default-logo

Предиктивная аналитика: конкурентное преимущество современного бизнеса

Нейронные сети, технологии машинного обучения и компьютерного зрения продолжают проникать в разные сферы и совершать в них хоть и не всегда большие, но революции. Иметь их у себя — конкурентное преимущество современного бизнеса

ИИ — довольно широкое понятие. И сейчас модно называть искусственным интеллектом все подряд. Но громкие заявления и расплывчатые формулировки не добавляют очков непонятным в применении технологиям для бизнеса, которому они могли бы пригодиться.

Raytheon

Raytheon/ Фото: Manufacturing.net

Я буду вести речь о таких ИИ-технологиях как машинное обучение, нейронные сети и компьютерное зрение. Но это, если перевести на обычный язык, всего лишь инструменты для быстрой и гибкой обработки большого количества разрозненных данных (с датчиков, видеокамер, производственного оборудования, can-шины транспортных средств и т.п.).

Бизнесу, то есть руководителям, которые принимают решения, по большому счету все равно, как это называется и как устроены решения с технологической точки зрения — компаниями ведь далеко не всегда руководят специалисты из области ИТ.

Значение имеет результат. Его дают инструменты, один из которых — предиктивная аналитика. Так называют прогнозы на основе статистически значимых и объективных данных.

Именно такая аналитика позволяет строить точные производственные планы, видеть слабые места, где «проседают» операционка и бюджет.

В будущее возьмут не всех

Мы наблюдаем трансформацию в сфере применения технологий машинного обучения, компьютерного зрения и нейронных сетей. Еще недавно все вертелось вокруг внешних признаков человека: его идентифицировали, определяли пол и возраст, ему примеряли маски котят и грим Джокера, с ним делали фейковые видео. Сегодня все меняется.



Две отрасли, которые сразу серьезно отнеслись к инновациям, — это ретейл и транспорт. Сейчас мы видим, как методы машинного анализа успешно внедряются на промышленных предприятиях, в строительстве, энергетике и других тяжелых отраслях.

Например, военно-промышленная компания Raytheon собирает и анализирует данные своих производственных цехов. С помощью аналитического ПО и специальных датчиков производству задали точное количество поворотов шурупов в деталях, чтобы обеспечить максимальное качество сборки. Теперь если число поворотов не соответствует норме, процесс останавливается.

Другой пример — бостонская строительная корпорация Suffolk, которая пишет собственный софт для контроля средств индивидуальной защиты и предиктивного планирования проектов. Компания собрала и проанализировала более 700 тыс. изображений с 360 проектов за десять лет и сделала выводы, какие факторы влияют на травматизм в строительстве.

По оценкам руководства этой компании, внедряемые инструменты искусственного интеллекта помогут повысить не только безопасность, но и производительность на 14–20% за несколько лет.

У кого технологии, тот и сильнее

Конкурентные преимущества окончательно стали синонимом технологических преимуществ.

Машинная аналитика и предиктивные решения помогают снижать издержки за счет объективного контроля простоев. Они могут точно прогнозировать необходимость в тех или иных материалах, оценить реальную загрузку мощностей и персонала. Неудивительно, что такими производственными секретами компании делиться не торопятся.

Например, у одного из наших клиентов — производителя промышленных очистных сооружений — была маленькая проблема. Датчики в фильтрах периодически забивались грязью, и сервисному инженеру нужно было выезжать и чистить их по требованию покупателя.

То есть клиент всегда сталкивался с проблемой только после того, как фильтр переставал нормально функционировать. Расходы на эксплуатацию очистного оборудования были не только непредсказуемы, но и высоки, так как объекты, где стоят эти фильтры, выставляли финансовые претензии за воду, которая внезапно становилась грязной.

Внедрив решение на базе технологии компьютерного зрения, производитель промышленных фильтров получил возможность видеть эффективность работы очистных сооружений в любой момент времени, фиксировать динамику загрязнений и их причины.

Число выездов инженеров для чистки снизилось в три раза. Мы вывели данные в телеграм-бот, где в любой момент сотрудник мог получить статистику за период и увидеть качество воды в конкретный момент времени. Для этого клиенту даже не потребовалась какая-либо сложная системная интеграция и большие вложения, а пользователю — глубокие знания специального ПО.

Сначала пули, потом ядра

Как видно из примера, цифровая трансформация — это необязательно масштабный реинжиниринг и огромные бюджеты на модернизацию оборудования. Небольшие, но последовательные шаги к понятной измеримой цели получаются дешевле и эффективнее. Они позволяют собрать объективные и статистически значимые данные, выявить критичные эксплуатационные изменения и «пристрелять» нужные цифровые инструменты.

Чек-лист эффективности инновационных цифровых инструментов в тяжелых индустриях может выглядеть так:

  • Технология решает конкретную «боль» и задачу.
  • На выходе получаются измеримые показатели, которые можно оценить в динамике.
  • Пользовательские сценарии обеспечивают максимально быстрое взаимодействие между персоналом и подразделениями. В идеале — решение способствует кроссфункциональному взаимодействию.
  • Использование технологии не требует специальных знаний и длительного обучения для персонала.

Срок жизни инновации

Основная проблема, которая мешает массовому использованию предиктивных технологий в промышленности, — сложный сбор и оцифровка производственных данных для их анализа. Поскольку даже в рамках одной отрасли производственные процессы предприятий зачастую отличаются, каждая компания штурмует инновации своими силами.

Для исполнителя клиентский запрос «нам нужно готовое решение, но под нас» — стабильная практика, так как готовых ответов на рынке очень мало, а содержать собственный R&D (Research and Development, отдел исследований и развития) могут себе позволить далеко не все.

Но есть и хорошие новости.

Во-первых, текущий этап жизненного цикла технологий машинного обучения и нейросетей позволяет им иметь адекватные цены для широкого использования в производстве, даже если речь идет о заказных решениях.

Во-вторых, пока использование таких технологий не стало таким же привычным явлением, как биометрия, самое время вырваться вперед с их помощью: трансформировать процессы, создавать технологичные производственные секреты.

Если говорить о сроках жизни инноваций, то биометрии, например, потребовалось всего два года, чтобы перестать ею быть. В 2017 году MIT Technology Review включил технологию распознавания лиц в список десяти прорывных технологий года, а сегодня такое ПО может идти в составе специализированных камер

Автор: Виктор Субботин

Необходим торговый аудит? Ctrlservice.ru — проведет опытный аудит торговой точки. Проверит мерчендайзеров и промоутеров.

Узнайте больше