По всем вопросам звоните:

+7 495 274-22-22

Как использовать MachineLearning и IoT для повышения эффективности промышленного производства

Виктор Субботин генеральный директор компании БЕТА, эксперт по разработке специализированного ПО и созданию интеллектуальных систем на основе машинного обучения, видеоаналитики и IoT

Мы являемся свидетелями изменения подходов к использованию технологий машинного обучения, компьютерного зрения и нейронных сетей. Еще совсем недавно все строилось вокруг внешних признаков человека: его идентифицировали, определяли пол и возраст, ему примеряли различные маски. И, пожалуй, единственные отрасли, которые сразу серьезно отнеслись к этим инновациям — были ритейл и транспорт. Сегодня же мы видим, как методы машинного анализа успешно внедряются также и на предприятиях промышленности, в строительстве, энергетике, медицине и фармацевтике. Основная причина такого развития событий — доступность данных, на которых нейронные сети учатся анализировать.

Основное препятствие для массового распространения технологий машинного обучения и IoT (интернета вещей) на предприятиях тяжелой индустрии — отсутствие необходимых данных в нужном количестве. В отличие от данных о внешних признаках человека, которые уже давно имеются в избытке благодаря повсеместному распространению видеокамер.

Возьмем нейронные сети. Как они учатся? Их обучение происходит на основе датасета — набора изображений, которые они должны уметь анализировать.

Например, есть видео, которое нужно проанализировать на предмет использования рабочими средств индивидуальной защиты. Мы разбиваем это видео на ключевые кадры и интегрируем их в алгоритм — нейронную сеть, чтобы она узнала и запомнила, как выглядит шлем, жилет и другие типы спецодежды. Чем больше данных нейронная сеть получит на входе — а речь идет о тысячах изображений на каждый паттерн — тем выше будет точность анализа на выходе (рис. 1).

Главное отличие прикладной нейронной сети от встроенного ПО состоит в том, что в случае ошибки идентификации, алгоритм софта нужно дорабатывать. Нейронная сеть совершенствуется сама и непрерывно. А если речь идет о специфической задаче, то готовых решений просто не бывает.

Главное отличие прикладной нейронной сети от встроенного ПО состоит в том, что в случае ошибки идентификации, алгоритм софта нужно дорабатывать. Нейронная сеть совершенствуется сама и непрерывно. А если речь идет о специфической задаче, то готовых решений просто не бывает.

К сожалению, производственные предприятия зачастую штурмуют инновации своими силами, так как собирать и оцифровывать производственные данные для анализа приходится по крупицам.

Но есть и хорошие новости. Во-первых, текущий этап жизненного цикла технологий машинного обучения, IoT и нейросетей позволяет производителям назначать разумную цену для широкого спектра выпускаемой продукции и даже для технических решений, выполняемых по индивидуальному заказу. Во-вторых, использование таких технологий пока еще не стало столь же привычным явлением, как, скажем, применение биометрии. А это значит, что сейчас самое время вырваться вперед за счет внедрения этих технологий — трансформировать производственные процессы, создать технологичные преимущества.

Для Цитирования:
Виктор Субботин, Как использовать MachineLearning и IoT для повышения эффективности промышленного производства. Генеральный директор. Управление промышленным предприятием. 2019;10.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: