植物に機械学習が必要な理由

これで最大の成功を収めた産業企業で機械学習がどのように導入されているか、どのような使用例が既に存在するかについては、Roman Chebotarev（ convex ）から学びました。 RomanはMLのアーキテクトであり、 Digitalの実装ディレクターです。 彼は11年間、Smart Machine LearningおよびArtificial Intelligenceクラスのテクノロジーを実装しています。 過去数年間、Romanは業界のML / AIに特化しています。









あなたのキャリアパスについて教えてください。



私は、コンピュータービジョンタスクの機械学習（そのような用語はまだ大量に使用されていませんでした）から始めました。 ビデオ分析システム用のさまざまなモジュールを開発しました：輻輳検出器、煙検出器、オブジェクトカウンター。 その後、将来の世代のセキュリティシステムとしても計画されました。現在、それらはどこでも使用されています。



ゆっくりと、画像解析から、一般的にデータ解析に切り替えました。 私はすでにCROCで働いていて、そこで開発者として来て、機械学習の練習の責任者を辞めました。 経験のほとんどはそこにあり、基本的には将来のさまざまな定量的量の予測に関連する問題を解決しました。 より多くのタスクが小売業で行われました。この分野の顧客の間では、機械学習が最も需要がありました。 ロジスティクスを最適化するための需要予測の問題を解決しました。 食品小売からガソリンスタンドまで、さまざまな分野でこのようなタスクがたくさんありました。



その後、機械学習への深刻な関心が工業企業から形になり始めました。 ある時点で、私のパートナーと私は自分のスタートアップであるTheta Data Solutionを組織することにしました。 工業企業向けに年間6件のプロジェクトと10件以上のパイロットを作成し、その後「Digital」という会社が会社を買収し、現在AI部門の実装ディレクターとして働いています。 初期のスタートアップチームと比較して、私たちは大幅に拡大しました。現在、AI部族（私たちは自分自身と呼んでいます）には30人以上がいます。



業界はいつ機械学習に興味を持ちましたか？



関心は常に存在していましたが、これらのプロジェクトに投資する企業の意欲は、非常に、非常に緩慢ではありますが、私の観察によると、2013年に現れました。 多かれ少なかれ、これを2016年までにトレンドと呼ぶことが可能になりました。 今、急速な成長の段階が始まっています。



産業企業向けの機械学習モデルの設計の詳細は何ですか？



業界ではエラーの非常に高い代償があります。 一部のインストールを誤って管理し始めると、せいぜい効率が悪くて（いずれにしてもルーブルの非常に大きな数です）動作が悪くなり、最悪の場合、不可逆的なプロセスが発生し、高価な修理が必要になります。



これは、モデルの設計および操作方法に影響を与えます。これらは、実験の少ない方向に非常に「歪曲」されています。 たとえば、フィンテックまたはテレコムで、A / Bテストを実行し、基本的に異なる広告を表示したり、顧客のサブセットのレベルでターゲットを絞った割引などを行う余裕がある場合、業界ではツールと実験の可能性ははるかに狭くなります。 機能を1つのフレーズで定式化しようとすると、産業システムの仕事に劇的な変化をもたらすことはできません。 変更は非常に小さく方向性があります。 調整を行い、何が起こるかを確認します。すべてがうまくいけば、非常に小さなステップでこの方向に移動しようとします。 これは、機械学習モデル（より正確には制御モデル）の正則化と呼ばれます。業界では、変更に対して非常に正則化されています。 これにより、コストのかかるエラーの可能性が最小限に抑えられます。



2番目の機能は、機械学習（ML）モデルが物理学と化学の友達を作る必要があることです。 これは簡単ではありません。 データに基づいて構築されたモデルは、特定のプロセスの背後にある物理学の種類を気にしません。データ間のパターンをキャプチャするだけです。 構築されたモデルは完全に非物理的であることがしばしばわかります。 たとえば、正気な人なら誰でも理解します。そして、物理学はこれを確認します。暖房システムのクーラントの温度を上げると、家の中でより温かくなります。 モデルは完全に異なる関係を学習できますが、逆の場合もあります。 間接的な要因（通りの気温の違い、時刻など）により多くの重みを付け、それによって正しい行動であるように見えるが、「間違った」要因を使用することを学ぶ。



