Привет! Хотим подробнее рассказать вам о двух задачах, которые ждут вас на нашем челлендже с призовым фондом в 1 млн рублей.
![](https://habrastorage.org/getpro/habr/upload_files/fc1/9f6/eed/fc19f6eed7dd860c643ac6e017b26542.png)
Задача #1
Итак, у нас сливо-наливная эстакада. Как намекает название — на ней сливают или наливают продукт. Состав, прибывающий для этого дела, обслуживают сотрудники СИБУРа. Но кроме наших непосредственных сотрудников, есть ещё подрядчики, которые должны подготовить вагон-цистерну.
Все операции должны идти друг за другом, это четкая последовательность, и в целом все работает нормально, но иногда возникают проблемы. Например, цистерна может несколько часов стоять неиспользуемой — потому что одни работники не сообщили вовремя о том, что выполнили свою задачу, а другие не проверили все ли ОК и готова ли цистерна к следующему этапу.
Чтобы решить эту проблему, предлагается использовать технологии машинного зрения. Распознавать надо будет следующие этапы:
Прибытие поезда на эстакаду
Его остановка, ожидание опускания мостика на вагон
Окончание работ
Готовность поезда к отъезду
Отъезд поезда
Грамотное использование компьютерного зрения поможет оптимизировать процесс сливо-наливных работ, сократив время аренды вагонов и время работы подрядчиков.
Но не все так просто. Во-первых, вагоны могут находиться на улице, как следствие — дожди, снег, ясный солнечный день, в общем, погода может внести кучу корректив. Во-вторых, есть много ракурсов, сопровождаемых неслабым визуальным шумом, скажем, камеру могут загораживать какие-то конструкции.
А ещё наш инференс ограничен работой на процессорах, так что самые современные модели могут просто не заработать на наших системах.
Так что, решение такого кейса поможет оптимизации процессов и положительно скажется на объеме выпускаемой продукции.
Задача #2
В подразделении продвинутой аналитики занимаются тем, что разрабатывают ML-модели, которые используются в инструментах оптимизации технологических процессов. Это нужно для того, чтобы постоянно совершенствовать качество продукции, оптимизировать процессы производства и адаптироваться к изменениям рынка.
Иногда технологов интересует, как именно меняются параметры полезного продукта при изменении параметров техпроцесса. На реальном рабочем оборудовании проводить такие эксперименты довольно рискованно, а еще — дорого и вообще трудозатратно.
Поэтому в СИБУРе для такого часто используют цифровых помощников и виртуальные лаборатории. Они позволяют технологу изменить параметру техпроцесса, провести расчет и посмотреть, как именно такие изменения повлияют на полезный продукт.
Идея цифрового эксперимента в том, что обычно интересующие технолога диапазоны параметров —это те, в которых установка либо работает редко, либо до этого не работала вовсе. Соответственно, и статистических данных для них или нет вообще, или очень мало.
Это хороший вызов для моделей машинного обучения. Задача не самая очевидная, но актуальная — производств и техпроцессов у нас множество, так что запрос на решение таких задач у нас есть постоянно.
Если вы любите нестандартные задачи, если вы любите искать в данных скрытые взаимосвязи, инсайты — регистрируйтесь на челлендже, будем вам рады. Регистрация закроется 7 июня, а 10 июня мы проведём финал и объявим победителей.