Искусственный интеллект в производственной сфере

Основные статьи:

• Искусственный интеллект (ИИ, Artificial intelligence, AI)
• Информационные технологии в промышленности

2024

Как российские предприятия внедряют машинное зрение

Российские промышленные предприятия активно осваивают технологии машинного зрения, интегрируя их с искусственным интеллектом для повышения эффективности производства. О растущем интересе к этой сфере стало известно в октябре 2024 года из результатов исследования, проведенного Институтом статистических исследований и экономики знаний НИУ ВШЭ. Подробнее здесь

80% используемых в российском производстве ИИ-решений созданы в РФ

По итогам 2023 года приблизительно 80,9% использовавшихся в российском производстве ИИ-решений были созданы в РФ или значительно модифицированы отечественными разработчиками. Для сравнения, в 2020-м показатель незначительно превышал 73%. Такие данные приводятся в обзоре Института статистических исследований и экономики знаний НИУ ВШЭ, опубликованном 1 июля 2024-го.

Отмечается, что созданием передовых производственных технологий искусственного интеллекта (ППТ ИИ) в России занимается узкий круг организаций: с 2020-го по 2023 год их количество увеличилось с 35 до 74, что составляет около 7,5% от общего числа разработчиков ППТ. Вместе с тем интенсивность использования ИИ-систем в РФ увеличивается. Причем наиболее высокими темпами растет применение технологий, созданных организациями самостоятельно: за три года (к концу 2023-го) их число увеличилось почти втрое.

𝓲

НИУ ВШЭ

В течение 2023 года в России разработаны 88 ППТ ИИ, что составляет примерно 3,2% от общего числа ППТ, созданных в стране. Десять из этих продуктов представляют собой принципиально новые системы, не имеющие мировых аналогов. В общем объеме новых ИИ-решений 31 продукт разработан организациями, осуществляющими деятельность в области информации и связи. Еще 26 решений выпущены разработчиками из сферы высшего образования, 19 — из научной области.

В обзоре также сказано, что в России практика использования ППТ ИИ как самостоятельной технологии при производстве продукции ограничена: в 2023 году только 634 организации применяли такие решения в своей деятельности. Из них 372 предприятия (почти 60%) работают в области информации и связи. Число используемых ППТ ИИ с 2020-го увеличилось в 1,8 раза (с 582 до 1030), но их удельный вес в общем числе применяемых в производстве ППТ не превышает 0,5%. А более 60% используемых ИИ-решений были внедрены организациями в течение 2021–2023 гг.^[1]

2023

ИИ в тяжелой промышленности: перспективы и направления использования в России

Согласно ежегодному докладу Центра развития искусственного интеллекта при правительстве РФ, в 2023 году технологии искусственного интеллекта применяли 25% компаний, работающих в промышленности. Еще около 30% организаций заявляли о намерениях использовать эти технологии в ближайшие три года. О том, как искусственный интеллект меняет управление производством в добывающих отраслях, и какие существуют тренды и сложности в этом процессе, рассказал эксперт по искусственному интеллекту, реализовавший большие проекты операционной трансформации с помощью ИИ для ряда компаний в тяжелой промышленности в России и за рубежом, – Егор Сачко. Подробнее здесь.

Создана открытая база данных для проектирования материалов с заданными свойствами с помощью ИИ

10 мая 2023 года Университет Иннополис сообщил о том, что команда исследователей из России и Сингапура сформировала открытую базу данных для проектирования материалов с заданными свойствами с помощью средств искусственного интеллекта.

В проекте приняли участие ректор и сотрудники Университета Иннополис, эксперты Национального университета Сингапура и Высшей школы экономики, а также лауреат Нобелевской премии по физике Константин Новосёлов. Обнародованная библиотека из нескольких тысяч двумерных материалов содержит информацию о структуре и свойствах однослойных материалов с точечными дефектами.

Ученые из России и Сингапура создали базу данных для проектирования материалов с заданными свойствами с помощью ИИ

Учёные отмечают, что при разработке солнечных батарей, фотокатализаторов и биохимических сенсоров требуются двумерные материалы, спроектированные с добавлением примесей и дефектов. Однако такие соединения сложно находить, используя классические методы расчёта с применением квантовой химии. Решением проблемы, по мнению авторов работы, может стать внедрение средств машинного обучения.

Чтобы получить материал с определёнными свойствами требуется знание соотношения структуры и свойства дефектов, которые нужно добавить. Это сложная задача, учитывая огромное количество возможных исходных материалов и конфигураций дефектов. Методы машинного обучения позволяют ускорить исследование материалов, а именно в сотни раз сократить число экспериментов и генерировать нужные структуры под заданные свойства, — сказал Руслан Лукин, руководитель Лаборатории искусственного интеллекта в новых материалах Университета Иннополис.

