Արտադրության թվայնացում. Ինչպես են ռուսական ՏՏ լուծումները խնայում միլիարդներ

Արդյունաբերության մեջ ՏՏ-ի բնորոշ ընկալումն այսպիսին է՝ 1C հաշվետվություններ, ժառանգական ծրագրային ապահովում և գործողության ազատության բացակայություն: Եթե թվայնացումը գոյություն ունի, ապա այն իրականացվում է միայն KPI-ներին հասնելու համար: Սակայն, եթե իսկապես խորանաք արդյունաբերական մշակողների խնդիրների մեջ, պարզ կդառնա. նրանք աշխատում են բարդ, հետաքրքիր դեպքերի վրա, որոնք ազդում են գործարանի գործունեության վրա և պարզեցնում ինժեներների աշխատանքը:

SIBUR-ում մենք անմիջականորեն հասկանում ենք թվայնացման կարևորությունը, քանի որ մենք Ռուսաստանի ամենամեծ պոլիմերների և ռետինների արտադրողն ենք: Մեր արտադրած պոլիէթիլենը, էլաստոմերները և պլաստմասսաները օգտագործվում են տարբեր ոլորտներում՝ շինարարությունից և ավտոմոբիլային արդյունաբերությունից մինչև սնունդ և բժշկություն: Մեր արտադրության մասշտաբը հսկայական է՝ 17 օբյեկտ, 75,000 միավոր սարքավորում և հարյուրավոր գործընթացային պարամետրեր: Նման բարդ և մեծածավալ արտադրական օբյեկտի կառավարումը անհնար է առանց թվային փոխակերպման:

Այսպիսով, մեր ՏՏ կլաստերում՝ Digital SIBUR-ում, մենք սկսեցինք մտածել, թե ինչպես ցույց տալ, որ մեր մշակողների արտադրանքը ազդեցություն ունի հսկայական արդյունաբերական համալիրի վրա։ Այսպիսով, մենք որոշեցինքՀաբրի հետ միասինՊատմեք մեզ մեր ստեղծած տեխնոլոգիաների և լուծումների մասին, և թե ինչպես են դրանք նպաստում ոլորտի առաջխաղացմանը։

Պիրոլիզի վառարանի և RTO-ի թվային երկվորյակը. Ինչպես է աշխատում ավտոպիլոտը արտադրության մեջ

Պոլիմերները ամենուր են՝ միանգամյա օգտագործման բաժակներից և պլաստիկե տոպրակներից մինչև հրթիռային քթի կոնաձև կոնաձև մասեր և ինքնաթիռի թևեր: Դրանցից ամենատարածվածն ու տարածվածը պոլիէթիլենն ու պոլիպրոպիլենն են: Այս նյութերը հիմնված են քիմիապես կապված պարզ մոլեկուլների՝ էթիլենի և պրոպիլենի երկար շղթաների վրա: Սրանք թեթև, դյուրավառ գազեր են, որոնք գործնականում գոյություն չունեն բնության մեջ: Արդյունաբերական առումով դրանք արտադրվում են բնական հումքից՝ էթանից, պրոպանից կամ ավելի ծանր հագեցած ածխաջրածիններից՝ պիրոլիզի միջոցով:

Պիրոլիզը էներգատար, բարձր ջերմաստիճանային գործընթաց է, որը տեղի է ունենում մասնագիտացված ռեակտորներում՝ պիրոլիզի վառարաններում: Մոնոմերի արտադրության և էներգիայի սպառման առումով գործընթացի օպտիմալ կառավարումը անհնար է առանց ռեակտորի ճշգրիտ, արագ և հուսալի նախագծման:

Նախկինում մենք՝ Digital SIBUR-ում, արտադրությունը թվայնացնելու համար ապավինում էինք արտասահմանյան լիցենզավորված ծրագրային ապահովման արտադրանքին։ Սակայն 2022 թվականին ամեն ինչ փոխվեց. մատակարարները լքեցին ռուսական շուկան, և աջակցությունն ու լիցենզիաները անհասանելի դարձան։ Ծրագրային ապահովումը շարունակեց աշխատել առկա արտադրական օբյեկտներում, սակայն լիցենզիաների ժամկետը լրանալու էր 2-3 տարվա ընթացքում։ Հարց առաջացավ, թե ինչպես շարունակել գործունեությունը, երբ ավանդական ծրագրակազմը այլևս հասանելի չէր։ Եվ այդ ժամանակ պարզ դարձավ. ժամանակն էր ստեղծել մեր սեփական լուծումը, որը կհաշվարկեր օպտիմալ աշխատանքային ռեժիմները և կօգներ կառավարել արտադրությունը իրական ժամանակում։

