Игры разума

Игры разума

спецвыпуск революция 4.0 в нефтехимии
Большие данные еще недавно были абстрактным термином. Сегодня они в буквальном смысле стучатся в дом каждого, будь то контентная реклама в интернете или заманчивые обещания политиков. На очереди промышленность – даже консервативные предприятия «тяжелых» индустрий все больше доверяют машинам. Экономия сырья и энергоресурсов, оптимальные режимы работы, контроль качества – весомые аргументы в пользу технологий будущего.

В декабре авторитетный журнал Nature опубликовал традиционный список людей, сделавших наиболее ощутимый вклад в развитие науки в уходящем году. Наряду с физиками, химиками и генетиками в него попал представитель сферы высоких технологий британец Демис Хассабис, который создал компьютерную программу, освоившую настольную игру го. Почему это оказалось столь важно?

Интеллектуальная революция

По легенде, эту игру придумал в III тысячелетии до н. э. китайский император Яо, бывший воплощением всех достоинств. Цель го – отгородить на игровой доске фишками своего цвета большую территорию, чем противник. Уже на старте партии число комбинаций ходов в разы превышает аналогичный показатель для шахмат, а потом растет в прогрессии.

Простой перебор цепочек ходов не работает, и поэтому до недавнего времени считалось, что хорошо играть в го может только человек, разум которого способен на нестандартные и творческие решения. Программа Хассабиса под названием AlphaGo опровергла это мнение. Проект был разработан в рамках стартапа DeepMind, который два года назад приобрел Google за 650 млн долл.

Ценность AlphaGo при этом не в том, что она умеет играть собственно в го, а в том, что наглядно иллюстрирует, как технологии будущего становятся реальностью. «Изюминка» системы – способность к саморазвитию. Например, в одной из партий чемпион мира по го Ли Седоль сделал неожиданный ход, вынудив AlphaGo совершить серию ошибок. Программа сделала выводы – в следующий раз человек не смог «поймать» ее.

Математики заложили основы технологии, причем произошло это еще в 1960–1980-х годах
AlphaGo – пример работы с тем, что называется «Большие данные» (Big Data). Характерные приметы: огромный объем информации, высокая скорость ее обновления, сложная структура связей между разными элементами массива. В AlphaGo реализован принцип «Машинного обучения» (Machine Learning) – это дисциплина, использующая разделы статистики, численных методов оптимизации, теории вероятностей, дискретного анализа.

«Математики заложили основы этой технологии, причем произошло это достаточно давно – еще в 1960–1980-х годах. Но тогда у людей не было ни данных, которые было бы целесообразно обрабатывать таким образом, ни вычислительных мощностей, позволяющих делать это. По мере развития Интернета и IT-индустрии такие возможности появились», – рассказывает Александр Хайтин, исполнительный директор Yandex Data Factory (YDF).

Прорвать плотину

Появление понятия Big Data связывают с редактором журнала Nature Клиффордом Линчем, который в 2008 году в одной из своих публикаций задался вопросом о том, как могут повлиять на будущее человечества технологии, открывающие возможности работы с большими массивами информации. Термин быстро прижился потому, что той же проблемой озаботились уже все ведущие игроки IT-рынка.

Чемпион мира по го Ли Седоль смог обхитрить машину. Но только один раз – она запомнила урок
Сейчас Big Data используется в маркетинге, позволяя компаниям на основе контекстной рекламы и запросов пользователей оптимизировать ценообразование и формировать базу лояльных покупателей. Одно из последних «открытий» – применение технологий работы с Big Data в политике. Некоторые эксперты полагают, что им Дональд Трамп обязан своей победой на выборах президента США.

Однако одним из наиболее перспективных направлений дальнейшего продвижения, говорят эксперты, является промышленность. «Поскольку математика – вещь универсальная, при переходе Big Data и машинного обучения из сферы IT в сферу промышленности технология не встречает значительных барьеров и легко адаптируется к специфике текущей сферы применения», – говорит Александр Хайтин. Промышленность выглядит перспективным вариантом, потому что любой производственный процесс генерирует большой объем информации, связанной с различными технологическими режимами, объемами выпуска, количеством и качеством задействованных ресурсов и т.п. Обработать его «вручную» нереально.

Как заявил в ноябре на CNews Forum руководитель направления «Инженерное ПО» IT-кластера Фонда «Сколково» Дмитрий Ходьков, если сравнивать ситуацию с внедрением технологий машинного обучения в промышленности с банковским сектором или ретейлом, то пока заметно явное отставание. Однако, по данным «Сколково», количество проектов в сфере предиктивной аналитики и предупреждения выхода из строя оборудования стремительно растет. «У нас есть проекты, по уровню не уступающие IBM, – говорит Дмитрий Ходьков. – Даже за 100–200 тыс. руб. можно получить технологию, которая сэкономит десятки миллионов». Для этого нужно немногое: на предприятии должен быть налажен процесс сбора данных, у руководства должно быть понимание того, какие бизнес-задачи оно собирается решать, а главное – должен быть интерес к проекту будущего.

