Цифровые двойники ведут нас в седьмой технологический уклад

Еще никогда промышленные компании не имели возможности получать и использовать сколь угодно огромное количество данных, поступающих отовсюду: с датчиков различных устройств и оборудования, корпоративных документов, мировых бирж, социальных сетей и других источников.

Умение в режиме реального времени использовать эти данные, то есть собирать, хранить и анализировать, применяя технологии искусственного интеллекта, означает для компаний сохранять конкурентоспособность на быстро меняющемся рынке. О том, как решаются эти задачи, о преимуществах новых технологий, о цифровой трансформации бизнеса рассказывает руководитель Национального центра когнитивных разработок Университета ИТМО, д. т. н Александр Бухановский.

– Александр Валерьевич, когда речь заходит о современном проектировании или производстве, мы оперируем такими терминами, как искусственный интеллект, цифровое моделирование, цифровой двойник. Толкований у этих терминов много. Как бы вы определили, что такое цифровая модель, цифровой двойник?

– Цифровая модель, по сути, компьютерная программа, способная с определенной точностью рассчитывать характеристики поведения реального объекта в различных условиях внешней среды – как наблюдаемых, так и гипотетических. Достоинство цифровой модели состоит в том, что она позволяет ставить над объектом виртуальные эксперименты, что особенно важно в ситуациях, когда реальный эксперимент неприемлемо дорог или даже опасен.

Однако платой за это является ограниченная достоверность результата, поскольку любая модель – это, прежде всего, абстракция, описывающая лишь отдельные свойства реального объекта. Потому сейчас для практики принципиально важно развитие методов обеспечения качества (валидации и верификации) цифровых моделей, методов оценки и управления неопределенностью, а также создания цифровых моделей с контролируемой точностью.

Цифровой двойник является более емким информационным объектом, поскольку включает в себя одну или несколько взаимосвязанных цифровых моделей, а также наборы данных, необходимых для их работы, часто получаемых в режиме времени, близком к реальному, непосредственно с реального объекта техники. Еще более общим является понятие цифрового образа, который, помимо моделей и данных объекта техники, включает в себя поведенческие и когнитивные модели связанной с ним человеческой деятельности (например, операторов оборудования, административного персонала). Цифровые образы – основа для создания нового поколения систем поддержки принятия решений, отвечающих логике седьмого технологического уклада.

– Какие задачи можно решить с помощью цифровой модели сложных устройств?

– Цифровые модели могут быть описательными, имитационными, предсказательными или синтетическими. Описательные модели ориентированы на определение неизвестных свойств и характеристик объектов реального мира по ограниченному набору входных параметров (например, массогабаритных характеристик и требуемой мощности). Имитационные модели предназначены для оценки реакции объектов на возможные внешние воздействия, в том числе нестандартные (например, попадание постороннего предмета в сопловый аппарат).

Предсказательные модели дают прогноз состояния объекта или его реакции на меняющиеся условия эксплуатации (например, накопление усталостных повреждений при частом переходе на форсированный режим работы). Синтетические модели позволяют формировать виртуальные объекты, обладающие заранее заданными характеристиками поведения в определенных условиях внешней среды (например, задать 3D-модель ротора с оптимальной геометрией, обеспечивающей заданный КПД при максимальном моторесурсе). Описательные и синтетические модели чаще всего применяются на этапе проектирования, а имитационные и предсказательные – как для проектирования, так и на этапе эксплуатации.

– Принято считать, что с развитием цифровых технологий роль человека меняется. Что могут привнести в цифровое моделирование когнитивные технологии, которыми занимается ваша лаборатория?

– Когнитивные технологии основываются тоже на цифровых моделях, однако предназначенных для имитации принятия решений человеком в условиях неопределенности на основе накопленного опыта.

При обилии разнообразных данных о поведении реального объекта или его цифрового двойника даже квалифицированный эксперт просто не способен быстро и качественно проанализировать ситуацию, полагаясь только на свои органы чувств и мыслительные способности. Потому здесь на помощь приходят различные механизмы искусственного интеллекта, которые автоматизируют процесс интерпретации таких данных с целью определения значимых фактов, для того чтобы на их основе сформировать объективную оценку ситуации и предложить варианты дальнейших действий.

Фактически, когнитивные технологии позволяют на основе больших данных аргументированно отвечать на очевидные вопросы: «что происходит?», «к чему это приведет?», «как сделать, чтобы это не случилось?», «кто в этом виноват?», «что мне за это будет?» и прочие. Когнитивные технологии являются основой рекомендательных систем, цифровых профессиональных помощников и систем поддержки принятия решений, которые могут применяться в различных направлениях деятельности: от комплексного управления предприятием – до контроля и оптимизации ручных операций при сборке объектов техники.

При этом когнитивные технологии не могут заменить специалиста целиком: они лишь помогают избежать ошибок, неизбежных в условиях ограниченного времени на принятие решений, а также освобождают от рутинных действий, позволяя концентрировать внимание на действительно нетривиальных задачах.

– Как оценить глубину проникновения когнитивных технологий в отрасли российской экономики по сравнению с другими странами?

– Когнитивные технологии в их современном понимании являются очень молодым направлением, поскольку неотъемлемо связаны с возможностями сбора, хранения и обработки сверхбольших объемов данных. Потому приоритет здесь имеют отрасли и предприятия, в которых технологии Big Data уже устойчиво нашли свое место, например – финансы, ритейл, цифровые медиа.

Для промышленных предприятий (включая топливно-энергетический комплекс) внедрять такие технологии сложнее, поскольку исходные данные порождаются не цифровыми процессами, а привязаны к материальным объектам. Здесь ключевым фактором роста является наличие собственной инфраструктуры сбора и хранения данных, а также создания коллекций профессиональных данных для обучения когнитивных моделей.

В отличие от традиционных направлений искусственного интеллекта (например, распознавания голоса или технического зрения), специфика профессиональных данных очень сильно связана с технологическими и бизнес-процессами конкретного предприятия. Потому возможности тиражирования таких данных и решений на их основе весьма ограничены; нужно ориентироваться на собственные коллекции.

Другим важным фактором, влияющим на уровень проникновения когнитивных технологий в практику, является неопределенность при оценке эффекта от таких инноваций в свете генеральной бизнес-политики предприятия. Действительно, в ряде случаев эффект может быть прозрачен и оцениваться естественным образом. Так, когнитивные и поведенческие модели клиентов банка позволяют прогнозировать их предпочтения, как следствие – повысить конверсию финансовых сервисов.

Однако, например, интеллектуализация определенных функций отдельной линии сборочного производства даст не столь очевидный эффект с точки зрения всего предприятия. Поскольку не очевидно, насколько получаемое улучшение качества в конкретном случае значимо на фоне качества иных элементов изделия или насколько сокращение времени сборки элемента позволит оптимизировать время выпуска всего изделия. Потому промышленные предприятия часто реализуют успешные прототипы когнитивных систем, которые, тем не менее, затем не идут в промышленную эксплуатацию.

Задача оценки эффективности внедрения когнитивных технологий на предприятиях в различных отраслях в настоящее время решается в рамках деятельности Национального центра когнитивных разработок – одного из 14 центров компетенции НТИ, созданного в 2018 г. на базе Университета ИТМО.

При этом основным инструментом для ее решения являются все те же цифровые модели, которые позволяют воспроизвести основные бизнес-процессы предприятия, оценить их чувствительность к различным внешним и внутренним факторам, виртуально «внедрить» в них предполагаемые инновации в области искусственного интеллекта и когнитивных технологий и рассчитать влияние на показатели деятельности компании в целом.

– Скажите несколько слов о вашем сотрудничестве с компанией «Газпром нефть». Известно, что ИТ-стратегия компании предусматривает переход на «цифровое все» – цифровое месторождение, завод, АЗС. Какие задачи выполняет ваша лаборатория?

– В консорциум Национального центра когнитивных разработок входит дочернее предприятие ПАО «Газпром нефть» – ООО «Газпромнефть НТЦ». В ее интересах выполняются исследования и разработки по созданию самообучающихся моделей для цифровых месторождений, моделей транспортно-логистического комплекса, а также когнитивных и поведенческих моделей персонала нефтегазодобывающей отрасли. В целом это хорошо укладывается в логику «цифровое все».

-------------------------------------------------------------------

Хотите оперативно узнавать о выходе других полезных материалов на сайте "ГИС-Профи"?
Подписывайтесь на нашу страницу в Facebook.
Ставьте отметку "Нравится", и актуальная информация о важнейших событиях в энергетике России и мира появится в Вашей личной новостной ленте в социальной сети.