Глава 1 «Умный» цех - accenture › _acnmedia › pdf-107 › accenture...49...

49

Глава 1

«Умный» цехИскусственный интеллект в промышленности, логистике и дистрибуции

Веками завод считался образцовым воплощением автоматизации,

поэтому рабочих часто оценивали по тем же показателям, что и ма-

шины. Следует ли удивляться, что в промышленности между людь-

ми и машинами сложились непростые отношения и рабочий чув-

ствовал, что он находится в заведомо проигрышном положении.

И не без основания. С 2000 года промышленность США лишилась

пяти миллионов рабочих мест, причем половину сократили из-за

повышения производительности и автоматизации производства 4.

Однако ситуация не столь однозначна, как может показать-

ся на первый взгляд. Как уже говорилось во введении, вторая

волна трансформации бизнеса была сосредоточена на автома-

тизации существующих процессов, именно в тот период многие

люди проиграли конкуренцию машинам. Напротив, третья вол-

на включает внедрение полностью переосмысленных адаптив-

ных бизнес-процессов, призванных обеспечить взаимодействие

человека и машины. На этом этапе благодаря искусственному ин-

теллекту человек отчасти возвращается на производство; напри-

мер, рабочие места на сборочных линиях принципиально изме-

нились по характеру и смыслу выполняемых операций, растет

50

Глава 1

и их количество. Искусственный интеллект повышает ценность

инженеров и менеджеров. Благодаря искусственному интеллекту

возникают совершенно новые специальности и новые возможно-

сти для людей, занятых на всех этапах производства.

В эпоху трансформации бизнес-процессов на основе искус-

ственного интеллекта ирония заключается в том, что на заводах

и промышленных предприятиях мы наблюдаем возрождение че-

ловеческого труда. Все, от рабочего сборочной линии и специа-

листа по техническому обслуживанию до инженера по робото-

технике и руководителя операционного отдела, ощущают, как

под влиянием искусственного интеллекта меняется само понятие

труда. Искусственный интеллект высвобождает время, потенци-

ал для творчества и ресурсы, позволяя людям не выполнять ра-

боту роботов. Значит, с помощью искусственного интеллекта

человек сможет работать более творчески и более эффективно,

благодаря чему возрастет производительность и снизятся из-

держки. В долгосрочной перспективе огромное значение приоб-

ретает то обстоятельство, что компании заняты переосмыслени-

ем своих бизнес-процессов: для людей открываются совершенно

новые профессии и возникают новые способы ведения бизнеса,

о чем мы подробно поговорим во второй части книги.

Давайте не будем торопить события. Нас ждет трудное путе-

шествие. (Те, кто интересуется историческим контекстом, смо-

гут многое почерпнуть из врезки «Краткая история искусствен-

ного интеллекта».) Прежде чем приступать к трансформации

бизнес-процессов, должностных обязанностей и бизнес-моделей,

нужно ответить на следующие вопросы: с какими задачами луч-

ше всего справляются люди, а с какими — машины? Есть ли та-

кие рабочие места и задачи, которые будут постепенно перехо-

дить к роботам, поскольку те лучше людей выполняют рутинные

51

«Умный» цех

операции и обрабатывают данные? Однако трансформация тру-

да идет не в одностороннем порядке. В этой главе мы поговорим

о компаниях, которые уже решили проблему интеграции челове-

ка и машины на производстве, при эксплуатации оборудования,

в логистике и в аграрном секторе. Эти первопроходцы привле-

кают к работе как людей, так и машины с искусственным интел-

лектом, предоставляя им те рабочие места, которым они опти-

мально соответствуют, — и тем самым оказываются в выигрыше.

Самообучающийся манипулятор

На токийском заводе начинается третья смена — и наступа-

ет звездный час роботизированных манипуляторов, которые

за ночь могут освоить новые навыки. Манипулятор оснащен ви-

деокамерой и программой на основе машинного обучения, и эти

вращающиеся конечности могут без посторонней помощи опре-

делить наиболее эффективные способы сборки деталей, после

чего передать их далее по конвейеру. Такие операции не требуют

дополнительного программирования 5.

Роботизированные манипуляторы применяются на заво-

дах, к примеру, для нанесения горячего клея, для установки

лобовых стекол, для выравнивания кромок металла после его

резки. Их предварительно программируют на выполнение

конкретной задачи, а когда она меняется, роботов приходится

перепрограммировать. Новые роботизированные манипуля-

торы, разработанные Fanuc в партнерстве с производителем

программного обеспечения Preferred Networks (обе фирмы

расположены в Японии), могут обучаться самостоятельно

52

Глава 1

благодаря одному из способов машинного обучения — глубоко-

му обучению с подкреплением. Демонстрируем успешный ре-

зультат роботу, а он самостоятельно учится его достигать ме-

тодом проб и ошибок.

По свидетельству Шохеи Хидо, ведущего научного сотруд-

ника Preferred Networks, роботу требуется восемь часов, чтобы

успешно выполнять задачу в 90% случаев. Практически столь-

ко же времени ушло бы у инженера на программирование ро-

бота, а так как роботизированный манипулятор умеет обучать-

ся самостоятельно, у программиста высвобождается время для

более сложных задач, в частности таких, где требуется вынести

суждение, оценить и интерпретировать результаты. Освоив но-

вый навык, робот может делиться приобретенными знаниями

с другими роботами, подключенными к сети. Таким образом, во-

семь манипуляторов, поработавших вместе в течение часа, могут

освоить такой же объем навыков, как и один манипулятор, рабо-

тавший над задачей восемь часов. Этот процесс Хидо называет

«распределенным обучением»: «Можете представить тысячу за-

водских роботов, обменивающихся информацией» 6.

Теперь представьте людей, работающих бок о бок с роботами.

Самообучающиеся промышленные роботы прекрасно справляют-

ся с рутинными повторяющимися операциями, а также с тяжелой

работой. Но на любом предприятии всегда будут задачи, слишком

сложные для роботов, — например, подключение многочисленных

мелких проводов или работа с движущимися или неудобными для

захвата предметами. Для всего этого по-прежнему нужен человек.

Итак, может ли быть успешной совместная работа людей

и роботов? История не дает однозначного ответа. Роботы, дви-

гаясь быстро и резко, могут быть полезными и эффективны-

ми, но в то же время и опасными для людей. Их часто помещают

53


за защитные барьеры, но это типичное разделение роботов

и людей обещает со временем исчезнуть. Так называемые ко-

боты 7 от компаний вроде Rethink Robotics, основанной одним

из пионеров робототехники и искусственного интеллекта Род-

ни Бруксом, оснащаются датчиками, позволяющими им разли-

чать предметы и избегать столкновения с людьми. Если робот

относительно ловок, он прекрасно взаимодействует с человеком.

На заводах, оснащенных устройствами Rethink Robotics и подоб-

ных компаний, работа часто распределяется между людьми и ро-

ботами, трудящимися «плечом к плечу», причем задачи подбира-

ются наиболее соответствующие их возможностям.

Искусственный интеллект на заводе

В течение целого века заводские цеха были главным полигоном

роботизации. Здесь можно найти все — от умных конвейерных

транспортеров до роботизированных манипуляторов и опера-

ционных систем с элементами искусственного интеллекта; за-

вод «умнеет» день ото дня.

Hitachi использует искусственный интеллект для анали-

за больших данных и выполняемых рабочими-людьми рутин-

ных операций, передавая эту информацию роботам, которые,

в свою очередь, передают инструкции сотрудникам, чтобы в ре-

жиме реального времени удовлетворять меняющийся спрос

и постоянно совершенствовать производственный процесс.

В рамках пилотного проекта компания добилась восьмипро-

центного роста производительности труда в логистике 8.

В Siemens используется группа роботов, отпечатан-

ных на 3D-принтере и напоминающих пауков. При помощи

54

Глава 1

искусственного интеллекта эти роботы коммуницируют

друг с другом и занимаются сборкой в лаборатории Siemens

(Принстон, штат Нью-Джерси). Каждый робот оснащен датчи-

ками с функцией компьютерного зрения и лазерными скане-

рами, все вместе они подключаются к производственной це-

почке «на лету» 9.

В Inertia Switch роботы благодаря системам искусственно-

го интеллекта и сенсорным датчикам могут работать вместе

с людьми. Компания использует роботов Universal Robotics, ко-

торые могут обучаться на ходу и гибко переключаться между

задачами. Таким образом, они становятся прекрасными помощ-

никами работникам-людям в цеху 10.

Роботы стали более аккуратными и ловкими

Пока длилась вторая «зима» искусственного интеллекта, Род-

ни Брукс выступил с критикой одной из фундаментальных идей,

на которых давно базируются исследования искусственного ин-

теллекта. Речь идет о постижении роботами окружающего мира

на основе использования заранее определенных наборов сим-

волов и взаимосвязей между ними (подробнее см. врезку «Две

зимы искусственного интеллекта»). Он высказался в защиту го-

раздо более надежного подхода: вместо того чтобы заранее ката-

логизировать окружающий мир, а затем представлять его в виде

символов, почему бы не изучать среду при помощи датчиков?

«Мир — лучшая модель самого себя», — написал он в знаменитой

55


статье 1990 года под названием «Слоны не играют в шахматы».

(Впоследствии Брукс создал компанию iRobot, разработавшую

робот-пылесос Roomba, и основал Rethink Robotics. К настоя-

щему времени iRobot выпустила больше всего автономных

роботов в мире; в период с 2002 по 2013 год продано более

10 миллионов 11.)

Сегодня бруксовская трактовка искусственного интеллекта ак-

туальна как в исследовательской, так и в производственной сфере.

Rethink Robotics продемонстрировала возможности манипулято-

ра, оснащенного встроенными датчиками и алгоритмами контро-

ля движения, которые помогают роботу «ощущать» свои действия

и корректировать их в режиме реального времени. В манипуля-

торе есть эластичные приводы и сочленения, способные возвра-

щаться в исходное положение; таким образом, он может откло-

няться при контакте, гася энергию. Следовательно, даже если он

столкнется с объектом (или человеком), удар будет заметно слабее

(по сравнению с обычным роботизированным манипулятором).

