Новости

Цифровая модель представляет собой визуализацию строящегося производственного комплекса, расположенного в Тобольском нефтехимическом кластере СИБУРа. В ней при помощи центра виртуальной реальности «Крок VR» в точности воссозданы производственные процессы, сооружения и инфраструктура, включая новейшую установку пиролиза, мощности по производству различных марок полиэтилена и полипропилена. Высокий уровень детализации позволяет увидеть практически любой процесс или объект.

Как отмечает Сергей Лякуев, руководитель направления «Развитие инфраструктуры ИТ и связи» СИБУР ИТ, цифровая трансформация в компании началась год назад, за это время реализовано более десятка проектов, часть которых опирается на VR-технологии. Переход к Индустрии 4.0 требует новых инструментов визуализации для комплексного представления и управления производственными активами. И цифровая 3D-модель – первый шаг к цифровым двойникам и созданию основы для сквозного управления предприятием на протяжении всего производственного цикла. Разработка на основе иммерсивных технологий станет основой для дальнейшего развития инициатив нефтехимической компании по управлению жизненным циклом предприятий и оцифровке производства.

На первоначальном этапе цифровая модель будет использоваться специалистами корпоративного университета в ходе обучения новых сотрудников, решать задачи по визуализации производственных мощностей и процессов, применяться в области охраны труда и промышленной безопасности. В качестве инструмента для всестороннего взгляда на предприятие цифровая модель поможет разрабатывать планы эвакуации или может задействоваться в процессе эксплуатации промышленных активов для оптимизации производственных цепочек.

В дальнейшем программно-аппаратный комплекс будет использоваться для более широкого спектра задач цифровой трансформации ЗапСибНефтехима. Объединение такой модели с данными MES и ERP, а также АСУТП, видеоаналитикой и Интернетом вещей позволит получать максимально полную информацию о состоянии производственных активов и отслеживать взаимодействие различных процессов и устройств. Например, с ее помощью будет возможно следить за работой нательных устройств и контролировать производственный персонал.

По подсчетам аналитиков IDC, Сингапур в этом году займет первое место среди городов мира по вложениям в проекты «умного города». Больше миллиарда долларов на такие проекты будет выделено также в Нью-Йорке, Токио и Лондоне.

В целом в мире вложения в проекты «умных городов» вырастут на 17,7% по сравнению с 2018 годом и достигнут 95,8 млрд долл. Более 40% из этой суммы приходится на страны азиатско-тихоокеанского региона. Большая часть средств направляется на проекты в области общественной безопасности с опорой на данные, интеллектуального транспорта и устойчивой энергосети и инфраструктуры. 34% средств пойдет на строительство стационарных систем наблюдения, общественного транспорта, интеллектуального освещения и управления уличным движением, а также создания подключенных к сети бэк-офисов.

В Сингапуре с 2014 года осуществляется ряд национальных проектов в рамках программы создания «интеллектуальной страны». Целью программы является улучшение взаимодействия между государством, бизнесом и гражданами и повышение производительности при рациональном использовании ресурсов. В рейтинге «умных городов», который составляется в школе бизнеса IESE, Сингапур занимает шестое место после Нью-Йорка, Лондона, Парижа, Токио и Рейкьявика.

За последний год доля предприятий, в той или иной форме использующих технологии искусственного интеллекта, выросла в три раза и теперь составляет 37%. Опросы Gartner показывают, что технологии искусственного интеллекта применяются во всех отраслях экономики, но компании при этом сталкиваются с острым дефицитом специалистов.

Данные технологии стали существенно более зрелыми, отмечают аналитики, и компании с большей готовностью относятся к их внедрению. Искусственный интеллект пока не может целиком брать на себя сложные задачи, но уже оказывает помощь в работе и принятии решений — аналитики называют такие технологии «дополненным интеллектом». Искусственный интеллект стал неотъемлемой частью цифровой стратегии. Опросы показывают, что в 52% телекоммуникационных компаний уже применяются чат-боты, а в 38% медицинских учреждений используется диагностика с помощью компьютера. Искусственный интеллект помогает в выявлении мошенничества и сегментации потребителей.

Но чем больше предприятий начинает работать с технологиями искусственного интеллекта, тем яснее вырисовывается главная проблема — нехватка квалифицированных специалистов. 54% опрошенных ставят ее на первое место. В таких условиях компаниям остается вкладывать средства в обучение собственных специалистов, или использовать их совместно с партнерами, отмечают аналитики.

Система «Диспетчер», подключенная к основной части станочного парка, собирает объективные данные о работе оборудования, определяет состояния оборудования и фиксирует причины простоя. Мониторинг показывает фактическую загрузку каждого станка, эффективность выполнения технологических операций, позволяет оптимально распределять сменные задания, равномерно загружая производственные мощности предприятия. Сокращение производственных потерь снижает стоимость станкочаса, лежащую в основе рыночного предложения предприятия, повышая его конкурентоспособность.