Այսպես ստեղծվեց մի ամբողջ ծրագրային համալիր՝ պիրոլիզի վառարանի թվային երկվորյակը։Այն աշխատում է RTO-ի (իրական ժամանակի օպտիմալացում) և առաջադեմ գործընթացների կառավարման համակարգի (APC, ինչպես այն հայտնի է միջազգային մակարդակով) հետ համատեղ։ Դրա հիմնական խնդիրն է իրական ժամանակում օպտիմալացնել արտադրական գործընթացները։ Հումքի կազմը և արտաքին պայմանները կարող են փոխվել, ուստի համակարգը անընդհատ վերահսկում է ցուցանիշները և կատարում հաշվարկներ՝ որոշելու համար ամենաարդյունավետ աշխատանքային ռեժիմը։ Հաշվարկներն ավարտելուց հետո թվային երկվորյակը ազդանշան է տալիս օպտիմալ APC ռեժիմի մասին։Համակարգը վերահսկում է տեխնոլոգիական գործընթացը իրական ժամանակում. ավելի քիչ հումք և ավելի քիչ էներգիա նշանակում է ավելի բարձր արտադրանքի բերքատվություն և ընկերության ավելի բարձր շահույթ։

Մեր սեփական լուծումը մշակելիս մենք պարզապես ներմուծման փոխարինում չենք հետապնդել. մենք ստեղծել ենք բարձր տեխնոլոգիական արտադրանք՝ ամբողջությամբ օգտագործելով բաց կոդ: Մոդելը իրականացվել է Python-ում՝ օգտագործելով TensorFlow, NumPy և SciPy գրադարանները: Արտադրության մեջ տեղակայման և շահագործման համար մենք օգտագործել ենք Docker, Redis, Celery և Flask (REST API): Մեր մոդելն առանձնանում է GPU/CPU աջակցությամբ, մոդուլյարությամբ, անհատականացմամբ և բաց API-ով: nanoCAD-ի հետ ինտեգրումը նույնպես աջակցվում է պիրոլիզի վառարանի կոնֆիգուրացիայի հեշտ 3D մոդելավորման համար:

Նախագծի ամենադժվար կողմը պիրոլիզի ռեակտորի մաթեմատիկական մոդելի ստեղծումն էր և ալգորիթմական լուծումների մշակումը, որոնք ապահովում են անհրաժեշտ աշխատանքը: Տրամաբանորեն, մոդելը պիրոլիզի վառարանը բաժանում է երկու միավորի՝ պիրոլիզի վառարանի կծիկ և ճառագայթային խցիկ: Կծիկը ռեակտորի «սիրտն» է, որտեղ արտադրանքի հոսքը շարժվում է տրանսոնիկ արագությամբ և ենթարկվում է բարդ քիմիական փոխակերպումների: Կծիկի մոդելը հիմնված է զանգվածի, էներգիայի, իմպուլսի և բաղադրիչների կազմի պահպանման օրենքների վրա: Հաշվարկները անվերջ գերհամակարգչային խնդրի վերածելուց խուսափելու համար մենք օգտագործել ենք միաչափ մոտարկում. սա մաթեմատիկական նկարագրությունը կրճատում է սովորական դիֆերենցիալ հավասարումների (ՍԴՀ) համակարգի: Սակայն խնդիրը մնում է ոչ տրիվիալ. մեխանիզմները ներառում են հարյուրավոր բաղադրիչներ և տասնյակ հազարավոր ռեակցիաներ: Այստեղ մենք միտումնավոր խուսափել ենք կիսաստաբիլ վիճակի պարզեցումներից. վառարանի շահագործման տեխնոլոգիական առանձնահատկությունները պահանջում են ՍԴՀ-ի լուծում սահմանային պայմաններով:Արդյունքում, մենք կարողացանք հաշվարկման ժամանակ ապահովել մի քանի վայրկյանում՝ գրեթե հավասարվելով շուկայում առկա լավագույն լուծումներին։Բացի այդ, մենք կիրառեցինք մեթոդներ՝ պիրոլիզի մեխանիզմի չափսերը նվազեցնելու համար՝ «կտրելով» այն ռեակցիաները և բաղադրիչները, որոնք չեն ազդում վերջնական արդյունքի վրա։

