Зачем пищевому производству ИИ, если уже есть MES-система?

Материал подготовлен совместно с партнером комьюнити Digital4food, компанией «Константа».

Тема искусственного интеллекта в производстве сегодня звучит отовсюду. Но за красивыми обещаниями остается главный вопрос: а как это работает на производстве? Именно об этом говорили на онлайн-встрече, посвященной применению ИИ в связке с MES на пищевых предприятиях.

Кто был в эфире

В разговоре участвовали:

• Светлана Казеркина, руководитель производства «Сармич»
• Александр Цыбизов, заместитель генерального директора по координации производства, «Константа»
• Владислав Кузнецов, аналитик 1С, «Константа»
• Сергей Назаренко, руководитель направления по развитию технологий управления данными, «Рексофт»

В эфире встретились сразу три стороны: производство, интегратор MES и команда, которая отвечает за данные и ИИ.

О чем говорили

Эксперимент 1. Скормить ИИ данные и посмотреть, что будет

Владислав Кузнецов взял усредненные производственные данные о входящей партии молока и отдал их ИИ, чтобы посмотреть, какие выводы модель может предложить. ИИ использовали как быстрого аналитика, который должен был проанализоровать предыдущие партии поступившего сырья, найти аномалии, дать рекомендации, какую рецептуру применить и куда направить партию.

Вывод: 

ИИ уже сегодня можно использовать как инструмент быстрого обзора данных и генерации гипотез. Он хорошо помогает просканировать массив цифр шире, чем это возможно глазами. Но качество его подсказок полностью зависит от качества и полноты исходных данных.

Светлана Козеркина «Важно понять, куда лучше направить молоко и когда его переработать: очень быстро, через 10–12 часов или позже. ИИ поможет при приемке, направит сырье в нужные хранилища, позволит его оперативно перерабатывать. Идея живая и точно будет пользоваться спросом, осталось встроить ее во внутреннюю систему».

Эксперимент 2. Когда MES системно кормит ИИ данными

Разговор перевели на более зрелый сценарий: что происходит, когда ИИ подключают не к разовым выгрузкам, а к полноценному массиву данных MES. ИИ должен был найти между параметрами взаимосвязь и дать рекомендации по улучшению выхода.

Эксперты из «Сармича» и «Рексофта» обсудили, какие данные становятся базовыми для ИИ, если MES уже выстроен.

На этом уровне ИИ уже можно использовать не только для поиска расхождений, но и для вполне прикладных задач:

— способы увеличения процента выхода;

— поиск узких мест по линиям и сменам;

— прогноз рисков недовыпуска или перерасхода;

— анализ влияния технологических решений на выход и качество.

Вывод: 

Чем полнее и структурнее данные в MES, тем менее игрушечным становится ИИ.
Он начинает давать прикладные подсказки для технологов и руководителей смен.
ИИ не заменяет MES, он усиливает то, что уже есть.

Александр Цыбизов («Константа») «Чем шире собираемые данные в MES-системе, тем больше возможностей для анализа». 

Эксперимент 3. Машинное зрение и MES: как взять с видео то, что действительно нужно производству

От абстрактных моделей перешли к приземленному кейсу — связке видеонаблюдения с MES-системой на сыродельном производстве. Речь шла о системе, которая контролирует гигиену и микроклимат: камеры фиксируют события в цехе, данные агрегируются, анализируются, и на выходе руководитель получает простой файл с нужными показателями и отклонениями. Светлана Казеркина отметила, что такая история может быть полезна в первую очередь там, где физически невозможно стоять над каждым участком.

Вывод:
Машинное зрение на производстве имеет смысл не как тотальный контроль всего подряд, а как точечный инструмент на критических этапах процесса. Его ценность в том, что через связку с MES оно дает сигналы: где нарушен регламент, где есть риск брака, где нужна реакция.

В том числе обсудили

— Зачем ИИ нужен на производстве: это источник идей по оптимизации технологического производства или оперативный помощник технолога и руководителя смены.
— Вопрос обучения моделей: как и на каких данных ИИ дообучается, кто отвечает  за качество этого обучения.
— Условия, без которых ИИ на производстве не будет работать: инфраструктура, качество и полнота данных, интеграции, требования по безопасности.
— Моды на ИИ и завышенные ожидания: где грань между здравым интересом к технологии и желанием поставить ИИ, чтобы был.

Что это все значит на практике

Александр Цыбизов («Константа») очень точно описал общий фон вокруг темы ИИ: «Возникает социальное давление со стороны этой технологии и на людей, и на предприятия. Если ты не пользуешься искусственным интеллектом, не применяешь его ни в личных задачах ни в рабочих, то начинает казаться, что ты как-будто отстаешь от жизни».

Из-за этого легко сорваться в формат «срочно ставим ИИ», не отвечая на базовые вопросы: какие задачи действительно требуют ИИ, что можно решить обычной аналитикой и оптимизацией, насколько зрелы данные и процессы, есть ли в компании люди, которые будут отвечать за смысл, а не только за технику.

Важно показывать ИИ не только идеальные примеры, но и ошибки, чтобы модель понимала, что является нормой, а что отклонением. Это не разовая настройка, а непрерывный процесс: чем больше качественных данных попадает в контур, тем выше становится качество рекомендаций. Как сформулировал Владислав Кузнецов, «Модель должна стать частью компании и перенять ее знания и компетенции за счет обучения, взаимодействия, тестовых периодов, корректировки предложенных ею результатов». 

Если на предприятии уже работает MES-система, то ИИ становится полезным рабочим инструментом и помогает принимать более точные и обоснованные решения.