В разработанной базе наборы данных будут разбиты на две группы: дефекты с низкой и высокой плотностями. В массиве информации представлены, в основном, дефекты замещения, вакансии и их сочетания. Обнародованная библиотека включает приблизительно 3000 посчитанных материалов и 7000 дефектов с высокой плотностью. В дальнейшем планируется разработать модели машинного обучения для более точного и эффективного прогнозирования свойств материалов.^[2]Как DevOps-сервис помогает «разгрузить» высоконагруженные системы BPMSoft

2020: Siemens: Решения на базе ИИ будут принимать ключевые решения и помогут сделать производство безопасным

Свыше половины лидеров в сфере промышленности считают, что в течение следующих пяти лет мир передаст решениям на основе искусственного интеллекта управление активами большой ценности – в частности, заводами, оборудованием и станками. Такая тенденция глобального масштаба была выявлена в совместном исследовании «Сименс» и Longitude Research. В опросе, посвященном вопросам развития и внедрения ИИ, приняли участие более 500 топ-менеджеров из энергетического, производственного, инфраструктурного, транспортного секторов, а также из сектора тяжелой промышленности, сообщили 26 октября 2020 года в «Сименс».

В ходе исследования респондентам задавались следующие вопросы: что, если бы вы смогли автоматизировать ряд повседневных операционных решений в своей организации, чтобы сотрудники могли сконцентрироваться на таких стратегических проектах, как разработка новых линеек продукции или расширение бизнеса? Насколько хорошей должна быть модель ИИ, прежде чем вы готовы будете передать ей контроль? Должна ли ее производительность быть на уровне инженеров или же она должна его превосходить? Что, если ошибка может привести к серьезным финансовым потерям или даже травмам? Эти и другие сценарии были предложены 515 топ-менеджерам промышленного сектора (в т.ч. в сферах энергетики, производства, тяжелой промышленности, инфраструктуры и транспорта).

Исследование показало, что уровень доверия к ИИ уже на 2020 год очень высок: 56% респондентов предпочитают внедрить идеальную модель ИИ вместо поиска опытного сотрудника (44%). Это означает, что остальные 44%, вероятно, больше доверяют решениям, принимаемым людьми, даже если факты свидетельствуют в пользу ИИ.

Кроме того, в исследовании уделяется внимание типам контекстуальных данных, которые, по мнению лидеров, можно на момент проведения опроса считать наиболее полезными. Больше всего голосов (71%) в вопросе о важнейших и незначительных преимуществах участники отдали в пользу данных от производителей оборудования. За ними идут внутренние данные других подразделений, регионов или департаментов (70%), данные поставщиков (70%) и показатели производительности проданной продукции при использовании заказчиками (68%).

В перечисленных отраслях многие сценарии использования предполагают возможность применения ИИ для того, чтобы избежать несчастных случаев и сделать рабочие места безопаснее. В этой связи стоит отметить, что, по мнению 44% респондентов, в течение следующих пяти лет системы на базе ИИ будут автономно контролировать машинное оборудование, эксплуатация которого несет потенциальные риски травм или гибели персонала. Еще больше респондентов – 54% – считают, что в те же сроки ИИ будет автономно контролировать отдельные активы большой ценности их компаний. Но для того, чтобы передать промышленному ИИ такую ответственность, он, как полагают участники опроса, должен выйти на следующий уровень. В большинстве случаев этому будут способствовать новые подходы к управлению, сбору, отображению и обмену данными.

В их число входят, например, графы знаний, отражающие отношения между объектами и связи в различных наборах данных, или цифровые двойники, позволяющие создавать детальные цифровые модели и имитировать поведение реальных систем, активов или процессов. Использование промышленных графов знаний для улучшения моделей ИИ за счет комбинации различных наборов данных обладает очень высоким потенциалом.

«Графы знаний добавляют контекст анализируемым данным, – поснил руководитель отдела научных исследований в области цифровизации и автоматизации компании «Сименс» Норберт Гаус. – Например, технические характеристики станка можно анализировать в контексте данных проектирования, в том числе задач, для которых предназначен станок, температур, при которых он должен работать, ключевых параметров, встроенных в компоненты и т.п. Добавьте сюда историю обслуживания аналогичных станков, в том числе неисправности, отзывы и ожидаемые результаты проверок на протяжении всего срока службы такого станка. Графы знаний существенно упрощают связывание промышленных данных, необходимое для обучения моделей ИИ, и добавляют ценную контекстную информацию».

2017: ИИ помогает Carlsberg создавать новые сорта пива

В декабре 2017 года Carlsberg сообщила об использовании искусственного интеллекта, который помогает датской компании создавать новые сорта пива. Подробнее здесь.

Робототехника