現在、人々は業界で働いており、新しい技術に非常にオープンです。 彼らは私たちが提供するものを私たちが理解しようとしています。 モデルが物理的でない場合（2、3の簡単なテストで確認された場合）、そのようなシステムを起動するために緑色の信号を出すことはありません。 しかし、最終的には、そのような失敗の結果として、現在の推定でははるかに効果的な別の方法を見つけたことが判明しました。

物理学者や化学者によって作成された、理論的または経験的な法則、微分方程式系、膨大な知識の層があります。 この知識は、設備の設計に使用され、一般に、生産プロセスを多少なりとも説明します。 この知識をMLと組み合わせて物理モデルを取得します。実際、よく知られた依存関係と相違点に依存し、利用可能なデータの係数を調整し、かなり標準的なMLアプローチ（ブースティング）を使用した物理アプローチでは「学習できない」ダイナミクスも説明します。

明確にするために、「データを使う」という概念をよく紹介します。 モデルから何かを学ぶとき、データを「無駄にする」ことになります（トレーニングでの再利用は微妙な点であるという意味で、「オーバートレーニング」-過剰適合のリスクがあります）。 そのため、パターンと依存関係の復元に関するデータを「無駄にする」ことはありません。一般的には、科学者と技術者のおかげで既に知られています。 これらのよく知られた依存関係を使用し、データを「使用」して、特性を明確にし、物理モデルで説明されていない依存関係を完成させ、各ローカル生産サイトまたは機器の機能を考慮したモデルを構築し、基本的にどのように機能するかを把握します。



その結果、より優れた、より安定したモデルが得られます。 当然、物理および化学プロセスモデルは常に利用可能または完全ではありません-この場合、私たちのチームは、データサイエンティストに適切な物理ベースラインモデルを構築できる各業界の経験を持つアナリストを持っています。



さらに、自動制御の理論のアプローチを使用して、インストール時に設定する必要がある最適な制御パラメーターについて決定を下そうとしています。避けられない時間差と推奨事項がまったく受け入れられない可能性を考慮しています。 一般に、強化学習のアプローチを詳しく調べますが、これまでの結果として生じる制御法則（ポリシー）は、タスクにおいて非常に不安定です。 しかし、これらのアプローチの組み合わせは確かに将来にあります。 そして、これは私の意見だけではありません。



このような「物理的」アプローチは、長期にわたる重要な結果を明らかにしました。そのようなモデルの安定性が高いため、夜間に目が覚めないため、何かがうまくいかず、モデルを再トレーニングする必要があると呼ばれます。 その結果、サポートに費やす時間が少なくなりました。



世界の多くの人々は、このようなハイブリッドアプローチを考えていましたが、ロシアでは実験よりも先に進んで実際の生産に投入した最初の人の一人でした。

11月22日に、RomanはAI会議のディスカッションパネル「AIとIoT：期待と現実」のモデレーターになります。 イベントの詳細とプログラム- 公式ウェブサイト 。

生産プロセスのデジタルモデルの作成作業はどのように進んでいますか？



開発と実装に関するプロジェクトは、他の業界とほとんど変わりません。 一般的に、たとえば、銀行業界から業界にやってくるプロジェクトマネージャーは、非常に安心しています（通常、技術者にからかわれていることを除きます）。 組織の観点から見ると、プロジェクトに大きな違いはありません。 最初に、私たちは顧客の期待、つまり顧客が何を達成したいのかを把握します。 彼らが何を望んでいるのか分からないが、本当にデジタル化したい場合は、一緒に働くことを提案することがあります。 一緒に改善点を見つけ、測定可能なKPIに入れ、プロトタイピングを行い、少しの調査またはパイロットを行います-これらのKPIが達成可能であることを確信し、その後モデルを開発し、現在の多くの開発を使用し、生産システムと統合しますお客様にシステムを実稼働で実装します。



