рошо, виновата в этом не сама технология, однако винить пользователи будут именно ее.
Планирование и оптимизация операционной деятельности
Одна из главных задач, выполняемых компаниями при помощи аналитики данных, заключается в планировании и оптимизации операционной деятельности. Именно этому направлению долгое время уделялось основное внимание при исследовании операций. Однако обычно масштаб исследований был относительно невелик – в них использовались лишь отдельные модели с несколькими переменными. Когнитивные инструменты (в частности, машинное обучение) могут вывести эту деятельность на более высокий уровень.
Возможно, ИИ пока не славится своей ролью в производственной и операционной деятельности компаний, однако его инструменты можно использовать для значительного повышения эффективности и продуктивности этих важных сфер. Возьмем, например, стартап по производству стали Big River Steel, который пытается преобразить самую промышленную из всех промышленных отраслей.
Компания Big River, расположенная в Арканзасе, активно использует датчики, системы контроля и оптимизацию на основе машинного обучения. При поддержке консультантов из компании Noodle.ai в Big River разработали ряд технологий для совершенствования процесса и повышения прибыльности производства стали. Исполнительный директор компании Дэвид Стиклер часто замечает: «Мы технологическая компания, которая производит сталь».
Big River применяет машинное обучение в шести основных сферах, хотя в каждой из них технология характеризуется собственным уровнем зрелости:
● Прогнозирование спроса. Успех Big River зависит от грамотного распределения капитала, поэтому ей необходимо точно прогнозировать спрос на сталь. Для этого компания применяет модели машинного обучения, использующие макроэкономические показатели, данные о спросе на сталь за прошедший период, а также сведения о производственной деятельности и деятельности крупных потребителей стали (например, о начале крупных строек и количестве эксплуатируемых буровых вышек).
● Управление ресурсами и снабжением. В качестве сырья Big River, как и другие «сталелитейные мини-заводы», использует стальной лом, поэтому ей необходимо прогнозировать его наличие. Noodle.ai создала «индекс лома» и работает с Big River над хеджированием закупок стального лома.
● Оптимизация планирования. Любому сталелитейному заводу приходится решать, какую именно продукцию производить, и это особенно существенно, когда важнейшим фактором производства является электроэнергия (необходимая для дуговых печей, в которых плавится стальной лом). Модели оптимизации максимизируют потребление энергии в периоды малой нагрузки, тем самым минимизируя затраты на электроэнергию.
● Оптимизация производства. Все сталелитейные заводы сталкиваются с непредвиденными обстоятельствами, например прорывами металла (когда расплавленная сталь выплескивается из формы в процессе отливки) и перекосами (когда горячий стальной прокат срывается с валков, как правило падая на пол). Такие инциденты приводят к остановкам производства. Они опасны и провоцируют непредвиденные траты. Модели машинного обучения могут прогнозировать подобные инциденты и минимизировать их количество.
● Прогнозное техническое обслуживание. Как и в случае с другим промышленным оборудованием, Big River может использовать модели машинного обучения для определения оптимального времени проведения технического обслуживания важнейших станков и машин.
● Оптимизация транспортировок. Такие компании, как Amazon, давно оптимизировали свои сети транспортировки, но на сталелитейных заводах такая оптимизация применяется нечасто. Big River работает с клиентами и поставщиками, чтобы минимизировать расходы на транспортировку продукции и оптимизировать ее доставку клиентам.
Все это помогает Big River и другим компаниям оптимизировать операционную деятельность, но наилучший эффект достигается при интеграции отдельных систем. Big River пытается провести «всеобъемлющую» оптимизацию продуктивности и прибыльности завода. Компания уже создала модели, которые связывают различные аспекты бизнес-планов и операционной деятельности, оптимизируя работу предприятия. Использование комплексного подхода к планированию и оптимизации только начинается, поэтому ему предстоит отладка, которая потребует огромного количества данных, настройки алгоритмов и значительной вычислительной мощности. Тем не менее сам Стиклер и специалисты по обработке данных из Noodle.ai уверены, что это возможно.
Примеры применения когнитивных технологий в Big River Steel показывают возможность их использования для планирования и оптимизации. Вот другие примеры:
● прогнозирование поставок и истощения запасов;
● планирование и прогнозирование спроса на конкретные продукты или категории продуктов;
● обучение с подкреплением на основе данных о прошлых решениях;
● оценка воздействия маркетинговых акций и механизмов стимулирования продаж;
● прогнозирование и минимизация незапланированных простоев производства;
● моделирование сетей поставок и операций с обновлением в реальном времени;
● прокладка оптимальных маршрутов доставки с учетом загруженности дорог и погодных условий.
Применение технологий в этой сфере может привести к сокращению штатов заводских рабочих по мере автоматизации принятия решений и выполнения задач. Однако это также означает, что тем, кто сумеет сохранить работу, понадобятся навыки и знания более высокого уровня, но при этом им будут платить больше, а условия их труда, вероятно, станут менее опасными. Например, в Big River Steel операторы станков должны понимать данные и уметь обращаться с контрольными панелями – как правило, в диспетчерских, а не в цехах. Их зарплата частично зависит выполнения производственных планов и достижения целевых уровней прибыльности, в результате чего в среднем они получают гораздо больше, чем работники других американских сталелитейных заводов.
Поскольку раньше технологии ИИ не использовались на производстве в таких масштабах, квалифицированных специалистов по работе с ними очень мало. Это значит, что в будущем придется проводить массовую переподготовку кадров. Это также значит, что повысится спрос на опытных специалистов по ИИ, способных создавать такие модели, причем они будут востребованы как в качестве штатных сотрудников, так и в качестве сторонних консультантов.
Восприятие и распознавание изображений
За последние десять лет существенно повысилась способность ИИ к восприятию и распознаванию изображений, которую иногда называют компьютерным, или машинным, зрением. Она существует более двух десятилетий, но раньше давала не слишком точные результаты. Сегодня во многих сферах машины распознают изображения не хуже людей, а иногда даже лучше. Соответствующие технологии пока не получили широкого распространения в бизнесе (за пределами онлайн-компаний вроде Google и Facebook), но обладают огромным потенциалом.
В основе современного распознавания изображений лежит технология нейронных сетей глубокого обучения, использующая огромное количество доступных маркированных изображений. В большинстве случаев машинное зрение обучается с учителем, что требует большого числа маркированных изображений для тренировки. Иными словами, компания Google смогла создать модель, способную распознавать в интернете изображения кошек, исключительно в результате появления сложного алгоритма глубокого обучения, который тренировался на множестве фотографий кошек, однозначно маркированных как «кошка».
Однако распознавание изображений в сфере бизнеса уже пошло дальше и не ограничивается выполнением простых задач вроде обнаружения изображений кошек в интернете. Например, стартап Doxel использует технологию распознавания изображений на основе глубокого обучения для сканирования 3D-изображений со строек (предоставляемых роботами)[90]. Далее изображения фрагментов проектов классифицируются на основании степени их готовности. Цель состоит в том, чтобы определить, будет ли проект завершен вовремя. В сфере, где задержки с реализацией проектов и перерасходы бюджетов часто становятся нормой, подобная система при должном функционировании может быть весьма полезна для руководителей проектов.
Применение в бизнес-процессах
Технология распознавания изображений имеет огромное количество применений. Вот лишь несколько примеров (большинство из них в той или иной форме реализуется сегодня):
● контроль за процессом строительства и соблюдением сроков;
● распознавание беспилотными автомобилями дорожных знаков и разметки, других машин и пешеходов;
● распознавание покупок в розничных магазинах (например, в магазинах Amazon Go);
● распознавание дефектов при промышленном производстве продукции;
● распознавание лиц в сфере торговли и технологий (например, в Apple iPhone X);
● идентификация и классификация одежды;
● выявление проблемных зон на медицинских снимках;
● классификация и описание хранящихся в интернете фотографий (например, на Facebook или Google Photos).
Некоторые аспекты применения технологии распознавания лиц могут оказать серьезное влияние на организации – главным образом они могут привести к сокращению штатов или хотя бы изменению механизмов работы людей. Например, распространение оснащенных этой технологией беспилотных транспортных средств может привести к сокращению количества водителей, управляющих такси, грузовиками, кораблями, автомобилями доставки и т. д., но пока этого не произошло. Технология распознавания и анализа изображений в сфере медицинской визуализации потенциально может заменить радиологов, но пока не случилось и этого.