Трансформация промышленных данных в понятные аналитические отчеты дает возможность руководству принимать обоснованные управленческие решения по повышению эффективности производства. Кроме того, совместно с другими инструментами, такими как стандартизация процессов подготовки производства и применение быстросменной оснастки по принципу «нулевой точки», система позволяет достигать максимальной эффективности работы оборудования.

Все это позволило сократить время наладки станков на 37% и поддерживать загрузку станков на стабильно высоком уровне. В результате стоимость станкочаса снижена на 22%. Предприятие наращивает ежегодный портфель заказов не менее чем на 15%.

В дальнейшем руководство НПП «Грань» планирует оснастить системой мониторинга оставшееся оборудование, а также интегрировать ее в систему ERP управления предприятием на платформе «1С».

В 2018 году «АгроТерра» завершила полное агрохимическое обследование всех полей. Организовав свою собственную современную лабораторию, специалисты компании взяли более 10 тыс. почвенных проб и сделали более 40 тыс. анализов. Результатом этих исследований стала подробная карта агрохимического состава земель. Она позволяет более точно определить, какие макроэлементы нужны конкретному полю. А программное обеспечение SAS позволяет рассчитать их оптимальное количество для каждой культуры.

На основе полученных данных специалисты компании уже внесли осенние удобрения под урожай текущего сезона. Оптимизация питания почв по принципу «каждому полю по потребностям» позволит выровнять урожайность, повысить экономический эффект от внесения удобрений и точнее спрогнозировать прибыль.

«АгроТерра» продолжит тестировать инструменты углубленной аналитики и в других производственных процессах. В совокупности методы цифрового земледелия помогут эффективнее управлять затратами, снизить расходы и повысить доходность. Как следствие, вырастет рентабельность инвестиций.

Решение на основе нейросетевой технологии распознает эмоции в голосе клиентов, обратившихся в контакт-центр, и рассчитывает индекс удовлетворенности обслуживанием непосредственно во время разговора с оператором. При этом анализ осуществляется как на голосовом уровне, так и на семантическом, при переводе речи в текст. Система также учитывает дополнительные параметры: количество пауз в речи оператора, изменение громкости голоса и общее время разговора. Аналитика такого рода позволит распознавать эмоции клиентов и выделять наиболее критичные классы обращений. Таким образом менеджер контакт-центра получит сводную статистику по работе операторов с каждым звонком: распознанные эмоции, динамику изменения индекса удовлетворенности обслуживанием во времени, сравнительные показатели эффективности предоставленного сервиса.

Технологии на основе биометрии становятся все популярнее в различных сферах, в том числе и в банковской. В Росбанке надеются, что внедрение технологии распознавания эмоций в голосе поможет вывести сервис на новый уровень. При успешной реализации пилотного проекта система может применяться в сети отделений банка для аналитики общения сотрудников с клиентами.

Сбербанк создал новую модель машинного обучения Auto ML, сообщил на Российском инвестиционном форуме заместитель председателя правления Сбербанка Анатолий Попов. Auto ML — алгоритм, который умеет создавать другие модели. А они, в свою очередь, уже решают прикладные задачи — определяют платежеспособность клиента при выдаче кредита или помогают отделять законопослушных клиентов от нарушителей.

В январе 2019 года был проведен пилот: алгоритмы Auto ML были применены для создания нескольких базовых моделей класса Next Best Action (таргетирование кампаний продаж). Алгоритм позволяет оптимизировать один из важных шагов создания применяемой в бизнесе модели машинного обучения, а именно создание baseline модели (первой версии модели, которая потом развивается уже с участием человека). Качество таких моделей, созданных алгоритмом, сопоставимо с качеством модели, создаваемой вручную. При этом скорость работы алгоритма в 10-15 раз превосходит скорость работы человека.

Полученные результаты доказывают возможность использования технологии автоматического моделирования для быстрого формирования базовых моделей обработки данных и использования его для запуска кампаний продаж корпоративно-инвестиционного бизнеса Сбербанка.

Как показывает исследование «Инновации, smart data и клиентоориентированность», проведенное Forrester по заказу Experian, четверо из пяти топ-менеджеров охотно признают важность данных, аналитики и искусственного интеллекта для развития их организаций. В 2019 году эти области станут приоритетным объектом инвестиций для обеспечения более быстрого, более надежного и более информированного принятия решений.

