В этой статье мы расскажем, как промышленный интернет вещей и искусственный интеллект (Industrial IoT + AI) позволяют автоматизировать традиционный бизнес — торговлю, сельское хозяйство, деревообработку, логистику, строительство, производство и другие предприятия, которые обычно не связаны с приставкой tech. Рассмотрим такие проекты изнутри, чтобы показать, какие проблемы они решают и каких результатов позволяют добиться.
IIoT и Industry 4.0 — это не просто модные термины, а рабочие инструменты, которые меняют подход к традиционным производственным процессам и повышают эффективность бизнеса, однако пока не все владельцы и руководители предприятий осознают реальные возможности новых технологий. Мы решили исправить эту ситуацию и объяснить на живом примере, как технологии искусственного интеллекта и IoT (AIoT) могут работать на реальных предприятиях.
Обзор этапов проекта по автоматизации
Отправная точка для старта по автоматизации может появиться в результате анализа бизнес-процессов компании, но еще лучше, когда заказчик такого проекта сам озвучивает проблему. Например: «Я теряю деньги на зарплатах сотрудников, которые выполняют простые рутинные задачи, и на доставке продукции конечным потребителям. Хочется автоматизировать один из процессов». Отличное начало для первой встречи и есть над чем подумать. :-)
Для поиска решения мы подключаем бизнес-аналитика и системного аналитика. Они собирают требования и разбираются с «болью» клиента, задавая уточняющие вопросы.
Работа аналитиков — важнейший стартовый этап проекта. В Восточной Европе много крутых инженеров, у которых достаточно знаний и опыта в сфере искусственного интеллекта в целом и компьютерного зрения в частности, но их знания чаще востребованы за рубежом, чем дома. И дело тут не только в отсутствии бюджетов на автоматизацию. Ведь проект можно финансировать за счет средств, которые освобождаются в результате такой автоматизации. Проблема как раз-таки в бизнес-анализе, точнее в отсутствии этого этапа. Инженеры говорят: «Дайте нам ТЗ с описанием проблемы, и мы ее решим!» Но абсолютное большинство клиентов так работать не хочет, более того, многих это отпугивает.
Клиент не может подготовить ТЗ, но он готов много и с удовольствием говорить о своем бизнесе на встрече с аналитиками. Эта информация ложится в основу документа, который со временем трансформируется в то самое ТЗ для инженеров.
Как показывает практика, вовлеченность аналитиков уже с первой встречи меняет отношение клиента: он начинает смотреть на свой бизнес под новым углом и может сам предложить решение. А мы трансформируем такие предложения в адекватные технологические решения с подготовкой конкретного плана реализации.
Весь проект по автоматизации обычно включает следующие этапы:
Случай из практики: автоматизация в сфере деревообработки
Приведем пример из нашей практики: руководителя предприятия по деревообреботке беспокоит брак на производстве — деформация деревянного бруса, качество которого контролировал специальный сотрудник. Мы предлагаем решить эту проблему за счет внедрения машинного обучения и алгоритмов компьютерного зрения, чтобы определять такой брак автоматически ».
Как это работает? Ставим в определенной точке производственного процесса специальное устройство с визуальным сенсором, которое снимает процесс, а специальный программный алгоритм анализирует полученное видео и автоматически распознает профиль бруса. Если образец искривлён, устройство передает сигнал механизму переворота и сортировки.
Вместе с новым поворотным механизмом на проекте появляется отметка в базе данных или CRM: сколько проблем было замечено в течение рабочего дня, на каком участке, в какое время. Теперь клиент сможет улучшить свои финансовые показатели и рассчитать финансовую выгоду от автоматизации. Ниже мы разберем этот кейс по шагам:
Посмотрим, как всё работало «по старинке» на основе ручного труда.
Предложим три технических решения для автоматизации и выберем оптимальный.
Расскажем, как разрабатываются системы компьютерного зрения — так, чтобы поняли НЕ инженеры. :-)
Увидим результаты проекта на автоматизированной линии.
Затронем последствия автоматизации — появление техподдержки и увольнения.
1. Изучаем, как всё работало до автоматизации
На каждой из восьми производственных площадок нашего клиента есть один участок, на котором работали по 2 человека. Они визуально оценивали каждый брус, чтобы выявить деформированные образцы и перевернуть их — вручную или нажав кнопку на поворотном механизме.
