роль отводится управлению данными и системам искусственного интеллекта. Об опыте реализации проектов цифровизации корпоративных бизнес-процессов, а также о применении предиктивной аналитики для повышения качества продукции и доступности оборудования рассказывает Евгений Гаранин, вице-президент по цифровизации и информационным технологиям АО «ТВЭЛ» (входит в топливный дивизион Росатома).
«Искусственный интеллект обеспечивает новый уровень автоматизации»
— Евгений, какое значение для ТВЭЛ сегодня имеют технологии искусственного интеллекта? Есть ли отраслевая специфика в подходе к этим технологиям?
— Тема искусственного интеллекта нам очень близка: Топливный дивизион Росатома реализует разнообразные проекты в этой области с 2018 года. Наш подход к этим технологиям в целом скорее классический — как к неким системам, которые могут самостоятельно принимать за человека определенные решения или ассистировать пользователям при принятии решений. Пока по большей части это, конечно, инструменты поддержки: настраиваемые алгоритмы, машинное обучение, нейросети, с недавних пор генеративные модели. Они используются как в корпоративных процессах, так и в производственных. На основе технологий искусственного интеллекта мы в том числе разрабатываем платформу промышленной цифровизации и предиктивной аналитики «АтомМайнд».
В качестве отраслевой специфики, наверное, стоит указать, что мы осваиваем доступные на рынке AI-технологии другими темпами, нежели, например, ретейл или финансовые организации, и работаем с ними несколько иначе. В нашей отрасли очень важно максимально избегать всевозможных рисков, связанных с производством и дальнейшей эксплуатацией наших изделий. Именно поэтому мы выбираем решение высокого уровня зрелости, тщательно испытываем его в пилотных проектах и только потом, если все проходит удачно, внедряем и тиражируем.
— Какие тренды в области искусственного интеллекта сегодня актуальны для промышленных предприятий?
— Одна из основных тенденций — это зонтичное распространение технологий искусственного интеллекта и усиление их влияния на бизнес-процессы. В 2000–2010-х годах компании начали массово заниматься внедрением базовой автоматизации, необходимой для быстрого и качественного принятия управленческих решений на основе достоверных данных. Ведь такие информационные системы, как, например, SAP или 1C, помимо своей ключевой учетной функции, являются, по сути, еще и системами поддержки принятия управленческих решений. Сейчас им на помощь активно приходит искусственный интеллект, обеспечивая новый уровень цифровизации.
До 2030 года мы планируем получить более продвинутую систему, которая по ряду функциональных областей сама научится принимать управленческие решения. Сейчас чаще всего на финальной стадии бизнес-процесса какое-то типовое действие совершает все-таки человек: например, согласует документ или отправляет партию продукции в брак по результатам автоматизированного анализа. В обозримом будущем мы, скорее всего, начнем доверять программе настолько, что участие человека в таких процессах уже не понадобится.
— Какие бизнес-процессы уже отданы под управление алгоритмов и нейросетей?
— Прежде всего мы занялись внедрением элементов искусственного интеллекта не в промышленные, а в корпоративные процессы. Хорошим опытом для нас стала автоматизация закупочной деятельности ТВЭЛ, которая сильно регламентированна и связана с обработкой большого объема данных. Первая часть проекта затрагивала начальную стадию закупки — этап согласования технического задания всеми внутренними службами. Очень важно составить его корректно, без нарушения каких-либо юридических и регламентирующих норм, с учетом стоимости разработки решения или требуемых материалов. Раньше из-за необходимости различных доработок техзадания на закупку у нас могло проходить 3–4 круга согласования, что занимало много времени.
Мы научили нейросеть проверять документы на наличие ошибок с помощью технологии анализа неструктурированного текста. Теперь перед согласованием мы загружаем ТЗ в систему, и она, например, может сказать инициатору: «Этот документ точно не будет согласован, следует обратить внимание вот на это и это
Вторая часть проекта была связана с формированием начальной (максимальной) цены контракта. Сам сбор данных — не очень сложная задача, которую можно доверить роботу: аккумулировать сведения о ценах из общедоступных источников, направить адресные запросы на получение коммерческих предложений поставщикам, а также собрать заявки с нашего собственного сайта мониторинга цен. Но далее мы сталкиваемся с проблемой обработки присланных коммерческих предложений. Они могут поступать как в форме красивых электронных таблиц, так и в форме отсканированного PDF-документа. Качество сканера и бумаги могут быть не очень хорошими, но мы должны одинаково их обработать: узнать предлагаемую цену, понять, готов ли поставщик в целом обеспечить нас продукцией в нужный срок, и т. д. Это уже задача для технологии компьютерного зрения, для качественного распознавания образов.
— Другими словами, искусственный интеллект вы используете на всех стадиях закупок?
— Действительно, это так. Замыкание закупочного цикла у нас связано с получением от каждого потенциального исполнителя большого набора многостраничных документов. Раньше специалистам приходилось вручную проверять их на соответствие условиям закупки. Теперь с помощью автоматизированного анализа неструктурированной информации и образов это делается гораздо быстрее. Система быстро отмечает документацию, которая не соответствует условиям или создана с ошибками, может рекомендовать закупочной комиссии сделать дополнительный запрос, если поставщик не указал какие-то сведения. Таким образом на всех стадиях процесса закупок мы уже используем искусственный интеллект.
С применением похожего технологического стека мы разработали систему проверки научно-технических отчетов. Когда мы поставляем топливо заказчику, то вместе с продукцией отдаем ему техническую документацию. А поскольку мы продаем топливо в том числе за рубеж, то и документация требуется на языке заказчика. Встает задача профессионального перевода технических текстов. Так, например, слово «напряжение» можно перевести на английский и как voltage, и как tension. Во втором случае документация на ядерное топливо будет выглядеть, мягко говоря, странно. Таких примеров можно привести много. Автоматизированный анализ научно-технических отчетов на иностранных языках нейросетью позволяет нам предотвратить возникновение подобных неточностей, что напрямую влияет на нашу репутацию.
— Чем дальше, тем больше? Какие еще корпоративные процессы можно автоматизировать?
— Например, в настоящий момент мы проверяем гипотезу, насколько качественно нейросеть может оценивать степень вовлеченности сотрудников, предупреждать их выгорание и уход из компании. Это очень важно для сохранения работоспособности команды. Чем раньше руководитель получит оповещение о потенциальной кадровой проблеме, тем быстрее он сможет принять необходимые меры: побеседовать с человеком и выяснить причину недовольства либо, в крайнем случае, инициировать подбор нового кандидата на освобождающееся место.
Мы начали пилотный проект с участием технологии генеративного искусственного интеллекта, корпоративного аналога ChatGPT. В нашей отрасли очень много регламентов, нормативных актов, ограничений и правил. И, например, когда новый сотрудник знакомится с процедурами закупок, ему приходится искать опытного специалиста, расспрашивать его, фиксировать полученную информацию, искать и изучать регламенты. Но, конечно, это не очень удобно и эффективно. Было бы неплохо научить генеративную модель работе с корпоративной базой знаний. Например, сотрудник в чат-боте задает вопрос, как ему начать новый проект, как организовать закупку, и система на основе анализа регламентирующих документов дает ему краткую инструкцию, а также генерирует One Page инструкцию. Этот проект мы сегодня реализуем в рамках глобальной программы Росатома — «Ускорение».
Также мы тестируем применение технологий искусственного интеллекта в бизнес-процессах, связанных с нормоконтролем при создании технической документации и с проверкой подготовленных конструкторских документов (чертежей, 3D-моделей и т. д.) на соответствие согласованному техническому заданию.
«АтомМайнд»: предиктивная аналитика, настройка, балансировка
— Вы упомянули платформу «АтомМайнд». Как она появилась? Что из себя представляет и для каких задач применяется?
— Платформа «АтомМайнд» — решение, отвечающее потребности нашей компании в управлении на основе больших данных.
В структуре ТВЭЛ находятся более десяти крупных производственных предприятий. Их IT-инфраструктура состоит из множества различных систем, генерирующих данные: MES (Manufacturing Execution System — система управления производством), ERP (Enterprise Resource Planning — система планирования ресурсов), лабораторные системы, системы управления инженерными данными и т. д. Также данные поступают и с датчиков, расположенных на промышленном оборудовании и автоматизированных системах управления технологическим процессом.
Два года назад мы решили проверить гипотезу о том, что с помощью этих данных можем управлять выходом годного: прогнозированием доли качественной продукции и уровня брака. Условно говоря, если технологический цикл изготовления оболочек для топлива составляет четыре месяца, то уже к его середине или даже раньше на основании параметров, снятых с оборудования, мы можем достаточно точно рассчитать итоговый выход годного. И если он не соответствует целевым показателям, мы сразу же можем отправить партию на переплавку или скорректировать технологические параметры оборудования. С этой целью мы обучили несколько моделей, которые в итоге предсказывают выход годного с точностью 97%. Уже сегодня они работают в «АтомМайнд».
— Можете ли вы рассказать о том, как она работает, на примере кейса?
— Решение уже находится в постоянной эксплуатации на Чепецком механическом заводе в Глазове, сопровождая технологический цикл изготовления одного из видов продукции. Платформа «АтомМайнд» собирает данные, находит нужную модель для их обработки, проводит анализ и выдает результат. Система может рассчитать выход годного по определенной партии и рекомендовать оптимальные параметры настройки оборудования для улучшения показателей качества. Положительный эффект от этого внедрения уже подтвержден статистикой: уровень брака снизился с 2,3% до 0,9%. Таким образом реализуется первая функциональная область платформы: предиктив по качеству продукции.
Далее, дооснастив оборудование дополнительными датчиками, мы сможем делать предиктив по техническому состоянию и обслуживанию станков — предсказывать выход из строя тех или иных компонентов. Таким образом с помощью «АтомМайнд» мы можем перейти от планового ремонта к ремонту по состоянию. Это существенно экономит временные, финансовые и человеческие ресурсы, а также способствует оперативному реагированию специалистов на изменение параметров оборудования, которое может свидетельствовать о возникновении неисправности.
Третья сфера применения «АтомМайнд» — это совокупность различных наукоемких задач, когда человеку необходимо принимать решения на основе большого количества исторических данных по какой-то операции, например настройке оборудования или балансировке элементов изделий. Аналитическая система делает это быстрее и качественнее.
Также мы будем создавать на базе платформы «АтомМайнд» централизованный сегмент, где наши предприятия смогут обмениваться моделями, обучать их на основании данных с других предприятий. Например, если на двух заводах установлены одинаковые печи спекания BTU, но у каждого из них недостаточно данных для того, чтобы обучить модель, мы можем консолидировать данные этих предприятий и предоставить решение, полезное обоим.
— Как еще можно использовать возможности платформы?
— Тремя перечисленными выше направлениями «АтомМайнд» не ограничивается. По сути, платформу можно использовать для предиктивной аналитики по любым видам данных. Кроме этого, мы можем с ее помощью реализовывать функционал АСУТП-систем, а также подключать к ней системы компьютерного зрения, носимые устройства для контроля требований по охране труда и т. д. Поэтому «АтомМайнд» — не только самое популярное решение у внутренних заказчиков в рамках Топливного дивизиона Росатома, но и флагманский продукт в цифровой экосистеме Росатома, который компания выводит на внешний рынок.
— Получается, что потенциальная аудитория пользователей «АтомМайнд» не ограничивается промышленными предприятиями атомной отрасли? Это вообще практически весь крупный бизнес, госорганизации?
— Можно сказать и так. «АтомМайнд» умеет интегрироваться со всеми системами, СУБД, работать с любыми стеками больших данных. Технологически нет особой разницы, какие данные платформа обрабатывает: показатели датчиков станка, ERP-системы, учетной системы магазина или какой-то другой. Главное — сформировать правильный датасет, на котором строится модель.
Мы представили решение на внешнем рынке в прошлом году. Сегодня мы уже завершаем первый пилотный проект внедрения, а также ведем переговоры с несколькими потенциальными заказчиками.
— Всегда ли внедрение «АтомМайнд» связано с проектной деятельностью? Или можно говорить о каких-то «коробочных» решениях для узконаправленных задач?