主な機能は、実装フェーズに焦点を当てています。 システムは非常に複雑です。その仕組みと、さまざまな時点で意思決定を行うために使用するデータの両方です。 工場の労働者はほとんどの場合、彼らと働くための専門的な教育を受けていません。 そのため、特別なダッシュボードとニーモニックスキームを考案し、トレーニングを実施する必要があります。 同時に、必要なものに精通したマニュアルがあり、より詳細な情報を含む他のダッシュボードを作成する必要があります。



一般に、システムの主な「敵」はプロセスエンジニアです。 政権を変更する決定は彼によって行われ、彼は通常、彼に委託されたワークショップまたは生産現場がどのように機能するべきかについて彼自身の意見を持っています。 システムの推奨事項を信じるよう、直接実行者を説得するのに多くの時間が費やされます。 より正確に言うと、「信じる」だけでなく、テストを行い、最初に推奨事項を確認してから、それらをポイントごとに適用します。 多くの場合、これらの従業員はプロジェクトの直接の顧客に直接従属しておらず、指示書の推奨事項に従うよう強制することは不可能です。 しかし、全体として、私たちは、このような対話と説得プロセスを、不可解なオペレーターから厳しい生産マネージャーまで、さまざまなレベルで構築することを学んだようです。 これは、特に私たちのようなモスクワ出身の「バニラ」IT数学者にとって、非常に興味深い経験です。 しかし、通常起こるように、本物はどの説得よりも優れているため、モデルが実際に機能する場合、これが最善の議論であり、通常、そのような議論は短命です。



モデルを開発して実装するときに、実際の企業に出向かなければならない頻度はどれくらいですか？



ビジネスアナリストは、サイトで最も多くの時間を費やしています。 それらは、データサイエンティストとデータエンジニアに加えて、プロジェクトチームに常に存在します。 ビジネスアナリストはプロセスを説明し、システムのルールと制限を記述します。「デジタル化」、より正確に言えば「デジタル化」と言うのが流行しているプロセスを深く理解する必要があります。 サイトで、彼らは特定のニュアンスを見つけ、プロセスが機能するためにどこ、どのように、何を実装する必要があるかを理解します：プロセスが通常管理される方法、制御されない方法、通常は規則に書かれていません。 多くのことは喫煙室でのみ学ぶことができ、休憩中に地元の勤勉な労働者と話をします-物事の実態、あなたが本当に努力する必要がある場所など。アナリストの仕事は必要性を明らかにすることであり、これは本物の従業員からのみ見つけることができます彼らは自分の手で地面で働きます。 しかし、特異性があります。自分の手で働く人々は、通常、人口100万人以上の都市から遠く離れて住んでいます。 時には、それらは通常、預金や採石場で交替的に存在します。 したがって、私たちは彼らに別の絵のような場所に行かなければなりません。



一番遠い場所はどこですか？



ムルマンスク地方からハバロフスク地方まで、私たちはいたるところにいました。



作成された仮想モデルが実際の状況で驚くことなくすぐに動作し始めるのはどのくらいの頻度ですか？



私たちは調査段階ですべての驚きを最小限に抑えようとしますが、実装されても、それらがなければ完成することはありません。 驚きはいくつかのグループに分けることができます。 1つ目は、もちろん、ITとインフラストラクチャです。 時間の経過とともにモデルを更新するには、何かを変更、修正、追加するためにデータにアクセスできることが重要です。 しかし、オブジェクトが非常に遠く離れた場所にある場合、インフラストラクチャへのアクセスは不可能になる可能性があります。 これが事前にわかっている場合は、作成者の介入なしに、モデルを単独で更新するプロセスをビルドおよびデバッグできます。 現在、これは比較的簡単に行われています。このための既製のテクノロジーがありますが、それでも、接続が行われないことを事前に知りたいと思います。 少なくとも、プロジェクトの労力とコストに影響するためです。 ほとんどの場合、プロジェクトの顧客は、プロジェクトがすでに実装に近づいているときにIT専門家と交渉します。 これは業界の特徴であるだけでなく、ここで最も重要です。 ソリューションのアーキテクチャは、前述したように、インターネットが利用可能かどうかに大きく依存します。 そして、それはモデルだけではありません。