«Мы стали пытаться найти применение технологий машинного обучения в отраслях, не связанных с IT, с 2014 года», – рассказывает Александр Хайтин. Поначалу потенциальные заказчики реагировали сдержанно – в том числе потому, что никто не хотел пускать стороннюю организацию к потокам внутренней информации, а в серьезную отдачу от этого вовсе мало кто верил. Однако со временем плотина была прорвана. Один из ярких проектов в портфеле YDF – внедрение на Магнитогорском металлургическом комбинате рекомендательного сервиса, который оптимизирует расход ферросплавов и добавочных материалов в кислородно-конвертерном цехе. Применение высоких технологий позволило получать сталь с заданными параметрами и качеством, при этом экономия сырья в натуральном выражении оценивается в 5%, в деньгах – в 275 млн руб. в год. Для построения модели предсказания химического состава стали были использованы данные более чем 200 тыс. плавок за семь лет работы цеха. В отличие от традиционных методик, когда человек заранее задает предположение о зависимости характеристик конечного продукта от состава сырья, в машинном обучении компьютер проверяет разные гипотезы.

Привычка меняться

Проще идут на новации те компании, которые уже занимаются внедрением новых производственных технологий (не обязательно цифровых). Руководитель направления «Шесть Сигм» ­СИБУРа Максим Соловьев поясняет, что применение Big Data тесно коррелирует с внедрением «бережливых» производственных систем. В их числе методика «Шесть Сигм», созданная корпорацией Motorola в 1980-х и позже доработанная General Electric (GE). Это одна из наиболее распространенных в мире методик оптимизации операционной деятельности и борьбы с дефектами. Суть ее в математическом моделировании процессов на основании данных предыдущих периодов. «Шесть Сигм» позволяет выявлять условия, при которых удается достигнуть наилучших результатов, чтобы затем на их основе построить оптимальную модель управления. «Главное, что дают такие проекты, – это прогнозируемый результат процесса», – говорит Максим Соловьев.

СИБУР сейчас занимается ­внедрением программного продукта GE CSense, ранее называвшегося Trouble shooter (в дословном переводе – устранитель проблем). «Он уже опробован на ряде площадок. Особенностью данного продукта является то, что он наделен возможностями, очень близкими к тому, что называют искусственным интеллектом. То есть он подключается к потоку данных производственного процесса в рамках заданных границ и становится самообучаемым инструментом, нацеленным на выработку рекомендаций по оптимальному ведению технологического цикла», – говорит Максим Соловьев. На практике работа с программой выглядит так: в операторской установлены мониторы, на которых отображаются реальные значения управляемых показателей различных процессов и тот их уровень, что необходим для получения оптимального результата. Финальное решение принимает человек, но программа помогает ему выбрать лучший из вариантов.

Впрочем, некоторыми технологическими процессами уже сегодня управляет машина. На ряде площадок СИБУРа ­внедрены системы класса Advanced process control (APC), функционал которых не ограничен рекомендациями. На основании предустановленной модели «идеального технологического процесса» система учитывает любые отклонения и не только говорит об этом оператору, но и вносит коррективы в работу оборудования, то есть генерирует управляющий сигнал самостоятельно.

«В зависимости от текущих потребностей производства можно задать системе приоритеты. Например, вести процесс с максимальными показателями энергоэффективности либо максимизировать количество выпускаемой продукции. Системы класса APC сегодня управляют лишь некоторыми производственными узлами на наших предприятиях, мы применяем их там, где видим в этом потребность», – отмечает руководитель направления Улучшенного управления производственным процессом СИБУРа Игорь Кимяев.

«Сегодня, если говорить в целом, руководство крупных промышленных предприятий смотрит на наши технологии с интересом. Думаю, это связано в первую очередь c естественным ограничением привычных источников развития (таких, как переход на другие виды сырья). Есть отрасли, где традиционно применяется инженерный подход. Там выработана в некотором смысле привычка к внедрению новых технологий», – говорит Александр Хайтин. По его словам, явно просматриваются несколько направлений применяемости технологии машинного обучения. Одним из них является особенно актуальное для нефтехимической отрасли прогнозирование качества выпускаемой продукции, необходимое для того, чтобы вносить правильные коррективы в процесс, добиваясь максимальной однородности партий на выходе.

Повышение внутренней эффективности, позволяющее решать задачу непрерывного улучшения качества продукта при формировании его привлекательной цены, в актуальных рыночных условиях играет все большую роль, и именно здесь инструментарий будущего может оказать большую услугу. «Ранее борьба основывалась на экономии за счет масштаба производства и­ вывода непрофильных задач на аут­сорсинг, но сейчас данный ресурс уже во многом исчерпан. Зато появились возможности широкого применения современных цифровых технологий.

Так, Big Data сейчас становится одним из самых действенных инструментов повышения эффективности неф­те­химических предприятий, что заставляет СИБУР продолжать его внедрение в свою практику», – говорит Алексей Агапкин, директор Центра «Производство» СИБУРа. Каждый из заводов компании с по­мощью уже внедренных автомати­зированных систем собирает еже­минутно тысячи разных сигналов, характеризующих производст­венный процесс.

«Технологии ма­шинного обучения позволяют бо­лее эффективно обрабатывать полученную информацию с помощью сложных математических моделей, которые выбираются системой в автоматическом режиме в зависимости от поставленной задачи. В результате удается снизить расход сырья и уменьшить время проведения переходных режимов», – рассказывает Алексей Агапкин.

В нефтехимии правят бал крупные компании с очень большими и дорогими активами, что делает их особенно осторожными в вопросах охраны труда и промышленной безопасности.


«Безусловно, наша отрасль в плане быстроты перехода на инновационные методы работы отстает от туризма, банкинга, медиа и подобных секторов. Вместе с тем мы не находимся в хвосте про­гресса и стремимся эффективно ис­пользовать его плоды, к которым относятся инструменты 4.0», – от­­мечает Алексей Агапкин. Какие практические результаты это при­несет, станет ясно уже совсем скоро.

Как быстро заработать 60 млн долл.

В октябре 2012 года американская компания Dow Chemical начала внедрение системы анализа больших данных Focus EMI, разработанной консультационной фирмой Northwest Analytics. Для реализации пилотного проекта был выбран дивизион углеводородов, обеспечивавший Dow Chemical четверть выручки.

Система Focus EMI использует большие данные для оптимизации загрузки производственных мощностей, выявления конфликтов и их разрешения. К моменту внедрения Dow Chemical годами накапливала гигабайты информации на разных стадиях производственной цепочки. Однако хранились они непосредственно в местах сбора и никогда не анализировались в комплексе. При возникновении конфликтных ситуаций в соответствии с правилами техники безопасности создавались специальные комиссии, но они подчас не располагали необходимыми данными – к чему устанавливать дополнительные датчики, если не знаешь, что делать с уже существующими?

Совместно с аналитиками Northwest Analytics специалисты Dow Chemical сформировали список из 50 показателей, которые оказывают наиболее существенное влияние на производительность. Затем были разработаны две аналитические таблицы: в первой данные отображались за последние семь дней в почасовых срезах, а во второй по тем же показателям рассчитывались среднедневные значения за несколько месяцев. Все показатели были собраны в группы в разрезе операционных подразделений, месторасположения датчиков и по принципу соответствия той или иной критической ситуации.

При возникновении конфликта Focus EMI автоматически подает сигнал тревоги, оператор может мгновенно переключиться на экран, соответствующий выявленной проблеме. Все действия пользователя протоколируются и используются потом для выработки лучших практик.


Focus EMI начала работу в мае 2013 года. В Dow Chemical оценивают экономический эффект от ее внедрения в диапазоне 1–2 млн долл. в год на одно предприятие, а их у компании свыше трех десятков. В 2015 году проект получил награду Frost & Sullivan за лидерство в промышленности.
 

Ольга Михайлова 


почитать еще
Иван Васильевич меняет профессию?

Иван Васильевич меняет профессию?

Не пройдет и 20 лет, а такие популярные у современных выпускников профессии, как бухгалтер, аналитик и юрисконсульт, станут редкостью. Их «подсидят» компьютеры. Зато вузы будут готовить рециклинг-технологов, глазиров и проектировщиков «умных материалов».

читать полностью
Ничего невозможного

Ничего невозможного

В воде не тонет, в огне не горит, не ломается даже под колесами КамАЗа и работает месяц без подзарядки. Примерно так выглядят чаяния владельцев смартфонов. Мечты сбываются: современные технологии, умноженные на новейшие материалы, могут творить чудеса.

читать полностью
Пластмассовая эволюция

Пластмассовая эволюция

Могут ли детали большегрузного КамАЗа быть пластиковыми, равно как узлы стана, на котором делают трубы для газопроводов? В Челябинске уверены, что да. Научно-производственное объединение «Урал» начинало с художественного литья чугуна, а сегодня выпускает изделия из полимеров, которые оказываются надежнее металлических аналогов. О том, как это возможно, в интервью «Нефтехимии РФ» рассказал технический директор НПО «Урал» Виталий Павлов.

читать полностью