AI
- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Самооптимизирующееся производство. Искусственный интеллект. Ожидания и актуальное состояние презентация
Содержание
- 1. Самооптимизирующееся производство. Искусственный интеллект. Ожидания и актуальное состояние
- 2. Немного недавней истории
- 3. Ожидания Повышение эффективности Повышение надёжности Измерение
- 4. Применения ИИ сегодня Виртуальные сенсоры Предсказательные решения Оптимизационные решения
- 5. Оптимизация Примеры Оптимизация добавок (ферросплавы) Оптимизация
- 6. Предсказания Примеры Прогноз качества продукции (слябы)
- 7. Виртуальные сенсоры Примеры Химический состав
- 8. Что происходит сейчас? Первые проекты и сервисы
- 9. Ближние перспективы Расширение рамок, комплексная оптимизация Больше
- 10. Переход на следующий уровень Происходит неоднородно Где-то
- 11. Дальние перспективы Самообучение без участия аналитиков
- 12. Российская специфика Общие проблемы Освоение новой
- 13. Что дальше Существенные изменения в управлении производством
Немного недавней истории 11/2011 2014 2016 2017 Термин Industry 4.0 Реабилитация термина «искусственный интеллект» Применение ИИ как стратегическая цель
Слайд 1Самооптимизирующееся производство
Искусственный интеллект. Ожидания и актуальное состояние.
Александр Хайтин
Основатель и генеральный директор
Mechanica
Слайд 2Немного недавней истории
11/2011
2014
2016
2017
Термин Industry 4.0
Реабилитация термина «искусственный интеллект»
Применение ИИ как стратегическая
цель для производственных компаний
Предметный интерес к «интеллектуальным» решениям
Слайд 3Ожидания
Повышение эффективности
Повышение надёжности
Измерение трудноизмеримых величин
Полная автоматизация управления
Самообучение
Извлечение принципиально
новых знаний, инсайтов
Слайд 5Оптимизация
Примеры
Оптимизация добавок (ферросплавы)
Оптимизация параметров (режимы термообработки)
Оптимизация раннего передела для оптимизации позднего
2-5%
Критерии выбора задачи
Много данных
Много денег
Достаточная сложность
Измеримость результата
Разумные ожидания
Слайд 6Предсказания
Примеры
Прогноз качества продукции (слябы)
Прогноз снижения производительности оборудования (электролизеры)
Прогноз отказов и поломок
критичного оборудования
Критерии выбора задачи
Много данных
Явная, а лучше измеримая полезность прогноза
Разумные ожидания
Лучше чем сейчас
Точнее статистической погрешности
Слайд 7Виртуальные сенсоры
Примеры
Химический состав сырья на установке ГФУ с прогнозом на 15
минут
Критерии выбора задачи
Много данных
Дорого или нельзя измерить напрямую
Очевидная полезность измерений
Разумные ожидания
Дешевле и иногда точнее физических сенсоров (напр. хроматографов)
Точность сопоставима с лабораторией, но без задержки
Слайд 8Что происходит сейчас?
Первые проекты и сервисы
Приобретается опыт
Сбора, подготовки, передачи и обработки
данных
Измерения эффекта в разных формах
Организационного обеспечения внедрения
Определяется фронт работ
Начали с «давайте найдем хотя бы одну задачу»
Сейчас «вот список из 56 срочных задач»
Впереди неограниченное количество мелких и крупных проблем для решения
Измерения эффекта в разных формах
Организационного обеспечения внедрения
Определяется фронт работ
Начали с «давайте найдем хотя бы одну задачу»
Сейчас «вот список из 56 срочных задач»
Впереди неограниченное количество мелких и крупных проблем для решения
Слайд 9Ближние перспективы
Расширение рамок, комплексная оптимизация
Больше эффект
Сложнее сделать
Больше риски
Автоматизация контроля решений
Формирование подходов
к обеспечению безопасности
Интеграция подходов
ML / AI
Физико-химические модели
Эмпирическое знание
Интеграция подходов
ML / AI
Физико-химические модели
Эмпирическое знание
Слайд 10Переход на следующий уровень
Происходит неоднородно
Где-то уже сделано
Где-то еще не начиналась
Три этапа
Подсказки
– AI подсказывает, человек решает
Указания – AI рекомендует, человек может не согласиться
Действия – AI рекомендует, AI контролирует
Оценка сроков перехода: 1-3 года
Указания – AI рекомендует, человек может не согласиться
Действия – AI рекомендует, AI контролирует
Оценка сроков перехода: 1-3 года
Слайд 11Дальние перспективы
Самообучение без участия аналитиков
(data scientists)
пока что утопия
Получение
знаний и инсайтов
пока что лотерея
пока что лотерея
Слайд 12Российская специфика
Общие проблемы
Освоение новой парадигмы, интеграция отраслевой науки и новых технологий
Технические
трудности со сбором данных, особенно исторических
Определение подходов к безопасности
Определение подходов к безопасности
Специфические проблемы
Недостаток опыта в работе со стартапами и маленькими компаниями
Излишняя жесткость корпоративных процедур, тормозящая реализацию пилотных проектов
Неготовность к неудачам
Яркой специфики пока нет – и это скорее хорошо
Слайд 13Что дальше
Существенные изменения в управлении производством
Изменения в IT архитектуре
Перераспределение ролей
и экспертизы между всеми участниками
Накопление практического опыта, адаптация к технологиям
?