Ճառագայթային խցիկը ռեակտորի «մարմինն» է՝ տասնյակ գազային այրիչներով և մինչև 1000°C-ից բարձր տաքացվող պատերով։ Այն ջերմություն է մատակարարում կծիկին։ Այս խցիկի համար մենք օգտագործել ենք մաթեմատիկական ֆիզիկայի հավասարումների վրա հիմնված խիստ մոդելներ։ Այս հավասարումների լուծումը հիմնված է վերջավոր ծավալի մեթոդի վրա։ Մենք երկու մոդելների (կծիկի մոդելի և ճառագայթային խցիկի մոդելի) համար ընդհանուր կայուն վիճակ ենք փնտրել՝ օգտագործելով պարզ իտերացիոն մեթոդ՝ որոշ փոփոխություններով։ Ըստ էության, մենք ստացել ենք լուծում, որը պիրոլիզի վառարանի բարդ թերմոդինամիկան տեղավորում է արագ, ճշգրիտ և հուսալի հաշվարկներ կատարող ալգորիթմի մեջ։

Մեր արտադրության համար այս լուծումը լիովին թափանցիկ է. ոչ մի սև արկղ, ոչ մի լիցենզիա։Թվային երկվորյակի ներդրման տնտեսական ազդեցությունը տարեկան կազմում է մոտ 670 միլիոն ռուբլի գործող արտադրական օբյեկտների համար: Երկարաժամկետ հեռանկարում մենք գնահատում ենք, որ կկարողանանք տարեկան խնայել լրացուցիչ 400 միլիոն ռուբլի նոր արտադրական օբյեկտների համար:

Կանխատեսողական ախտորոշում. երբ խափանումները ձեզ անակնկալի չեն բերում

Արդյունաբերական աշխատողների ամենավատ մղձավանջները սարքավորումների հանկարծակի անջատումներն են, երբ հերթափոխի կեսին ինչ-որ բան խափանվում է, գրաֆիկը խախտվում է, աշխատակիցները սթրեսի մեջ են, և ընկերությունը գումար է կորցնում: Բայց ինչպե՞ս կարելի է կանխել խափանումը, նախքան այն տեղի կունենա:

Նախկինում SIBUR-ը օգտագործում էր ներմուծված կանխատեսողական ախտորոշման համակարգ, սակայն 2022 թվականին, ինչպես շատ ուրիշներ, այն ստիպված եղավ դուրս գալ Ռուսաստանից միակողմանի տոմսով։ Նոր արտադրական օբյեկտներ այլևս չէին կարող միացվել, և աջակցություն գոյություն չուներ։ Անհրաժեշտ էր շտապ փոխարինող գտնել։ Իհարկե, շուկայում արդեն կային ՏՏ լուծումներ, որոնք կարող էին անմիջապես հայտնել խնդիրները։ Սակայն դրանք չափազանց թանկ էին և չէին բավարարում մեր արտադրության բոլոր կարիքները։ Մենք սկսեցինք փնտրել ավելի մատչելի տարբերակներ և հասկացանք, որ ավելի արդյունավետ կլինի նման լուծում մշակել ինքներս. չէ՞ որ մենք այս ոլորտի մասնագետներ ենք և ունենք տվյալագիտության մասնագետների մեր սեփական թիմը։

SIBUR-ի Մոնիթորինգի և ախտորոշման կենտրոնի (MDC) գործընկերների հետ միասին մենք սկսեցինք մշակել մեր սեփական ծրագիրը՝ մեքենայական ուսուցման վրա հիմնված համակարգ։Այս համակարգը պետք է 24/7 հսկեր սարքավորումների վիճակը և զգուշացներ խնդիրների մասին, նախքան դրանք կրիտիկական դառնային։

Նախ, մենք ընտրեցինք սենսորներ և գրեցինք բարձր մակարդակի ծրագիր, որը հավաքում է տեղեկատվություն և վերահսկում է սարքավորումների վիճակը. այն հետևում է ջերմաստիճանին, թրթռմանը, ճնշմանը և այլ պարամետրերի, և ազդանշան է ուղարկում, եթե որևէ բան շեղվում է նորմայից։

Այս փուլում մենք ուսումնասիրեցինք, թե ինչպես պետք է իրեն պահի առողջ միավորը. համակարգի յուրաքանչյուր նոր արտադրական օբյեկտում տեղադրման ժամանակ մենք վերապատրաստում էինք մոդելը: Արտադրության պայմանները տարբեր են, և հին մոդելի կարգավորումները շատ սահմանափակ կիրառելիություն ունեն: Մենք հավաքեցինք սարքավորումների մեկ տարվա շահագործման իրական տվյալները, զտեցինք դրանք և օգտագործեցինք այդ տվյալները՝ մոդելը նորմալ վիճակի վերապատրաստելու համար: Արդյունքում մենք ստացանք որոշակի արտադրական օբյեկտում առողջ սարքավորումների թվային «լուսանկար»:

Ուսուցումից հետո այս համակարգը ավտոմատ կերպով վերահսկում է սարքավորումների վիճակը: Եթե համակարգը հայտնաբերում է նորմայից շեղման առաջին նշանները, այն ստեղծում է անոմալիայի մասին ահազանգ: CMD ախտորոշիչները վերլուծում են այս ահազանգը և, արտադրության մասնագետների հետ համատեղ, մշակում են առաջարկություններ, թե ինչպես խուսափել անսարքություններից: Այս մոտեցումը օգնում է կանխել վթարները, պլանավորել վերանորոգումները, նախապես ձեռք բերել պահեստամասեր և խուսափել անսարքություններից առաջացող ֆինանսական կորուստներից:

Մեր համակարգը ներառում է մոնիթորինգի արդյունքների ավտոմատ գնահատման կանոններ, որոնք օգնում են արագորեն բացահայտել ամենակարևոր իրադարձությունները և առաջարկություններ ստեղծել CMD թիմի համար։Եթե պարամետրի շեղումը թույլատրելի սահմաններում է, ստուգում անհրաժեշտ չէ: Եթե այն այդ սահմաններից դուրս է, մենք ստեղծում ենք սարքավորումների ստուգման առաջադրանք: Ներառված են նաև փորձագիտական կանոններ, որոնք, մեծ թվով պարամետրերի փոփոխությունների դինամիկայի հիման վրա, օգնում են որոշել շեղումների հնարավոր պատճառը և առաջարկում են առաջարկություններ դրանք վերացնելու համար: Համակարգն ավտոմատ կերպով գնահատում է առաջադրանքի առաջնահերթությունը. վերլուծական ալգորիթմները սահմանում են 1-ից (բարձր) մինչև 5 (ցածր) մակարդակ՝ հաշվի առնելով շեղումների մեծությունն ու բնույթը: Այսպիսով, մենք որոշում ենք առաջադրանքի հրատապությունը:

Մենք ներկայումս օգտագործում ենք վիճակագրական մաթեմատիկական մոդելներ, ինչպիսին է արդիականացված նմանության վրա հիմնված մոդելավորման (SBM) ալգորիթմը: Այս մոտեցումը հիմնված է այն գաղափարի վրա, որ նմանատիպ ատրիբուտներով օբյեկտները ցուցաբերում են նմանատիպ վարքագիծ: Ապագայում մենք նախատեսում ենք ամբողջությամբ անցնել ինքնակոդավորիչների վրա հիմնված նեյրոնային ցանցերի մոդելների և արդեն սկսել ենք դրանք ներդնել մեր ծրագրաշարում:

Ծրագրի ներքին կառուցվածքը ներառում է բարձր տեխնոլոգիական բազա՝ AI/ML և Digital Twin: Ամեն ինչ կառուցված է բաց կոդով Python գրադարանների վրա (SciPy, TensorFlow):Սարքավորումները պատշաճ կերպով վերահսկելու համար կարևոր է հասկանալ, թե ինչ թերություններ կարող են առաջանալ և ինչպես են դրանք դրսևորվում: Այսինքն՝ ինչ տվյալներ՝ ուղղակի կամ անուղղակի, կարող են դա բացահայտել իրական ժամանակում:Դրա համար մենք օգտագործում ենք պարզեցված խափանման ռեժիմի և հետևանքների վերլուծություն (FMEA)՝ մեթոդ, որը օգնում է կապել հնարավոր թերությունները և սարքավորումների խափանումները իրական ժամանակում հավաքված պարամետրերի հետ։ Սա թույլ է տալիս մեզ վաղ հայտնաբերել ռիսկերը և միջոցներ ձեռնարկել դրանք մեղմելու համար։

Վերջնական արդյունքը՝ վերահսկվող սարքավորումների կորուստների 10-15%-ով կրճատում: Բայց ամենակարևորը՝ արտակարգ իրավիճակների նվազումը և սարքավորումների աշխատանքի ավելի մեծ կանխատեսելիությունը անմիջականորեն բարելավում են հուսալիությունը և թիմի հանգստությունը:

Թվային լիդերի գեներացիա. Ինչպես է արհեստական բանականությունը օգնում նոր հաճախորդներ գտնել

Խնդիր. դասական մոտեցումն այլևս չի գործում: Նախկինում արդյունաբերական B2B-ում, հատկապես SIBUR-ի մասշտաբով, հաճախորդների հոսքը պահպանվում էր հին դպրոցի կախարդանքի միջոցով՝ SEO, SMM, գործուղումներ և «կոնֆերանսի նստել և այցեքարտեր փոխանակել»: Սակայն որոշ պահի այս ամենը դադարեց արդյունք տալ, և համավարակի ընթացքում օգտագործված վաճառքի որոշ ալիքներ դարձան լիովին անհասանելի: Լիդերը նվազում էին, մարքեթոլոգները խուճապի մեջ էին, իսկ վաճառողները՝ հուսահատված: Այդ ժամանակ էլ գաղափար ծագեց. եկեք ներդնենք արհեստական բանականությունը և սովորեցնենք նրան գտնել հավատարիմ հաճախորդներ մեզ համար:

Թվային լիդերի գեներացումը մշակվել է միաժամանակ մի քանի խնդիր լուծելու համար՝ ընդլայնել վաճառքի ձագարը, օգնել մուտք գործել նոր շուկաներ և ավելի արագ գտնել հաճախորդներ նոր ապրանքներ թողարկելիս։Արհեստական բանականությունը պետք է ճկունություն հաղորդեր վաճառքի գործընթացներին՝ օգնելով արագ վերաուղղորդել լիդերին և հարմարվել փոփոխվող շուկայական պայմաններին, ինչպես նաև ավտոմատացնել ձագարաձև գործընթացը՝ առաջին լիդից մինչև վաճառք: Այսպես ծնվեց «Թվային լիդերի գեներացիա» արտադրանքը՝ առաջարկությունների համակարգ, որը ոչ միայն փնտրում է պոտենցիալ հաճախորդներ, այլև ընտրում է նրանց, ովքեր իսկապես պատրաստ են համագործակցել մեզ հետ:

Որպես պոտենցիալ հաճախորդների ներգրավման հիմք, մենք օգտագործել ենք այսպես կոչված «տվյալների լիճը»՝ տարբեր տվյալների բազաների և աղբյուրների հավաքածու, որը համախմբում է բոլոր անհրաժեշտ տեղեկությունները, ներառյալ մաքսային վիճակագրությունը և արդյունաբերական տվյալների բազաները, ինչպիսիք են SPARK-ը և դրա համարժեքները այլ երկրներում: Արդյունաբերական տվյալների բազաների միջոցով մենք կարող ենք ավտոմատ կերպով դասակարգել ընկերությունները ըստ արտադրական հատվածի և պատրաստել նկարագրություններ, որոնք կծառայեն որպես չափանիշ պոտենցիալ հաճախորդներ գտնելու համար:

