Искусственный интеллект (ИИ) — чрезвычайно широкое и крайне трудноформализуемое понятие, которое, в первую очередь, связано с представлением знаний, их извлечением и последующими манипуляциями над ними. Со всей неотвратимостью он проникает в различные сферы деятельности человека, дополняя и даже заменяя его естественный интеллект. И если во многие из этих сфер вторжение произошло буквально в последнее десятилетие, то задачи промышленного производства были одними из первых, к чему применялись интеллектуальные методы, поскольку это имело легко оцениваемый экономический эффект. В прошлом веке в промышленном производстве для работы со знаниями активно применялись экспертные системы, семантические и когнитивные сети, фреймы, логический вывод и продукционные правила.

Скорее в дополнение, чем на смену им пришли методы машинного обучения — пресловутая Business Intelligence, использовавшаяся, прежде всего, для решения задач предсказания.

Затем в начале текущего десятилетия была провозглашена революция больших данных (Big Data), которая затрагивала и сферу промышленности ввиду великого множества данных, которые порождаются в производственном процессе. Впрочем, свои плоды она принесла лишь несколько лет назад, позволив улучшить понимание работы предприятий, оптимизировать производственные расходы, отслеживать эффективность работы станков и находить их поломки, а также оптимизировать номенклатуру и объем выпуска продукции в зависимости от рыночной конъюнктуры. Освоение результатов этой революции промышленным сектором пока только набирает обороты. Однако уже была провозглашена следующая революция.

Главное направление последних нескольких лет, в котором ведутся разработки в области ИИ — это глубокое обучение (deep learning) и реализующие его глубокие нейронные сети. Изначально искусственные нейронные сети (ИНС) предлагали подход к построению универсальной модели обучения знаниям, вдохновленный архитектурой человеческого мозга. Однако долгое время используемые модели были чрезвычайно просты, и лишь пять лет назад за счет развития алгоритмической базы, увеличения вычислительных мощностей и упомянутого роста объема доступных данных произошел существенный прорыв, позволивший строить модели невиданной ранее сложности. За короткое время глубокие нейронные сети стали стандартом в обработке изображений, речи и видео. Уже сейчас под их воздействием начинают меняться сферы логистики, разработки лекарственных средств, ритейла, маркетинга и, естественно, информационных технологий.

Хотя аналитики сходятся во мнении, что ситуация будет стремительно развиваться в самое ближайшее время, проникновение технологий глубокого обучения в производство продукции происходит с заметным отставанием и для большинства отраслей пока не началось, причем это характерно для всех стран. Производственные компании, например Samsung, внедряют глубокое обучение в свои производственные процессы, опираясь исключительно на опыт собственных специалистов. Только-только открываются первые стартапы, такие как японский PFN, нацеленные на решение промышленных задач при помощи глубокого обучения. На сегодняшний день, вероятно, единственным общим местом применения глубоких нейронных сетей в производстве является визуальный контроль качества продукции, поскольку в 2012 году громкие успехи глубокого обучения были продемонстрированы именно в обработке изображений.

Однако, помимо того, что глубокие сети превосходят обычные алгоритмы машинного обучения на многих задачах предсказания, важным являются и удивительные успехи, продемонстрированные ими в двух других задачах. Первая из них – обучение поведению (в научной среде называемое обучением с подкреплением), а широко известный успех был связан с победой искусственного интеллекта над человеком в игре «Го». Вторая – генерация сложных объектов, таких, как изображения, на чем основано популярное приложение Prisma. Как следствие, возможности применения глубоких сетей оказываются беспрецедентно широкими. В этой статье мы укажем лишь те из них, которые нам кажутся наиболее интересными и принципиально новыми.

Первое, глубокие нейронные сети, которые позволяют решать задачу дизайна новой продукции. Это уже начинает использоваться для разработки новых лекарств, однако потенциально применимо для множества других отраслей и типов производимой продукции, которую можно будет оптимизировать под выдвинутые критерии. Фактически, в ближайшем будущем глубокие нейронные сети позволят находить новые конструкторские, технологические и дизайнерские решения.

Второе применение — это  генерация управляющих схем для автоматизированных промышленных комплексов. На сегодняшний день создание схем управления является дорогостоящим и плохо поддающимся автоматизации процессом, однако их можно будет переложить на глубокие нейронные сети.

Мы просто не могли не указать робототехнику, так как третье применение связанно с ней. Хотелось бы видеть роботов, способных к самостоятельному решению возникающих задач и устранению проблем. Например, решение задачи обучения поведения по наблюдению позволит не программировать роботов под конкретные задачи, а обучать их, показывая требуемое от робота поведение или позволяя им понимать, что нужно делать, наблюдая за другими роботами.

И, наконец, последнее, о чем мы хотим рассказать — это анализ и оптимизация производственного процесса предприятия. На основе анализа логов промышленного производства при помощи глубоких нейронных сетей можно решать не только отдельные задачи типа прогнозирования длительности изготовления детали или нахождения наиболее критического участка производства, но и строить более оптимальные производственные модели. Сегодня работа над таким внедрением ведется под эгидой проекта «Сетевой завод», нацеленного на разработку решений «цифровой фабрики будущего».

Следует указать, однако, что глубокие нейронные сети, как и любые другие технологии, не являются универсально применимыми. Наиболее существенным из ограничений — наличие большого объема данных или симуляционной среды, в которой эти данные могли бы быть выработаны. Глубокая нейронная сеть способна находить сколько угодно сложные закономерности, даже те, что недоступны человеческому мозгу, однако ей для этого требуется сопоставимый объем оцифрованных данных, на которых она бы могла им обучиться. Это является существенной преградой для многих промышленных производств, в том числе высокотехнологичных.

В заключение отметим, что низкая степень проникновения технологий глубокого обучения характерна в одинаковой мере для всех стран, однако стартовые позиции Запада, Японии и Южной Кореи оказываются лучше за счет большего освоения результатов предыдущей революции Big Data и значительно более высокой степени роботизированности производства. Кроме того, значительно различается ситуация уже с точки зрения разработки таких технологий. В Америке ИТ-гиганты резко активизировали работы в направлении в сторону создания ИИ и глубоких нейронных сетей, в частности, активизировался и Китай. Это срочно должно произойти и в России — необходима национальная программа в области искусственного и машинного обучения.

Авторы: 

• Андрей Фильченков, канд. физ.-мат. наук, доцент кафедры «Компьютерные технологии», Университет ИТМО
• Валерий Вяткин, докт. техн. наук, PhD, профессор кафедры «Компьютерные технологии», Университет ИТМО; Professor of Information and Computer Systems in Automation, Aalto University (Helsinki, Finland)
• Анатолий Шалыто, докт. техн. наук, профессор, заведующий кафедрой «Технологии программирования», Университет ИТМО

Источник: http://www.up-pro.ru/