На нашем форуме по искусственному интеллекту RAIF прозвучал интересный кейс от Дмитрия Бочарова, вице-президента по внутреннему контролю и аудиту в Segezha Group. Дмитрий рассказал, как используются инструменты машинного обучения в крупнейшем деревообрабатывающем холдинге России и как преодолеваются препятствия на пути внедрений. Передаем ему слово.
Сначала несколько слов о компании
Segezha Group – один из крупнейших в стране вертикально-интегрированных деревообрабатывающих лесных холдингов.
Уверен, что многие из вас слышали про нашу компанию. В конце концов, если вы видели бумажный мешок в IKEA, «Азбуке вкуса» или «Ашане», то он произведен, в том числе, нашей компанией.
Сейчас я хочу донести, с одной стороны, ценность искусственного интеллекта в решении конкретных бизнес-задач, а с другой – рассказать про наш опыт и даже проектную боль, с которой мы столкнулись, когда занимались этим кейсом.
Процесс лесозаготовки
Для начала немного о том, как происходит лесозаготовка:
Лес рубят с помощью специальной техники – харвестеров. Затем заготовки вывозят на склады лесовозами с манипуляторами, чтобы уже оттуда по железной дороге или автотранспортом доставить на комбинаты, где производится целлюлоза, бумага, фанера, пиломатериалы и другая бумажная продукция.
Механизм замера лесопродукции
Одна из ключевых проблем даже не компании Segezha, а всей отрасли – это процесс замера этой самой лесопродукции, а точнее, бревен.
Как это происходит сейчас?
С помощью специальной линейки измеряется высота, длина и ширина штабеля, которая умножается на различные коэффициенты, прописанные еще при СССР в различных ГОСТах и отраслевых нормативах. Самый базовый коэффициент – это «коэффициент полнодревесности», то есть показатель реального количества кубов в штабеле за вычетом промежутков между бревнами. Именно здесь возникает проблема человеческого фактора – если сотрудник неопытный, он, скорее всего, измерит неточно.
Однако, самые большие трудности с точки зрения аудита – это сознательные нарушения, поскольку суммарная зарплата сотрудников, доставляющих нам лес, меньше, чем стоимость древесины в лесовозе (один кубометр стоит 4-5 тыс. рублей). Немного математики – и вот тебе возможности для различных сговоров, злоупотреблений, манипуляций…. Потом невозможно понять, сколько «леса» было на самом деле. Есть машина, есть даже акт с зафиксированным в нем количеством бревен, но было ли их там именно столько – никаких подтверждений нет, кроме тех, что они намерили линейкой. И тут проблема даже не в том, что мы не доверяем всем своим сотрудникам или сотрудникам наших подрядчиков. Просто критично не хватает ясности в этом процессе, прежде всего – реальных документальных подтверждений того, что действительно что-то измерялось.
Современный подход
Мы разработали специальный алгоритм, который на основе фотографии при помощи нейросети не только определяет количество бревен и диаметр каждого бревна (тоже важный для нас показатель) и считает тот самый коэффициент полнодревесности, но главное – берет его не из какого-то ГОСТа, а корректирует для конкретного штабеля лесопродукции.
Эти фотографии привязаны к геолокации автомобиля и хранятся в специальной базе. Поэтому после мы всегда можем взять и сверить: действительно ли был этот лес и сколько именно его было. Планы на ближайшие пару месяцев – обучить систему, чтобы она по эвристическому поиску умела автоматически сравнивать выезжающую и приезжающую машины. Сначала система фотографирует машину, когда та выезжает с делянки из леса, потом второй раз, когда та уже приезжает на комбинат. Далее она автоматически сверяет фотографии и фиксирует, не сняли ли сверху часть бревен и не подменили ли их. Такой автоматический контроль на базе искусственного интеллекта. Это значительно упрощает работу, например, службы безопасности, потому что бегать по всем лесам России (а у нас лесосека почти восемь миллионов гектаров!) мы не можем, как не можем и контролировать каждого лесоруба, потому что это дорого и неэффективно.
Когда мы пытались внедрить систему вместе с компанией, делавшей пилотный проект, то начали с Telegram-бота, чтобы продемонстрировать возможности данного алгоритма.
Кстати, этот Telegram-бот до сих пор есть.
Основные проблемы и их решение
Мы столкнулись с базовыми проблемами, с которыми сталкиваются все компании, которые внедряют искусственный интеллект, либо связанные с ним проекты. Во-первых, вопрос бюджета – откуда взять деньги. Во-вторых, вопросы обоснования стоимости. В-третьих, самый крупный блок проблем – закупочные процедуры и тендеры.
Для себя мы решили эту проблему следующим образом: в закупочных процедурах у Segezha Group есть так называемые «Пилотные проекты». Если мы хотим внедрить что-то новое и небольшое, к тому же ранее неописанное, нет необходимости придумывать ТЗ. Мы ведь еще не знаем, как это будет работать, поэтому сочинять соответствующее ТЗ – только зря тратить время. На подобные проекты есть определенный бюджет, и по решению закупочной комиссии абсолютно официально можно выбрать одного из подрядчиков. Таким образом, наша компания работает в духе некоего стартапа. Мы готовы терять эти деньги, но зато можем пробовать решить конкретную проблему.
Мой коллега, вице-президент Segezha по ИТ, на одном из форумов рассказывал про один из таких наших проектов: тот стоил несколько миллионов рублей, но мог при этом принести порядка трехсот миллионов. Мы рискнули, сделали «пилот» и он в итоге окупился многократно – может быть, не в сто, но как минимум в десятки раз точно. Очевидно, такие эксперименты несут и потери, но пробовать можно и нужно, потому что любой реализованный кейс – это очень ценный опыт. Использование технологий, проработанных в конкретных бизнес-проблемах, приносит свои плоды. Но тут надо и меру знать тоже – не стоит искусственный интеллект и машинное обучение внедрять везде, лишь бы только внедрить.
Еще один внутренний лайфхак: мы договорились с коллегами (с финансистами, закупщиками и руководством компании), что часть денег, которые нам подобные проекты приносят, в будущем будем реинвестировать в новые пилотные проекты – то есть будем постоянно вкладывать сэкономленные деньги в новые технологии и тем самым продвигать подобные истории в Segezha.
Сейчас мы как раз заканчиваем пилотирование «древесного» кейса. Чтобы было понятно по экономическим эффектам: погрешность способа измерения обычной линейкой по ГОСТу составляет 5%, но по факту она намного больше. Segezha Group в год примерно заготавливает и покупает древесины на 15 миллиардов рублей. Даже если взять 1% от этой суммы, это существенные потери. И подобные проекты, которые при этом не стоят миллиарды и даже сотни миллионов рублей, позволяют данные зоны риска закрывать. Может быть тут нет прямого экономического эффекта (то есть мы не станем зарабатывать больше или у нас не появится нового производства), но с точки зрения предотвращения возможных потерь в лесозаготовке очевидна довольно высокая эффективность.
Думаю, многим интересны сроки изготовления таких прототипов и хочется более конкретных цифр. Цифры по понятным причинам назвать не смогу, но обозначу самый проблемный момент – это получение релевантных данных. Например, какую фотографию или какие данные взять для обучения нейросети? Мы же не можем использовать результаты ручных измерений (те самые обмеры линейкой), потому что тогда алгоритм будет работать на некорректных данных. Приходится брать каждый лесовоз и делать так называемую «точковку»: бревна полностью выгружаются из лесовоза и каждое замеряется по диаметру и длине. Таким образом можно определить достоверный объем всей древесины с минимальной погрешностью. Еще одна особенность в том, что древесина бывает разная: сосна, ель, лиственница… Соответственно, у каждой свои особенности в измерении. Чтобы все намерить, моим сотрудникам приходилось ездить по разным регионам – в Киров, Архангельскую область, Красноярск, Карелию – и замерять там каждый лесовоз. Так что основное время (около двух недель) ушло на то, чтобы собрать достаточно репрезентативную выборку для обучения модели.
Автор: Дмитрий Бочаров, вице-президент по внутреннему контролю и аудиту в Segezha Group