И все-таки у человека разумного должно быть лучшее применение своих способностей. Это осознание помогает убеждать клиентов, что автоматизация рутинного ручного труда и связанные с ней переквалификация или даже увольнения — это необходимая мера для дальнейшего развития и бизнеса, и людей.
Кстати, если вас попутно заинтересовал вопрос «Как и почему на линию попадает искривленный брус?», то мы ответим словами клиента: «Такое бывает даже с самой качественной древесиной. Из-за влажности и смена температурных режимов». Берем эту информацию на заметку для второго этапа автоматизации, на котором можно установить сеть датчиков температуры и влажности, чтобы следить за условиями хранения и транспортировки продукции, а пока поищем технические решения для текущей задачи.
2. Находим технические решения для автоматизации
На этапе проработки проекта, как правило, разрабатывают несколько инженерных решений поставленной задачи. Возможность выбора снижает вероятность ошибок и дает гибкость. Внедряя одно решение, можно взять отдельные функции из другого.
Вот, какие технические решения будут актуальны для нашего кейса по деревообработке:
Решение 1. Компьютерное зрение и алгоритмы машинного обучения, которые определяют брак визуально по данным с видеокамер.
Решение 2. Лазерные дальномеры, которые определяют искривление профиля через оценку формы вычисление погрешностей.
По схеме виден главный недостаток такого решения: если заготовка установлена неровно, то датчик В не сработает, и это приведет к ложному определению некорректного бруса.
Решение 3. Компьютерное зрение с вычислением граней бруса по одному снимку с фотокамеры: если геометрия отличается от нормальной в определенной степени, то образец признается бракованным.
Ниже примеры выделения границ с помощью компьютерного зрении. Вот собор Святого Павла в Лондоне, края объектов выделены за счет технологии фазового растягивающего преобразования (PST):
Источник фото: Uqam, Wikipedia, CC BY-SA 4.0
Источник: снимок экрана из видеопрезентации Computer Vision: Edge detection using canny in OpenCV & Python (Assemtica Didactic series)
По этим примерам видно, что нам будет технически сложно получить идеальный результат на реальном производстве. Решение будет работать корректно только в «лабораторных» условиях с однотонным фоном без визуальных шумов.
В таком формате мы прорабатываем каждое решение: оцениваем сложность и стоимость реализации, преимущества и риски, а потом выбираем итоговый вариант вместе с клиентом.
3. Разрабатываем систему компьютерного зрения (объясняем для НЕ инженеров)
Для быстрого прототипирования мы используем TensorFlow — бесплатную открытую библиотеку для машинного обучения, которую разработали в Google. Она позволяет создавать и обучать нейронные сети для автоматического распознавания образцов. Погрешность работы такой сети приближается по уровню к человеческому восприятию.
Ниже показан принцип работы компьютерного зрения. Нейросеть предсказывает, на что это больше всего похож жест человека на видео:
Источник: стоп-кадр из Youtube-презентации сервиса Lobe, который обещает сделать машинное обучение доступным каждому.
В нашем кейсе по деревообработке мы использовали TensorFlow Light — специальную библиотеку для работы с облегченными моделями машинного обучения. Она позволяет создавать оптимизированную модель нейронной сети, которая работает на платформах с низким энергопотреблением и на мобильных устройствах. А это значит, что мы можем реализовать локальную обработку данных, без обязательного подключения к интернету (такой подход называется on edge или «граничные вычисления»).
Наше решение работает на одноплатном компьютере Raspberry Pi размером с банковскую карту и специальной видеокамере для обработки видеоаналитики и нейросетей — в защищенном корпусе от пыли и влаги:
Источник фото: магазины Farnell и Luxonis
Для обучения нейронной сети мы собираем данные на всех производственных площадках клиента: видео и фото профилей разной формы. На первом этапе загружаем все профили, без разделения на категории. Это наш Data Set, набор данных. Далее подключается ML-инженер для разметки данных, его задача — классифицировать собранные данные, т.е. выбрать корректные и некорректные профили, ориентируясь на образцы. Такая разметка данных — один из первых и обязательных этапов разработки. В других проектах она происходит не только при работе с изображением, но также со звуками, таблицами, текстами и цифрами.
Далее ML-инженер делает первоначальное предсказание и корректирует данные по мере необходимости. Его задача — «научить» алгоритмы ИИ корректно распознавать тип объектов при разной освещенности, измененных ракурсах и при появлении в кадре посторонних объектов. Чем больше полезных данных, чем они разнообразнее, тем сеть «умнее», поэтому ML-инженер увеличивает выборку в процессе аугментации:
Источник: https://github.com/aleju/imgaug
В нашем случае мы запустили фреймворк TensorFlow на облачной платформе Amazon — AWS EC2 — и на этих мощностях реализовали этап обучения и классификации объектов.
Теперь, получив изображение через камеру, мы отдаем его уже обученной нейронной сети, она определяет корректный и некорректный профиль бруса. Результат — поворотный механизм на конвейере включается только в случае прохождения деформированного бруса, а в базе данных делается нужная отметка. И все это происходит без участия человека. С применением таких технологий автоматизации можно добиться точности в 95%.
4. Как работает автоматизированная линия
Итак, наш клиент тратил время и деньги на обеспечение нормативов по охране труда, в бюджет предприятия закладывалась зарплата 16 человек. Теперь же мы можем сократить эти расходы.
Также клиент получает статистику в рамках единой системы учета. Теперь может контролировать качество своей продукции удаленно, видеть его в динамике (стало лучше / хуже) и вмешаться при необходимости. Так можно эффективнее работать с поставщиками: теперь можно гарантировать, что в привезенном брусе будет не более 5% брака. Это предсказуемый доход от повторно переработанной древесины, которая была забракована при первичном отборе: теперь клиент в реальном времени видит, сколько накоплено такого бруса и может запланировать поставку по более низкой цене. Так формируются разные сегменты покупателей. Владение цифрами позволяет уверенно планировать финансовые показатели компании и повышать эффективность поизводства.
Более того, у автоматизированной системы есть одно ценное качество — масштабируемость. Внедрив и отладив ее на одном участке, мы можем по аналогии установить ее на других.
5. Последствия автоматизации: техподдержка и увольнения
Нужно учитывать, что у прогресса есть свои последствия:
Появится служба технической поддержки в виде штатного специалиста или сервиса «по требованию», который будет обслуживать новую систему. В нашем примере с деревообработкой это будет один-два специалиста вместо 16 сотрудников.
Руководителям бизнеса приходится брать на себя ответственность за сокращение персонала. Конечно, не всем это дается легко, но опыт показывает, что руководители стараются удержать ценных людей, переключив их на другие процессы. Сотрудников переобучают для выполнения более интересных и сложных задач, которые невозможно автоматизировать.
Заключение
Теперь, изучив инженерную кухню такого проекта на живом примере, вы будете лучше понимать перспективы внедрения искусственного интеллекта и на других предприятиях. Возможно, у вас уже появились идеи или вопросы применительно к той сфере, в которой вы работаете сами.
Конечно, одной или даже нескольких статей с разбором примеров недостаточно для принятия решения по запуску проекта в сфере автоматизации, поэтому мы в заключении обратимся к мировому опыту.
Судя по последнему отчету немецкой исследовательской компании IoT Analytics, количество проектов по автоматизации бизнеса и производственных процессов на базе IIoT продолжает расти: за последние несколько лет было реализовано более 1600 IoT-проектов IoT для автоматизации 48 различных бизнес-процессов. Десять самых востребованных из них показаны на графике ниже:
Источник: https://iot-analytics.com/top-10-iot-use-cases/
В 2021 году средняя крупная производственная, медицинская, автомобильная, розничная или энергетическая компания внедрила восемь различных IoT-проектов: больше всего внедрений — в сфере учета и отслеживания активов предприятий, а также в автоматизации процессов.
Нам кажется вполне логичным, что именно эти направления стали в итоге самыми востребованными, ведь принцип, которым руководствуются многие успешные бизнесмены, звучит так: не получилось — переделай, получилось — масштабируй. Можем подтвердить на собственном опыте, что в проектах по автоматизации экономия при масштабировании позволяет быстро окупить даже самые дорогостоящие проекты: стоимость внедрения каждого последующее решения незначительна, а экономия — огромная.
Спасибо за внимание! Если после изучения нашего кейса у вас остались вопросы или появились идеи, поделитесь ими в комментариях.