Исследование охватывает три основные темы: всеобщий переход на цифровые технологии, обслуживание МСБ и взаимодействие с клиентами. Оно показало, что, несмотря на усилия в направлении улучшения впечатлений клиентов от обслуживания, а также повышения их доверия и удовлетворенности, примерно половина всех компаний сталкиваются с трудностями в виде растущих расходов на привлечение и удержание этих клиентов, на их обслуживание, а также с такими неблагоприятными факторами, как увеличение проблемной задолженности.

Причинами таких сложностей были названы устаревшие технологии и неспособность принимать согласованные решения при использовании множественных каналов связи. Более четверти респондентов (28%) признаются, что не могут стабильно обеспечивать беспроблемное обслуживание новых клиентов, и еще столько же опрошенных (26%) убеждены, что не в полном объеме реализуют потенциал продвинутой аналитики.

Компании всех размеров осознают, что им нужен доступ к максимальному объему данных наряду с мощным аналитическим потенциалом для выявления и обработки знаний.

В Lloyds, крупнейшем розничном банке Великобритании, обсуждается проект перевода обслуживания примерно 500 тыс. клиентов на облачную банковскую платформу Vault OS, разработанную небольшой местной компанией-стартапом Thought Machine, основанной в 2014 году несколькими бывшими сотрудниками Google. В прошлом году банк приобрел 10% акций стартапа и вложил в него 11 млн фунтов стерлингов.

Внедрение в крупном банке системы, разработанной компанией, за плечами которой всего два года работы, — рискованный шаг, и в Lloyds подчеркивают, что подход к такому проекту (если он вообще будет осуществляться) будет осторожным. Банк предпочитает не комментировать шумиху, поднявшуюся в прессе, но отмечает, что совместная работа с Thought Machine является частью более широких планов по модернизации технологической базы.

Очевидно, что в банке не хотят повторения случившегося в апреле 2018 года с банком TSB, когда при переходе на новую систему многие клиенты потеряли доступ к своим счетам и лишились денег. В ноябре прошлого года в Комитете казначейства палаты общин британского парламента было решено провести изучение готовности банков к сбоям систем. Вероятно, проект внедрения новой банковской системы привлечет внимание регулирующих органов.

Платформа Vault OS разрабатывалась специально для облачных сред, и уже сейчас поддерживает AWS, Google Cloud Platform и IBM Cloud. В ней используется технология закрытого блокчейна, в которой у каждого клиента есть собственный централизованный контролируемый реестр. Впрочем, пока Vault OS ни в одном банке не применяется в реальном обслуживании клиентов.

Используемая компанией «Утконос» аналитическая система с высокой точностью предсказывает выкуп товаров на неделю. Однако там, где необходим более короткий горизонт планирования, ее точность заметно снижается, что влечет потенциальные убытки. В отличие от классических BI-систем, решения на базе машинного обучения позволяют учитывать большее число факторов, а значит, дают больше возможностей для аналитики.

«Нам крайне важно с одной стороны не разочаровать своих покупателей отсутствием нужного им товара, а с другой — не закупить избыток у поставщиков, особенно если речь о скоропортящихся продуктах. Данный пилотный проект продемонстрировал нам возможности машинного обучения в сфере прогнозирования спроса, а также выявил ряд интересных закономерностей, влияющих на поведение покупателей», — комментирует Дмитрий Сухоруков, руководитель управления планирования и товародвижения компании «Утконос».

Проект, реализованный при помощи «Инфосистемы Джет», затронул несколько товарных наименований в категории «Мясо охлажденное», так как это товар короткого срока хранения и сложных условий поставок, по которому особенно важно точно определить требуемый объем закупок. Также была рассмотрена категория «Яйцо куриное», по которой в течение года прослеживается специфический сезонный спрос, а машинное обучение как раз позволяет выявлять скрытые взаимосвязи.

В рамках проекта эксперты построили математическую модель и обучили ее на исторических данных о покупках в «Утконосе» за два года. При этом была учтена информация не только по товарным остаткам, но и производственный календарь с выходными и праздничными днями, а также данные о погодных условиях. На историческом интервале в 2 месяца прогностическая точность созданной модели оказалась на уровне 80%, а на интервале в полгода — порядка 75%.

Стоит отметить, что за последний год оборот «Утконоса» значительно вырос. Это усложнило задачу, так как не позволяло корректно применять исторические данные прошлых лет. Тем не менее за счет привлечения дополнительных внешних данных удалось реализовать решение достаточно высокой точности, которое может дать заметную экономию средств на закупках и реальное увеличение выручки при грамотном снабжении склада.

Компания «Утконос» активно развивает направление машинного обучения. В частности, ретейлер выступил партнером RAIF Hackathon 2018, предоставив командам-участникам свои обезличенные данные для решения творческой задачи по прогнозу спроса. Победителем стала команда Help The Platipus, которая сфокусировалась на анализе групп сопутствующих товаров, товаров-заменителей и так называемой каннибализации.