Двадцатые годы XXI века — это начало расцвета ИИ. Нейросети рисуют картины, создают лекарства и помогают укрощать термоядерную энергию. Но 2022 год показал, что даже в постиндустриальную эпоху промышленность остается основой нашей цивилизации и нашего образа жизни. Может ли искусственный интеллект помочь производству благ и чего уже добились российские промышленники, используя машинное обучение, — в статье из цикла Naked Science об ИИ.
Промышленность уже полвека на вторых ролях в экономике большинства стран мира, включая Россию, — на первое место вышла сфера услуг. Но для жизни людей промышленность все же первична: именно она изо дня в день добывает сырье и превращает его в привычные нам теплые дома, полные еды, одежды и всяческих вещей.
При всей важности для цивилизации, работа на производстве — дело тяжелое, опасное и подчас неблагодарное. Так было сразу после промышленной революции, которая прокатилась по миру от Англии до России в XVIII-XIX веках, так остается и сейчас.
Лафетно-снарядный цех Путиловского завода, начало XX века. Много ручного труда и минимум безопасности / ©Wikimedia
Мыслители и гуманисты предлагали много идей, как обегчить участь работников промышленности. Самой привлекательной стала, пожалуй, идея автоматизации. Если вместо людей будут работать машины, проблема отпадет сама собой. Предпринимателям эта мысль тоже понравилась, ведь машины могут работать круглосуточно, да и проблем с ними в целом куда меньше, чем с людьми.
Но заменить рабочих машинами оказалось не так просто. Первые автоматические станки появились в СССР и США только в середине XX века. В то время уже были компьютеры, и ученые всерьез говорили, что вычислительные машины в недалеком будущем смогут думать за человека. А значит, шахты, заводы и фабрики можно будет сделать полностью безлюдными, отдав их в роботизированные руки компьютеров с искусственным интеллектом — и вот она, свобода от физического труда.
«Умное» промышленное производство в СССР и других странах того периода
Марксизм, на котором стояла государственная идеология СССР, очень позитивно смотрел на автоматизацию промышленности, включая такую интеллектуальную работу, как управление заводами и отраслями. Поэтому советские власти уделяли автоматизации особое внимание и принялись за нее уже в 1950-х годах, наравне с развитыми капиталистическими странами.
Сначала этот процесс ограничивался внедрением простейшей автоматики в металлургию, горное дело, энергетику, химическую промышленность, машиностроение, деревообработку. Чисто электрические схемы и первые маломощные компьютеры реагировали на различные сигналы, запускали и останавливали оборудование, меняли режим его работы и защищали от опасных нагрузок. Такую базовую автоматизацию получали целые заводы. Работа становилась проще и безопаснее.
Автоматическая линия на Челябинском тракторном заводе, 1960-е годы / ©Wikimedia
В 1960-х годах компьютеры стали в десятки раз быстрее и из штучных изделий превратились в серийные. К этому времени власти СССР реабилитировали кибернетику (перестали считать ее «буржуазной лженаукой»), что вместе с бурным развитием ЭВМ вселило надежду на скорую автоматизацию промышленности и всего народного хозяйства.
Если в середине века рабочие освободились от самых простых механических операций, то уже в 1960-е годы дело дошло до АСУ — автоматизированных систем управления. Прием, обработка и анализ данных в реальном времени, складской учет, оптимальное планирование процессов, документооборот — все это АСУ сводила в единую производственно-информационную среду под управлением компьютеров.
Первой действующей АСУ в Советском Союзе стала система «Львов» под управлением ЭВМ «Минск-22», созданная к 1967 году для Львовского телевизионного завода «Электрон». Следующая АСУ «Кунцево», пущенная в 1970 году на Кунцевском радиозаводе, была уже типовой — на ее основе впоследствии создали несколько сотен АСУ для предприятий машиностроения.
АСУ железнодорожной станции Челябинск-Главный, начало 1980-х / ©Виртуальный компьютерный музей
Тогда же появились первые в СССР станки с числовым программным управлением (ЧПУ), а в 1970-х годах они пошли в серийное производство. Вскоре советские ученые с инженерами создали целый спектр промышленных роботов серии «Универсал», «Бриг-10», ИЭС-690, ТУР-10 и других.
Наконец, в 1970-х годах началась миниатюризация: вычислительные «шкафы» размером с комнату уступали место компактным компьютерам с микрочипами внутри. Быстродействие удваивалось каждые полтора года, падало потребление энергии. Казалось, если соединить все это с идеями в области искусственного интеллекта, то не за горами полностью автоматическая промышленность, о которой мечтали гуманисты.