Ալգորիթմը գործում է հետևյալ կերպ. նախ մենք տվյալներ ենք արդյունահանում այս «լճից», այնուհետև ամբողջ տեղեկատվությունը ենթարկվում է նախնական մշակման. տվյալները մաքրվում են ակնհայտորեն անիրատեսական արժեքներից, կրկնօրինակները հեռացվում են, և գրառումներն իրենք հարստանում են լրացուցիչ գործառույթներով: Այնուհետև ակտիվանում է «խելացի» ֆիլտրացումը. այս փուլում կարևոր է հաշվի առնել մարքեթոլոգների կողմից սահմանված առաջնահերթությունները:Խնդիրը միայն մեծ թվով լիդեր հավաքելը չէ, այլ իսկապես համապատասխաններին ընտրելը։Վերջիվերջո, մենք նմուշը նեղացնում ենք մեկ միլիոն պոտենցիալ հավանական հաճախորդներից մինչև մի քանի հարյուր տաք հաճախորդների։ Այս տվյալները այնուհետև ավտոմատ կերպով լրացվում են նկարագրությամբ և կոնտակտային տվյալներով և ուղարկվում հաճախորդների հետ հարաբերությունների կառավարման համակարգ։ Վերջապես, ամեն ինչ պատրաստ է վաճառքի մենեջերի համար՝ հաճախորդի էջը, կոնտակտային տվյալները և ընկերության համառոտ նկարագրությունը։ Մնում է միայն զանգահարել և ստորագրել պայմանագիրը։

Երբ մենք առաջին անգամ մշակեցինք նախատիպը, թիմում որոշ կասկածամիտներ կային. «Այո, լա՞վ, նեյրոնային ցանցը մեզ համար հաճախորդներ կգտնի, լա՞վ»։ Բայց հետո, մի քանի ամիս անց, նրանք արդեն շնորհակալություն էին հայտնում մեզ «ջերմ» հավանական հաճախորդների համար, որոնք վերածվեցին գործարքների, և վաճառքի թիմն ավելի շատ ժամանակ ուներ ռազմավարության համար՝ սառը զանգերի փոխարեն։

Նախկինում լիդերի գեներացման գործընթացը երկարատև էր. աշխատակիցը ձեռքով էր փնտրում և մշակում լիդերին՝ ստեղծելով գլխավոր ցուցակ, որը այնուհետև ուղղակիորեն ուղարկվում էր վաճառքի բաժին: Այժմ գործընթացն ավելի պարզեցված և արդյունավետ է դարձել. լիդերը դասակարգվում են որպես սառը կամ տաք և առաջնահերթություն են տրվում, ավելացվել են ավելի շատ աղբյուրներ, և բոլոր տվյալները պահվում և մշակվում են մեկ համակարգում: Բացի այդ, մենք այժմ ունենք նվիրված զանգերի կենտրոն, որը զանգահարում է լիդերին նախքան նրանց վաճառքի բաժին ուղարկելը:

Թվային լիդերի գեներացումը նպաստել է վաճառքի բաժնի ներքին գործընթացների և հաճախորդների հետ փոխազդեցության բարելավմանը: Ընկերությունն այժմ ունի լիդերի կառավարման արդյունավետ համակարգ և թվայնացված հաճախորդի ճանապարհորդություն՝ թափանցիկ վերլուծություններով և հաշվետվություններով: Լիդերի հարցումից մինչև որակավորված լիդերի ստացումը ժամանակը կրճատվել է երեք ամսից մինչև մեկ ամսի, իսկ մեկ լիդերի արժեքը՝ 41%-ով: Արտաքին հաճախորդները նույնպես զգալի օգուտներ են ստացել. աշխատակիցներն ավելի արագ են արձագանքում մուտքային հարցումներին, իսկ փոքր ընկերություններն այժմ հնարավորություն ունեն անմիջապես համագործակցել SIBUR-ի հետ:Մեզ հաջողվել է կրճատել տվյալների հավաքագրման և վերլուծության համար անհրաժեշտ ժամանակը, զտել անտեղի լիդերը, և դա նշանակում է վաճառքի և մարքեթինգի թիմերի համար հարյուրավոր ժամերի խնայված աշխատանք։Ավելին, մենք նոր տարածքներում և տարածաշրջաններում ձեռք բերեցինք հաճախորդներ։ Վերջնական թվերը, որոնցով մենք հպարտանում ենք՝ մեկուկես տարվա ընթացքում ավելի քան 28,000 հաճախորդներ և 1,500 նոր հաճախորդներ։

