Согласно исследованию, наиболее часто методы машинного обучения применяются в дискретном производстве (машиностроение, авиастроение, приборостроение и т.п.) 44%, в процессном производстве (металлургия, химия, нефтехимия, нефтепереработка и нефтедобыча) - 22%, в электроэнергетике 11%. Оставшиеся 23% рассмотренных проектов находятся на ранней стадии разработки, как правило, это научные работы университетов, исследующих применение методов ИИ в новых сферах для промышленного сектора.
Для решения задач IIoT и промышленной аналитики применяются такие методы, как многослойный перцептрон ((D)MLP) — в 14% случаев, метод опорных векторов (SVM) — в 14% случаев, сверхточные нейронные сети (CNN) — в 11%.
Большинство применений методов машинного обучения относится к предиктивной аналитике (Predictive analytics) 26%, и описательной аналитике (Descriptive analytics) 23%. Также достаточно часто данные методы применяются в области управления роботами и робозрении 14%.
Как показало исследование, в дискретном производстве методы ИИ используются в первую очередь для увеличения срока службы промышленного оборудования и повышения эффективности его технического обслуживания. «Предсказательная аналитика помогает промышленникам получить информацию об остаточном ресурсе промышленных активов, а предписывающая аналитика еще и дает рекомендации, что нужно сделать для предотвращения сбоев в работе и недопущения аварий», — рассказал управляющий директор компании «Цифра» Павел Растопшин.
Вторая область применения — это роботехника и робозрение, когда создаются системы или модели, которые способны обучить промышленных роботов эффективным действиям без участия человека.
«Первое направление в большей степени оптимизирует расходы на содержание промышленного фонда, а второе перспективно с точки зрения генерации прибыли. Если первый сценарий в России возможен при развитии систем мониторинга оборудования и промышленного интернета вещей, то второе направление пока не столь активно в связи с низкой роботизацией отечественного производства», — пояснил Растопшин.
По его словам, в процессном производстве используются те же сценарии с предиктивной аналитикой и предписывающей аналитикой для более эффективного использования оборудования, что и в дискретном производстве. Но более перспективными с точки зрения влияния на экономические показатели предприятия являются системы типа «цифровой советчик» для цифрового управления технологическими процессами. Большая часть изученных примеров связана с контролем качества продукции или его предсказанием. «При этом Россия может стать одним из лидеров по применению ИИ в процессном производстве (металлургия, нефтегаз, химия). Оно преобладает в структуре ВВП России и более технологически готово к внедрению инноваций за счет накопленного массива данных. В то же время большинство зарубежных работ рассматривает в первую очередь дискретное производство», — подчеркнул Растопшин.
Эксперты отметили, что самые передовые методы, такие как метод обучения с подкреплением (самообучающаяся система, где обучаемое получает «вознаграждение» за максимально эффективный алгоритм действий), в промышленности практически не используются в силу новизны и сложности, хотя и могут дать существенный эффект.
В основу методологии исследования лег анализ более 100 научных публикаций, содержащих информацию о применении технологии искусственного интеллекта и подробное описание применяемой технологии. В поле зрения экспертов попали проекты исследовательских и коммерческих организаций из 27 стран. Наибольший процент публикаций из США (32%), Китая (12%) и Германии (10%). Остальные страны, включая Россию, представлены точечными проектами.