Маленькие вещи могут создавать большие проблемы. И нет, речь не о камешке в ботинке и даже не о вирусах. Мелкие закупки — крупная головная боль для отдела снабжения. А поскольку в ЕВРАЗе активно развивается цифровая трансформация, мы эту головную боль решили лечить не цитрамоном, а соответствующим IT-продуктом.
Под катом вы узнаете, как мы разрабатывали собственный внутренний маркетплейс, какие проблемы героически преодолели, а какие предвидели заранее. Ну и, разумеется, что из этого вышло.
Привет, Хабр! ИИ уже отбирал работу у веб-дизайнеров, программистов и копирайтеров. Теперь он пришел за операторами производственных цехов.
Интеллектуальная видеоаналитика давно помогает нам обрабатывать материалы точнее, да и в целом автоматизировать и отлаживать производство. Да, нейросеть тоже ошибается, как и живой оператор. Но оператор багует от случая к случаю: не угадаешь. А вот процент ошибок грамотно обученных нейросетей плавает в известных нам пределах.
Так что же — вместо операторов будут алгоритмы? Не всё так однозначно. Почему человека нельзя убрать из цепочки — под катом.
Если вы следите за нашим блогом — значит, читали уже много статей про цифровую трансформацию ЕВРАЗа. Оптимизация расхода ферросплавов и прокачка технологов до дата-сайентистов — самые яркие кейсы, привлекающие внимание одним заголовком. Однако цифровизация всеобъемлюща и вездесуща, как Святой Дух. В равной степени она касается и суровых технологических вещей, и самых обыденных аспектов жизни компании. Впрочем, в этот самый момент они перестают быть обыденными.
Электронный документооборот (ЭДО) — это не просто «отсканируйте и перешлите в формате .pdf». Это сложные IT-системы, интегрированные с другими сложными IT-системами. Это криптографическая магия, позволяющая подтвердить, что вы кот тот, за кого себя выдаёте. В сегодняшней статье поговорим о людях и технологиях, благодаря которым можно подписывать документы в один клик, получить квалифицированную электронную подпись за полчаса и оперативно заключать договора за тысячи километров.
Цифровая трансформация подобна ремонту: однажды начавшись, не заканчивается уже никогда. Разработчики и дата-сайентисты выискивают по цехам ЕВРАЗа — где бы ещё причинить пользу своими знаниями и умениями? На этот раз им на глаза попалось производство рельсов. И увидели они, что это хорошо, но можно ещё лучше…
Конечно, в действительности процесс принятия решений выглядит немного иначе. Однако термоупрочнение рельсов — действительно перспективный объект для цифровизации. Под катом вы сможете прочесть, как строилась математическая модель остывания рельса, а главное — зачем.
Сегодня мы находимся на переходе от ML творческого, в котором человек творит как художник, к ML энтерпрайзному, похожему на разработку в классическом понимании. В 2014 году в России появилась магистратура по машинному обучению, то есть уже начали готовить специалистов. Примерно тогда рандом форест и градиентный бустинг начали заезжать в прод. Тем не менее всё ещё мало кто может внедрить весь этот зоопарк моделей и алгоритмов ML в бизнес.
Меня зовут Андрей Зубков, я глава отдела AI в ЕВРАЗе. Расскажу о том почему и откуда возникают проблемы внедрения ML в бизнес и подумаю вместе с вами как достигать взаимопонимания с заказчиком.
Привет, Хабр! Меня зовут Даша, я руковожу тестированием в ЕВРАЗе. Многие имеют опыт работы тестировщиком. Наверняка среди читателей найдутся и такие, кто руководит целым отделом QA. Но мало кому выпадает шанс создавать QA-направление в огромной промышленной компании практически с нуля.
Под катом я расскажу, как нанять тестировщика без опыта и не пожалеть об этом, зачем одновременно знать Python и C# и почему бывает непросто наладить сквозное тестирование.
В этой статье мы поведаем о незаметных «атлантах», на чьих плечах держатся уже реализованные проекты цифровой трансформации в ЕВРАЗе. А именно — о второй линии поддержки проектов ЦТ. Кто эти герои без плащей и трико?
Основной задачей нового хакатона стала разработка цифрового двойника эксгаустера агломашины. Ну эксгаустер, вы же знаете..?
В прошлых статьях мы много рассказывали о том, как Data Science помогает металлургу, что такое Self-Service Analytics и как простой технолог может командовать моделями машинного обучения. В этом посте хочется раскрыть больше технических деталей по последнему пункту.
Хардкорный дата-сайентист может собрать нейросеть даже из спичечных коробков. Однако CDS — это про решение производственных задач малой кровью и в разумные сроки. И для таких решений необходим соответствующий инструментарий.
Привет, на связи снова Андрей Косинцев из ЕВРАЗа, и под катом вы узнаете, как самообучаются ML-модели и самоверстается фронтенд.
Говорят, что в России и в мире дефицит IT-специалистов. Врут, разумеется. Специалистов достаточно, просто IT-задач слишком много.
С другой стороны, иногда задача вроде бы есть, а на самом деле её нет. Кажется, вот тут используешь machine learning — и станет хорошо. А на деле — гипотеза не подтвердилась, корреляции нет, эффекта нет. Только потраченное время IT-команды. Конечно, отрицательный электрод — тоже электрод, но вот стоимость такого электрода хотелось бы уменьшить.