問題の2番目のクラスは、誤ったデータ入力に関連しています。 たとえば、認証製品の品質に関するデータ、実験室分析データ。 これはさまざまな理由で発生する可能性がありますが、それらについてはお話ししません。ほとんどの理由は声にあまり適しておらず、さらに聞くのも難しいです。しかし、これは非常に大きな問題です。不正確なデータから学習したモデルは、 。 これにより、プロジェクト全体を削除できます。



最も成功した時間のかかる実装例を思い出してください。



電力システムの成功したプロジェクトから始めます。 顧客を見たのは2回だけです。 初めて到着したとき、私たちはタスクを明確にし、必要な情報を提供され、週に一度離れて電話をかけました。 3か月後、最初のリリースが展開され、さらに2つが最終リリースになりました。 すべてが完全に機能し、モデルは自動的に更新され、システムは現在2年以上故障なしで動作しています。 顧客は非常に有能であったため、プロジェクトに必要な労力は最小限でした。彼は必要なもの、管理すべきものを理解しており、すべてのニュアンスを事前に知っていました。



さらに多くの労働集約的な例があります。 残念ながら、ここで顧客との予備的な会話に「デジタル化」という用語が存在することは、多くの場合、プロジェクトが成功しないことを示しています。 「あなたは私たちのデジタル変革プロセスに参加しているので、すべてを完全にやり直しているので、ここであなたのAIを台無しにします。」 同時に、多くの場合、人々は機械の助けではなく問題を解決する必要があることを理解していませんが、最初に会社のプロセスをより適切な「デジタル化」に変更することによって。 プロセスの変更（または少なくともそれらの再考）は、常にデジタル化またはその他の進化を伴う変更の最初のフェーズである必要があります。 機械学習を含むすべてのツールには、適用性の限界があります。 プロセスが古く、最適ではなく、さらに悪い場合-人々のコンセンサスに完全に基づいている場合（何人かの人々が座って何をすべきかを決定する必要があります-これは製造物流、ロジスティクス、商業が衝突する生産物流でよく起こります）、機械学習はそれを修正しません また、逆に、プロセスの最も単純な変更（たとえば、「リーン製造」の概念）により、MLでは達成できない効果を達成できる場合があります。 残念ながら、これを理解してこの方向で機能する「トランス」はほとんどありません。 AIの実装に関するHypanutは、理由に関係なく、より一般的な方法です。



簡単な例：蒸留塔があり、その中に蒸気と還流の流量を制御できます。 「バディ、このノブをこのように回します」-単に画面上でオペレータに推奨事項を発行すると、残念ながら、システムからの影響はほとんどありません。 理想的には、人は制御のためだけに留まり、直接制御は自動的に行われるべきです。 非常に保守的な見積もりによると、このようなプロセスの変更により、3〜4倍の改善が得られます。 私はすべての人を解雇して車に置き換えることには賛成ではありません-わずかな投資でプロセスを少し変更しても、はるかに大きな効果が得られます。

AIがそこに導入されていると主張されている多くのプロジェクトは、実際にはこのように見え、真実、子宮を許します：いくつかの叔父のVasyaは画面に推奨事項を表示し、彼を見て、「はい、そして明日は多​​分彼が望むようにそれを置きます-しかし、今日は何もしません。」 強力なクールなテクノロジーが企業のプロセスと、これらのプロセスを変更する準備ができていない人々に分解されるのは非常に残念です。 しかし、この叔父Vasyaがシステムの推奨事項を実装するためにKPIを配置した場合。 または、AIがまったくなくても-給与へのボーナスとして、Vasya KPIを原材料への製品の特定の収量に適用すると、深刻な影響があります。 もちろん、Vasyaおじさんをコントローラーに置き換えることはできませんが、これはすでに別の飛行機からの質問です。