Что произойдет, когда «железные руки» смогут самостоятель-

но учиться, как, например, в Fanuc? Либо если манипулятор бу-

дет действовать аккуратнее и точнее, как в машинах Rethink?

Рабочие на сборочных линиях смогут трудиться вместе с самооб-

учающимися роботизированными манипуляторами. Допустим,

человек занят сборкой автомобиля и ему нужно закрепить при-

борную панель. Робот может поднять ее и установить, а рабочий

подкорректирует его действия и закрепит панель, не опасаясь,

что громоздкая машина ударит его по голове. Искусственный ин-

теллект помогает как роботам, так и людям проявлять свои силь-

ные стороны, так что весь рабочий процесс на сборочной линии

преображается.

56

Глава 1

Две зимы искусственного интеллекта

Взаимодействие человека и машины — важнейший аспект

третьей волны трансформации бизнес-процессов — оказалось

тернистым. Изначально искусственный интеллект встречали

с большим энтузиазмом, но ожидания не оправдались: за разо-

чарованием вскоре последовал заметный прогресс, что при-

вело ко второй волне ажиотажа и новым разочарованиям. Два

этих спада стали называть двумя «зимами» искусственного ин-

теллекта.

Работы в области искусственного интеллекта начались

в 1950-е годы, и в последующие десятилетия исследователь-

ский прогресс шел крайне неравномерно. К 1970-м годам фи-

нансирование было почти свернуто, тот период называют

«первой зимой» искусственного интеллекта. Затем, в течение

нескольких лет в 1980-х годах, исследователям удалось до-

биться отличных результатов в разработке так называемых

экспертных систем — компьютерных программ, способных

анализировать и делать выводы. Они позволили машине вы-

носить простейшие суждения, а не работать по строгому, за-

ранее предопределенному алгоритму. В то же время набирала

обороты революция персональных компьютеров, все внима-

ние переключилось на них, они становились все более доступ-

ными для простого человека. Финансирование искусствен-

ного интеллекта вновь сократилось, настала «вторая зима»

искусственного интеллекта. Такая ситуация сохранялась до на-

чала 2000-х годов.

57


Появление искусственного интеллекта способствовало

трансформации сборочных линий. Инженеры из Фраунгофе-

ровского института логистики (Fraunhofer IML) давно испыты-

вают встраиваемые датчики для создания самонастраиваемых

сборочных линий на автомобильных заводах. В сущности, сам

конвейер может модифицировать отдельные операции техно-

логического процесса, меняя дополнительные модули и ком-

плектацию для создания автомобилей под заказ. Таким обра-

зом, инженеры проектируют не просто конвейер, на котором

собирается одна стандартная модель, а конвейер, способный

самостоятельно перенастраиваться. Андреас Неттштретер, за-

нимающийся координацией стратегических инициатив в IML,

отмечает: «Если одна рабочая станция откажет или сломается,

ее функции легко можно будет перекинуть на другие станции

конвейера» 12.

Рабочие на сборочной линии решают более сложные задачи,

недоступные роботам, а инженерам-технологам не требуется

перенастраивать линию при каждом изменении характеристик

или поломке. Они могут уделить время более творческим зада-

чам — например, как сделать машины еще эффективнее.

Мониторинг данных

То, что начинается с умных манипуляторов, распространяется

по всему заводу и даже за его пределами. Технологии на осно-

ве искусственного интеллекта на производстве и, шире, в про-

мышленности освобождают человека. Так, искусственный ин-

теллект изменил сферу технического обслуживания. Сложные

58

Глава 1

ИИ-системы заранее прогнозируют грядущую поломку, а значит,

персонал тратит меньше времени на плановые проверки и диа-

гностику и больше — на непосредственно ремонт.

Искусственный интеллект для ускоренного внедрения машин

Sight Machine, стартап из Сан-Франциско, использует аналитику

и машинное обучение, помогая клиентам сокращать простои при

запуске нового оборудования в цехах. Так, в одном случае уда-

лось сократить время простоя, неизбежное при внедрении но-

вых роботизированных систем, на 50%. Когда все основные сред-

ства были введены в эксплуатацию, производительность возросла

на 25%. Благодаря новой технологии выросла эффективность про-

изводства, а инженеры и специалисты по техобслуживанию смог-

ли сосредоточиться на других, более существенных задачах 13.

Компания General Electric отслеживает работу поставленно-

го клиентам оборудования. Для этого применяется платформа

Predix, оснащенная искусственным интеллектом. В ее основе ле-

жит концепция «цифрового двойника», согласно которой все ос-

новные средства на заводе и за его пределами — от болта до ленты

конвейера и турбинной лопасти — моделируются и отслеживают-

ся на компьютере. Predix собирает и анализирует огромный объ-

ем данных; эти данные можно использовать для переосмысления

бизнес-процессов по трем фундаментальным направлениям:

— Переосмысление технического обслуживания. General Elec-

tric собирает статистические данные со всех точек, где

59


установлено ее оборудование, и использует технологию

машинного обучения для прогнозирования сроков отказа

тех или иных деталей (в зависимости от их текущего со-

стояния).

Ранее специалисты по техническому обслуживанию за-

меняли детали в соответствии с рекомендациями произ-

водителя. Так, автомобильные свечи требовалось менять

после 120 000 километров пробега. Теперь же заменять их

можно по мере износа. Прогнозирование на основе искус-

ственного интеллекта позволяет экономить время и день-

ги, одновременно повышая заинтересованность ремонт-

ников в своей работе 14.

— Переосмысление разработки продукта. Дополнительные

данные облегчают проведение НИОКР. General Electric

устанавливает датчики на деталях турбин, испытывающих

наибольшую нагрузку, чтобы отслеживать происходящие

в них изменения. В диапазоне рабочих температур датчи-

ки буквально сгорают, однако успевают собрать информа-

цию о разогреве турбины. Это помогает лучше понять тер-

модинамику материалов, используемых при изготовлении

турбин, и оптимизировать условия эксплуатации. Благо-

даря датчикам, в распоряжении инженеров оказывается

подробнейшая информация, проливающая свет на работу

тех или иных систем 15.

— Переосмысление эксплуатации. General Electric может со-

здавать цифровые двойники на основе полевых данных,

собираемых с работающих объектов, например реактив-

ных двигателей. В ходе виртуальных полетов самолет

60

Глава 1

подвергается воздействию низких и высоких температур,

пыли, дождя и даже атаке птиц 16. Компания ведет мони-

торинг десятков тысяч ветряков, а их цифровые двойни-

ки позволяют корректировать работу в режиме реально-

го времени. Анализ этих данных позволил сделать очень

важный вывод: в зависимости от направления ветра име-

ет смысл снижать скорость вращения ведущей турбины

по сравнению с расчетной. Когда передняя турбина погло-

щает меньше энергии, те, что расположены за ней, работа-

ют в режиме, близком к оптимальному, увеличивая общую

выработку электроэнергии. Этот пример демонстриру-

ет, что модель цифрового двойника не только применима

к единичному устройству, но и позволяет оптимизировать

работу всей ветряной электростанции. По данным General

Electric, цифровые двойники позволяют увеличить про-

изводство ветровой энергии на 20%, что эквивалентно

$100 миллионам за весь срок эксплуатации ветряной элек-

тростанции мощностью 100 мегаватт 17.

Искусственный интеллект на местности: беспилотные

транспортные средства

Дроны, оснащенные искусственным интеллектом, могут послу-

жить человеку «искусственными глазами» в небе или под водой.

Благодаря им можно больше не подвергать опасности людей,

позволяя удаленно обследовать потенциально опасную терри-

торию.

Австралийская компания Fortescue Metals Group, разраба-

тывающая железный рудник Cloudbreak, использует дронов для

61


сбора информации о горизонтальном залегании рудных пла-

стов. Парк летающих роботов значительно снижает риск рабо-

ты на самых опасных участках 18.

В австралийской горнодобывающей компании BHP Billiton

Ltd беспилотные летательные аппараты, оснащенные инфра-

красными датчиками и телескопической оптикой, выявляют

проблемы, связанные с кран-балками и дорогами, на которых

ведутся ремонтные работы. Они также контролируют зоны под-

рыва, чтобы гарантировать: перед детонацией там нет людей 19.

Echo Voyager от компании Boeing — беспилотный глубоко-

водный робот, который используется для мониторинга подвод-

ной инфраструктуры, забора воды и составления карт дна океа-

на, кроме того, он помогает при разведке нефтяных и газовых

месторождений 20.

Во всех трех случаях Predix освобождает сотрудников от од-

нообразной работы и позволяет им сосредоточиться на более

креативных задачах. Специалист по техническому обслужива-

нию уделяет больше времени устранению сложных неисправно-

стей, не отвлекаясь на рутинный мониторинг. Инженер получа-

ет бóльший объем данных, позволяющих судить, исправно ли

функционирует система или дает сбой, что в дальнейшем помо-

жет успешно справляться с более трудными задачами. Наконец,

моделирование цифровых двойников открывает огромные воз-

можности для экспериментирования — гораздо шире нынешних.

Такие модели помогают применять более креативные подходы

к решению проблем, а также выявлять скрытые ранее причины

неэффективности — а значит, потенциально экономить время

и деньги.

62

Глава 1

Склад на самообслуживании

Сегодня вы не удивитесь, если, проходя по современному скла-

ду или распределительному центру, увидите, как мимо вас катят-

ся роботы. (Небольшая подборка таких умных цепочек поставки

и складских роботов приведена во врезке «Искусственный ин-

теллект в складском деле и логистике».)

Искусственный интеллект в складском деле и логистике

Искусственный интеллект решает задачи транспортировки

и размещения продукции на складе, меняя наши представле-

ния о проектировании складов.

• После того как Amazon в 2012 году приобрела Kiva Robots,

стало понятно, что мобильные роботы, передвигающие-

ся по ее складам, стали главным преимуществом ее бизнес-

модели. Роботы помогают поднимать и складывать пласти-

ковые контейнеры, наполненные разными товарами, а также

самостоятельно транспортируют товары к людям-«сортиров-

щикам», комплектующим заказы. Благодаря такой скорости

компания может обеспечить доставку «день в день» 21.

