Промышленный ИИ проходит пять уровней: от распознавания деталей до управления

На конвейер приходит окрашенная деталь, а прочитать её бирку уже нельзя. Работникам приходится сверяться с документацией, линия теряет время. В приведённом в материале Habr примере с прессово-рамного завода КАМАЗа такую задачу поручили камере и системе распознавания: определить деталь по изображению и передать результат в производственную систему. Это понятная точка входа для ИИ: есть конкретная задержка и действие, которое помогает её устранить.

Для разработчиков и продактов здесь полезнее всего последовательность внедрения. Сначала разобраться, что именно измеряется и как устроен процесс. Затем определить, какое решение улучшит работу. И уже после выбирать модель и степень её самостоятельности. Материал собирает промышленные примеры, но не даёт сопоставимых измерений их эффективности, поэтому читать его стоит как разбор подходов.

Датчик сообщает число, смысл появляется из контекста

Представим двигатель, у которого выросла вибрация. Можно отправить оператору предупреждение о возможной поломке. Но двигатель мог просто перейти на другую нагрузку, при которой такие показания нормальны. Без сведений о режиме работы система будет регулярно тревожить людей по делу и без дела.

Поэтому к измерению нужны время, режим оборудования и условия, в которых оно получено. Отдельно приходится учитывать пропуски связи, погрешности и изменения самих датчиков. Для команды это означает вполне конкретную работу: договориться о структуре событий, проверить временные метки, описать режимы и установить правила обработки пропусков.

В материале есть показательный пример СИБУРа: снижение показаний температуры и её колебаний связывают с накоплением кокса на решётках реактора. На первый взгляд это может выглядеть как ошибка измерения. Чтобы превратить наблюдение в полезный сигнал, нужны знания технологического процесса. Одного поиска необычных значений недостаточно.

Такая подготовка определяет и качество проверки модели. Если смешать штатный разгон оборудования с устойчивой работой, итоговая оценка мало расскажет о пользе системы на производстве.

Пять уровней — пять разных продуктов

Первый уровень — распознавание: какая деталь перед камерой, работает ли оборудование, виден ли дефект. Второй — диагностика и прогноз: что означает отклонение и может ли оно привести к остановке. Третий — рекомендации оператору. Четвёртый — подбор параметров процесса с учётом ограничений. Пятый — самостоятельное управление.

Эти уровни удобно использовать при определении границ продукта. Система, которая обнаруживает подозрительный участок на снимке, и система, которая меняет режим станка, требуют разных данных, интерфейсов и способов проверки. Успешное распознавание ещё не доказывает готовность к управлению.

Разберём пример с экструдером на производстве полипропилена. По описанию в исходном материале, модель СИБУРа анализирует телеметрию, предупреждает о риске забивания и может рекомендовать изменение прижима ножей. Польза возникает, если оператор получает предупреждение достаточно рано и успевает выполнить подходящее действие.

Для такого продукта стоит измерять время предупреждения, число ложных тревог и пропущенных остановок. Рекомендация должна объяснять, какие признаки вызвали сигнал и что предлагается изменить. У оператора могут быть сведения, которых система не получила: например, о текущем обслуживании или ограничениях оборудования.

Как выбрать первый проект

Хороший кандидат — повторяющаяся задача с доступными данными и проверяемым результатом. Например, распознавание деталей, которые сотрудники сейчас идентифицируют вручную. До разработки полезно зафиксировать исходное время операции и частоту ошибок: иначе после запуска будет трудно понять, окупилась ли работа.

Следующий шаг — проверить решение на разных сменах, режимах и условиях съёмки. В материале о мониторинге алюминиевого производства отдельно упоминаются отражения, солнечные блики и маячки техники: система должна отличать их от признаков нарушения процесса. Именно такие подробности часто определяют качество внедрения.

С автономным управлением критерий строже: нужны границы допустимых действий, способ вмешательства человека и понятное поведение при потере данных. Фраза «модель не ошибается» без условий испытаний и статистики этого не подтверждает.

Практический вывод для команды: выберите одну потерю времени или один тип сбоя, свяжите данные с условиями его возникновения и проверьте, помогает ли результат принять решение. Расширять полномочия модели имеет смысл после этой проверки.