企業はどのようにデータと機械学習を収集していますか？ 彼らのうち何人がこの方向に行こうとしていますか？



企業の数に関する統計は毎年改善されています。 リーダーは、いつものように、長期的な効果に投資するお金と機会を持っている人たちです：石油産業、石油化学、冶金。 他のみんなが追いついています。



しかし、基本的にこれらは人に推奨を与えるシステムであり、彼はすでにこれらの推奨に従って何かをするかどうかを決定していることを理解する必要があり、実際には推奨の自動実行はありません。 これは確かにこれらのシステムの開発のストッパーです。 一般的に、これはもちろん、メディアでの位置付けを好むことが多いため、これはインダストリー4.0ではありませんでした。 しかし、自動化による再装備には多額の設備投資が必要であるため、今のところ、所有しているものに満足しています。



企業のプロセスをよりオーガニックにしたいと考えています。人々は最初にデータを収集し、それから機械学習を実装します。 実際、最初にAI / MLに基づいて何かをする必要があります。私たちは顧客のところに来て、必要なデータが収集されていないことを理解します。 または、それらが何らかのひどい形で積み重なるため、それらを取得することは不可能です-データ収集プロジェクトを開始する必要があります。 約5〜7年前、これはあらゆる場所の電気通信および銀行で一般的でした（現在ではありません）-今日の業界には同じ問題があります。 データ不足により1年半-6か月遅れたプロジェクトがありました。



これは、センサーとデータ収集システムの実装にかかる時間ですか？



ほとんどすべての人がセンサーを持っています-問題は、センサーからのデータが保存されないか、たとえば3か月間の短期ストレージに保存されない可能性があるため、それらに基づいてフライト分析を手配できることです。 不要なため、これらは保存できなくなり、保存されている場合は分析に適さない形式で保存されます。 抽出と精製のプロセスを実行する必要があります。 そして、すべてがそこにあるように思える非常にコミカルなケースがありますが、私たちは企業に来ます-そして、すべての暖かいチューブアナログ、例えば方向インジケータがあります。

AIとMLでまだ自動化されていないプロセスは、1〜2％最適化できると考えています。 プロジェクトを選択するとき、この業界、原材料、電気、修理に関するこのワークショップでどれくらいのお金が費やされているかを分析します。 この値をお金で取得し、それから1〜2％を計算します。 金額的にこれが妥当であれば、このプロジェクトに従事しています。



私たちはしばしば成功報酬スキームに従って働きます。 条件付き-プロジェクトの実装には5,000万のコストがかかります-たとえば、さまざまな市場インテグレーターがこのコストについて説明します。 私たちは1,000万のプロジェクトを作成する準備ができていますが、同時に、今後2〜3年で節約の割合を獲得したいと考えています。 結果として、これにより、合計すると、私たちの方向に行くことができ、70-80百万またはそれ以上になります。 パイロットフェーズを実施しており、どのような効果を達成できるかを確認し、達成された効果に比例する支払いを受け取るために、このスキームに従って作業する準備ができています。

AIは本番環境でどのような標準タイプのタスクを解決しますか？



最も一般的なタスクは、機器の故障を予測すること、またはむしろ、異常な動作の瞬間を診断することです。 ここには機能があります。収集されない可能性のあるデータが必要です。この機器の動作に関する情報が必要です。このため、私たちと相談する生産担当者がいます。 データの一部のパターンは論理的であり、機器が正しく動作しないことを意味しないためです。



そのようなタスクの例は、パイプラインの特定のセクションがどれだけ長く機能するかを、埋設場所、パイプまたは磁気制御の内部検査からの最新データが示すように深さ、体制が変化する頻度、およびそれらが何であったかに応じて決定することです。 パイプが使用できなくなる時期を予測し、その交換を最適に計画できます。



2番目のタイプのタスクには、プロセスを最適化する必要があります。 一般読者にとって最も理解しやすいものとして、火力を使用した例を調べてみましょう。 熱エネルギー源（ボイラーハウス、火力発電所など）で熱条件を制御できますが、異なる部屋で特定の温度レベルを維持する必要があります：それらは異なる距離にあり、異なる材料から構築され、測地学が異なり、その結果、周囲の空気によって異なって冷却されます。 最終顧客に関連する品質レベルの指標を維持するために、ボイラーハウスまたは火力発電所で熱レジームを最適に構築する方法は？ ここで、有効性の主な指標を決定する必要があります。 クーラントの加熱とポンピングに費やすエネルギーの合計を減らし、冷凍祖母からの苦情の数を減らし、変動する加熱コストを減らし、熱損失を減らし、さらには機器の摩耗を減らすことができます。 任意の最適化モデルを実行できます-さまざまな要因の相対的な優先順位を伝えるだけです。 この選択が最大の問題です。 自分が暖房会社の所​​有者であると想像してください。 このパイプが数ヶ月長生きするという事実と引き換えに喜んでいる不満の祖母は何人ですか？ 非常に難しい質問です。 したがって、当社のビジネスアナリストは、とりわけ、測定の最も普遍的な価値として、すべての要因をルーブルに減らす手助けをしています。 その後、通常、何に取り組む必要があり、何を最適化するかが明らかになります。



MOのメソッドの改善により、最近どのような種類のタスクを解決できるようになりましたか？



私は、おそらく、ほとんどの読者は失望するでしょう。なぜなら、動きはMLメソッドの最新の進歩の使用によるものではないからです。 生産に導入されているものは、実績があり、より持続可能である必要があるからではありません。 ここで、開発は別の方向に進みます。モデルは物理学と化学の友達を作る必要がありますが、これについてはすでに説明しました。 これもMLの観点から非常に難しいことがわかります。



機械によって下された決定が、人から出されたものよりも成功し効率的だったとき、あなたの練習から例を挙げてください。



実際、システムによって発行される決定および推奨事項は、最終的には、個人が行ったものよりも常に効果的です。 そうでなければ、私たちのビジネスは単に理にかなっていないでしょう。 以下に例を示します。



製鋼では、高炉は小さな町のようにエネルギーを消費します。 そこに入れるスクラップの品質、その破片のサイズに応じて、炉を加熱するために供給される電流の強さを調整できます。 現在の強度を制御することにより、電気のコストを大幅に削減することができます（業界では1-2％-これは重要です）。



まだ冶金学から-鋼がもたらされるひしゃく炉。 溶けるとき、鉄合金が鋼に加えられます。 彼らは主要な原材料よりもはるかに高価です。 特定の材料の特性を分析することにより、特定の製品品質を得ると同時にフェロアロイを節約するために、わずかに少ないフェロアロイを注ぐことが可能な場合を理解しています。



石油産業では、機械的な揚油中のポンプの動作を最適化しました。 ポンプモードをより効率的に制御するだけで、オイルの生産率をわずかに上げることができました。 この場合、制御期間がそれほど長くない（最大1か月）ため、地質データを最小限に使用し、非常に複雑で高価なフォーメーションモデリングソフトウェアとの統合を避けることが重要です。



ロシアでの生産はすべて単一であり、私たちがどこかで働いていると言うことは、すぐに顧客を開き、NDAに違反することを意味します。 したがって、さまざまな化学産業（石油化学製品ではない）のミネラル肥料の生産を最適化するために同じことを行うことができるとしましょう。 オープンから-ガスプロムネフトPJSCのデジタルプラントプロジェクト。詳細は簡単にグーグルで検索できます。