О внедрении ИИ в бизнес-процессы заявляет все больше компаний: сегодня этот инструмент используется в логистике, клиентском сервисе, работе с персоналом, разработке и тестировании ПО и многих других направлениях. Где-то он задействуется точечно, а где-то радикально преобразил бизнес. Тем не менее в реальном секторе экономики внедрение ИИ все еще идет медленно, а там, где решения на его основе интегрируются, отдача от них не так велика, как хотелось бы. О том, почему это происходит, рассказывает Михаил Красильников, директор департамента разработки и внедрения систем искусственного интеллекта BIA Technologies.

Причины неэффективных внедрений

Одна из главных причин неэффективного внедрения заключается в дефиците нужных данных. Казалось бы, почему так происходит, ведь именно промышленность еще недавно была в авангарде автоматизации и цифровизации, уступая лишь некоторым секторам — таким как телеком и банкинг? Интернет вещей, компьютерное зрение и всевозможные датчики стали на производстве обыденностью, помогая вовремя обнаруживать неисправности и повышая скорость и качество процессов. Данные на производстве собираются с помощью упомянутых датчиков в режиме нонстоп, так откуда взяться дефициту?

Дело в том, что эта такая информация не выходит за пределы конкретной компании, остается внутри замкнутых контуров, недоступная внешним аналитикам и командам разработки. Как следствие, разработка ИИ-решений затрудняется отсутствием понимания у вендоров, какие нейросети будут полезны в производственной сфере, какие сведения могут быть для них использованы. Построение локальных корпоративных моделей тоже сопряжено с трудностями: данных, собранных на одном предприятии, может быть недостаточно для обучения, и к тому же такая разработка сама по себе затратна и требует серьезных вычислительных ресурсов.

Вторая возможная причина — плохо подготовленная база. Даже если есть данные как таковые, они не всегда переведены в цифровой вид либо находятся в разрозненных источниках, которые никак не связаны между собой и не поддаются интеграции. 

Требования к информации

Чтобы внедрение ИИ прошло успешно и приносило результаты, необходимо соблюдение пяти требований к информации: это надежность, точность, актуальность, полнота и достаточность.

• Надежность данных обеспечивает безопасность всей системы производства. Использование недостоверных сведений делает ПО уязвимым и может привести к выходу дорогостоящего оборудования из строя или к несчастным случаям.
•  
• Точность позволяет избежать ошибок в настройке процесса и, как следствие, нарушений технологического цикла. К примеру, если модель предполагает погрешность в один сантиметр, она не годится для производств, где счет идет на микроны.

Актуальность позволяет своевременно фиксировать изменения условий. Если данные приходят с опозданием или не обновляются вовремя, решения, принятые на их основе, могут привести к ошибке.

Полнота помогает увидеть все параметры, необходимые для нормальной работы алгоритма. Если часть данных скрыта, то последствия решений, принятых в той или иной мере вслепую, могут привести к неожиданным негативным последствиям.

Достаточность означает, что объема и разнообразия информации хватает для обучения и работы модели в реальных условиях. Даже если данные точны, актуальны и надежны, ИИ не сможет эффективно выполнять задачи, если у него нет всего спектра примеров, отражающих разные сценарии и случаи. Допустим, если в обучающем наборе для модели автоматического распознавания дефектов на производственной линии представлены только 2–3 типа брака, а в реальности их десятки, то она не сможет обрабатывать все случаи производственных недочетов.

Несоответствие этим требованиям может привести к тому, что даже самый эффективный алгоритм будет бесполезным, а в ряде случаев – еще и опасным, если в результате возникнут сбои или травмы на производстве.

Как преодолеть сложности?

Преодолеть сложности с информацией вполне возможно. К примеру, на одном из складов нашего заказчика установлено много камер видеонаблюдения, которые отслеживают качество логистических операций. Поскольку оборудование покупалось в разное время и относилось к разным поколениям, данные от него поступали разного качества. Простым решением стала бы замена устройств на современные модели для машинного зрения, однако это требовало серьезных инвестиций, и поменять все камеры единовременно не представлялось возможным.

Однако решение было найдено в плоскости алгоритмов обработки данных, которые, во-первых, максимально обобщали разнящиеся в качестве сведения, а во-вторых, отдавали приоритет изображениям, полученным с наиболее современных устройств. Благодаря этим алгоритмам хватило точечной замены нескольких камер и улучшения освещения на отдельных участках для повышения качества съемки. Алгоритмы позволили обойтись без масштабной дорогостоящей модернизации, но при этом значительно повысили качество получаемых данных, в результате чего улучшился контроль за перемещением грузов.

Поэтому, прежде чем приступать к внедрению ИИ, необходимо оценить, насколько подготовлена база, а также просчитать, какую пользу даст этот шаг. Очень распространенная ошибка — интегрировать решение без четкого понимания его рентабельности. Сначала нужно определить процессы, где оно принесет быструю и заметную отдачу. Также перед внедрением ИИ-решений стоит задаться вопросом: можно подождать с изменениями? Любая технология со временем совершенствуется, и лучше подождать ее зрелости, чем работать с сырым продуктом, идя на риски.

В заключение стоит еще раз подчеркнуть, что для успешного включения ИИ в производственные сферы необходимо соблюдение двух ключевых условий: наличие качественных, корректных данных и четко сформулированных задач, предъявляемых к алгоритмам. Кроме того, эффективная интеграция искусственного интеллекта невозможна без участия профильных специалистов, глубоко понимающих специфику отрасли. Лишь эксперт способен не только задать алгоритму правильные цели, но и заранее спрогнозировать поведение модели в реальных условиях. Такая экспертиза позволяет грамотно адаптировать процессы под работу ИИ, своевременно вносить правки и избегать ситуации, когда система действует стихийно, без направления и контроля, приводя к результатам, противоположным запланированным.

Фото: Freepik - Freepik