Единство и борьба интеллектов Машинное обучение в промышленности и не только

Настоящее время как никогда благоприятно для интеграции неосязаемых цифровых решений с основными производственными фондами. Первые шаги в области разработки интеллектуальных систем были сделаны во времена СССР (Андрей Колмогоров и проект «Панкрат-11»). Сегодня технологические и политические возможности позволяют воплотить в жизнь наработки прежних лет.

Известный эксперт в области применения машинного обучения (МО), экс-исполнительный директор «Yandex Data Factory» Александр Хайтин рассказал «Умпро» об особенностях внедрения искусственного интеллекта в реальный сектор оте-чественной экономики и поделился своим видением промышленной цифровизации будущего.

– Александр, вы посвятили много выступлений и публикаций теме «Интеллекуальное производство и промышленный IoT, специфике внедрения машинного обучения в производство и т.д. Насколько сегодня машинное обучение и методы анализа и использования больших данных, на ваш взгляд, актуальны для базовых отраслей промышленности?

– Безусловно, машинное обучение актуально для всей промышленности. Однако внедрение новых цифровых технологий на конкретном предприятии зависит прежде всего от степени его текущей автоматизации и доступности данных. Несомненно, позитивная тенденция последних лет связана с переходом ряда компаний от обсуждений к практическим действиям. Если проводить анализ по конкретным отраслям, то ситуация видится неоднородной. Кроме того, поточное производство на данный момент времени более открыто и предрасположено к внедрению машинного обучения, нежели дискретное. В металлургии или нефтепереработке у нас достаточно много повторяющихся данных с текущих систем управления: динамика процессов, параметры, этапы получение готового продукта. Машиностроение стоит немного особняком, ведь значительную часть операций, выполняемых вручную, в этой отрасли измерить гораздо сложнее. Некоторые факторы и вовсе не поддаются анализу и документированию, например, достаточно трудно измерить то, как конкретный сборщик работал на конвейере.

– Машинное обучение подходит только для непрерывного производства?

- Я бы так не утверждал. Вообще средства машинного обучения имеют очень мало принципиальных ограничений. Самые главные ограничения вне зависимости от отрасли – отсутствие повторяющихся процессов (пусть даже с вариациями) и исторических данных, достаточных для дальнейшего построения математической модели интеллектуальной системы. В зависимости от специфики отрасли повторяемость процессов разная. Рассмотрим проектное производство в судостроении. Строительство каждого судна уникально и проходит по определенному проекту. Каждый новый проект судна может кардинально отличаться от предыдущего, в то же время некоторые производственные процессы схожи, например, сварка или резка металла, и тут МО можно применить.

– Иными словами, что-то эксклюзивное инжиниринговое сталкивается с определенными трудностями при внедрении МО?

– МО – прежде всего довольно широкая область математики. Просто какие-то задачи решаются с помощью алгоритмов искусственного интеллекта очень легко, а какие-то требуют более сложного захода. Прибегнем к аналогии: электричество применимо везде, но во всех сферах есть свои нюансы; первым делом появилось освещение, потом электромотор, ну а после – бытовая электроника. Мы с вами находимся на той стадии развития, когда МО проникает в область задач с минимальными барьерами. Ну а со временем МО в той или иной степени проникнет в большинство отраслей промышленности. Более того, искусственный интеллект станет неотъемлемой частью нашей жизни.

– Пожалуйста, расскажите подробнее о вашем опыте внедрения МО в станкостроении, машиностроении...

– Непосредственно «Yandex Data Factory» в машиностроении не работала. Знаю, что станками занимаются коллеги из компании «Цифра», они начинают с простых задач: сбора данных, анализа. И, накопив определенный объем данных, затем переходят к более сложным интеллектуальным задачам. Вполне разумный подход, опять же он таков, потому что входные барьеры высокие.

– А каковы основные входные барьеры, препятствующие внедрению МО?

– Недостаток исторических данных, задачи, не имеющие четкого измеримого результата, задачи, в которых слишком много факторов, влияющих на результат. Рассуждая об оптимизации производства, специалисты обычно подразумевают наличие определенного и ограниченного набора рычагов, которые можно задействовать. Попутно приходится бороться и с неопределенностью: переменный состав сырья, влияние внешней среды, постепенный износ оборудования, разные флуктуация и т.д. Но если фокусировать внимание исключительно на производственном процессе, будь то газофракционирование, либо конвертерная выплавка стали, то есть приоритетный набор параметров, на который можно влиять. Применительно к машинострое-нию одним из ключевых факторов является качество работы персонала. То есть задача усложняется в разы, потому что прямых факторов, влияющих на работу персонала, нет, и непосредственно водить рукой рабочего мы не можем.

– Выходит, что многое зависит от оптимизации человека? Как ни крути, а он пока не поддается влия-нию искусственного интеллекта…

– Весьма сложный вопрос. Понятно, что никто никогда не пытается моделировать человека целиком. Во-первых, это бессмысленно, нет прикладной задачи, требующей этого, а во-вторых, это просто сложно, слишком сложно. Возвращаясь к теме задач для бизнеса, можно утверждать: человек часто используется «не по назначению». Как производственный элемент конвейера человек далек от идеала. Он непредсказуем, ведет себя по-разному, каждый из людей уникален сам по себе. И мы вынуждены строить из людей стандартные процессы. Недаром сегодня так активно развивается роботизация, ведь в стандартном серийном производстве, робот по большому счету выиграет у человека, пока что машина проигрывает только по цене и гибкости при смене выполняемых операций. Человек внутри рутинного процесса скорее вносит возмущение, чем что-либо налаживает. Тот же оператор на непрерывных производствах – скорее неизбежное зло. Новые технологии обещают полностью убрать человека из производственного процесса. Впрочем, это не первый пример, когда технологии обещают некий результат, но получаем мы его не сразу.

– Получается, что человек вольно или невольно остается самым главным источником отклонений и флуктуаций?

– Естественно, он и вправду источник отклонений, но при этом он же является системой, позволяющей балансировать и уменьшать отклонения. Представьте, что мы находимся в зеркальном коридоре: с одной стороны человек уменьшает неопределенность, с другой ее увеличивает. В первую очередь машинное обучение должно входить в те отрасли, где реально получить быстрый результат за счет новых технологий, уменьшив роль человека в принятии решений. А там, где невозможно вычленить человека из производственного процесса, новые технологии помогут в принятии решений, выступят в роли цифровых советников.

– При изучении последних тенденций развития программных платформ для цифровых производств возникает некий когнитивный диссонанс: одни называют цифровой платформой решения, подобные системе «АИС Диспетчер», другие понимают под цифровыми платформами что-то вроде «IBM Watson». Кто из них ближе к истине? И что вы вкладываете в это понятие?

– Цифровая платформа – понятие, хорошо продающееся инвесторам и прессе. А внутри пока строительные леса, костыли на проводах и эксперименты. Когда надо получить инвестиции, каждый второй будет уверять, что у него платформа. У нас платформа, у вас платформа, какой-то невероятный урожай платформ! Взять тот же продукт от «IBM»: при детальном рассмотрении выясняется, что это в первую очередь зонтичный бренд, под которым скрываются отдельные конкретные решения. Из того, что сейчас на рынке, на мой взгляд, на статус цифровой платформы реально претендуют несколько продуктов: «MindSphere» от «Siemens» и «Predix» от General Electric.

– В чем, на ваш взгляд, главные отличия и похожесть цифровой платформы от локальных систем управления и мониторинга промышленным оборудованием?

– Это вечный вопрос из разряда: 10 орехов – это уже куча, или нет? Если говорить про платформы, то их ключевое свойство – открытость для третьей стороны. Когда некто может прийти с готовым решением на основе платформы. До тех пор, пока платформа закрыта внутри себя, она является решением для одного единственного пользователя – ее вендора. Посмотрите на мобильную ОС «Android»: да на ней тысячи поставщиков пишут свои приложения и конечная функциональность платформы обеспечивается именно приложениями.

– МО является самым универсальным способом анализа и преобразования данных?

– МО – далеко не монолит, а большой набор абсолютно разных алгоритмов и методов. Нейронные сети (причем, и они также между собой отличаются), в них можно погружаться бесконечно. Решающие деревья, алгоритмы классификации, кластеризации и т.д. И все это – математические алгоритмы. Под МО подразумевается некий класс математических методов, который обучается на основе существующих данных. Data Scientist запускает алгоритм и направляет процесс, но далее алгоритм учится и в конце концов принимает решения самостоятельно. Поскольку машинное обучение – это большое количество разных методов и их реализаций, говорить только об одном методе ИИ неправильно. Это целый класс, по аналогии с тригонометрией, как разделом математики. Опять же, широкая применимость машинного обучения обусловлена некой универсальностью математики.

– Назовите наиболее часто применяемые алгоритмы МО.

– Я не настолько компетентен в этой области. И вообще не советовал бы людям, обсуждающим эти вопросы, преувеличивать собственную компетентность. Принципы, ограничения и фундаментальные свойства технологии МО более чем доступны любому разумному менеджеру. Попытка погрузиться на уровень глубже требует хорошего математического образования. Тут важно осознавать ту грань, на которой вы находитесь, обрыв очень резкий, нельзя немножко понимать в предмете. Нахватавшись терминологии, не стоит пытаться вникать в детали создания алгоритмов.

– Раз уж мы затронули тему образования и понимания предмета, давайте поговорим и о трактовке терминологии драйверов Четвертой промышленной революции. Так что же такое ИИ, МО, Большие данные?

– Существует определение Big Data, которому практически ни один из существующих примеров не соответствует, поскольку таких данных, о которых в нем говорится, почти ни у кого нет. В определение входят большой объем, большая скорость нарастания, большое разнообразие и т. д. Большие данные – это просто множество информации. Часто под этим подразумевают петабайты данных. Однако такие объемы – это крайняя редкость, даже промышленность столько не генерирует. Условно несколько терабайт текстовых логов – уже очень много. Петабайты актуальны для сбора видео, которое, в свою очередь, является очень узким подмножеством. Большие данные – это данные, а также технологии, обеспечивающие их накопление, складирование, извлечение и простую обработку. Непосредственной пользы от этого нет, но не решив проблемы сбора и хранения, невозможно двигаться дальше.

МО и ИИ – похоже на игру словами. Нет точного, приемлемого для всех определения искусственного интеллекта, также как и нет такого же определения естественного интеллекта. Я полагаю, целесообразно обозначать этими терминами создание и использование систем, способных принимать решения в условиях реальной жизненной неопределенности. Классический пример ИИ – автопилот или робот-водитель, он принимает решения в условиях неопределенности, обусловленной не смоделированной кем-то ситуацией, а реальной жизнью. Система оптимизации производства принимает решение по ведению производственного процесса, исходя ровно из тех данных, которые доступны, с той неопределенностью, которая реально существует.

Важное отличие средств ИИ и МО от «обычных» решений состоит в том, что они обучаются, а не фиксируют придуманные человеком алгоритмы в машинном коде, как было раньше.

На основе самостоятельно обучающихся моделей на выходе получаются решения, которые мы не всегда можем интерпретировать. Иными словами, модель принимает верные решения и делает достаточно правильные прогнозы, мы можем оценить их качество и точность, однако в большинстве случаев люди не могут детально объяснить, почему система сделала именно так. Известно, как устроена нейронная сеть, известно, как ее научить, но объяснить, почему она принимает то или иное решение, невозможно.

– Как вы оцениваете перспективы развития ИИ? Достигнут ли технологии уровня, позволяющего сравниться с естественным интеллектом?

– Есть понятие «узкий искусственный интеллект». Много примеров, где машина решает интеллектуальную, но очень узкую задачу и тем самым уже превосходит естественный интеллект. Один из последних примеров: система «AlphaGo» выиграла у чемпиона мира по го с огромным перевесом, то есть, машина уже оказалась в этом плане лучше человека. Такого рода узкие интеллектуальные задачи во многих случаях машина решает лучше людей, это нормально и в общем-то привычно. Например, те оптимизационные решения, которые мы внедряем в промышленность, должны работать лучше оператора, иначе в них нет никакого смысла.

«Широкий» ИИ по сути приравнивает машину к человеку, и тут снова возникает вопрос: а что такое естественный интеллект? Одно из глобальных отличий – это отсутствие целеполагания. Программа, хорошо играющая в го, не может захотеть играть в шахматы или научиться водить автомобиль.

– Иными словами, программа умеет что-то одно?

– Она умеет то, чему ее научили, не более. С помощью другого набора алгоритмов ее можно научить чему-то еще, но пока ни один программный продукт не способен ассоциировать себя с сознательной сущностью. Тут и близко ничего нет. Зато есть очень много спекуляций про сингулярность, самозарождение интеллекта и прочее. Поэтому ответ на вопрос, может ли машина быть умнее человека, одновременно очень смешной и серьезный. В конкретных применениях машина уже давно превзошла человека. Интернет-поисковик не просто быстрее, он лучше. Дай вам эту базу, и вы один запрос будете отрабатывать неделю и не факт, что все получится. Никого в данном случае не удивляет и не пугает превосходство машины, все привыкли.

– Ну а как насчет технологий, которые через какое-то время станут сложнее человека, настолько сложными, что люди вообще не смогут в них разобраться?

– Скажите, среднестатистический человек хорошо разбирается в устройстве коровы? А на клеточном уровне? Пусть даже он крестьянин. Разве этот факт кого-то еще беспокоит, кроме ученых? Вокруг нас сформировалась иллюзия всеобщего понимания. На самом деле человек разбирается в очень немногих окружающих его вещах. Люди веками занимались животноводством, не имея даже начальных знаний по зоологии, зоотехнике, ветеринарии и т.д. И сегодня 99% людей не знают устройство микропроцессора, но это никак не мешает им пользоваться компьютерами, телефонами, интернетом. Несомненно, технологии будут усложняться. И, как смешно это не звучит, ничего принципиально нового не возникнет. До тех пор, пока мы не породим нечто, хотя бы близко приближающееся к полноценному ИИ. А пока полноценный ИИ живет лишь в области научной фантастики, философии, абстрактного визионерства.

– Успокоили! Значит, пугалки про терминаторов пока не актуальны?

– Почему же, пугалки про терминаторов как раз вполне реалистичны. Потому что терминатор совершенно не обязательно «широкий» ИИ, это он только в кино он думает как человек. Безлюдные военные технологии существуют и представляют серьезный риск. Пугалки не в том, что терминаторы резко поумнеют, а в том, что боевые системы слишком хороши в своей области и, как следствие, очень опасны. Это как с ядерным оружием: не нужно никакого интеллекта – взял и все взорвал. Система, которая автоматически запускает разрушительную технику, может убить и случайно. Представьте, что одна высокоавтоматизированная оборонная система, образно говоря, случайно наступила другой такой же системе на ногу. И до того, как кто-то из специалистов успеет вмешаться, человечество оказывается в эпицентре полномасштабной и быстрой безлюдной войны. В ней никто сознательно не участвует, но все страдают.

– Каков прогноз развития МО в промышленности? Сейчас в тренде непрерывные производства, а что будет завтра?

– Когда говорят про очередную промышленную революцию, самое смешное, что не врут. Вспомните предыдущие промышленные революции, связанные с эрами электричества и компьютеров. Где внедрено электричество? Да оно повсюду! Вы давно видели паровую машину в цехе? И чтобы там не было электричества? То же самое случилось и с компьютерами. Мобильный телефон превратился в компьютер. Сейчас почти не осталось промышленных элементов без микроконтроллеров. С МО будет то же самое. ИИ будет везде, и мы перестанем это замечать.

– Все эти новые отечественные фишки, связанные с МО – это ведь еще и возможность показать всему миру, что у нас классные разработчики, решения?

– В современной промышленности нет отдельно выделенной страновой специфики, технологические процессы схожи. Оборудование в разных местах может отличаться по возрасту. Например, в США оборудование по нефтегазовой переработке в среднем старше, чем в Европе. В России хорошая математическая школа, у нас есть способности и возможности образовывать, обучать людей и получать хороших математиков и разработчиков ПО. Что касается оте-чественной промышленности, то ей просто не надо тормозить, а идти в ногу со временем.

– А вот еще одна известная пугалка: представьте, что сойдет на нет спрос на углеводороды, чем России тогда заниматься?

– В этой истории есть один неприятный момент – на мой взгляд, мы ничем не сможем заниматься в изоляции. Просто потому, что внутри страны маленький объем мировой экономики. Так или иначе России придется каким-то образом интегрироваться в международную кооперацию. Иного выхода нет. Как и куда интегрироваться – другой вопрос, как говорится, знал бы прикуп, жил бы в Сочи. Но ограничивать развитие современных технологий границами России – неправильно. Я считаю, что нужно выходить на мировые рынки, в том числе и с помощью международной кооперации.

– ИТ – перспективное направление для России?

– Исторически так сложилось, что несмотря на отсутствие выраженных преимуществ в ИТ, Россия породила целый ряд известных мировых компаний, таких как «Касперский» и другие. Вопреки или даже благодаря отсутствию господдержки отечественные ИТ решения дали неплохие всходы на мировом рынке.

– Вы верите в импортозамещение?

– Импортозамещение как стратегия невольно втягивает Россию в соревнование с остальным миром. По большому счету, СССР уже играл в концентрацию усилий. Прекрасные «тяжелые» технологии, космос, вооружение и грандиозный провал в остальном. Сегодня ситуация ухудшилась: объемы уменьшились, а темп прогресса неизбежно нарастает. Поэтому импортозамещение необходимо как узкое тактическое решение, там, где это критично. Понятно, что опираться в военных технологиях сплошь на импорт – сомнительное решение, риски очень высоки. А в остальном России надо наращивать экспорт, а не сокращать импорт. Продавать то, что у нас хорошо получается, и активно кооперироваться с мировыми компаниями. При развитии кооперации растет национальная экономика, на уровне государств возникает взаимная зависимость друг от друга, дающая больше маневров при переговорах в сложных политических ситуациях.

То, что мы очевидно можем экспортировать продукты и сервисы в области информационных технологий это прекрасно и это свидетельствует о том, что первый фильтр пройден – отечественные компании конкурентоспособны, их надо развивать и поддерживать. Рынок ИТ очень разнообразен и представляет собой множество локальных и международных проектов. Конечно, нас на международных рынках никто не ждет. Там вообще никто никого не ждет. Каждый новый игрок на рынке – проблема для всех остальных. Дорога терниста, но перспективна, например, Росатом успешно экспортирует свои технологии, несмотря на то, что это сложная и чувствительная к рискам область. Не стоит забывать, что мир велик, это не только Евросоюз и США. На мой взгляд, важно развивать те сегменты, в которых российские компании действительно сильны.

Версия для печати
Авторы: Беседовал Павел Кириллов
Разместить ссылку на: 


Добавить комментарий

Автор: *
Тема: *
Код c
картинки: *

Коментарий: