Согласно данным аналитической компании Reportlinker, к 2026 году объем рынка цифровой трансформации достигнет $2,6 трлн. Количество представителей бизнеса, заинтересованных в цифровом развитии, постоянно растет, а основной фокус внимания сосредоточен вокруг создания цифровых пространств компаний, развития облачных технологий и инфраструктуры, применения технологий ИИ и организации эффективной работы с данными.
Давайте вначале попробуем разобраться, что же такое цифровая трансформация. Выражаясь простым языком, это, по сути, внедрение новых цифровых технологий в производственные процессы предприятия. При этом, в зависимости от контекста, можно иметь как полный переход той или иной компании на цифровые рельсы, так и замену каких-либо отдельных элементов. Однако, есть одна важная тонкость – само понятие цифровая трансформация также эволюционирует, собирая в себя больше различных смыслов и значений.
Значение данных
Есть еще один важный факт, который необходимо учитывать: с цифровизацией отдельных компаний напрямую связан рост объемов данных в среде этих самых отдельных компаний. На основе грамотного и эффективного их использования, можно решить массу задач, связанных как с автоматизацией отдельных структур внутри предприятия, так и целых направлений бизнеса, что особенно показательно в свете корпоративной автоматизации по всему миру в целом.
Приведу пример из личного опыта. Будучи облачным архитектором, я получил задачу на перевод маркетингового агентства на SaaS решение от Google Cloud Platform с дальнейшей автоматизацией и интеграцией в корпоративный мессенджер. Компания, тем самым, смогла сэкономить более 15 тыс. евро в месяц и высвободила несколько сотен человеко-часов в год. Существуют и другие подобные примеры, показывающие потенциальные возможности цифровизации.
Цифровое конкурентное преимущество
Ажиотаж цифровых трансформаций сегодня можно назвать одним из самых явных мировых трендов и тому есть причина: цифровизация – это настоящее конкурентное преимущество. Руководство различных корпораций на рынке понимает – чтобы оставаться в седле и успевать за научно-техническими новшествами, необходимо видеть основные показатели эффективности, знать каким образом эти показатели меняются и какие факторы на них могут повлиять, при этом такие данные должны быть наглядными и находиться в быстром доступе.
Соответственно, необходимо анализировать как можно большее количество данных, которые генерируются в процессе бизнес-деятельности, в поисках инсайтов, делать это быстро, в режиме реального времени.
Существует еще несколько дополнительных аспектов:
- Возможный рекламный эффект цифровизации. Очень многие клиенты отдадут предпочтение компании современной и технологически развитой.
- Сами данные могут стать частью капитала компании и быть ценной частью ее ресурсов.
Мы можем наблюдать, что во многих отраслях торговля такими данными уже стала частью окружающей нас реальности. Данные, которые генерирует каждый из элементов общества – что человек, что компания – сегодня являются тем самым зерном, из которого получают муку, из которой пекарь печет хлеб: информация о завершении реконструкции дороги позволит логистической компании перестроить маршруты, сэкономив расходы, и, либо получить дополнительную прибыль, либо снизить цены для клиентов, тем самым увеличить долю рынка, получив конкурентное преимущество и улучшив репутацию среди заказчиков. И таких примеров множество.
Говоря о цифровом конкурентном преимуществе в целом, приведу еще один показательный пример из своей практики по автоматизации существующего процесса. Один из проектов моей команды включал в себя полную автоматизацию развертывания и настройки всей инфраструктуры логистической компании, а именно более 100 серверов их внутренней инфраструктуры, и около 50 серверов т. н. внешнего кольца.
Ранее все это существовало в формате арендованных стоек в дата-центрах, сейчас же планировался переезд в облако. Совместно с инженерами компании нам удалось перенести все параметры софта и инфраструктуру в формат кода. Таким образом, время, затрачиваемое на развертывание и настройку нового сервера, сократилось на 90%, вдвое уменьшился срок реагирования на инциденты на счет использования автоматического мониторинга логов.
Тренды и риски
- В случае решения компании переходить на цифровые решения, необходимо иметь в штате специалистов, связанных с реорганизацией процессов или структурными изменениями в компании. В части случаев эту роль выполняют различные консалтинговые службы.
- Очевидна тенденция повсеместного включения в производство технологий ИИ и машинного обучения. В связи с этой тенденцией появляются, так сказать, «интеллектуальные сервисы». Этот инструмент в руках бизнеса может иметь впечатляющую эффективность, так как способен перерабатывать массу неструктурированных документов, а затем систематизировать имеющиеся данные, автоматически классифицируя их и помечая определенным образом. При этом, следует понимать, что перед внедрением такого рода моделей в бизнес-процессы их необходимо обучить, что само по себе является нетривиальной задачей, и часто оправданность создания собственной модели стоит под вопросом. Здесь и приходят на помощь интеллектуальные b2b-сервисы, которые могут предоставить услуги ИИ-моделей под ключ.
- Следует понимать, что на текущем этапе развития, ИИ не может полностью заменить человека: AGI (artificial general intelligence) еще не создан, а модель пока что не сможет уловить те доступные только человеку нюансы межличностного общения. При этом, автоматизировать рутину ИИ уже по силам, как и получить новые инсайты из массы ранее неиспользованных данных, что особенно важно при цифровизации бизнеса и применимости концепции 4IR.
Как это работает?
В большей части случаев для цифровой трансформации или автоматизации, отлаживания процессов, компании необходимо понимать, какую цель она пытается достичь. Зная цель, можно понять и необходимые шаги, и источники данных и инсайтов. Мало простого сбора данных – важно их анализировать, изучать, выявлять тенденции, а самое главное – конвертировать результаты анализа в осязаемый бизнесом результат, измеряемый в цифрах.
Для наглядности, представьте себе паука, который находится в центре паутины и по колебаниям паутинок знает обо всем, что происходит вокруг него. Паук в данном примере – центр принятия решений компании или бизнес-направления. Пауку мало знать – ему необходимо и реагировать: «паутинки» (потоки информации) выстроены определенным образом и передают не просто данные, а полезные данные, из которых можно сделать вывод о дальнейших действиях.
В случае паука – о пойманном насекомом или смене погоды, в случае компании или бизнес-направления – о росте ошибок в инфраструктуре или росте количества отказов от покупки после добавления товара в корзину, или же о росте количества лидов (клиентов) по конкретному запросу. Источниками данных могут быть как сами бизнес-процессы, так и события, происходящие на стыке из нескольких процессов – главное – использовать появившиеся данные на пользу для бизнеса. Именно тогда компания может смело сказать, что данные для нее также являются инструментом, а не багажом.
Читайте также:
«Как данные влияют на «цифровое» развитие компаний» - да ни как. Сами данные не влияют ни на что. Влияет сбор, анализ и выводы из их обработки. Данные существуют вне зависимости от фирмы, их множество. Важно определить, какие данные вам нужны, что, где и как собирать. А это можно определить исходя из целей компании, целей различного масштаба, от выбора методики оценки характеристик этих целей, и тогда нам будет все понятно. А что касается понятия «цифровизация», то нет в нормативах такого определения. И каждый вкладывает в него что свое, размывая истинные цели.
Сети нужны, т.к. есть задачи прогнозирования, которые сегодня "висят" на интуиции оператора.
А почему только сети? Есть ли рабочие модели, на основе "физики процесса"? Если речь о прогнозе событий - то почему не деревья решений, например? Дело в том, что сами нейросети - это черный ящик. Как они работают никто толком не понимает. А те же деревья решений (настроенные на данных) - там логика очевидна (набор логических правил). Прогнозных моделй - немало. Даже наивный Байес вполне себе работает на распознавание грядущих критических событий. И софт имеется стандартный под все это.
Есть огромный раздел - промышленная статистика со своими 6 сигма - контроль выхода процесса из стационарного, устойчивого состояния.
Нейросети популярны потому, что там почти нет математики и здравого смысла (это трудно). Философия сетей проста: обучим на огромном массиве, что-нибудь да получится. Это модно, а со всем остальным надо разбираться...
Подскажите софт для следующих условий:
На входе поток неизвестного объема и состава, требуется рассчитать количество ингибитора для получения продукта заданного качества.
Известно давление, температура.
Смесь трехфазная, две несмешивающихся жидкости и газ, в котором одна из жидкостей может растворяться.
Прогноз нужен на 3-5 минут вперед от текущего времени.
Ну я бы не доверил подобную задачу ИИ. Помните фильм про "Неуловимых мстителей"? Сцена у Филлипова: "Много! Очень много!".
Но в принципе, если известна формула/формулы подобного расчёта, то программульку написать полчаса работы. Даже в ехеле. А если формулы неизвестны, то доверять химпроизводство ИИ пока не стоит.
Искусственный интеллект автономно управляет
заводом в течение 35 дней
Полевые испытания, проведенные Yokogawa Electric иJSR,
привелик тому, что химическийзавод впервые в течение 35
днейработал автономно с помощью искусственного
интеллекта.
24 марта 2022 г.
Наука о данных и цифровая инженерия
Журнал JPT сообщества инженеров-нефтяников.
Действующее решение аналогичной задачи: https://up-pro.ru/library/information_systems/automation_production/predskazaniya-na-proizvodstve/
Интересно!
Читаем:
Мы проверили несколько гипотез проведения расчетов, нашли рабочий вариант и начали обучать математическую модель. Для прогнозирования мы использовали исторические данные за последние 2 года. Оборудование УТЭЦ снабжено датчиками, которые ежесекундно фиксируют параметры поступающего доменного газа (давление, калорийность), параметры котельных агрегатов. Помимо этого, учитываются параметры доменных печей: подаваемое дутье, кислород и прочее. Накопленной статистики оказалось достаточно, чтобы математическая модель смогла сделать верные выводы и адекватно строить прогноз.
Модели строили в несколько этапов: первичный анализ данных, поиск аномалий (в случаях, например, некорректной работы датчиков), очистка данных, генерация признакового пространства с отбором полезных для прогнозирования признаков, обучение/валидация и тестирование моделей. Точность моделей получилась достаточно высокая, и мы сразу начали применять их в цехе.
Датчики уже были установлены, данные собирались ежесекундно. Очевидно, что какая-то теория была, для этой модели нужно было, в частности, найти параметры и коэффициенты.
Очень интересная ссылка! Благодарю Вас!
Не ради спора, но вот что хочу заметить. Я уже писал чуть раньше в другой теме, что сейчас прнято ИИ обзывать всё, что угодно. Для журналистов тема горячая.
Когда-то давно в начале 80-х была такая двухпроцессорная ЭВМ СМ-2 (СМ-2М, СМ-1420). Очень крутая для того времени. У неё был большой набор так называемых устройств связи с объектом (УСО) с самым разным набором датчикови и преобразователей. Машина широко использовалась, как например, в сложных противопожарных системах, в АСУ, в частности в управлении Олимпиадой-80. И очень много в орбитальной космонавтике в реальном масштабе времени, то есть успевала обрабатывать все текущие параметры полёта ракеты.
Сейчас бы журналсты написали "Искусственный интеллект управляет спутниками", а тогда такое и в голову бы никому не пришло. Обычная АСУ.
В моём пнимании химзавод реализует одну из устоявшихся химических формул, не думаю, что создать "самоуправляемый" химзавод является большой сложностью.
В химическом реакторе одновременно протекает до 200 реакций, некоторые из них каталитические.
Написание дифуравнения для такой системы является вполне себе приличной научной задачей. Знаю людей, которые это недавно сделали, но на реальном производстве не опробовано.
Но, если пока нет теории, как может выглядеть прогноз? Почему ему можно и нужно верить?