прочитано
#качество управления #инновации #IT и телеком #СМК

Искусственный интеллект играет ключевую роль в оптимизации и эффективности производственных процессов на предприятиях. Российские предприятия из самых разных отраслей все чаще используют нейросети для решения разнообразных задач, в том числе в системе менеджмента качества. Например, ИИ может анализировать состояние оборудования и контролировать качество продукции. Анна Коробова, ведущий эксперт Премии Правительства РФ в области качества, заместитель начальника управления экономики и перспективного развития Префектуры Зеленоградского АО г. Москвы, рассказала о том, какие нейронные сети существуют, как их применяют российские компании, и поделилась кейсами.

0 1

Какие нейросети есть в России

Все больше российских компаний создают нейроконсультантов и нейроассистентов, в том числе в  СМК . Это дообученные модели ИИ, относящиеся к классу  LLM , которые через чат-боты помогают человеку сориентироваться в больших объемах документов по СМК. Сотрудник может пройти обучение, протестировать свои знания, интерпретировать большие объемы данных и т.д. Если обрабатываются конфиденциальные данные, то такие модели разворачиваются в закрытой корпоративной сети. 

Генеративный ИИ широко используют для написания инструкций СМК, генерации изображений к ним, наглядных инструкций и пособий.  Нейросети прекрасно справляются с рутинными задачами в СМК. Они могут быстро подготовить проект ответа по претензии, предложить варианты по корректирующим и предупреждающим действиям, обработать обратную связь, например, из CRM-систем, сделать расшифровку и саммари больших видео- или аудиозаписей, подготовить протоколы и др. 

Национальный центр развития искусственного интеллекта: средний уровень использования ИИ в отраслях экономики увеличился в 2023 году в 1,5 раза в сравнении с 2021 годом

Для всех этих функций можно использовать российские нейросети: например, текстовую нейронную сеть GigaChat и графическую – «Кандинский». Есть и отечественные корпоративные решения. Так, языковая модель Norbit GPT, разработанная компанией НОРБИТ (входит в группу ЛАНИТ), подходит для оптимизации процессов разных департаментов. Специалистам клиентской поддержки она поможет с суммаризацией обращений и подготовкой ответов для пользователей, разработчикам – с написанием и проверкой кода, а HR – с анализом резюме, описанием вакансий и сбором отзывов. 

Популярность нейросетей растет очень быстро. Они становятся все более доступными, и в скором времени люди будут массово делегировать им рутинные операции. Их возможности, очевидно, будут расти, а сценарии применения станут более комплексными. Сейчас их основной потенциал в умении создавать тексты, обрабатывать и анализировать данные, суммаризировать огромные объемы информации, формировать ответы на запросы. Они значительно сокращают трудозатраты, повышают продуктивность, улучшают качество принимаемых решений и даже помогают нам не выгорать на работе и противостоять стрессу

Виталий Сидов, менеджер по работе с корпоративными клиентами НОРБИТ

Преимущество корпоративных LLM в том, что их можно дообучать на данных компании и кастомизировать под собственную специфику. Такая языковая модель будет говорить с сотрудниками «на одном языке», лучше понимать запросы и готовить ответы. 

Специалисты будущего

В настоящее время для использования ИИ специалисты СМК привлекают программистов со знанием языка программирования Рython для настройки нейронок. Это обусловлено тем, что нейросети позволяют автоматизировать многие задачи, требующие обработки больших объемов данных, распознавания образов, прогнозирования и выявления аномалий. Однако существует много ИИ-сервисов, которыми можно пользоваться без знания программирования, например – для подготовки и анализа документации. В будущем с появлением общего ИИ и развитием программирования с помощью естественного языка привлечение программистов уже не понадобится.

Сегодня нейросети выполняют функцию помощника. Они не способны создать СМК. Можно, например, написать инструкцию с помощью нейросети или подготовить ответ на претензию. С нейросетями – проще. А вот когда можно будет загрузить всю существующую информацию про свою компанию в нейросеть, чтобы она проанализировала внешний контекст (клиентов, потребителей, конкурентов, регуляторов) и в ответ выдала мне комплект документов СМК, идеально подходящей для компании, – тогда это был бы уже не инструмент, а замена специалистов и консультантов. Если к этому придет, то, по сути, ИИ на выходе будет выдавать идеально созданную компанию

Александр Юхов, аудитор по сертификации систем менеджмента, финансовый директор ООО «Русский эксперт» 

С ростом сложности и возможностей нейросетей увеличивается и потребность в специалистах, обладающих знаниями в СМК и умением работать с современными технологиями. С учетом возрастающей роли автоматизации и ИИ в производственных и управленческих процессах в будущем могут появиться новые должности на стыке СМК и ИИ. Это могут быть, например, специалисты по интеграции ИИ в системы менеджмента качества или по разработке стандартов и контролю качества работы самого ИИ. Будут востребованы профессии, связанные с интерпретацией данных нейросетей для принятия стратегических решений, а также специалисты по обучению нейросетей, которые будут работать над тонкой настройкой алгоритмов для специфических задач СМК. Важной станет роль аудиторов ИИ, контролирующих соответствие работы нейросетей стандартам качества и этическим нормам.

Нужны ли промпт-инженеры?

Навыкам промпт-инжиниринга может обучиться любой пользователь ИИ через практику, ознакомление с генерациями других пользователей и прохождение небольших интенсивов. Для предприятий сейчас востребовано иметь специалиста по нейронным сетям, который бы мог проконсультировать, какой нейронкой лучше воспользоваться для решения конкретной задачи и как это сделать. 

Сейчас промпт-инжиниринг это уже не профессия будущего, а необходимый навык настоящего

Скорее всего, в будущем нейросети настолько разовьются, что для пользования ими не понадобятся специальные навыки промпт-инжиниринга. В прошлом подобное происходило с поисковыми системами – сейчас уже мало кто использует специальные сложные поисковые запросы. 

Стоит помнить, что внедрение ИИ в СМК требует не только технологических изменений, накопления больших массивов данных, но и адаптации управленческих и бизнес-процессов, включая изменения в корпоративной культуре, процедурах принятия решений и подходах к обучению персонала.

Статистика

Самые востребованные технологии ИИ в 2023 году – интеллектуальные системы поддержки принятия решений (их используют 71% организаций, принявших участие в исследовании) и компьютерное зрение (69%). Например, в обрабатывающей промышленности 74% организаций – пользователей ИИ применяют компьютерное зрение. Растет уровень использования систем обработки естественного языка. Наиболее быстрые темпы внедрения демонстрируют технологии распознавания и синтеза речи – доля применяющих их организаций увеличилась в два раза за 2023 год. В  ТЭК  это уже самая популярная технология ИИ, ее используют 73% организаций. Такая технология нейроконтроля качества может транскрибировать аудиозаписи и анализировать переговоры с клиентами, давать рекомендации по их улучшению и даже сразу готовить протоколы с поручениями, перенося их в систему управления.

Кейсы

  • «РТ-Техприемка» внедрила интеллектуальную систему для контроля качества стальных изделий для вертолетов. С помощью технологий машинного зрения эта система заменила трудоемкий процесс ручной дефектоскопии. Скорость анализа увеличилась в шесть раз, а вероятность выпуска продукции с дефектами снизилась.

  • Важный аспект использования ИИ – обеспечение безопасности труда. ИИ, внедренный в системы компьютерного зрения, позволяет автоматизировать процесс контроля в этой сфере. Кольская АЭС использует ИИ для визуального контроля применения СИЗ.  Яковлевский ГОК «Северстали» внедряет  ИИ для анализа безопасности труда. Применять машинное зрение будут и на транспортном горизонте шахты. Здесь нейросеть поможет определять работников, которые находятся в опасной зоне, вблизи движущегося железнодорожного состава. 

  • Ярославский завод напитков использует беспилотные автомобили RoboCV для перемещения продукции. На этом примере видно, как ИИ способствует оптимизации логистических процессов внутри предприятий. Это повышает эффективность работы складов и снижает вероятность ошибок, связанных с человеческим фактором.

  • СИБУР  применяет ИИ для прогнозирования спроса на свою продукцию. Анализ больших данных, включая исторические данные о продажах и макроэкономические показатели, позволяет компании эффективнее планировать производство и поставки. 

  • Также  СИБУР внедряет  системы, основанные на ИИ, для оптимизации производственных процессов и предотвращения аварий. Такие системы, как «Черный экран», используют интеллектуальное видеонаблюдение для выявления аномалий. Новые заводы компании изначально строятся с глубокой интеграцией автоматизации и ИИ. В планах использование LLM для подготовки решений по корректирующим действиям, разработке новых материалов.

  • Пилотные проекты  «Газпромнефть-Снабжения» , направленные на внедрение ИИ для контроля качества материально-технических ресурсов, демонстрируют, как автоматизация и машинное зрение способны повысить скорость и качество входного контроля.

  • Кейс рыбинского предприятия «ОДК-Сатурн» показывает, как ИИ может использоваться для выявления дефектов в критически важных компонентах, таких как лопатки газотурбинных двигателей. Роботизированный комплекс с ИИ удваивает пропускную способность контрольных участков и повышает точность обнаружения дефектов.

Кейсы от компании НОРБИТ

1. Пилотный проект по автоматизации контроля качества на производстве ампул для компании «Микроген».

Цели проекта:

  • автоматический 100% контроль качества изготавливаемых вакцин в ампулах;

  • выявление 11 типов дефектов;

  • осмотр ампул с разных сторон, вращение для анализа движения включений.

Результат – создан прототип решения:

  • робот-манипулятор;

  • система компьютерного зрения для перемещения пробирок;

  • система компьютерного зрения для поиска дефектов.

2. Биометрическая идентификация сотрудников для учета рабочего времени. Система учета рабочего времени сотрудников  ОПС  с использованием технологий биометрической идентификации.

Задачи:

  • идентификация работника с помощью технологии распознавания лиц, фиксация времени прихода и ухода с работы;

  • контроль присутствия сотрудника рабочем месте;

  • формирование табеля рабочего времени для управленческого учета расчета ЗП.

Результаты:

  • точность распознавания с первого раза – свыше 95%;

  • обеспечение контроля соблюдения графиков работы, повышение дисциплины;

  • рост эффективности рабочего времени персонала ОПС на 7%.

3. Оптимизация маршрутов доставки в системе управления доставками «Леруа Мерлен».

Задачи:

  • расчет и оптимизация маршрутов доставки с учетом геотопологии, особенностей заказов, стоимости, времени и др. факторов;

  • автоматическое распределение заказов и подбор транспортных средств;

  • трекинг исполнения заказа и автоматический пересчет маршрутов.

Результаты:

  • организация доставки «на завтрашний день» без дополнительных звонков заказчику;

  • точный учет затрат, оптимизация себестоимости и рентабельности доставки;

  • усиление контроля за работой транспортных средств в масштабах всей страны.

Кейс от компании Nexign

В Nexign разработали и запустили на корпоративном портале чат-бот, с помощью которого можно получить информацию о корпоративных процессах в Nexign. Бот использует технологию машинного обучения  NLP , с помощью которой «понимает» запросы от сотрудников и отвечает на них с учетом специфики компании. Например, у виртуального помощника можно запросить информацию о работе подразделений компании, спросить, как получить ту или иную справку, оформить отпуск, создать запрос на выдачу прав и многое другое.

Инструмент создан, чтобы отвечать на самые частые вопросы сотрудников и экономить время специалистов, которых отвлекают от рабочих задач по телефону или электронной почте.

Автоклассификатор обращений

В компании используется сервисный подход к управлению ИТ-инфраструктурой. Сотрудники могу отправлять свои обращения в Service Desk. При этом они не задумываются, какие параметры должны быть у обращения: инцидент или запрос на обслуживание, номер услуги, влияние на подразделение, которое должно обработать запрос. Эти параметры указываются специалистом Service Desk на этапе классификации обращения для его дальнейшей обработки и маршрутизации.

Чтобы помочь на этом этапе специалистам Service Desk, в компании разработали автоматический классификатор обращений. В качестве исходных данных для него послужила  история обращений от пользователей за прошедшие пять лет . Теперь к каждому обращению автоматически добавляются его рекомендательные параметры и обозначается точность, с которой они определились. В системе есть настройки порогов: при достижении определенной точности можно назначать тот или иной параметр в обращении автоматически, без участия сотрудника.

Внедрение системы позволило сократить время первичной классификации обращений на несколько минут и снизить влияние человеческого фактора.