Зачатки интеллекта: почему нам пока не грозит восстание машин

Многое будет зависеть от темпов развития технологий в ближайшие годы, но в перспективности ИИ мало кто сомневается. Согласно прогнозу Gartner, внедрение ИИ принесет бизнесу к 2021 году $2,9 трлн, сэкономив 6,2 млрд рабочих часов людей. И если в 2017 году рынок ИИ оценивался в $4,8 млрд, то к 2025 году прогнозируется 20-кратный рост, до $89,8 млрд. Однако тот ИИ, который используется сейчас в промышленности и производстве, пока способен решать только локальные задачи. И хотя использование беспроводных технологий на производстве в последние годы растет темпами 32% в год, промышленный интернет вещей охватывает не более 6% производства в мире.

Необходимо признать, что в настоящее время существуют объективные причины, которые ограничивают как возможности самого ИИ, так и масштабы его внедрения.

Проблема № 1: отсутствие единых стандартов и регламентов работы с данными

Около 65% всего проектного времени внедрения ИИ занимает поиск и сбор данных, необходимых для его работы. При этом удобная для человека система хранения информации порой совершенно неудобна для ИИ, ведь она и не была под него заточена. Также толику хаоса вносит то, что на каждом предприятии предусмотрена своя система сбора и хранения информации.

Так что пока скорость внедрения искусственного интеллекта тормозит то, что предприятия не готовы делать инвестиции в сбор и хранение данных, управление этим процессом и включение его в состав основных бизнес-процессов на предприятии.

Проблема № 2: неспособность ИИ решать уникальные задачи

Кроме этого, сложность заключается в отраслевой специфике предприятий и технологических процессов — для нефтехимического и металлургического производства невозможно предложить стандартизированные универсальные решения в области ИИ. Индивидуальный подход иногда нужно искать даже к конкретной промышленной установке.

К примеру, каждая доменная печь делается на заказ, ее параметры индивидуально подобраны для решения конкретных производственных задач, жизненный цикл и уровень деградации каждой печи также варьируется.

Подобные сложности есть и в работе с нефтеперерабатывающими заводами, у которых этапность производства может быть уникальной для каждого предприятия. А, как мы знаем, искусственный интеллект пока не любит все, что невозможно стандартизировать, его уровень развития еще не позволяет легко адаптироваться к вариативным технологическим решениям в сложном производстве. Поэтому программе пока приходится все объяснять «на пальцах», обучая ее для каждого процесса отдельно. При этом помимо информации о работе предприятия ИИ нужны данные о бизнес-процессах и о физико-химических процессах, релевантных каждому типу производства.

Зачастую опытные технологи при производстве металлов полагаются на свою интуицию. К примеру, для достижения необходимого химического состава стали используют ферросплавы. Легированная ферросплавами сталь обладает улучшенными физико-механическими характеристиками. И, как показывает практика, на различных предприятиях одной и той же корпорации могут наблюдаться отклонения в объемах добавляемых ферросплавов. Это значительно влияет на затраты корпорации на сырье и могло бы быть оптимизировано, если бы решение об изменении доли ферросплавов не принималось под влиянием чутья того или иного специалиста на каждом предприятии, а было бы унифицировано с помощью ИИ. Однако и здесь все упирается в отсутствие отлаженных механизмов сбора данных: зачастую они берутся из чьей-то головы и не записываются.

Может ли ИИ учиться, наблюдая за работой человека, собирая данные о том, как технолог принимает решения в зависимости от внешних факторов? Да, может и даже должен. Однако решения, которые он будет принимать в процессе работы, будут ограничены этими выученными схемами. Если на производстве ИИ столкнется с незнакомой ситуацией, которой он еще не видел, то встанет в ступор и будет вынужден передать управление технологу.