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».»