DOI 10.24411/2658-3569-2020-10109

Использование технологий промышленной цифровизации экономических отношений

Use of technologies for industrial digitalization of economic relations

Байсаева Малика Усамовна, доцент кафедры финансов, кредита и антимонопольного регулирования, ФГБОУ ВО «Чеченский государственный университет»

Байсаев Зубайр Исмаилович, Чеченский государственный университет

Мимиева Элиза Сайдемиевна, аспирант, Чеченский государственный университет,

Baysaeva Malika Usamovna, Associate Professor at the Department of Finance, Credit and Antitrust Regulation, FSBEI HE «Chechen State University»

Baysaev Zubayr Ismailovich, Chechen State University

Mimieva Eliza Saydemievna, PhD student, Chechen State University

Аннотация. Понятие «промышленный AI» имеет непосредственную смысловую связь с материальным производством и обрабатывающей промышленностью, но не ограничивается только этими отраслями. Существуют менее очевидные связи между широким набором взаимосвязанных вариантов использования термина «промышленный ИИ», окружающей средой, в которой он существует, общими проблемами и требованиями, которые он порождает. В этом контексте под промышленным AI понимают класс приложений, связанных с физическими операциями или системами предприятий, которые могут существовать внутри любой вертикали индустриальных отраслей, в том числе реального производства физических продуктов, логистических цепочек и инфраструктуры, систем кондиционирования зданий и многое другое. Таким образом, промышленный AI ориентированный на осуществление мониторинга, оптимизации и контроля за выполнением технико-технологических операций и функционированием разных систем промышленного предприятия с целью повышения их безопасности, эффективности и производительности.

Summary. The concept of «industrial AI» has a direct semantic connection with material production and manufacturing industry, but is not limited to these industries. There are less obvious links between the wide range of interrelated uses of the term «industrial AI», the environment in which it exists, the general problems and the demands it creates. In this context, industrial AI is understood as a class of applications related to physical operations or enterprise systems that can exist within any vertical of industrial industries, including the real production of physical products, supply chains and infrastructure, building air conditioning systems, and much more. Thus, industrial AI is focused on monitoring, optimization and control over the implementation of technical and technological operations and the functioning of various systems of an industrial enterprise in order to increase their safety, efficiency and productivity.

Ключевые слова: искусственный интеллект, логические задачи, система предприятий, индустриальная отрасль, реальное производство.

Keywords: artificial intelligence, logical problems, enterprise system, industrial sector, real production.

Понятие «промышленный AI» имеет непосредственную смысловую связь с материальным производством и обрабатывающей промышленностью, но не ограничивается только этими отраслями. Существуют менее очевидные связи между широким набором взаимосвязанных вариантов использования термина «промышленный ИИ», окружающей средой, в которой он существует, общими проблемами и требованиями, которые он порождает. В этом контексте под промышленным AI понимают класс приложений, связанных с физическими операциями или системами предприятий, которые могут существовать внутри любой вертикали индустриальных отраслей, в том числе реального производства физических продуктов, логистических цепочек и инфраструктуры, систем кондиционирования зданий и многое другое (рис. 1.).

Таким образом, промышленный AI ориентированный на осуществление мониторинга, оптимизации и контроля за выполнением технико-технологических операций и функционированием разных систем промышленного предприятия с целью повышения их безопасности, эффективности и производительности [2].

Повсеместная цифровизация, накопление массивов разносторонних данных о производственных и других процессах, развитие высокопроизводительного аппаратного и сложного программного обеспечения создали основу и способствовали формированию новых возможностей для развития искусственного интеллекта и его дальнейшего промышленного использования.

Аппликации искусственного интеллекта охватывают очень широкий спектр видов деятельности, а потому он не имеет четкого и всеобъемлющего определения. При этом границы между AI и смежными инструментальными сферами, такими как машинное обучение, прогнозная аналитика, глубокие нейронные сети или когнитивные вычисления часто размыты. 

Хотя, например, Машинное обучение обычно считается лишь одним из способов создания искусственной интеллектуальной системы, на практике часто происходит подмена понятий машинного обучения и искусственного интеллекта, которые используются как взаимозаменяемые [5]. Аналогично, термин «когнитивные вычисления» (англ. Cognitive Computing), который используют для описания развития способностей, родственных человеческому мышлению и навыков рассуждений высшего уровня, также часто используется как синоним AI.

