Как запустить машинное обучение на мельнице, которой 60 лет

7423

В BTS работает специалист редкой для Казахстана профессии - аналитик данных

Дмитрий Карбасов.
ФОТО: архив пресс-службы
Дмитрий Карбасов.

Дмитрий Карбасов – уникальный специалист. Он занимается внедрением технологий машинного зрения, бизнес-решений и предиктивной аналитики не в прохладе офисов, а на производстве. Дмитрий является руководителем управления промышленного искусственного интеллекта в Eurasian Resources Group – компании, в которую входят гиганты горно-металлургической отрасли Казахстана. Задача специалиста – сделать автоматизацию добычи и производства металлов более эффективной. О том, как это происходит, мы с ним и поговорили.

Дмитрий, в Казахстане специалистов вашего профиля крайне мало. Тем не менее они уже не в новинку в финансовом секторе или телекоме, но вот не на промышленном производстве...

- Да, специалистов по машинному обучению, то есть умеющих извлекать значимые для бизнеса знания из данных, в Казахстане мало. Я знаю об этом, потому что последние полгода набираю себе в штат специалистов. И вы правы, они в основном в телекоме и банках.

При этом последствия ошибки работы модели искусственного интеллекта в отраслях разные. Например, если такая модель в банке дала неверную рекомендацию, и банк послал SMS с предложением взять кредит не тому клиенту, то ущерб минимальный. В случае принятия ошибочного решения по выдаче кредита, максимальная цена потери - это сумма кредита. На производстве этот риск гораздо более высокий. В промышленности ошибка может стоить потери партии готовой продукции или выхода из строя дорогостоящего оборудования.

Кроме того, в банках более развиты IT-системы, что позволяет иметь больший объем качественных данных. Сейчас существуют различные исследования по уровню цифровизации различных отраслей и очевиден факт, что добыча полезных ископаемых имеет самую низкую цифровизацию. Соответственно, имеет место разный уровень качества данных, а с учетом высокого уровня рисков в ГМК, требуется иной подход к построению моделей и их надежности.

Проблемы есть и с подготовкой кадров. К сожалению, в вузах Казахстана и России учат только моделированию. Это важно, но это лишь малая часть от проекта промышленного внедрения искусственного интеллекта. Готовых людей, которые могут работать в промышленности, в Казахстане почти нет. Тем не менее мы ищем решения - контактируем с крупнейшими вузами Казахстана и России, проводим различные тематические мероприятия, где собираем профессионалов как по диджитал, так и по ГМК. И ищем таких специалистов повсюду. Все наши актуальные вакансии размещены на сайте и в инстаграм. Благо, в настоящее время многие функции можно осуществлять удаленно и на процессе это совершенно не сказывается - сидишь ли ты в одном офисе или в разных странах.

Чем конкретно вы занимаетесь с коллегами?

- В управлении существуют три вертикали: бизнес-аналитики, обработка и анализ данных, проектный офис. Команда бизнес-анализа собирает требования с пользователей, «приземляя» их на технологии искусственного интеллекта. Уточняют задачу, рассчитывают потенциальный эффект, разрабатывают сценарии использования системы, собирают и формализуют требования. Затем команда обработки и анализа данных реализует модели и под руководством РП из проектного офиса проходит все стадии реализации целевого решения. При реализации мы выделяем несколько стадий: прототипирование, пилотирование, эксперимент и промышленное развертывание. Есть и другие, скажем так, служебные стадии, но о них надо делать отдельную статью или проводить семинар.

Как это работает в других промышленных компаниях СНГ?

- Ряд компаний говорят: мы хотим инновации. Но для чего? Мы, например, не внедряем технологии ради технологий. Мы нацелены строго на бизнес-результат. Вся работа измеряется в ключевых показателях бизнеса. То есть каждый раз, когда я внедряю какую-то модель, она заточена исключительно для бизнеса. Поэтому наш первый главный вопрос – понять, что бизнесу нужно. Меня часто спрашивают: «Помогает ли ваша технология производить больше алюминия? А больше феррохрома? Будет ли меньше брака и простоев производства?».

Для получения ответа на эти и многие другие вопросы мы проводим исследование, которое у нас называется экспресс-анализ. В рамках этого анализа мы понимаем, как можно улучшить технический процесс с помощью математики, анализируем бенчмарки по рынку, обращаемся к партнерской экспертизе. Если результаты экспресс-анализа покажут достаточный бизнес-эффект, мы переходим к следующей стадии проекта. Важно понимать, что сама математика, само машинное обучение – далеко не самая важная часть в проекте. Есть более важные вещи – это понимание бизнеса, сценария использования моделей, изменение самого процесса, оценка результата и классические инфраструктурные IT-задачи.

Многие предприятия в Казахстане имеют старое оборудование, работающее с советских времен. Есть ли смысл там запускать машинное обучение?

- Да, смысл есть, но подход будет несколько иным. Например, на Соколовско-Сарбайском горно-обогатительном производственном объединении перерабатывают 40 млн тонн руды в год. Задача – сделать из крупной руды промежуточный продукт, годный для дальнейшей переработки, перемолоть его до нужной кондиции. На предприятии стоит мельница, которая измельчает раздробленную фракцию.

Мельница старая, и она, по сути, имеет два управляющих воздействия – объем подачи воды и руды. Наиболее оптимальный режим работы мельницы достигается за счет правильной комбинации объема подачи воды и руды, которые рассчитываются на основании достаточного большого количества показателей, которые часто меняются. Если упростить процесс, можно сказать: насыплешь больше руды – мельница выйдет на аварийную остановку, насыплешь меньше – будет недогружена. А таких мельниц на ССГПО семнадцать штук. И каждая перерабатывает до 2 млн тонн руды в год.

Начав работать на предприятии, мы поставили на мельницу ряд датчиков, применили машинное зрение, стали снимать разные параметры: скорость работы ленты, объем подаваемой воды, температуру и т.д.

Сколько аналогичных проектов вы уже запустили?

- В группе ERG за год моей работы запущено более десяти пилотных проектов. Шесть из них уже завершены, по некоторым проведены эксперименты. Был, например, эксперимент на Казахстанском электролизном заводе, где производят алюминий. Там работает около 300 ванн. В них - расплавленный алюминий с температурой 950 градусов. Иногда по расплавленному металлу проходит волна, и тогда ванна производит меньше алюминия. Мы узнали об этом и сказали сотрудникам предприятия: можем заранее предсказать, когда пойдет волна, и предотвратить ее. Технологи же сказали, что они работают там двенадцать лет и сделать это невозможно. Но мы провели эксперимент и смогли спрогнозировать появление волн за шесть часов в сорока процентов случаев, что достаточно для ее превентивного устранения! Наши рекомендации оказались достоверными. Это доказательство того, что модели работают, причем эффективней, чем человек.

Какова вероятность, что вы не изобретаете велосипед? Где гарантии, что это не делают параллельно с вами где-нибудь в Канаде?

- Модели, разработанные для других предприятий, тем более западных, невозможно применить к нашим предприятиям без адаптации. Вполне возможно, что в процессе адаптации они будут полностью переписаны. Во-первых, это связано с качеством данных, которое определяется информатизацией и культурой внесения данных, во-вторых, особенностями оборудования и протекания технологического процесса даже на одинаковом оборудовании. Это ключевые отличия, и их модели нам в «чистом виде» не подходят.

Если бы такой подход, как у вас, был применен на большинстве предприятий страны, наша экономика была бы эффективней?

- За экономику не могу отвечать, но могу сказать, что такие модели в перспективе одного-трех лет могут повысить эффективность производства - до пяти процентов без учета затрат. По-моему, это серьезная цифра.

   Если вы обнаружили ошибку или опечатку, выделите фрагмент текста с ошибкой и нажмите CTRL+Enter

Орфографическая ошибка в тексте:

Отмена Отправить