А с третьей стороны — бывают задачи, которые технолог своими руками в Excel, конечно, не решит, но вот ещё немного — и решил бы. И очень не хочется платить за аутстафф или ждать месяцы, пока у штатных айтишников освободится время. Хочется, чтобы «вот ещё немного».
О том, как мы в ЕВРАЗе научились справляться с такими «задачами Шрёдингера», что значит SSA помимо серверной авторизации и о прочих поразительных вещах — читайте под катом.
Шутки шутками, но мы в ЕВРАЗе думаем исходя из конкретных задач. Однако задача — это странный предмет. Иногда её вроде бы нет, а на самом деле она есть. Вот некий техпроцесс, он работает, даёт продукт, приносит прибыль. Кажется, работает — не трогай. А потом трогаешь, цифровизируешь — и он начинает работать лучше. Как понять, что такая возможность есть? Это нужно технологам разговаривать с дата-сайентистами.
Привет! Меня зовут Саша, и с 2020 года я работаю в ЕВРАЗе — это металлургическая и горнодобывающая компания. Устроился сюда бэкенд-разработчиком, а сейчас — техлид.
Конечно, не каждый выпускник обязан всю жизнь помнить школьный курс химии целиком. И всё же такие элементарные вещи, как химический состав стали, должны задерживаться в памяти. Уж вы-то, уважаемый читатель, наверняка его помните?
Вопрос с подвохом: если кивнули — попались. Нет такой вещи, как химический состав стали вообще. Разумеется, в основном это сплав железа и углерода. А вот в какой пропорции, и самое главное — какие ещё элементы там присутствуют? Есть неисчислимое множество марок стали, отличающихся по физическим и химическим свойствам. Только у нас в ЕВРАЗе их производится более 1 200.
К каждой марке предъявляются свои требования по максимально и минимально допустимому содержанию тех или иных элементов. Эти элементы, как правило, значительно дороже, чем железо и углерод. С одной стороны, хочется их сэкономить. С другой — не выйти за нижнюю границу допустимого. Как в этом помогает ML — читайте под катом.
Привет, Хабр! В конце 2020 года мы в ЕВРАЗе поставили цель — научиться лучше прогнозировать и предотвращать отказы установок непрерывного литья заготовок. Для этого мы обратились к Data Science и в этой статье хотим поделиться подробностями проекта. Расскажем о подходе к построению предиктивной модели, процессе разработки, ну и конечно, о том, что из всего этого вышло.
Добро пожаловать в конвертерный цех!
Привет, Хабр! Меня зовут Паша, и я руковожу frontend-направлением в ЕВРАЗе. В рамках цифровой трансформации компании моя команда разрабатывает огромное количество интерфейсов. Только с 2019 года их число превысило 20, и у каждого свой уникальный UX/UI. Несмотря на все разнообразие, проекты являются частью общей дизайн-системы, где повторяются те или иные элементы.
Но отдельные задачи требуют особого подхода, что приводит к локальным изменениям по стилям компонентов. И вот тут мы столкнулись с некоторыми проблемами, разрешив которые, получили идеальный UI Kit.
Прокатный цех металлургического предприятия ЕВРАЗ ЗСМК занимается выпуском готовой продукции для клиентов: от арматуры до уголков. Производственный процесс — дело непростое. Иногда за всеми мощностями и нюансами человеческому глазу уследить сложно или даже невозможно. Под катом расскажем, каким образом система видеоаналитики решает производственные проблемы, изложим этапы ее создания и увидим, какие трудности возникают при решении подобного рода задач на металлургических предприятиях.
Привет, Хабр! На связи ЕВРАЗ, и сегодня мы хотим рассказать, как организовали и провели хакатон по Data Science и Computer Vision. Казалось бы, где металлургия и где хакатон — но нет. На самом деле, в мире практически не осталось предприятий, которые работают без поддержки IT.
Технологии помогают повышать эффективность работы, поддерживать высокий уровень безопасности на производстве, соответствовать требованиям рынка — сегодня, например, растет спрос на высококачественные марки стали. А экологические проблемы и давление со стороны регуляторов определяют выбор в пользу устойчивого развития, которое также невозможно представить без диджитализации.
Металлургии необходимы инновации, и для участников EVRAZ AI Challenge мы подготовили задачи, соответствующие реальным запросам бизнеса. О том, что из этого получилось — под катом.
Металлургия меняется. Сегодня у нас нет предприятий, которые работают без поддержки IT-технологий.
Но с чем конкретно работают IT-специалисты в промышленности? Пощупать реальные кейсы могут все желающие на хакатоне EVRAZ AI Challenge (вы еще можете на него успеть — регистрация продлится до 26 октября).
Подробнее о хакатоне, его задачах и другие детали — под катом.
Мы — ЕВРАЗ. Горно-металлургическая компания. В рамках производственного процесса мы производим кокс — твёрдое топливо для доменных печей, где выплавляют чугун. Чтобы получить качественное топливо (кокс), нам нужно подобрать правильную шихту — смесь разных углей в определённой пропорции. Но до сих пор приходилось подбирать по наитию. От решения этой задачи фактически зависит прибыль предприятия, но ни один исследовательский институт ещё не смог разработать подходящую математическую формулу.
Мы попробовали соединить в одной команде технологов, разработчиков и дата-сайентистов. Дополнили это накопленной базой знаний о параметрах кокса и угольных шихт, из которых он получен. Потратили время, чтобы понять технологический процесс и химию в его основе. И не пожалели: через восемь месяцев получили работающую модель предсказания, которая преодолела скепсис технологов и экономит нам сотни миллионов рублей в год.