В силу физической природы систем и процессов, к которым они относятся, промышленные системы искусственного интеллекта имеют сходные характеристики и ограничения: 

• более сложный доступ к учебным образцам и тестовым данным;
• большая зависимость от предметных знаний;
• трудоемкость разработки, обучения и тестирования моделей AI;
• повышенные затраты, связанные с отказами и ошибками систем.

Главное отличие промышленного AI от его потребительских и бизнес-расходов, заключается в более высоких затратах и рисках, а также в более высокой трудоемкости разработок. Промышленный AI связан с рядом вызовов, которые отличают его от других направлений применения, в частности с проблемами получения данных нужного объема и качества, сложности обучения когнитивных функций, высокой стоимости и сложности разработки и тестирования моделей AI, высоких нормативных требований и рисков в случае отказа системы, большой масштабности предметного поля.

В отличие от цифровых данных, полученных по вебпространству, промышленные системы искусственного интеллекта полагаются на работу сенсорных датчиков, предназначенных для отражения реальных явлений и процессов в цифровом виде [1]. Это приводит к накоплению больших массивов информации низкого качества (с высоким уровнем «шума»). Кроме того, современные промышленные системы являются чрезвычайно сложными и часто предлагают множество вариантов входных данных, опираясь на которые можно оптимизировать алгоритмы машинного обучения. Это обусловливает усложнение процедур сбора и хранения выборок первичных данных, разработки и обучения моделей AI (как с позиций затрат времени, так и стоимости) и требует применения более изощренных методов упрощения проблем и обеспечения сходимости до приемлемого решения [3].

Тестирование систем искусственного интеллекта на действующих производственных линиях, промышленном оборудовании, складах и других промышленных объектах является в целом дорогостоящим и потенциально опасным одновременно. Из-за этого промышленные системы ИИ, как правило, обучаются и тестируются с использованием методов имитационного моделирования. Как известно, высокоточное моделирование с использованием технологии «цифровых двойников» (англ. Digital Twins), может быть высокоэффективным, но при этом – сложным и затратным в создании и обслуживании. 

Значительная часть оптимистических прогнозов о возможностях практического использования ИИ основана на успехах «глубокого обучения» (DL). В большинстве случаев такие успехи основаны на контролируемом обучении, когда глубокие нейронные сети создаются с использованием маркированных данных, со сбором достаточного объема которых часто возникают проблемы. При этом уровень сложности возрастает в связи с достаточно высокой вероятностью возникновения событий «Черного лебедя», таких как отказы деталей или продуктов. Это существенно увеличивает методологическую сложность, создает угрозы для безопасности и, соответственно, повышает общую стоимость разработки систем машинного обучения [7].

Также важно отметить, что промышленные объекты и жизненный цикл продукции, в том числе аппликации AI, подпадают под действие национального законодательства, международных стандартов, а также технических, правовых и корпоративных регламентов, которые необходимо учитывать при их разработке и эксплуатации. В зависимости от рынка и отрасли нормативные требования охватывают такие сферы как безопасность продукции, здоровье и безопасность населения и работников, влияние на окружающую среду и безопасность на рабочем месте, а также непосредственное регулирование системы автоматизации, как, в частности, Европейская директива по машиностроению.

Регуляторный контроль, который часто выдвигает требование широкой валидации и поверки изменений в промышленных процессах, может противоречить целям масштабной смартавтоматизации с помощью AI, которые поощряют быструю адаптацию процессов на основе замкнутого обратной связи [389]. При этом в индустриальных случаях стоимость ошибки (отказа) или нужной технической модернизации часто оказывается чрезвычайно высокой. Таким образом, системы промышленного ИИ должны либо работать в рамках имеющихся инвестиционных проектов, или демонстрировать чрезвычайно привлекательную рентабельность для новых инвестиций.

Квалификация и навыки специалистов по обработке данных, инженеров, программистов и других экспертов в предметных сферах, связанных с внедрением и использованием искусственного интеллекта, являются редкими и дорогими на современном рынке труда. Соответственно, индустриальным компаниям, которые внедряют технологии АИ, приходится конкурировать за лучшие таланты с такими интернет-лидерами как Facebook, Google и др.

Однако, несмотря на высокие риски и возможные затраты в сфере промышленного внедрения AI, продвинутые предприниматели уже не довольствуются поддержанием status quo. С геоэкономической точки зрения современные авангардные предприятия, особенно те, что работают в реальном секторе экономики, находятся под огромным конкурентным давлением. Они должны конкурировать не только с венчурными инвесторами интернет-компаний, которые могут использовать деструктивные бизнес-модели и способность работать в убыток в течение длительного периода времени, но и с зарубежными конкурентами часто с принципиально иной экономикой и ограничениями деятельности. Нынешние агрессивные стратегии внедрения инноваций под лозунгом «цифровой трансформации» индустриального комплекса направлены на поиск новых возможностей для снижения издержек производства, повышения его эффективности и сохранения и повышения долгосрочной конкурентоспособности.

Искусственный интеллект является важным инструментом достижения указанных целей, и по этим причинам уже давно является предметом большого интереса многих предприятий с производственными операциями. Промышленное использование AI нарастало с 80-х годов XX века и в течение всего этого периода крупные продвинутые фирмы (включая Boeing, NASA, JPL, Intel и др.), инвестировали значительные средства в экспертные системы и другие формы искусственного интеллекта для повышения своей результативности и эффективности своего функционирования. 

Во многом промышленный AI 80-х и 90-х гг. ХХ ст. и современный промышленный AI имеют общую цель – передача и использование информации о ходе технологических процессов и знаний от инженеров и других специалистов в интеллектуальных компьютерных систем. Отличие заключается в том, что более совершенные технологии AI и современная «умная» автоматизация способствуют аккумулированию специфических знаний в более интеллектуальных и мощных системах, которые способны не только помогать персоналу выполнять определенные производственные операции, но и полностью замещать их в процессе выполнения тех задач, поддающихся алгоритмизации [4]. 

В качестве специфических преимуществ систем искусственного интеллекта в индустриальных условиях выделяют:

• повышенную и предсказуемую ситуационную осведомленность-сценарное и динамическое моделирование поведения сложных промышленных систем на основе AI помогает повышать качество жизненного цикла продукта: сокращать время простоев, избегать перебоев в поставке, снижать риски производства и т. д;
• более эффективное планирование и выбор решений на основе оценки альтернативных стратегий в высоко динамичных и непредсказуемых условиях, промышленный AI повышает эффективность процессов, улучшает использование активов, оптимизирует проектирование и управление сложными системами;
• большую производительность и эффективность – промышленный AI позволяет улучшить конечные результаты, достигнутые за счет смартавтоматизации, что производит к росту производительности, повышение качества продукции, снижение затрат труда и материалов, уменьшения образования отходов. 

Указанные преимущества непосредственно соответствуют трем широким областям применения промышленного AI-мониторинга, оптимизации и контроля, которые в комплексе помогают предприятиям улучшать операционные и бизнес-показатели, одновременно повышая гибкость и инновационность производства.

Мониторинг производительности систем и процессов для выявления или прогнозирования неисправностей и критических ситуаций, которые могут привести к нежелательным результатам, относится к постоянным функциям менеджмента предприятия. Примеры эффективного использования мониторинга, основанного на искусственном интеллекте (машинном обучении), в промышленности это: контроль качества жизненного цикла продукта (в том числе диагностическое обслуживание, выявление неисправностей в основных фондах и обеспечение безопасности производственных операций), мониторинг запасов и управления рисками в цепочках поставок.

Контроль качества является одним из самых распространенных направлен использования AI в производстве, поскольку он способен распознавать и проверять на соответствие стандартам много атрибутов продукта, включая форму и конфигурацию, качество отделки поверхности, упаковку, цвет, текстуру и тому подобное. Использование искусственного интеллекта позволяет автоматизировать систему контроля качества и обеспечить объективную проверку всего объема выпуска конечной продукции, что позволяет снизить количество дефектов, которые доходят до потребителей, в сравнении с традиционными методами статистической выборки.

Одним из видов контроля качества на основе AI является выявление неисправностей средств производства и обеспечения безопасности производственных операций. Соблюдение нормативных требований технологических процессов является дорогостоящим и длительным процессом; при этом во многих секторах промышленности (пищевом, химическом, энергетическом) нарушение нормативов и регламентов чревато нанесением вреда здоровью и жизни человека (персонала, потребителям, третьим лицам). Смартмониторинг разных эксплуатационных характеристик систем машин и оборудования может использоваться для выявления, прогнозирования и диагностики нежелательных условий эксплуатации в индустриальных средах. Повышая эффективность или заменяя менее надежный и трудоемкий экспертный анализ, автоматизированное наблюдение за технологическими процессами помогает предотвратить или свести к минимуму время простоев систем, а также заблаговременно выявить и устранить опасные ситуации [6].

Диагностическое обслуживание также относится к быстро увеличивающемуся множеству методов обнаружения и устранения неполадок, ориентированных на предсказание отказов систем до того, как они приведут к фактическому простоя. Искусственный интеллект предлагает широкий спектр возможностей в сфере мониторинга запасов и управления рисками в цепочке поставок, что обеспечивает предприятиям возможность минимизировать расходы на логистику и закупку дорогостоящих запасов больше фактических потребностей.

Литература

1. Агеев А.И., Радина В.А. Методика цифровой экономики в части управления и контрольной деятельности в реальном секторе экономики // Экономические стратегии. 2019. Т. 21. № 3 (161). С. 44-56.
2. Воробьев А.Д. Цифровая экономика и экономика знаний // Проблемы современной экономики. 2019. № 1 (69). С. 16-22.
3. Лазаренко Н.В., Майборода О.С. Цифровая экономика и ее влияние на развитие национальной и международной экономики // Научный вестник государственного образовательного учреждения Луганской Народной Республики «Луганский национальный аграрный университет». 2019. № 5. С. 433-444.
4. Магомедова З.О. Состояние информатизации экономики республики дагестан и перспективы реализации проекта «цифровая экономика» // Вестник Адыгейского государственного университета. Серия 5: Экономика. 2018. № 4 (230). С. 174-179.
5. Радина В.А. Методика «цифровой экономики» в части управления и контрольной деятельности в реальном секторе экономики // Менеджмент и бизнес-администрирование. 2019. № 2. С. 48-66.
6. Рвачева А.С., Миньков С.В., Бадмаев С.А., Лиджиева Е.В., Ковриков Г.В., Лагаева А.О., Дорохов Д.М. Цифровая экономика как основополагающий фактор развития экономики регионов РФ // Экономика и предпринимательство. 2019. № 4 (105). С. 370-373.
7. Чернышова Д.О.Экономика и менеджмент предприятий в условиях цифровой экономики // Центральный научный вестник. 2018. Т. 3. № 9S (50S). С. 70-71.

References

1. Ageev A.I., Radina V.A. Metodika cifrovoj e`konomiki v chasti upravleniya i kontrol`noj deyatel`nosti v real`nom sektore e`konomiki // E`konomicheskie strategii. 2019. T. 21. № 3 (161). S. 44-56.
2. Vorob`ev A.D. Cifrovaya e`konomika i e`konomika znanij // Problemy` sovremennoj e`konomiki. 2019. № 1 (69). S. 16-22.
3. Lazarenko N.V., Majboroda O.S. Cifrovaya e`konomika i ee vliyanie na razvitie nacional`noj i mezhdunarodnoj e`konomiki // Nauchny`j vestnik gosudarstvennogo obrazovatel`nogo uchrezhdeniya Luganskoj Narodnoj Respubliki «Luganskij nacional`ny`j agrarny`j universitet». 2019. № 5. S. 433-444.
4. Magomedova Z.O. Sostoyanie informatizacii e`konomiki respubliki dagestan i perspektivy` realizacii proekta «cifrovaya e`konomika» // Vestnik Ady`gejskogo gosudarstvennogo universiteta. Seriya 5: E`konomika. 2018. № 4 (230). S. 174-179.
5. Radina V.A. Metodika «cifrovoj e`konomiki» v chasti upravleniya i kontrol`noj deyatel`nosti v real`nom sektore e`konomiki // Menedzhment i biznes-administrirovanie. 2019. № 2. S. 48-66.
6. Rvacheva A.S., Min`kov S.V., Badmaev S.A., Lidzhieva E.V., Kovrikov G.V., Lagaeva A.O., Doroxov D.M. Cifrovaya e`konomika kak osnovopolagayushhij faktor razvitiya e`konomiki regionov RF // E`konomika i predprinimatel`stvo. 2019. № 4 (105). S. 370-373.
7. Cherny`shova D.O.E`konomika i menedzhment predpriyatij v usloviyax cifrovoj e`konomiki // Central`ny`j nauchny`j vestnik. 2018. T. 3. № 9S (50S). S. 70-71.