group-telegram.com/DataKatser/121
Last Update:
ИИ в промышленности по данным разных аналитических отчетов. Часть 2.2
Часть 2.1
• Проектирование: оптимизация компоновки инженерных систем
• Энергетика: оптимизация затрат электроэнергии (на 40%) на охлаждение ЦОД, оптимизация управления для повышение производительности (на 3,5 МВт) газовых турбин
• Логистика: управление складскими роботами (отсутствие необходимости перепрограммирования роботов на каждый вид операции)
• Нефть и газ: оптимизация процессов бурения (ускорение бурения и снижения износа бурового оборудования) и эксплуатации скважин
• Металлургия: управление скоростью для повышения производительности (на 1,5%) непрерывно-травильного агрегата (ссылка на научную статью)
• Горнообогатительный комплекс: оптимизация потоков со сгустителей в итоговый концентрат (youtube)
• Есть облачные сервисы с алгоритмами, включая RL, интегрирующиеся в промышленными симуляционными средами.
При наличии разработанной симуляционной среды использование облачного сервиса является наименее затратным вариантом для применения RL
• Для обучения алгоритмов необходимы высокоточные симуляционные среды оптимизируемого процесса (либо дорого, либо просто нет). Внедрение становится нерентабельным
• В промышленности необходимы гарантии безопасности и интерпретируемость, чего RL не дает
• Высокие требования к вычислительным ресурсам и квалификации разработчиков алгоритмов
• Даже самые современные алгоритмы RL довольно "хрупкие"
• При разработке систем управления на основе алгоритмов RL возникают проблемы: обучения управлению на малых выборках, объяснимость решений, скорость работы в режиме реального времени, работа с задержками в передаче данных и реализации управляющих воздействий
• DNN набирают популярность, но традиционные подходы используются чаще
• Интерес к RL растет, но сложности внедрения сильно мешают
• Нефтегазовая отрасль и энергетика готовы к RL (но успешных кейсов почти нет)
• Разная автоматизация активов тормозит процессы внедления ML
• Большинство проектов на экспериментальной стадии (на 2020 г)
• Некоторые стартапы - пионеры отрасли
• Лучшие сборники с точки зрения промышленности - CV и RL, обе главы в RL рекомендую прочитать (речь про теоретическую разработку и применение RL). Прочитав сборник о предиктивке и СПР, расстроился глубине и объему материала
• Мне не хватило количественных оценок, статистики
• Иногда не совсем понятна степень распространенности технологии именно в промышленной эксплуатации, интересно было бы разделять информацию на продакшн и исследовательские истории (хотя понимаю, что провести такой анализ - это большая и сложная работа)
• На мой взгляд промышленность имеет свои особенности, например, данные, инфобез, интеграция, которые можно было бы затронуть или раскрыть подробнее
• Еще одной особенностью промышленности является большая история работы с моделями (физическими), с данными и наличие традиционных теорий (управления, надежности), которые оченб часто применяются в связке с ML. Об этом было бы интересно почитать
• Очень мало информации о задаче управления процессом, как в режиме советчика, так и в режиме автоматического управления (apc)
• Можно было бы дополнить информацией об эффектах при решении задач, а также о тестировании решений в промышленности (пилотные испытания, а/б тесты со своими особенностями)