Рано или поздно мир придет к полной замене человеческого труда роботами. Вопрос не в том, будет это или нет, а скорее — когда это случится. Оптимисты говорят, что к середине текущего века, пессимисты — к его концу.

Почему так долго? Дело в том, что замена оборудования — недешевое мероприятие. Часто это огромные инвестиции, а отдача от них может оказаться не такой уж впечатляющей.

В России очень любят закупать на производстве новое оборудование. Деньги есть, госзаказ (в основном гособоронзаказ) есть. В каких-то случаях это хорошо, а в каких-то — плохо. Если у нас задействовано десять человек, они трудоустроены на год, мы выдаем продукцию и находим спрос, это один сценарий развития. Другой сценарий: мы покупаем очень дорогостоящее оборудование, нам нужен один человек на одну неделю, но это оборудование будет окупаться при такой загрузке лет сто. И в итоге цена конечной продукции становится неконкурентоспособной. Получается, что закупка нового оборудования может «отодвигать» производство глобальной конкурентоспособности.

источник: im0.kommersant.ru

Современное производство по своей сложности сопоставимо с искусством

Часто компании даже в промышленно развитых странах довольно консервативно подходят к обновлению оборудования — это дорого и нередко экономически неоправданно. Например, по данным недавнего исследования McKinsey Global Institute «Making it in America: Revitalizing US Manufacturing», в 1980-м средний возраст завода в США составлял 16 лет, а сейчас — 25 лет. При этом средний возраст оборудования в 1980-м не превышал семи лет, а сейчас — уже девять.

Важно выдерживать баланс между обновлением производства, модернизацией производства и его загрузкой. Важно, чтобы реальный спрос на рынке, глобальная конкурентоспособность, обновление производства и пополнение кадрами, которые могут работать на современном оборудовании,— все это шло не рывками, а было грамотно смоделировано. То есть эти процессы должны идти нога в ногу.

источник: im3.kommersant.ru

Точные измерения важны для повышения производительности труда

«А что случится, если будет опережение? — задается вопросом глава консалтинговой компании Advantage Kazakhstan Дмитрий Родин.— Например, завалим все современным производством, продукция будет дорогой, но не будет новых заказов. Это понятная ловушка, из которой предприятие или страна могут и не вырваться, они так и останутся с современным оборудованием, 20 лет будут без заказов, это оборудование перестанет быть современным, придется подсчитать убытки и закрыть отрасль».

Альтернативы для России

Есть ли какие-то альтернативы? Для российской специфики ответ может быть неожиданно простым. Это переход от сдельной оплаты труда к повременной. Сдельная оплата труда удобна производственному менеджменту, как и закупка нового оборудования. Но из-за нее возникают огромные производственные издержки.

Современное производство — это сверхсложный процесс, в котором задействованы иногда несколько сотен тысяч деталей, при этом они проходят десятки различных стадий обработки. А управление этим сложнейшим процессом, по существу, отдано простым рабочим. Это приводит к росту брака, недоделок, запасов на складах, дефициту сырья и срыву графиков выпуска конечной продукции.

источник: im2.kommersant.ru

Перекладывать ответственность за производство на рабочих — не самое лучшее решение

На Западе сдельная формы оплаты труда была ликвидирована еще в 1980-х годах, у нас же она до сих пор широко распространена. В чем причины ее сохранения? Во-первых, такая схема удобна менеджменту: можно свалить всю ответственность на рабочих. Для введения повременной оплаты труда нужно правильно планировать, а для этого необходимы совершенно другая организация производства и другой уровень компетенции руководства предприятия. Во-вторых, и это гораздо более чувствительный вопрос,

Поэтому проблемы неэффективности часто предпочитают заливать деньгами: «А давайте купим новое оборудование!»