• L’Oreal использует технологию радиочастотной иденти-

фикации (RFID) и машинное обучение для предотвраще-

ния несчастных случаев с погрузчиками на итальянском

складе компании. Система мониторинга предупреждает

63


операторов погрузчиков и рабочих, проходящих мимо,

о том, что поблизости находится такая машина, — и количе-

ство несчастных случаев удается снизить 22.

Такие роботы зачастую весьма продвинуты, чтобы видеть,

куда движутся, и понимать, что делают, но и у них есть недостат-

ки. Например, коробка с хлопьями Cheerios может быть повре-

ждена, из-за чего машине не удастся ее захватить. Большинство

роботов с такой проблемой не справится. Придется пропустить

эту коробку и перейти к следующей. Однако роботы компании

Symbotic оснащены алгоритмами машинного зрения, позволяю-

щими оценить очертания упаковки неправильной формы и в лю-

бом случае взять ее. Робот может быстро замерить свободное

пространство на полке, чтобы убедиться, что коробка туда вста-

нет. В противном случае он оповестит центральную систему

управления, которая автоматически перенаправит этот товар

на другую полку, куда он точно поместится. Роботы курсируют

по складу со скоростью 40 км/ч, переносят грузы, оценивают об-

становку при помощи датчиков и действуют по обстоятельствам.

Разница между обычным складом и оснащенным машинами

Symbotic разительна. Как правило, паллеты с товаром выгружа-

ются с фуры на специальную платформу; паллеты находятся там

до тех пор, пока люди не распакуют их, после чего упаковки с то-

варами укладываются на ленточные транспортеры и развозятся

по разным частям склада. Роботы Symbotic без промедления раз-

бирают товары с паллет и раскладывают их по полкам, поэтому

не требуется выделять место для временного размещения паллет.

Не нужны и ленточные транспортеры. Таким образом, на скла-

де, оснащенном оборудованием Symbotic, высвобождается

64

Глава 1

дополнительное пространство под стеллажи. Джо Каракаппа,

вице-президент Symbotic по развитию, сообщает, что при самом

оптимистичном сценарии на складе можно будет разместить

вдвое больше товаров или уменьшить его площадь в два раза. Бо-

лее того, компактные склады легче вписать в сложившиеся ми-

крорайоны, а скоропортящиеся продукты можно хранить ближе

к точкам реализации.

Поскольку вся работа персонала сводится к загрузке и раз-

грузке фур, уместен вопрос: что будет со складскими рабочими?

Джо Каракаппа говорит, что многих из них Symbotic переучива-

ет. Например, те, кто занимался ремонтом ленточных транспор-

теров, обучаются ремонтировать роботов. Появляются и новые

специальности. Каракаппа отмечает, что системные операторы

отслеживают весь процесс перемещения роботов. «Как правило,

до автоматизации на складе не было рабочих таких специально-

стей, — объясняет он, — но мы набираем их среди сотрудников

при активном участии клиента» 23. (Во второй части этой книги

мы подробно поговорим о новых специальностях в рамках дис-

куссии о «недостающей середине».)

Мыслящие цепочки поставки

«Умные» склады — это только начало. В настоящее время техноло-

гии искусственного интеллекта позволяют сделать гораздо «ум-

нее» всю цепочку поставок, подобно тому как совершенствуются

производственные цеха. Разумеется, компании стремятся избе-

жать любых сбоев в работе логистических цепочек, которые мо-

гут быть вызваны самыми разными причинами: качество услуг,

65


предоставляемых поставщиком, политическая нестабильность

в регионе, забастовки, неблагоприятные погодные условия и т. п.

С этой целью компании собирают и анализируют с помощью ис-

кусственного интеллекта данные о поставщиках, помогают соста-

вить более полное представление о факторах, влияющих на це-

почку поставок, предвосхитить сценарии развития событий и т. д.

Компании также хотят свести к минимуму и факторы неопре-

деленности, связанные с последующими этапами реализации.

В данном случае искусственный интеллект помогает компаниям

оптимизировать прогнозирование спроса, точнее планировать

его и лучше контролировать остатки на складах. В результате це-

почки поставок становятся более гибкими, способными преду-

смотреть динамику бизнес-среды и адаптироваться к ней.

Рассмотрим всего один этап работы: прогнозирование спро-

са. Правильное прогнозирование спроса — болевая точка мно-

гих компаний, однако благодаря нейронным сетям, алгоритмам

машинного обучения и другим системам искусственного интел-

лекта можно сгладить остроту этой проблемы. Например, один

из лидеров по производству здорового питания активно задей-

ствовал возможности машинного обучения для анализа колеба-

ний спроса и трендов при продвижении товаров. Анализ позво-

лил построить надежную модель, способную оценить ожидаемые

результаты от стимулирования продаж. Благодаря этому удалось

на 20% сократить ошибки прогнозирования и на 30% уменьшить

объем нераспроданной продукции.

К подобным результатам стремится и лидер мирового рын-

ка потребительских товаров Procter & Gamble, СЕО которого

недавно заявил о намерении сократить логистические издерж-

ки на миллиард долларов в год. Отчасти этому будут способ-

ствовать краткосрочные меры: речь идет об использовании

66

Глава 1

технологий искусственного интеллекта и интернета вещей (IoT)

для автоматизации складов и распределительных центров. Дру-

гие возможности связаны с долгосрочными проектами, в част-

ности с адаптацией автоматизированной доставки под запрос

клиента (для более чем семи тысяч единиц продукции). Посмо-

трим, позволят ли компании P&G эта и другие инициативы эко-

номить миллиард долларов каждый год, но уже можно сказать,

что искусственный интеллект сыграет в этом важную роль.

Фермы, которые настраиваются сами

Технологии искусственного интеллекта значительно влияют

не только на каналы дистрибуции, производство потребитель-

ских товаров и промышленного оборудования, но и играют

важную роль в производстве продуктов питания. В сельском

хозяйстве исключительно остро стоит вопрос повышения про-

изводительности труда. Согласно разным статистическим дан-

ным, 795 миллионов человек сегодня недоедают, и с поправкой

на демографические показатели в следующие 50 лет придется

произвести столько же продуктов, сколько за последние десять

тысяч лет. Пресная вода и пахотные земли — это ресурсы, кото-

рые исторически было сложно приобретать или поддерживать

в пригодном для земледелия состоянии. Точное земледелие — ак-

тивно применяющее искусственный интеллект и узкие данные

по сельскохозяйственным культурам — должно значительно уве-

личить урожайность, уменьшить расход ресурсов, в частности

воды и удобрений, и в целом повысить эффективность аграрно-

го сектора.

67


С этой целью в точном земледелии используется обширная

сеть IoT-датчиков, собирающих подробные данные. Использу-

ются также фотографии, сделанные со спутников или дронов

(благодаря им можно обнаружить признаки стрессовых реакций

растений еще до того, как это станет заметно с земли). В полях

применяются экологические датчики (позволяющие, например,

отслеживать химический состав почвы). Данные также переда-

ются с датчиков, установленных на сельскохозяйственной техни-

ке, кроме них используются данные прогнозов погоды и почвен-

ная база данных.

Чтобы лучше понимать собираемые данные, компания

Accenture разработала новое решение — сервис точного земледе-

лия, в котором искусственный интеллект помогает принимать

рациональные решения с учетом совокупности задач: борьба

с вредителями, внесение удобрений и т. д. Данные, поступаю-

щие с IoT-датчиков, обрабатываются с помощью технологии ма-

шинного обучения; полученную информацию можно использо-

вать двумя способами. Во-первых, переслать непосредственно

фермеру, который решит проблему своими силами. Во-вторых,

направлять в систему, которая автоматически применит полу-

ченные рекомендации. Благодаря механизму обратной связи, ис-

пользующему актуальные данные с датчиков и аналитику в ре-

жиме реального времени, ферма становится самонастраиваемой.

Фермеры также могут быть задействованы в этом процессе, на-

пример утверждая рекомендации системы. По мере того как си-

стема будет становиться все надежнее, человек сможет уделить

время другим задачам, автоматизировать которые не так просто.

Искусственный интеллект позволяет внедрять совершенно

новые сельскохозяйственные модели, например «вертикальную

ферму», где саженцы можно выращивать в многоэтажных лотках.

68

Глава 1

Высота такой «фермы» может достигать десяти метров, ее можно

разместить в городах — например, на территории склада. Подобная

ферма уже есть в Ньюарке, штат Нью-Джерси, она принадлежит

компании AeroFarms. Здесь постоянно аккумулируются данные

о температуре, влажности, содержании диоксида углерода и других

показателях, программа на базе машинного обучения анализиру-

ет эту информацию в режиме реального времени и создает макси-

мально благоприятные условия для выращивания разных культур

(в том числе листовой капусты, рукколы и японской капусты мицу-

на). По данным компании, в ньюаркском комплексе будет исполь-

зоваться на 95% меньше воды и на 50% меньше удобрений, чем

на обычных фермах. А так как растения выращиваются в здании,

пестициды им не нужны. По прогнозам AeroFarms, вертикальная

ферма в Ньюарке, расположенная всего в 24 километрах от Манхэт-

тена, позволит получать более 900 тонн продукции в год 24.

Точное земледелие пока не очень распространено, но некото-

рые связанные с ним технологии — например, анализ спутнико-

вых данных — используются уже много лет. Сегодня все меняется

благодаря быстрому распространению интернета вещей, который

позволяет своим приложениям получать информацию с датчиков,

а затем передавать ее системам машинного обучения. Конечная

цель точного земледелия — объединить разрозненные системы та-

ким образом, чтобы они могли вырабатывать рекомендации для

фермеров, которые можно применять в режиме реального време-

ни. Как следствие, бизнес-процессы в аграрном секторе будут тре-

бовать меньше ресурсов и обеспечат рост урожайности. Согласно

прогнозам, рынок услуг точного земледелия к 2020 году вырастет

до $4,55 миллиарда25. Распространение этих технологий принесет

пользу всем: земле, фермерам и сотням миллионов людей, нуждаю-

щихся в здоровой и доступной пище.

69


Искусственный интеллект во имя добра. Akshaya Patra

Индийская некоммерческая организация Akshaya Patra форму-

лирует свою миссию так: «Ни один ребенок в Индии не должен

лишиться образования из-за голода». Организация комбиниру-

ет возможности искусственного интеллекта с блокчейном (тех-

нология цифровых децентрализованных распределенных ре-

естров) и технологиями интернета вещей. Для реализации своей

миссии она предлагает программу бесплатных обедов, чтобы

школьники сохраняли силы и мотивацию учиться. В 2000 году,

на самом старте проекта, Akshaya Patra кормила 1500 детей;

к 2017 году программа охватывала уже 1,6 миллиона учащих-

ся. В 2016 году сотрудники Akshaya Patra отпраздновали выдачу

двухмиллиардного бесплатного обеда. На текущий момент эта

некоммерческая организация добилась повышения эффектив-

ности работы кухонь, участвующих в программе, на 20%. Теперь

обмен данными в системе ведется только в цифровой форме

(тогда как ранее их приходилось вводить вручную), а блокчейн

помогает эффективнее организовать аудит, регистрацию участ-

ников программы и обработку счетов. Искусственный интел-

лект применяется для точного прогнозирования спроса, а IoT-

датчики отслеживают и упорядочивают процесс приготовления

пищи, чтобы минимизировать отходы и поддерживать качество

блюд на высоком уровне. Искусственный интеллект в сочета-

нии с этими технологиями поможет Akshaya Patra расширять

сферу деятельности — то есть поддерживать силы на учебу еще

у большего количества детей 26.

70

Глава 1

«Третья волна» в промышленности

В этой главе мы расскажем, как искусственный интеллект меня-

ет суть бизнес-процессов. Заводы и целые отрасли экономики

сохранят высокий уровень автоматизации по ряду причин, пре-

жде всего в целях безопасности и высокой эффективности. Но-

вые технологии автоматизации приведут к уничтожению ряда

профессий, однако для людей останется достаточно вакансий

на производстве, если только руководители сумеют пересмо-

треть свои взгляды на характер труда и не зацикливаться на ли-

квидации рабочих мест. Изменение мировоззрения является ча-

стью такого элемента модели MELDS, как лидерство, подробно

описанного во введении. Концепт лидерства требует от руково-

дителей переосмыслить бизнес-процессы и функционал сотруд-

ников, работающих в области «недостающей середины» (о чем

мы подробно поговорим во второй части). Спрос на некоторые

навыки растет, более того, появляется потребность в совершен-

но новых навыках. Как будет показано в главе 8, General Electric

и ее клиенты всегда будут нуждаться в специалистах по техни-

ческому обслуживанию и ремонту, а работа и навыки этих со-

трудников должны быть интегрированы с технологиями. Это

еще один элемент MELDS — навыки (skills). Специалисты по тех-

ническому обслуживанию будут делать именно то, что удается

людям лучше всего: адаптироваться к новым ситуациям и на-

ходить новаторские решения возникающих проблем. На долю

машин останется изнурительный труд, мониторинг и монотон-

ные операции.

Что касается исследователей, инженеров, фермеров и прочего,

данные и аналитика, предоставляемые системами искусственного

71


интеллекта, могут послужить им «третьим глазом». Вот почему

в MELDS так важен элемент данные (data). Очень сложные про-

изводственные системы становятся понятными. Инженеры

и руководители могут устранять ранее скрытые неэффектив-

ности и уверенно менять те или иные элементы бизнес-процес-

са. Если честно оценить сильные стороны людей и машин и по-

нять, что им хорошо удается в сотрудничестве, вам откроется

новый спектр возможностей ведения бизнеса и разработки биз-

нес-процессов (это еще один важный элемент MELDS) — надлежа-

щий образ мышления (mindset). Изучив эти возможности, многие

компании запускают инновационный бизнес, например верти-

кальную ферму. Действительно, именно в процессе эксперимен-

тирования (experiment) руководители выявляют инновации, ме-

няющие правила игры и потенциально способные преобразить

всю компанию, а возможно, и всю отрасль.

В следующей главе мы обсудим, как искусственный интел-

лект помогает бэк-офису. Именно там остановилась «вторая вол-

на» автоматизации, и «третья волна» искусственного интеллекта

покажется долгожданным облегчением для многих, кому прихо-

дится работать с неудобными IT-инструментами или неэффек-

тивными процессами. Здесь мы также увидим, как искусствен-

ный интеллект и человеческое воображение трансформируют,

казалось бы, обыденные явления, открывая новые возможности

сотрудничества человека и машины.

Краткая история искусственного интеллекта

Технология искусственного интеллекта, драйвер современных

адаптивных процессов, развивалась десятилетиями. Краткий

72

Глава 1

экскурс поможет вам составить представление о том, каковы ее

возможности в настоящее время.

Официально считается, что искусственный интеллект как на-

учная дисциплина зародился в 1956 году, когда в Дартмутском

колледже на первой конференции по искусственному интеллек-

ту собралась небольшая группа исследователей во главе с Джо-

ном Маккарти. В группу также входили Клод Шеннон, Марвин

Минский и другие. На конференции обсуждалось, как машинный

интеллект способен имитировать мышление человека 27.

В сущности, вся конференция представляла собой мозго-

вой штурм, участники которого обсуждали предположение

о том, можно ли достичь такой точности в описании любого ас-

пекта обучения и творчества, которая позволяла бы перевести

его в математическую модель и воспроизвести на компьютере.

Планы были наполеоновскими, начиная с анонса мероприятия:

«Будет предпринята попытка выяснить, как научить машину ис-

пользовать язык, формы, абстракции и понятия, решать задачи,

якобы посильные лишь людям, и самосовершенствоваться». Ра-

зумеется, это было только начало.

Участникам конференции практически сразу удалось

определить направление исследований и согласовать многие

математические модели, связанные с концепцией искусствен-

ного интеллекта, что послужило источником вдохновения

на следующие несколько десятилетий. Так, Минский вместе

с Сеймуром Пейпертом написали фундаментальную моногра-

фию о сфере применения нейронных сетей и их ограничени-

ях, описав работу искусственного интеллекта с помощью мо-

дели биологического нейрона. Именно к этой конференции

восходят многие разработки, в частности экспертные системы,

73


обработка естественного языка, компьютерное зрение и мо-

бильные роботы.

Одним из участников конференции был Артур Сэмюэл, ин-

женер из компании IBM, разрабатывавший компьютерную про-

грамму для игры в шашки. Его программа должна была оце-

нивать текущее расположение шашек на доске и вычислять

вероятность победы. В 1959 году Сэмюэл предложил термин

«машинное обучение»: это дисциплина, изучающая, как ком-

пьютеры могут усваивать информацию, которая в них исходно

не была запрограммирована. В 1961 году его самообучающей-

ся программе удалось обыграть четвертого по силе шашиста

в США. Однако поскольку Сэмюэл был человеком скромным

и саморекламой не занимался, его работы по машинному обу-

чению получили более широкое признание лишь после его ухо-

да из IBM в 1966 году 28.

Десятилетиями машинное обучение оставалось в тени, все-

общее внимание было приковано к другим видам искусствен-

ного интеллекта. В 1970–1980-е годы исследователи сосредото-

чились на концепции интеллекта, основанной на символьных

вычислениях и логических правилах. Однако в те годы такие

формальные системы не нашли практического применения,

и неудачи способствовали приходу «первой зимы» искусствен-

ного интеллекта.

Интеграция с методами статистики и теории вероятности

в 1990-е годы привела к расцвету машинного обучения. Одно-

временно широчайшее распространение получили персональ-

ные компьютеры. В течение следующего десятилетия цифровые

системы, датчики, интернет и мобильные телефоны прочно во-

шли в нашу жизнь, предоставив в распоряжение специалистов

74

Глава 1

по машинному обучению любые виды информации для «трени-

ровки» адаптивных систем.

Сегодня прикладное машинное обучение понимается как

создание моделей на основе множеств данных, которые инже-

неры и специалисты используют для обучения системы. Машин-

ное обучение принципиально отличается от традиционного

программирования. Стандартный алгоритм содержит опреде-

ленную последовательность операций, жестко заданную про-

граммными инструкциями или программным кодом. Система

машинного обучения может «учиться» в процессе функциони-

рования. Обработав каждый новый набор данных, она обновля-

ет свое «видение» мира. Сегодня, когда машины могут учиться

и корректировать свои действия на основе полученных данных,

программист напоминает не столько дрессировщика и ментора,

сколько педагога и тренера.

В настоящее время повсеместно применяются системы ис-

кусственного интеллекта, работающие на основе машинного

обучения. В банках они используются для выявления мошен-

ничества, на сайтах знакомств — для подбора потенциальных

партнеров, маркетологи с их помощью прогнозируют реакцию

целевой аудитории на рекламу, а на сайтах для хранения и об-

мена фотографиями машинное обучение применяется для ав-

томатического распознавания лиц. Мы проделали долгий путь

со времен той игры в шашки. В 2016 году программа AlphaGo

от Google продемонстрировала прогресс машинного обучения:

компьютер обыграл чемпиона мира по игре в го, гораздо более

сложной, чем шахматы или шашки. Характерно, что некоторые

ходы AlphaGo оказались столь неожиданными, что наблюдате-

ли сочли их изобретательными и даже «красивыми» 29.


На протяжении десятилетий искусственный интеллект и ма-

шинное обучение развивались нелинейно, но их проникнове-

ние в продукты и бизнес-процессы за последнее время оче-

видно указывает на их звездный час. По мнению Дэнни Лэнга,

бывшего руководителя отдела по машинному обучению в ком-

пании Uber, эта технология наконец-то вырвалась из исследова-

тельских лабораторий и быстро становится «ключевым элемен-

том трансформации бизнеса» 30.

Глава 1 «Умный» цех - accenture › _acnmedia › pdf-107 › accenture...49...

Documents