Некоторые участники рынка воспринимают искусственный интеллект (ИИ) не то как мессию, способного решить все проблемы человечества, не то как монстра, который отберет у людей рабочие места и захватит мир. На самом деле оба варианта далеки от истины.
Многое будет зависеть от темпов развития технологий в ближайшие годы, но в перспективности ИИ мало кто сомневается. Согласно прогнозу Gartner, внедрение ИИ принесет бизнесу к 2021 году $2,9 трлн, сэкономив 6,2 млрд рабочих часов людей. И если в 2017 году рынок ИИ оценивался в $4,8 млрд, то к 2025 году прогнозируется 20-кратный рост, до $89,8 млрд. Однако тот ИИ, который используется сейчас в промышленности и производстве, пока способен решать только локальные задачи. И хотя использование беспроводных технологий на производстве в последние годы растет темпами 32% в год, промышленный интернет вещей охватывает не более 6% производства в мире.
Необходимо признать, что в настоящее время существуют объективные причины, которые ограничивают как возможности самого ИИ, так и масштабы его внедрения. Выделить можно две основные проблемы.
1. Отсутствие единых стандартов и регламентов работы с данными
Около 65% всего проектного времени внедрения ИИ занимает поиск и сбор данных, необходимых для его работы. При этом удобная для человека система хранения информации порой совершенно неудобна для ИИ, ведь она и не была под него заточена. Также толику хаоса вносит то, что на каждом предприятии предусмотрена своя система сбора и хранения информации.
Так что пока скорость внедрения искусственного интеллекта тормозит то, что предприятия не готовы делать инвестиции в сбор и хранение данных, управление этим процессом и включение его в состав основных бизнес-процессов на предприятии.
2. Неспособность ИИ решать уникальные задачи
Кроме этого, сложность заключается в отраслевой специфике предприятий и технологических процессов — для нефтехимического и металлургического производства невозможно предложить стандартизированные универсальные решения в области ИИ. Индивидуальный подход иногда нужно искать даже к конкретной промышленной установке.
К примеру, каждая доменная печь делается на заказ, ее параметры индивидуально подобраны для решения конкретных производственных задач, жизненный цикл и уровень деградации каждой печи также варьируется.
Подобные сложности есть и в работе с нефтеперерабатывающими заводами, у которых этапность производства может быть уникальной для каждого предприятия. А, как мы знаем, искусственный интеллект пока не любит все, что невозможно стандартизировать, его уровень развития еще не позволяет легко адаптироваться к вариативным технологическим решениям в сложном производстве. Поэтому программе пока приходится все объяснять «на пальцах», обучая ее для каждого процесса отдельно. При этом помимо информации о работе предприятия ИИ нужны данные о бизнес-процессах и о физико-химических процессах, релевантных каждому типу производства.
Зачастую опытные технологи при производстве металлов полагаются на свою интуицию. К примеру, для достижения необходимого химического состава стали используют ферросплавы. Легированная ферросплавами сталь обладает улучшенными физико-механическими характеристиками. И, как показывает практика, на различных предприятиях одной и той же корпорации могут наблюдаться отклонения в объемах добавляемых ферросплавов. Это значительно влияет на затраты корпорации на сырье и могло бы быть оптимизировано, если бы решение об изменении доли ферросплавов не принималось под влиянием чутья того или иного специалиста на каждом предприятии, а было бы унифицировано с помощью ИИ. Однако и здесь все упирается в отсутствие отлаженных механизмов сбора данных: зачастую они берутся из чьей-то головы и не записываются.
Может ли ИИ учиться, наблюдая за работой человека, собирая данные о том, как технолог принимает решения в зависимости от внешних факторов? Да, может и даже должен. Однако решения, которые он будет принимать в процессе работы, будут ограничены этими выученными схемами. Если на производстве ИИ столкнется с незнакомой ситуацией, которой он еще не видел, то встанет в ступор и будет вынужден передать управление технологу.
Следует отметить, что некоторое преимущество в вопросах внедрения ИИ сейчас имеют крупные поставщики промышленного оборудования вроде Siemens и Mitsubishi, которые изначально навязывали контрагентам систему сбора данных с оборудования.
В целом же отсутствие единых стандартов и регламентов работы с данными сильно тормозит цифровизацию. Так что восстанию машин помешает в итоге людская тяга к интуитивному принятию решений и всеобщая неразбериха в производственных процессах.
Следует трезво оценивать способности современных ИИ — они ограничены жесткими рамками. Именно поэтому решения в сфере ИИ внедряются точечно на отдельных производственных этапах, процессах, заводах.
Здесь еще не идет речь об интеллекте, только о его зачатках. Без человека ИИ пока вообще ничего не может — ни обучиться, ни сориентироваться в переменных факторах, поскольку много лет индустрия создавалась человеком и для человека. Так что заменить человека ИИ сможет разве что в очень далеком будущем. А пока, оказываясь в области неуверенности, программа будет обращаться за санкцией на какие-либо действия к человеку. И это правильно. Потому что безопасность при использовании ИИ в производстве должна ставиться во главу угла, принятие ложных решений программой должно отсекаться человеком. Надеемся, что исследования приведут к созданию ИИ, который способен обобщаться, инкорпорировать опыт и принимать корректные и безопасные решения в опасных ситуациях.