Однако в действительности автоматизация вязла в многочисленных проблемах советской экономики. «Умное» оборудование и компьютеры не были стандартизированы, часто предприятия и ведомства делали все с нуля, распыляя ресурсы. Производство роботов и станков с ЧПУ требовало много сложной и дорогостоящей работы и не поспевало за планами автоматизации.
Внедрение АСУ шло активнее: уже к 1975 году в СССР работали более трех тысяч автоматизированных систем управления заводами, организациями и целыми отраслями, и это без учета засекреченных. Вместе с ЧПУ и роботами АСУ порой увеличивали производительность труда в два-три раза и во столько же раз ускоряли производство продукции.
Рабочие завода имени Лихачева (ЗиЛ) занимаются наладкой роботизированных станков, 1963 / ©Wikimedia
Но «умной» промышленной революции тогда так и не получилось. В дефиците были не только роботы и станки с ЧПУ, но и компьютерные мощности. Ту же АСУ «Кунцево» удалось построить лишь частично из-за огромной сложности поставленных перед ней задач. Даже 20 лет спустя, когда появился доступ к намного более мощным компьютерам (от IBM), эта система так и не заработала полностью. Настолько разработчики АСУ опередили свое время.
США, Западная Европа и Япония столкнулись с той же проблемой, только с другой стороны. В 1960-х годах политиков и предпринимателей развитых стран охватил энтузиазм в отношении ИИ. Люди верили, что мыслящие компьютеры вскоре будут заниматься монотонной работой, изучать сложные процессы, проектировать масштабные конструкции и механизмы. Это должно было высвободить много рабочей силы, повысить прибыли бизнеса и улучшить жизнь людей.
Джон Маккарти, автор термина «искусственный интеллект» и создатель языка LISP, за работой в лаборатории ИИ в Стэнфорде / ©AP
Сначала ученых захватила идея искусственной нейронной сети (перцептрона), но потом пришло понимание, что нейросетям нужны фантастически мощные компьютеры для нормальной работы. Ставка на символический ИИ с его логическими рассуждениями «как у человека» тоже не оправдалась. Как показал известный отчет Лайтхилла в 1972 году, запрограммировать такой ИИ нереально из-за взрывного роста сложности алгоритмов при увеличении количества входных данных.
В итоге к 1990-м годам наступила суровая «зима искусственного интеллекта»: почти все работы в этой области прекратились, а на попытки возродить интерес к ИИ смотрели почти как на шарлатанство. Так продолжалось до середины 2000-х годов, пока создание алгоритмов глубокого обучения не совершило прорыв в области искусственных нейронных сетей. А следом подоспела и подходящая аппаратная основа для них — видеокарты с мощными графическими процессорами.
Как промышленность России использует ИИ в 2022 году
Искусственный интеллект в виде машинного обучения и нейросетей стал массовым явлением к концу 2010-х годов — спустя полвека после первого ажиотажа вокруг ИИ. Бизнес по достоинству оценил потенциал этих технологий и в рамках Индустрии 4.0 стал внедрять машинное обучение в производственную сферу.
Промышленники увидели в нейросетях что-то вроде узкоспециализированных АСУ: инструмент, который может быстро «обдумывать» огромные массивы данных и «делать выводы». Появились нейросети для прогнозирования сбоев в промышленном оборудовании, выявления аномалий на производственных линиях, контроля качества продукции, предсказания спроса на газ, проектирования интеллектуальных систем управления производствами.
Промышленный робот перемещает грузы, используя машинное обучение и связь через 5G, Ганьчжоу (КНР) / ©CNS
Российская промышленность не осталась в стороне — решения на базе ИИ стали появляться и здесь. К сожалению, темпы внедрения нейросетей и машинного обучения в промышленность России были в несколько раз ниже, чем по миру. Генеральный директор АНО «Цифровая экономика» Сергей Плуготаренко по этому поводу заметил: «…главный вывод: да, мы отстаем в моменте, но обладаем большим потенциалом в ближайшем будущем». «В нашей стране есть сотни тысяч талантливых специалистов, которые умеют создавать ИИ-решения, есть компании-первопроходцы, которые уже активно используют технологии искусственного интеллекта, есть опыт внедрения таких решений», – сказал он. На конец 2021 года 16 процентов российских предприятий уже использовали искусственный интеллект или внедряли его, и большинство из этих предприятий — крупные.
Хороший пример — компания «Газпром нефть». В этом году она впервые применила технологию цифрового бурения на месторождении в Арктике. Сначала инженеры и разработчики при помощи машинного обучения создали виртуальные модели будущих скважин. Затем наступил черед бурения, и он тоже проходил под контролем машин: буровую установку подключили к «автопилоту», который в реальном времени собирал данные от множества датчиков и менял режим работы бура, исходя из текущих геологических условий. Благодаря искусственному интеллекту удалось на 10 процентов ускорить строительство высокотехнологичных скважин длиной более пяти километров.
Трехмерная геологическая модель Восточной Мессояхи / ©ПАО «Газпром нефть»
На том же месторождении «Газпром нефть», кстати, успешно испытала беспилотные грузовики. В ходе тест-драйвов модификации «КАМАЗов» без водителей «накатали» почти три тысячи километров по северным дорогам. Они исправно следовали маршрутам, уклоняясь от препятствий, и подстраиваясь под обстановку на автозимниках. Для этого грузовики постоянно обменивались между собой данными через дублируемые каналы связи, фактически став единым «роем» грузовиков. А вот и итог: плюс 50 процентов к безопасности на транспорте и минус 15 процентов издержек в грузоперевозках.
Беспилотные «КАМАЗы» на Восточной Мессояхе / ©ПАО «Газпром нефть»
Система «Диспетчер» от группы компаний «Цифра» анализирует поток данных с датчиков и видеокамер, и предсказывает поломки оборудования. «Диспетчер», к примеру, может предупредить, что у ковша экскаватора вот-вот отломится зуб и попадет в дробилку (после чего она обычно выходит из строя). Так система позволяет избежать простоев оборудования, которые обходятся очень дорого.
В среднем, предприятия нефтегазовой отрасли, металлургии, энергетики, машиностроения и транспорта после внедрения «Диспетчера» сократили время простоев на 12 процентов, затраты на ремонт — на 30 процентов, а общее потребление энергии — на 4,4 процента. Продолжительность полезной работы станков с ЧПУ выросла на четверть, а совокупная производительность труда — на 70 процентов. Советские ученые, работавшие в свое время над автоматизацией промышленности, наверняка искренне похвалили бы такие показатели.
Цеха «Росатома» работают под контролем системы «Диспетчер» / ©«Росатом»
Магнитогорский металлургический комбинат (ММК) в 2020 году стал использовать похожую систему, но более специализированную — для мониторинга электрических двигателей, насосов и редукторов. Программно-аппаратный комплекс «Мониторинг-Предиктив» на базе машинного обучения выявляет аномалии работы и будущие поломки по картинке электромагнитного поля, которое создает каждый агрегат.
Это позволило ММК полностью избавиться от планового обслуживания электрооборудования — теперь компания обходится только текущими ремонтами по подсказкам «Мониторинг-Предиктива». В результате расходы на обслуживание уменьшились на 17,5 процента, срок между ремонтами увеличился на три недели, а общая производительность комбината выросла на два процента.
Челябинский металлургический комбинат поставил себе на службу технологии глубокого обучения и машинного зрения для контроля качества стали. Система АРМИЛ использует не только видимый свет, но и другие диапазоны спектра, что позволяет ей выявлять более 20 классов дефектов, включая внутренние микротрещины размером от 0,3 миллиметра.
Раньше на анализ одного стального листа уходило восемь минут работы двух специалистов, а потери от бракованной продукции достигали трех миллионов рублей в год. Теперь анализ идет в потоковом режиме, а выпуск дефектной стали упал почти до нуля.
Система АРМИЛ на Челябинском металлургическом комбинате / ©«Ростех»
Похожую систему использует Новолипецкий металлургический комбинат для контроля чистоты чугуна и стали. Нейросеть, обученная на 6500 изображениях, повысила уровень очищения чугуна от шлака с 75 процентов до 90 процентов, что дало ежегодную экономию 20 миллионов рублей и увеличило годовой выпуск стали на тысячу тонн — просто за счет новой системы контроля! Также ИИ позволил избавиться от субъективности в оценке качества металла, что оздоровило рабочие отношения на комбинате.
Для группы компаний «Тайгер-Сибирь» и АО «Автопарк №1 Спецтранс» российские разработчики создали робота-сортировщика бытовых отходов. Он заменяет трех-шестерых человек и выуживает из мусора вторсырье на 400-800 тысяч рублей каждый месяц. Общая производительность мусоропереработки выросла на пять процентов, а скорость сортировки на ленте увеличилась до 130 объектов в минуту. Может, с такими роботами и ручная сортировка мусора станет не нужна?
Если изучить недавний отчет автономной некоммерческой организации «Цифровая экономика», можно найти еще много интересного:
- автоматизированный контроль техники безопасности и использования средств индивидуальной защиты на предприятиях «Росатома»;
- предсказательная система контроля качества для полупроводниковой продукции на фабрике чипов «Ангстрем»;
- беспилотники для внутренней перевозки продукции на Ярославском заводе напитков;
- полностью роботизированный завод пищевой промышленности ГК «Черкизово» в Кашире;
- автоматическое и очень быстрое вычисление объемов и сортов сложенной или погруженной древесины для «Сегежа Групп»;
- мониторинг состояния оборудования и рекомендации по его обслуживанию на Тверском вагоностроительном заводе.
Как видно, внедрение ИИ в промышленность — теперь дело крайне востребованное, потому что выгодное. Оборудование меньше простаивает попусту и реже ломается, людям удобнее и безопаснее работать, издержки сокращаются, прибыли растут. Уже в краткосрочной перспективе ИИ может повысить рентабельность предприятия на пять процентов и более. Владимир Дождёв, ответственный за цифровые технологии в Минпроме России, считает цифровизацию производства неизбежностью.
Цифровизация, как и цифровая трансформация, как и в свое время автоматизация, — это, конечно, не какая-то вещь в себе, а просто эволюционное развитие всех классических базовых отраслей. Это не мода, а осознанная необходимость. Это то, без чего современное производство становится неконкурентоспособным. Цифровую трансформацию так или иначе пройдут все, тут нельзя выделить именно отрасль, которой не нужна цифра. Всем нужна. Сельское хозяйство, кстати, это вообще один из драйверов нашей цифровой экономики на сегодня.
Владимир Дождёв, директор департамента цифровых технологий Министерства промышленности и торговли России
Что будет дальше с ИИ в российской промышленности
Экономические санкции против России сильно затруднили ей доступ к современным компьютерным микропроцессорам. Еще хуже, что Россия лишилась возможности производить свои оригинальные процессоры («Эльбрус», «Байкал» и так далее) на современных фабриках вроде тайваньской TSMC.
Для работы нейросетей, машинного зрения и промышленного ПО нужны современные многоядерные процессоры и максимально мощные видеокарты. Россия пока не в состоянии делать все это внутри страны своими силами.
Как гласит доклад петербургских исследователей ИИ, нейросети эффективно работают на микрочипах с техпроцессом не более 16 нанометров. Более «грубые» процессоры либо недостаточно мощны, либо потребляют слишком много энергии. TSMC выпускает уже пятинанометровые процессоры, тогда как фабрики в России (тот же «Ангстрем» в Зеленограде) могут делать только чипы с техпроцессом 65 нанометров или больше. Это уровень процессоров 18-летней давности.
Цех фабрики «Ангстрем» / ©Wikimedia
По словам авторов доклада, Российская академия наук и «Лаборатория „Амфора”» способны разработать собственное оборудование для производства чипов с техпроцессом до 13,5 нанометра, если идти путем безмасочной литографии. К тому же для нейросетей и машинного обучения не нужны видеокарты как таковые, можно обойтись одними тензорными ядрами или специальными нейроморфными чипами, которые намного проще графического процессора видеокарты.
Впрочем, импортозамещение современных чипов это наверняка дело не ближайшего будущего. Сейчас бизнесу остается искать обходные пути для покупки компьютерного «железа» и по возможности оптимизировать софт. Государство предлагает меры поддержки для цифровизации производства и надеется сделать ее одним из драйверов развития экономики. По экспертным оценкам, ИИ может добавить до одного процента к росту российского ВВП в ближайшие три года.
Выгода бизнеса и государства понятна, но что сулит ИИ наемным работникам? Экономисты сходятся во мнении, что технический прогресс не увеличивает безработицу, а, как это ни странно, сокращает ее, несмотря на отмирание отдельных профессий. Так, цифровые технологии к 2025 году заменят 85 миллионов рабочих мест по всему миру, но взамен создадут 97 миллионов.
Однако это не значит, что новые рабочие места получат те же люди, что лишились их из-за ИИ. Одно можно сказать наверняка: производство нуждается в цифровизации, так что спрос на специалистов по ИИ в России будет расти, тем более что они уже сейчас в большом дефиците.
Источник: naked-science.ru
