Сегодня крупные компании создают свои полигоны для тестирования искусственного интеллекта (ИИ). А что делать небольшим? Большое количество решений не всегда хорошо, так как необходима стандартизация.

В зоне особого внимания

«ИИ требует осторожного подхода на критических производствах. Главный подход — это отказоустойчивость, обеспечение непрерывности. Прежде чем внедрить что-то, надо опробовать», — отметил в ходе РЭН заместитель министра энергетики Российской Федерации Эдуард ШЕРЕМЕТЦЕВ.

Заместитель руководителя Федеральной службы по экологическому, технологическому и атомному надзору (Ростехнадзор) Станислав КОРЧИВОЙ сообщил, что на сегодня в области искусственного интеллекта, цифровых технологий уже есть примеры полигонов, например, атомной энергетики.

«Ростехнадзор, как регулятор, также использует полигоны предприятий научно-технической поддержки наших подведомственных предприятий, которые формируют представление о том, какие модели способны адекватно представлять сложные технические объекты», — рассказал он.

В атомной отрасли давно применяются полномасштабные тренажеры (ПМТ). При этом есть и определенные проблемы.

Можно обучить ИИ на реальных данных АСУ объектов ТЭКа, но нельзя проверить результат на эксплуатируемом объекте.

Нужен ИИ полигон, но при этом нет типизации, в итоге каждый объект (предприятие) уникален. ИИ, обученный на одном, может некорректно работать на другом.

Создание унифицированных ИИ полигонов может оказаться очень длительным проектом.

Пример роботов

«Нельзя просто вывести ИИ в реальный мир. Сначала его надо испытать, — уверен профессор Национального исследовательского университета ИТМО Алексей ШПИЛЬМАН. — Ущерб от сбоя условно нефтекомбината несопоставим с «зависшим» Яндексом. Но надо и небольшим компаниям тоже дать возможность выйти на испытания. Дефекты в агрегатах, дизайн деталей — все, с чем связан ИИ, надо проверять».

По мнению ученого, для запуска рынка ИИ необходимы поддержка ФОИВов (федеральных органов исполнительной власти) — Минэнерго, Минцифры, Минпромторга, Минэкономразвития. Нужна поддержка в сборе информационной базы по проблемам импортозамещения, критичным технологиям ИИ для тестирования и оформления правовых режимов. Возможность использования б/у оборудования (срок использования которого истек) для проведения тестовых испытаний.

«Просто испытания для галочки не имеют смысла. Важно качество. Возможно, нужны экспериментальные правовые режимы», — уверен Алексей Шпильман.

По его словам, можно использовать опыт полигонов для робототехники. Под единой шапкой объединены 17 площадок, в том числе ЦНИИ РТК, учебный полигон ТИУ, ПромМаш Тест. Реализовано единое окно заказчика при тестировании и развитии продукта. Ведется полный процесс контроля и управления на всех этапах жизненного цикла. В результате на выходе получается полностью готовый к эксплуатации продукт»,

Возможности ускорения

«Одним из важных элементов цифровой трансформации госсектора в части регуляторики и нормативных изменений станут экспериментально-правовые режимы (ЭПР). Они необходимы для ускоренной апробации и масштабирования новых продуктов и услуг», — предсказал директор департамента развития цифровой экономики Министерства экономического развития Российской Федерации Владимир ВОЛОШИН.

Такие режимы позволяют сократить проверку инноваций в шесть раз — с 18 до 3 месяцев.

«Сейчас благодаря действующим экспериментам мы обходим 30 нормативных актов, в которых более 150 барьеров. Участниками являются более 190 компаний и органов власти. Более 100 тысяч граждан приняли участие в эксперименте, когда обращались за телемедицинскими услугами, были пассажирами роботакси либо в других ролях», — подчеркнул Владимир Волошин.

География экспериментов тоже обширная, включает различные субъекты Федерации.

Представитель министерства напомнил, что в рамках девяти ЭПР порядка 118 компаний успешно апробируют возможности применения беспилотников в различных отраслях. Одним из самых популярных направлений ЭПР является тестирование беспилотных авиационных систем в Самарском кластере.

Другое не менее масштабное направление экспериментов — тестирование наземного беспилотного транспорта. Это четыре ЭПР, установленных на территории 38 регионов, участниками являются 15 компаний. В частности, беспилотным такси совершено порядка 70 тыс. поездок, грузовым транспортом перевезено более 20 тыс. тонн грузов, в Москве и Санкт-Петербурге осуществлен запуск первых беспилотных трамваев.

С точки зрения практики

«Отраслевой ИИ — это необходимость. С его помощью можно до 50% повысить эффективность работы инженерного персонала», — подчеркнул директор ООО «ТатИТнефть» Ильшат КАРАМОВ.

У нефтяной компании «Татнефть» и предприятий входящих в ее холдинг, накопился большой опыт работы на полигонах внедрения. Основной вектор — генеративный ИИ. Это большие языковые модели. Ближайшая цель — развить эти модели для генерации новых сущностей. Также важен дизайн новых технологических процессов.

Нужно сгенерировать технологический процесс, который бы регулировал поток ресурсов.

Практика обозначила проблемы с развитием ИИ: с данными (их получение, достоверность); со значительными вычислительными мощностями, которые необходимы для графических процессоров. Также здесь, как и в ряде других отраслей, наблюдается кадровый голод, так как требуются высококвалифицированные специалисты.

ИИ может быть использован для перевода в цифровой формат всего объема накопленных в отрасли материалов (отчеты, статьи и пр.), чтобы в результате была создана всеобъемлющая база знаний, которая станет ресурсом для ТЭКа.

«Проблема верификации данных действительно важна. Чтобы создавать модели, приходится обращаться либо к открытым данным, либо аппроксимировать. Мы занимаемся разработкой технологий ИИ. Пример: новое соединение можно найти с помощью ИИ за десять минут, а классическим способом — года», — поделился директор управления стратегического развития и партнерств, Институт AIRI Максим КУЗНЕЦОВ.

По его мнению, люди, способные создавать модели, в России есть, мешают ограничения по вычислительным ресурсам.

ИИ учится на ошибках, но если ошибка имеет критическую цену? Это очень серьезная проблема при наладке оборудования.

«Данные — это топливо для ИИ», — сформулировала руководитель группы проектов, АО «ТВЭЛ» Ольга РАССОХА. Сегодня в АО «ТВЭЛ» реализуются 10 проектов по контролю и прогнозированию качества продукции, а также по мониторингу и прогнозированию технического состояния оборудования.

Для достижения успеха ИИ необходимо, чтобы данные для составления предиктивных моделей были полными, охватывающими полный цикл процесса, как названными, так и географическими.

Пример — проект Череповецкий механический завод (ЧМЗ). Цель которого — управление качеством продукции (циркониевых оболочек топливовыделяющих элементов) на протяжении всего технологического процесса. Был использован сбор и оперативный мониторинг параметров качества выпускаемой продукции и затем применены методы предиктивного анализа для прогнозирования. В результате проекта уровень несоответствия готовой продукции снизился с 2,3% до 0,9%, то есть более чем вдвое.

«Мы провели натурный эксперимент. Партия продукции разделена на две части. В первой, где изготовление шло без рекомендации системы, брак составил 1,2%, с рекомендацией — 0,8%», — проиллюстрировала Ольга Рассоха.

Таким образом, представители компаний, непосредственно внедряющих ИИ, подтвердили необходимость его развития на прогрессивных основах и актуальность обновления нормативной базы.