Второй аспект — сотрудничество с научными центрами и обучение менеджмента. В университетских лабораториях все-таки не представляют себе каждодневную жизнь производства. А на заводе новизна часто имеет некую негативную коннотацию. Примирить позиции должны R&D-центры, консультационные центры, своего рода «бесплатный государственный McKinsey» для предприятий, который является мостом между лабораторией, где появляются новые технологии, и производством, где эти технологии внедряются. Национальный проект по повышению производительности труда в несырьевых отраслях, разрабатываемый сейчас Минэкономразвития,— важный шаг в этом направлении.

Дешевая революция

Вышеназванные проблемы характерны прежде всего для России, но есть и общемировые тенденции. И здесь снова актуальна революция искусственного интеллекта. Стартовала она относительно недавно. Можно даже назвать точную дату — 2012 год, когда нейросеть AlexNet победила в соревновании по компьютерному распознаванию изображений.

Искусственный интеллект (ИИ) способен заместить навыки, которые до недавних пор считались исключительно человеческими (визуальное и слуховое распознавание, тонкая моторика).

Почти сразу возможности ИИ стали интересны и в промышленности. И речь не только о замене людей роботами, хотя и это тоже. Впрочем, это очень дорогое инвестиционное решение. Но есть и более дешевые способы увеличения эффективности.

источник: im9.kommersant.ru

Роботы — хороший метод для повышения производительности труда, но часто очень дорогой

Взять то же визуальное распознавание. «Нейросети способны резко увеличить производительность,— отмечает глава Alook Analytics Адам Вотава.— Например, довольно много времени в промышленности уходит на оценку качества продукции. До сих пор масса операций выявления брака производится людьми с помощью обычного визуального контроля. Алгоритмы автоматической оценки качества (automatic quality control) позволяют автоматизировать эту деятельность с помощью полуконтролируемого машинного обучения (semi-supervised learning). Алгоритмы могут не только визуально контролировать брак, но и смоделировать условия для его минимизации. Нулевое количество брака в продукции — скорое будущее».Взять то же визуальное распознавание. «Нейросети способны резко увеличить производительность,— отмечает глава Alook Analytics Адам Вотава.— Например, довольно много времени в промышленности уходит на оценку качества продукции. До сих пор масса операций выявления брака производится людьми с помощью обычного визуального контроля. Алгоритмы автоматической оценки качества (automatic quality control) позволяют автоматизировать эту деятельность с помощью полуконтролируемого машинного обучения (semi-supervised learning). Алгоритмы могут не только визуально контролировать брак, но и смоделировать условия для его минимизации. Нулевое количество брака в продукции — скорое будущее».

источник: im8.kommersant.ru

Проверка качества продукции скоро будет задачей искусственного интеллекта

Во-вторых, машинное обучение позволяет найти оптимальные производственные решения. Представим себе современное сложное производство. Часто в нем происходят процессы, которые зависят от десятков, а то и от сотен самых разнообразных факторов. Это может быть что угодно — температура производства отдельных деталей, время обработки, влажность, различный состав сырьевых компонентов. Как правило, отмечает Вотава, количество комбинаций самых разнообразных факторов настолько велико, что до сих пор производство строилось на различном экспертном мнении и просто на опыте. Другими словами, какой-то случайный опыт («так деды делали!») часто оказывался более или менее успешным, поэтому за него и держались, при этом он не был основан на каком-то расчете, так как расчет с десятками разных параметров был практически невозможен.

Машинное обучение изменило это ситуацию. На выставке «Иннопром» в Екатеринбурге летом 2018-го российская компания «Цифра» представила «цифровых советчиков». Смысл в том, чтобы проанализировать текущие производства с помощью датчиков (либо уже имеющихся в станках с числовым программным управлением — ЧПУ, либо впервые установленных инженерами компании), потом «скормить» имеющиеся данные системе машинного обучения и получить более эффективные производственные решения. Например, цифровые советчики позволяют оптимизировать использование сырья в металлургии (такой проект «Цифра» реализовала для оптимизации производства труб на ЧПТЗ) и нефтехимии (проект с «Газпромнефтью»), хотя в принципе применение технологии не ограничено какими-то специфическими отраслями.

«Наше решение противоположно закупкам нового оборудования, хорошая аналогия — Uber,— говорит глава “Цифры” Игорь Богачев.— Алгоритмы Uber позволяют повысить эффективность всей системы независимо от ее компонентов: одновременно и Tesla, и “Жигули” работают более эффективно. Так и цифровизация производства позволяет извлекать максимум и из нового оборудования, и из очень старого».

источник: im4.kommersant.ru

Автоматизация — необязательное дополнение к цифровизации

Всего, по оценке Богачева, цифровизация промышленного производства может повысить производительность труда примерно на 20% (в промышленности речь идет об Overall Equipment Effectiveness — оценке загрузки и производительности оборудования).

Кстати, это больше, чем ежегодная экономия средств, предполагаемая в результате повышения пенсионного возраста.

А ведь можно подключать не только станки с ЧПУ, но и совсем старое оборудование, так что речь идет о триллионах в год. И все это без дорогостоящих закупок новой техники.

Разумеется, в мире похожими задачами уже занимаются — у российской «Цифры» много конкурентов, например американские Uptake и C3 IoT. Остается надеяться, что в деле разработки алгоритмов российские компании вполне смогут конкурировать на равных с западными — бизнес-площадка новая, поэтому занять на ней серьезное место еще не поздно. Пока все компании находятся приблизительно на одном уровне, доминирования на рынке нет.

Не до конца понимают перспективы и клиенты — промышленные предприятия. «Профессионалы в производстве часто скептически относятся к тому, что искусственный интеллект в виде алгоритмов машинного обучения выдает им некие указания относительно того, как оптимизировать производственный процесс,— отмечает Вотава.— Им важно понимать, почему это так, а не иначе. А здесь получается, что некий “черный ящик” выдает оптимизационную стратегию, причем мы до сих пор не совсем понимаем, как именно достигается столь большая эффективность машинного обучения. Тем не менее результат влияет на издержки и прибыль, поэтому к нему прислушиваются, даже не полностью понимая, почему эта система работает».

источник: im8.kommersant.ru

Будущее за унифицированным производством, которое можно будет заказывать по потребности

Хотя никаких чудес на самом деле нет. «В целом новая революция искусственного интеллекта в промышленности напоминает старый добрый канбан — японскую систему бережливого производства 1960-х, но только на новом технологическом уровне, недостижимом ранее,— считает Богачев.— Мы осуществляем канбан, то есть, например, прогнозируем спрос и складские запасы в реальном времени, что раньше было невозможно».

Производство как услуга

Следующий этап промышленной революции, возможно, тоже будет иметь черты «уберизации», только немного иные. Последняя, кроме уже упомянутой системной оптимизации, превращает мобильность в функцию. При этом потребность в собственном автомобиле при доступности мобильности становится все менее востребованной. Возможно ли появление уберизированного промышленного производства по запросу (manufacturing on demand), при котором компании будут заказывать производство так же, как мы сейчас заказываем такси в Uber? Так же, как и с Uber, это позволило бы оптимизировать загрузку всего промышленного парка в разных регионах, а в перспективе — и в мире.

источник: im5.kommersant.ru

Уберизация трансформировала индустрию частных перевозок. Возможно, подобные процессы произойдут и в промышленности

Пока больших успехов в данном направлении мало, но эксперименты ведутся почти везде (например, германский химический гигант Basf работает над такой системой — BASF 4.0). В России сейчас создается Машиностроительный кластер Татарстана, где, в частности, предполагается создание систем производства по запросу, когда заказы будут диспетчеризироваться в соответствии с загрузкой мощностей на предприятиях, входящих в кластер.

«Вероятно, manufacturing on demand сначала распространится в области 3D-печати,— считает Богачев.— Она наиболее готова к этому этапу. Дело в том, что в этой сфере важно программное обеспечение и возможность мелкосерийных партий. Для остальных производств пока это дело будущего — для уберизации промышленности требуется понимание оптимизации загрузки мощностей для каждого отдельного предприятия, а без цифровизации на уровне предприятия это невозможно, это первый необходимый этап».