— Наша платформа не подразумевает создания внутри нее «коробочных» продуктов. Любая реализация состоит из набора мероприятий. Один-два месяца уходит на формулировку и подтверждение гипотезы о том, что собранных в организации данных достаточно для обучения модели. Далее мы заходим в проект, встраиваем платформу в IT-ландшафт заказчика, собираем реальные данные, обучаем модель, верифицируем, согласуем с требованиями по безопасности и т. д. Все это необходимая проектная деятельность.
«В наших силах сделать так, чтобы 2045 год принес новый прорыв для человечества»
— Какие нюансы, подводные камни должен учитывать заказчик перед тем, как начинать внедрение системы на основе технологий искусственного интеллекта?
— Сегодня концепция управления большими данными, предиктивная аналитика — действительно очень популярная история. Но часто внедрение технологий искусственного интеллекта осложняется дефицитом данных для обучения модели. Даже несмотря на то, что в Топливном дивизионе количество накапливаемых данных экспоненциально растет, — как ни удивительно, их зачастую не хватает. Вернее, хотелось бы иметь их еще больше.
Вторая проблема — необходим принципиально другой подход к проектам. Когда заказчик принимает проект, ему надо проверить, что система работает правильно. Это можно сделать, например, запустив систему на исторических данных. Но если даже система сработала правильно, хватит ли у заказчика воли для того, чтобы доверить ей работу в реальных, а особенно в производственных процессах? Это довольно сильный психологический барьер, который также нужно принимать во внимание.
— Какие компетенции нужны заказчику, чтобы войти в такой проект?
— Прежде всего, нужно понимание того, что в организации накоплено достаточное количество данных, которые можно как-то монетизировать на внешнем рынке или получить от них дополнительный эффект во внутренних бизнес-процессах. Для этого очень важно научиться грамотно хранить данные: собирать, классифицировать, отбирать нужные, структурировать, резервировать, обогащать.
После этого компания начинает формулировать и проверять гипотезы, верифицировать, то есть проверять корректность работы моделей. Здесь, если говорить о производстве, носителями ключевых знаний, core competence становятся технологи и конструкторы. Будучи погруженными в технологические процессы, они понимают все правила и основные зависимости в них, например, насколько влияет на качество выпускаемой продукции уровень влажности на производственной площадке, те или иные настройки оборудования.
Стоит также понимать, что первый в организации проект с использованием технологий искусственного интеллекта может не дать значительных прямых эффектов, ведь на него будут влиять инфраструктурная составляющая, расходы на обеспечение безопасности и многое другое. Но один раз пройдя этот путь, при реализации следующих проектов компания уже получит намного более заметные результаты. Например, мы, внедряя на своих предприятиях функциональность предиктивной аналитики по качеству и техобслуживанию, рассчитываем на то, что в дальнейшем пользователи будут сами находить перспективные кейсы и ставить задачу по их реализации на платформе.
— Как будет развиваться платформа «АтомМайнд» в ближайшие два года?
— Среди основных задач по доработке — расширение функционала, встраивание в платформу системы мониторинга оборудования, создание уже упомянутого централизованного сегмента, который позволит обмениваться моделями и совместно использовать данные разных предприятий. Очень важная для заказчиков история — сертификация платформы во ФСТЭК для обработки информации с грифом «Для служебного пользования» или данных, составляющих коммерческую тайну.
— А если заглянуть чуть дальше в цифровое будущее, каким вы его видите? И насколько велика роль Росатома, его Топливного дивизиона в развитии высоких технологий?
— Сегодня множество высокотехнологичных компаний занимаются проектами с применением искусственного интеллекта. Эту историю активно продвигают коммерческие организации и научные институты, органы власти и госкомпании — большой консорциум заинтересованных структур во всем мире и в России. И если мы не будем заниматься искусственным интеллектом, то он продолжит развиваться без нас, а мы не получим от него конкурентных преимуществ.
В наших силах сделать так, чтобы 2045 год, когда, по прогнозам футурологов, наступит технологическая сингулярность, принес не новые риски, а новый прорыв для всего человечества.
