FAQ по системам искусственного интеллекта на производстве

Проекты цифровой трансформации изначально сопряжены с риском в силу своей инновационности. Снизить «слепые пятна» на старте проекта помогает активный диалог с исполнителем и ответы разработчиков, которые проясняют и детализируют этапы или способы реализации. В статье собрали серию вопросов, которые задают наши заказчики на пресейле, участники конференций и вебинаров по теме построения предиктивных и оптимизационных систем на производстве.

1.    Какие инструменты вы используете в своих решениях?

При разработке систем мы используем собственные и программные компоненты с открытым исходным кодом — open-source.

2.    Какие требования к серверам? Вроде, подобные решения требуют значительных вычислительных ресурсов?

Универсального ответа нет, все зависит от задачи, и заранее предугадать требования практически невозможно. Поэтому мы рекомендуем нашим клиентам пилотировать проект в облаке. Такой подход поможет подобрать вычислительные ресурсы под любые требования. После пилотирования мы сможем дать точную спецификацию необходимого оборудования.

3.    В каком виде должны быть предоставлены исторические данные?

В виде таблицы с временными метками и показаниями приборов. Необходима также точная временная метка поломки и технологические ограничения показаний приборов.

4.    Как вы будете получать данные из наших БД?

Для внедрения решения клиенту необходимо предоставить доступ на чтение к хранилищу данных или организовать выгрузку в облачное хранилище и разработать механизм приема данных, формируемых в аналитическом модуле. Передача данных производится через стандартные протоколы.

5.    Как вы понимаете какие данные вам потребуются для оптимизации технологического процесса, вы же не технологи?

Мы располагаем инструментами анализа данных, с помощью которых можно выявить закономерности работы технологических систем. В ходе проекта мы тесно сотрудничаем с технологами.

6.    Чем вы лучше проверенных временем промышленных систем? У них подобный функционал тоже есть.

Универсальных решений не существуют. Мы работаем с задачами, которые не были реализованы в существующих системах клиента, и дополняем текущие аналитические модули нашими решениями в виде микросервисных компонент.

7.    Если система спрогнозирует некорректно и оборудование выйдет из строя раньше прогноза? Кто отвечать будет?

Корректность работы алгоритмов определяется на этапе пилотного проекта, где и оценивается точность выявления предаварийной работы оборудования. Мы считаем, что данные на момент пилотного проекта репрезентативные. Это значит, что точность работы модели в продуктиве должна быть близка к оценке точности на пилотной стадии проекта.  Плохая точность алгоритма обусловлена, как правило, нерепрезентативностью предоставляемых данных на момент обучения. За их качество несет ответственность клиент. За доступность и работу сервиса ответственность несем мы.

8.    Как же набрать нужный датасет по поломкам, особенно если каждого типа оборудования 1-2 шт?

Обычно подразумеваются широкомасштабные производства, у которых большое количество однотипных элементов. Это могут быть типовые двигательные установки, которых в крупных промышленных предприятиях может быть сотни или даже тысячи. В таких случаях проблема сбора данных решается масштабом предприятия.

9.    А если у нас еще не было отказов оборудования, но мы хотим их прогнозировать?

Точное прогнозирование поломок в предаварийном режиме почти невозможно без априорных знаний. Под априорными знаниями мы понимаем заданные ограничения показаний приборов, выход за пределы которых будет означать некорректную работу оборудования. Выход показателя за пределы технических ограничений можно спрогнозировать на основе анализа временных рядов.

10. Мы не можем добавить датчики из-за технологических особенностей установки и надлежащее качество работы оценивается визуально по косвенным признакам. Что вы можете предложить в этом случае?

В данном случае можно заменить визуальный контроль на непрерывный мониторинг и анализ данных с видеокамер с помощью компьютерного зрения. Необходимо определиться с объектом мониторинга, проанализировать текущую инфраструктуру и системы видеонаблюдения на достаточность для решения поставленной задачи, обучить модель компьютерного зрения на распознавание. При достижении удовлетворительного качества распознавания развернуть системы оповещения и визуализации.

11. Вы оцениваете эффекты от внедрения, если да, то каким образом?

Перед началом пилотного проекта мы определяем целевую величину, которую нужно оптимизировать. При прочих равных условиях производится сравнение этого показателя до и после внедрения системы. Для однотипного оборудования можно проводить анализ по принципу A/B тестирования: например, сравнение отклонений от целевой величины для установки, подключенной к системе, и работающей без подключения.