Որտեղի՞ց են գալիս գաղափարները։

Թվային լիդերի գեներացումը այն ոլորտներից մեկն է, որտեղ մենք օգտագործում ենք արհեստական բանականություն: Մեր թվային փոխակերպումը մեկնարկելուց ի վեր մենք տեսել ենք ընկերության ներսում նեյրոնային ցանցեր օգտագործող վարկածների աճող թիվ:Դրանք առանց ֆինանսական ռիսկի փորձարկելու համար մենք բացեցինք «Արհեստական բանականության լաբորատորիա» Digital SIBUR-ում։Թիմին ներկայացվում են արհեստական բանականության նոր գաղափարներ: Յուրաքանչյուր գաղափար գնահատվում է՝ որոշելու համար, թե արդյոք կան բավարար տվյալներ, որքան գումար կարելի է խնայել կամ վաստակել, և որքանով է լուծումը արդիական: Այնուհետև թիմը մշակում է MVP, փորձարկում է այն և որոշում, թե արդյոք գաղափարն ունի ներուժ, թե՞ պետք է դադարեցվի: Առաջնահերթություն է տրվում այն լուծումներին, որոնք առավելագույն օգուտ կբերեն ընկերությանը և մասշտաբային են: Եթե վարկածը հաջողությամբ անցնում է բոլոր մակարդակների փորձարկումները, այն մշակվում է որպես լիարժեք նախագիծ, որը ներդրվում է արտադրության մեջ:

Երբ մենք գործարկեցինք լաբորատորիան, նման ապրանքային վարկածներ փորձարկելու հարցումներ սկսեցին ստացվել ընկերության բոլոր բիզնես բաժիններից, և այժմ արհեստական բանականության լաբորատորիայի գրանցամատյանը պարունակում է ավելի քան 330 գաղափար։Մենք արդեն իրականացրել ենք ավելի քան 30 դեպք, և մոտ 140 վարկածներ մշակման փուլում են՝ տարբեր փուլերում։Ստորև կպատմենք մի նախագծի մասին, որը ծնվել է արհեստական բանականության լաբորատորիայում փորձարկված վարկածի հիման վրա։

Գանձապահի օգնական օդաչու. Արհեստական բանականության միջոցով իրացվելիության կառավարում

Պատկերացրեք մի հսկայական արդյունաբերական ընկերություն, որտեղ յուրաքանչյուր ռուբլի կարող է վերածվել երկուսի կամ նույնիսկ անհետանալ, եթե սխալ որոշում կայացվի: Հիմա եկեք ավելացնենք որոշ համատեքստ. ամեն առավոտ ֆինանսական բաժինը բացում է Excel-ը՝ տասնյակ ներդիրներով, կանխատեսումներ պատրաստելու համար. ձեռքով, պատճենելով-տեղադրելով, օգտագործելով =IF(ERROR(...)) բանաձևեր: Այս մոտեցումը վատ է և՛ աշխատակիցների, և՛ բիզնեսի համար. կանխատեսումները ժամանակատար են և հակված են սխալների, որոնք խոչընդոտում են արդյունավետ ներդրումներին՝ շահույթ ստանալու համար: Այնուհետև բիզնեսը խնդրեց օգտագործողին հարմար օգնական, որը կստեղծեր ավելի ճշգրիտ կանխատեսումներ, կնվազեցներ սխալները և կազատեր ֆինանսական վերլուծաբանների ժամանակը ավելի ստեղծագործական առաջադրանքների համար (օրինակ՝ պարզելու, թե որտեղ ներդնել ընկերության առկա կանխիկը):

Այսպես ստեղծվեց «Գանձապահի համատեղ օդաչուն»՝ ծրագրային լուծում, որը օգնում է կատարել 90-օրյա իրացվելիության կանխատեսումներ։Պարզ ասած, գանձապահի օգնականը արհեստական ինտելեկտի համակարգ է, որը մարզվել է պատմական տվյալների վրա՝ որոշակի ճշգրտությամբ կանխատեսելու դրամական հոսքերը՝ մուտքերը և ծախսերը։

