Ошибки промышленного ИИ не сводятся к бесполезным ответам. Когда программное обеспечение подключено к оборудованию, энергосистемам или опасным объектам, последствия ошибки могут выйти за пределы экрана. По словам Арти Гарг из AVEVA, задача состоит в том, чтобы использовать преимущества более мощного ИИ, сохраняя за людьми ответственность за решения, влияющие на безопасность и работу предприятий.
Промышленный ИИ приближается к оборудованию
ИИ уже десятилетиями применяется в промышленном программном обеспечении, часто для специализированных задач, таких как предиктивная аналитика. По словам Гарг, сейчас меняется масштаб распространения фундаментальных моделей, физического ИИ и агентного ИИ. Эти системы могут помогать решать более сложные задачи — от программной автоматизации до работы роботов, собирающих информацию в физической среде.
Этот сдвиг усиливает интерес промышленных компаний. Гарг сослалась на исследование, согласно которому внедрение ИИ в отрасли за два года выросло почти на 78%. В источнике не указано, о каком исследовании идет речь, поэтому эту цифру лучше рассматривать как контекст описываемой ею динамики, а не как самостоятельный показатель для всей отрасли.
Разница между промышленным ИИ и инструментом, который решает только цифровые задачи, заключается не просто в среде применения. Промышленные системы могут воздействовать на оборудование и инфраструктуру, используемые для энергоснабжения или добычи ресурсов, причем нередко там, где люди работают рядом с источниками опасности. Поведение новых моделей ИИ также может быть сложнее предсказать и объяснить, чем поведение более узкоспециализированных систем, и оно может меняться по мере настройки моделей или обучения на новых данных.
Поэтому расширение возможностей имеет две стороны. Система может уметь больше, но и последствия ее действий без четких ограничений могут быть серьезнее.
Более качественные решения начинаются с объединения данных
Прежде чем ИИ сможет помочь диагностировать проблему на предприятии, организации необходимо объединить информацию, которая может храниться в разных системах. Это могут быть телеметрия оборудования, журналы технического обслуживания и ремонта, инженерные записи и исходная проектная документация. На многих промышленных предприятиях объединение этих данных составляет существенную часть работы.
По словам Гарг, новые инструменты, включая графовые базы данных и системы ИИ, способные сопоставлять информацию из разных наборов данных, могут помочь операторам быстрее находить нужный контекст. Вместо того чтобы вручную искать сведения о насосе или смесителе в нескольких источниках, оператор мог бы при диагностике проблемы использовать систему на планшете, которая объединяет текущие показания, историю обслуживания и документацию.
Роботы могли бы расширить этот подход за пределы рабочего места оператора. Робот, перемещающийся по опасной зоне, мог бы собирать информацию для оператора, не требуя присутствия человека в этой зоне. ИИ может помогать собирать или интерпретировать данные, а человек — оценивать их значение и решать, что делать дальше.
Эта сторона промышленного ИИ менее зрелищна, чем самостоятельно действующий робот, но она также является необходимой практической предпосылкой. Если нужная информация неполна или разрозненна, более мощная модель не сделает исходные записи согласованными по волшебству.
Автономности нужны рабочие ограничения
AVEVA описывает свой подход к ответственному ИИ через защищенность, эффективность, безопасность людей и контроль со стороны человека. Главная мысль Гарг заключается в том, что ИИ должен помогать людям, а не заменять их в критически важных контурах принятия решений. На практике это означает необходимость определить, какие задачи система может выполнять самостоятельно и где ответственность должна оставаться за человеком.
Один из примеров — изменение уставок оборудования. AVEVA работала с клиентами над системами, которые используют эксплуатационные данные и моделирование, чтобы рекомендовать изменения с учетом условий на предприятии. По словам Гарг, в некоторых пилотных проектах также испытывали переход от рекомендаций к автоматической корректировке.
Этот шаг меняет характер решения. Рекомендацию можно проверить до того, как она повлияет на оборудование. Автоматическая корректировка сначала приводит к действию, поэтому операторы могут ограничивать величину изменения уставки или разрешать автоматизацию только в определенных областях эксплуатации. Такие границы оставляют системе пространство для работы, не передавая ей неограниченный контроль.
По словам Гарг, единого набора защитных ограничений, подходящего для любого применения, не существует. Ограничения зависят от системы и связанных с ней рисков, а организациям придется учиться на опыте внедрения. Смысл не в том, чтобы делать вид, будто человек, контролирующий систему, способен предвидеть каждый пограничный случай. Нужно определить, что ИИ разрешено менять, четко обозначить его роль и сохранить за человеком ответственность за понимание рисков.
Это различие важно, поскольку промышленная автоматизация — не просто вопрос о том, способна ли модель выполнить задачу. Это также вопрос о том, что происходит, когда она ошибается, что происходит при изменении условий и кто имеет полномочия вмешаться.
ИИ может помочь передать опыт следующим поколениям
Меняется и кадровый состав промышленности. Гарг отметила, что, по прогнозам, почти половина работников отрасли выйдет на пенсию в ближайшие пять лет, из-за чего предприятия могут лишиться значительного объема накопленного опыта. ИИ мог бы помочь сохранить и передать часть этих знаний, в том числе применять опыт одного объекта на другом.
Такая возможность не означает, что суждения каждого опытного работника можно превратить в надежную модель. Но она указывает на роль ИИ в том, чтобы производственные знания было проще находить и использовать, особенно новым сотрудникам, которым нужно понять взаимосвязи оборудования и процессов.
Гарг также ожидает, что программирование с помощью ИИ позволит людям с глубокими знаниями в промышленной сфере создавать приложения, даже если у них нет опыта разработки программного обеспечения. По ее прогнозу, в течение 18 месяцев это может стать более распространенным явлением. Привлекательность идеи очевидна: люди, непосредственно сталкивающиеся с производственными проблемами, смогут создавать инструменты для потребностей, о которых команды разработчиков даже не знали, что нужно спросить.
Однако новые инструменты не отменяют необходимости менять организацию работы. Гарг считает, что организациям зачастую сложнее не принять само существование ИИ, а адаптировать бизнес-процессы к его сильным сторонам и ограничениям. Например, системе, выдающей рекомендации, нужен рабочий процесс, в котором кто-то сможет их проверить, понять, на чем они основаны, и надлежащим образом применить.
У экологической устойчивости есть две стороны
ИИ мог бы помогать управлять электросетями по мере роста генерации из возобновляемых источников. Увеличение числа распределенных источников с переменной выработкой, включая солнечные панели на крышах, затрудняет отслеживание предложения, спроса и качества электроэнергии во всей системе. AVEVA работает с Национальной лабораторией Айдахо над проектом применения ИИ для повышения устойчивости электросетей. Его цель — помочь операторам понимать состояние сети, выявлять аномальное поведение и реагировать раньше.
Однако есть и второй вопрос: экологические издержки работы самого ИИ. Гарг возглавляет рабочую группу IEEE, которая разрабатывает стандартную методику измерения этого воздействия. Работа группы над P7100 охватывает потребление электричества и энергии, использование ресурсов и воды, а также углеродный след. По словам Гарг, задача состоит в создании единой методики, которую можно будет использовать для отчетности и, возможно, надзора или регулирования.
Без согласованной методики отдельные заявления об экологическом следе конкретного запроса к ИИ могут быть трудносопоставимы. Вопрос измерения — не второстепенная деталь внедрения. От него зависит, смогут ли организации сопоставлять издержки работы системы с тем, какую работу она выполняет.
Гарг также выступает за выбор модели, соответствующей задаче. Более крупным моделям требуется больше вычислительных ресурсов, что, вероятно, ведет к большему потреблению ресурсов в целом. Специализированная модель может потреблять меньше и, если ее устройство соответствует области применения, вести себя более предсказуемо. Это не делает выбор модели простым, но дает организациям практическую отправную точку: использовать лишь те возможности, которых требует задача.
Пример клиента — с оговорками
AVEVA приводит в пример SCG Chemicals, нефтехимическую компанию из Таиланда, которая работает над созданием платформы повышения надежности на базе ИИ. Работа началась с объединения эксплуатационных и инженерных данных, после чего добавили AVEVA Predictive Analytics — продукт, использующий собственные модели для обнаружения аномалий и выявления возможных эксплуатационных рисков.
Заявленная цель — превратить незапланированные простои в плановые и повысить надежность предприятия. Гарг сообщила, что SCG Chemicals стремится довести надежность работы предприятия примерно до 99%, а в ранних пилотных проектах показатель рентабельности инвестиций (ROI) составил почти 9x.
Эти цифры примечательны, но они не являются универсальным прогнозом для промышленного ИИ. Показатель надежности — это целевой ориентир, а показатель ROI относится к результатам ранних пилотных проектов в изложении AVEVA. Пример также подтверждает менее эффектную мысль: слой ИИ опирается на работу по упорядочению лежащих под ним данных.
Главный критерий — как система меняет работу
Роботы и дроны могли бы взять на себя инспекции или сбор данных в опасных и удаленных местах. Инструменты ИИ могли бы помогать операторам диагностировать проблемы с оборудованием, поддерживать управление электросетями или превращать отраслевые знания в новое программное обеспечение. Это возможные сценарии применения, описанные Гарг, а не гарантия того, что автоматизация улучшит любой рабочий процесс.
Для организаций практическая работа заключается в том, чтобы подобрать систему под задачу, установить ограничения с учетом физических рисков и четко определить роль сотрудников в проверке или контроле ее действий. Им также нужно решить, как измерять потребление ресурсов системой и позволяют ли существующие процессы использовать то, что она предоставляет.
Промышленный ИИ — это не просто программное обеспечение в более прочной каске. Это программное обеспечение, решения которого могут влиять на физический мир, где правильный ответ подразумевает и понимание того, когда не следует действовать.