Մեր դրամական հոսքերի կանխատեսման լուծումը հիմնված է ժամանակային շարքերի խորը վերլուծության վրա. մենք ուշադիր տեսակավորել ենք բոլոր տվյալները՝ ըստ կոնտրագենտի և ծախսերի ու եկամտի կետի՝ մինչև յուրաքանչյուր միտումային, սեզոնային, աննորմալ և այլ բաղադրիչ։ Միայն դրանից հետո մենք հավաքեցինք կանխատեսման համակարգը։Ներքևում մենք ունենք մոդելների կասկադ՝ բազմասեզոնային Prophet գումարած գծային ռեգրեսիաների մի շարք, որոնք հարմարեցված են կոնտրագենտների լողացող վճարումների ժամանակացույցին։Տվյալները բարդ են. դրանք ներառում են շաբաթական, ամսական, եռամսյակային և տարեկան սեզոնայնություն (որոշ չափով գումարային, որոշ չափով բազմապատկիչ), ինչպես նաև օրացույցից կախված «պայմանական» սեզոնայնություն, ինչպիսիք են ամսվա կամ եռամսյակի ավարտը, հարկային ամսաթվերը և տոները: Միտումը խզված է, և օրինաչափությունները ոչ ստացիոնար են, ուստի պարզ գծային մոդելը բավարար չէ: Հաստատման համար մենք օգտագործում ենք ժամանակային շարքի բաժանում՝ ընդլայնվող պատուհանով. նոր տվյալներ են ստացվում ամեն օր, և այս ռազմավարությունը ցույց է տվել լավագույն չափանիշները մյուսների համեմատ: Ամեն ինչ արտադրության է մտնում MLFW-ի միջոցով՝ մեր ներքին ծառայության՝ ML մոդելների անվտանգ գործարկման և մոնիթորինգի համար: Այնտեղ մենք կարգավորում ենք գործարկումների հաճախականությունը, վերահսկում ենք որակը և, անհրաժեշտության դեպքում, արագ տեղադրում թարմացումներ: Մենք նաև օգտագործել ենք SAP ERP և BW՝ տվյալների հավաքագրման համար, Vertica-ի վրա տվյալների լիճ և FineBI՝ կանխատեսումների գրաֆիկները գեղեցիկ կերպով գծելու համար:

Գանձապետարանի համատեղ փորձնական ծրագրի ներդրման տնտեսական ազդեցությունը գերազանցեց մեր սպասումները՝ այս տարվա առաջին վեց ամիսներին կազմելով 365 միլիոն ռուբլի։

Եզրակացություն

Մենք վերջապես ավարտեցինք մեր ճանապարհորդությունը դեպի ՏՏ աշխարհ SIBUR-ում: Մենք կիսվել ենք մեր որոշ նախագծերով. դրանք հստակ ցույց են տալիս, թե ինչպես է թվայնացումը պարզեցնում խոշոր արտադրական օբյեկտների գործողությունները տարբեր մակարդակներում՝ սկսած հաճախորդների ներգրավումից մինչև սարքավորումների վիճակի մոնիթորինգ: Մեր ՏՏ կլաստերի յուրաքանչյուր արտադրանք ներկայացնում է իրական աշխարհի խնդիր, որը լուծվել է ժամանակակից մոտեցումներով՝ սկսած RTO-ից մինչև ML, և այս նախագծերը մեր թիմի համար ներկայացնում են բարդ, տեխնիկապես պահանջկոտ և խիստ ներգրավիչ մարտահրավեր:

Մենք հավատում ենք, որ արդյունաբերության մեջ ՏՏ-ն այն է, երբ ձեր կոդը հազարավոր մարդկանց աշխատանքը դարձնում է ավելի հեշտ և արագ՝ կանխելով արտադրական վթարները և օգնելով ձեր ֆինանսական գործընկերներին ավելացնել ընկերության ազատ դրամական հոսքը: Ահա թե որտեղ է տեխնոլոգիան առաջ մղում արդյունաբերությունը, և դա իսկապես Heavy Digital-ն է: Եվ եթե ցանկանում եք հարցնել մեր տեխնոլոգիաների և նախագծերի մասին, խնդրում ենք, մի հապաղեք հարցնել. մենք ուրախ կլինենք պատասխանել դրանց: