Скайнет, нейросети,
глобальная уберизация

Цифровой двойник – тоже модель устройства, обычно промышленного. Только копирует не внешний облик объекта, а внутренние процессы. Такая модель содержит всю информацию о реальном объекте, учитывает характеристики деталей, узлов и физические, химические метаморфозы, которые в них происходят.

Представьте, вы носите в смартфоне цифровую копию своего автомобиля и всех его систем. Для каждого случая программа рассчитает производительность, износ, расход топлива. «Волшебное» приложение само анализирует режим работы машины и дает умные советы. Например, сообщает о возможных поломках и предлагает посетить станции техобслуживания, где обслуживание в конкретные дни будет быстрее.

Идея цифрового копирования устройств родилась в научных кругах США в начале 2000-х. Одним из первых новшество решило использовать аэрокосмическое агентство NASA. Сначала оно протестировало технологию на телескопе Хаббл. А после, в 2015-м, заявило, что продублирует в цифре все оборудование для изучения глубокого космоса.

Цель – понимать, что происходит с техникой во время полетов и предугадывать поломки заранее. Если неполадки во время миссии все же случатся, цифровая модель должна их обнаружить, просчитать варианты ремонта и подсказать космонавтам, как действовать в открытом космосе.

Вторая идея NASA – улучшение новой техники. Цифровой двойник позволяет исследовать, как действует оборудование в течение всего срока работы. А значит - можно вычислить слабые места механизмов и сэкономить за счет их оптимизации.

Другие компании тоже быстро нашли применение новой технологии. Проектировщикам цифровые копии позволяют разрабатывать «идеальное» оборудование. Производители автомобилей вместо нескольких краш-тестов в год могут проводить тысячи виртуальных тестов в неделю. И тем самым – добиваться удешевления и повышать безопасность машин.

Промышленным гигантам получение информации онлайн о работе конвейеров или даже целого производства позволяет «тонко настраивать» оборудование: так, чтобы оно медленнее изнашивалось и расходовало меньше ресурсов.

Наша команда занимается исследованиями и разработкой цифровых двойников для нефтеперерабатывающих заводов «Газпром нефти». Сначала на уровне физики и химии производится описание процессов, которые происходят с нефтью и оборудованием во время ее переработки. Затем строится гибридная модель путём проектирования нейросети. В нее загружаются данные тысяч датчиков с историческими результатами работы заводов за несколько лет. В качестве эксперимента вводим стартовую информацию – объем, состав нефти, температуру и иные параметры, а затем прогоняем ее сначала через первый уровень – уровень формул, затем – через искусственный интеллект.

Цифровой двойник позволяет спланировать производство намного точнее, чем человек. Путём моделирования можно получить показатели работы завода с целью достижения минимального потребления энергии, наименьшего износа оборудования или конкретных объемов выработки продукта. Система сама выстраивает план, по которому нужно выпускать разные виды нефтепродуктов, а затем дает рекомендации технологам и операторам.

К примеру, автолюбители знают – есть «идеальный» интервал на тахометре, когда бензин расходуется меньше всего. Если следить за числом оборотов и вовремя переключать передачи, то заправка машины обойдется дешевле. Можно пойти дальше – на расход топлива влияют десятки факторов: как часто вы тормозите и разгоняетесь, средняя скорость, трафик, погода, даже то, есть ли у вас антенна на крыше. Попробуйте просчитать самый экономичный режим езды на работу, а потом - потратить минимум топлива в реальных условиях. Не так-то просто. Вручную установить самый экономичный режим для завода, где тысячи таких переменных, и вовсе невозможно.

Сложность еще и в ошибках мышления. Выбирая режим работы для установки – средний или максимальный, человек решит загрузить ее на 100%, потому что в результате ожидает увеличения выпуска конечного продукта. Но это как выжимать максимум из автомобиля - не всегда эффективно. Можно загрузить на 70% или 90%, произвести меньше, но сэкономить на электроэнергии, снижении износа оборудования – и за счет этого выиграть в конечном итоге.

Uber не придумал, но популяризировал новую бизнес-модель. Компания нашла способ кардинально улучшить и удешевить сервис.

Пассажиры уверены, что цены не завысят, и не нервничают в ожидании – они видят машину на экране смартфона. Водители не платят за лицензии, меньше тратят на поиск клиентов и обработку заказов. Больше того, водителем может стать практически любой, у кого есть машина и свободное время.

Вслед за Uber и сервисом аренды жилья Airbnb появилось множество аналогичных платформ: Housekeep для уборки дома, Delivery Club для доставки ресторанной еды, Dogvacay для выгуливания собак. Возникли бесчисленные маркетплейсы – платформы, объединяющие множество продавцов, с системами рейтингов и отзывов.

Сервисы Uber и Airbnb родились в рамках модели совместного потребления (шеринг-экономики). То есть услуги предоставляют не фирмы, а такие же люди. Однако технологию быстро взяли на вооружение компании. Уберизация даже проникает в сегмент B2B — услуги для бизнеса. В России разрабатывают агрегатор услуг автосервисов, приложения для учета и сбыта продукции, анонсируют даже маркетплейс для дорожных стройматериалов и систему «умной» логистики для доставки битума.

Дорожники, составляя смету, вынуждены собирать информацию с сотни поставщиков битума, песка, щебня, бетона и планировать сложные схемы закупок. Это огромный труд.

Мы думали, как упростить процесс, и нам пришла в голову идея создать маркетплейс – единую онлайн–площадку по реализации материалов для дорожников с рейтингами и продавцов, и потребителей. По сути, это виртуальная биржа. На ней, к примеру, можно будет заказать битум, указать в какое время, где и в каком объеме он будет нужен – и быть уверенным, что его доставят точно в срок.

Планируя исполнение заказа – доставку битума потребителю, мы в реальном времени видим автомобили перевозчиков - битумовозы: где они находятся, какой исполняют заказ и когда будут доступны.

Мы идем немного дальше, чем Uber в чистом виде, так как его алгоритм просто сводит клиента с машиной. В нашем приложении «Личный кабинет» система выдает потребителю оптимальный транспорт и маршрут, выбирая из всего парка машин перевозчиков. Кроме того, система учитывает требования к логистическому плечу и стоимость доставки. Принимается во внимание и такой нюанс, как время, когда водитель вышел на линию. Доставка нашего заказа может занять несколько часов, поэтому водитель должен быть отдохнувшим.

Учитывая эти факторы и многие другие, приложение подбирает машину, затем на планшет диспетчера транспортной компании приходит запрос о доставке груза, он подтверждает грузоперевозку и водитель получает уведомление. Он может отказаться, а может поторговаться с конкурентами за контракт. Таким образом, потребитель всегда может быть уверен в том, что его заказ исполняется на лучших условиях.

Еще нюанс в том, что модель расчета должна быстро откликаться на изменения. Тогда все участники рынка смогут работать в режиме «онлайн». Например, битумовоз поехал на стройку, а там подрядчик по каким-то объективным причинам приостановил укладку асфальта. Контрагент оповещает систему о невозможности принять заказ. Система в свою очередь тут же пересчитает всю логистическую цепочку, выберет оптимальный маршрут и перенаправит машину с горячим продуктом в адрес другого потребителя, который готов ее принять. Или продукт уедет на один из наших терминалов.

За десять лет Google превратился в монополиста ОС для смартфонов. Android стоит на 87% устройств, купленных в этом году. Альтернатива только одна – iOS от Apple. Но и она c 2015 года теряет позиции.

Взлет популярности Android впечатляет не меньше взрывного роста биткоина. Всего за 3 года, в тени громкого успеха iPhone, платформа увеличила долю рынка в 98 раз.

Разгадка проста. В 2008-м Google и не планировал конкурировать с Apple. Предназначение системы Android — как можно шире распространить поисковик и сервисы Google. Они дают корпорации основной доход — от рекламы.

Уже через несколько лет рынок заполнили сотни устройств на Android всех ценовых категорий. Энтузиасты начали искать уязвимости и разрабатывать свои прошивки, виджеты и приложения, тем самым помогая развивать официальную версию.

На рынке смартфонов Android, похоже, одержал победу и скоро завершит свою миссию. В 2022-м году Google планирует заменить его новой платформой Fuchsia OS.

Сегодня не существует системы, изначально спроектированной под полный производственный цикл на заводах: от поступления сырья до реализации готовой продукции - это всегда набор отдельных готовых решений, которые необходимо увязывать.

Создание общей цифровой платформы позволит объединить всю цепочку производства продукта, свести воедино все данные. Это кардинально меняет суть управления. Цифра дает возможность анализировать множество параметров, с высокой точностью рассчитывать долгосрочное планирование и амбициозные стратегии. За счет этого эффективность компании может вырасти на проценты и даже десятки процентов. Для миллиардного производства это очень большие деньги.

На каждом заводе установлено специфическое оборудование со своим протоколом управления. Сегодня на рынке нет платформ, позволяющий невзирая на то, оборудование какого производителя на заводе установлено, написать некий программный код, который позволил бы оптимизировать технологический процесс.

Сам разработчик вынужден разбираться во всем многообразии оборудования на производстве и залезать «под капот» каждой установки, чтобы понять, как конкретно она управляет температурой и другими параметрами.

Сейчас в «Газпром нефти» мы работаем над платформой, одной из задач которой является создание единого слоя подключения к разным типам оборудования. Программный код, работающий с оборудованием через слой подключения, становится независимым и переносимым с одной установки на другую.

К разработке и внедрению такой платформы в производство подошла «Газпром нефть». Код обещают выложить в свободный доступ. Благодаря этому любой студенческий стартап или IT-компания смогут написать собственное приложение по оптимизации той или иной бизнес-функции. А далее это решение сможет купить крупный игрок, либо приложение можно будет монетизировать в маркетплейсе.

Как Терминатор, дроид Трипио, а может, как Электроник из советского фильма? Фантасты убедили нас, что роботы могут быть неотличимы от человека. В реальности оказалось, что быть человеком не так уж удобно. Роботы с трудом учатся перемещаться на двух ногах. Пока получается неуклюже и неустойчиво. Вдобавок ходьба – медленный и энергозатратный способ передвижения. Гораздо легче ехать на колесах или использовать хотя бы четыре ноги.

Роботы, похожие на людей, пока занимают меньше 0,1% доли рынка. Какие-то из них выглядят футуристично, какие-то – мило, напоминая мультяшного Валли. А некоторые – настолько похожи на человека, что их выдает только примитивная мимика. Андроиды работают помощниками и компаньонами для престарелых, больных людей, учатся ликвидировать последствия катастроф.

В ближайшее десятилетие человекоподобные роботы превратятся в членов семьи или заменят домашних питомцев, обещают их разработчики. Андроиды уже берут на себя уборку, управление умным домом и перенимают функции смартфона. Через несколько лет дети будут играть куклами с искусственным интеллектом, способными общаться и обучать простым навыкам.

Тем не менее большинство роботов будет выглядеть, как механизмы: беспилотный транспорт, роботы для хирургии, сбора урожая, сварки, промышленности.

Производства тоже созданы так, чтобы человеку было удобно работать, и чтобы он не совершил ошибку. Из-за этого их иногда сложно роботизировать.

Наша команда работает над роботизацией налива нефтепродуктов. Например, в железнодорожные цистерны. Сейчас процесс занимает 8 часов, а каждую цистерну заправляют два человека.

По большому счету, эта специфическая работа как раз оптимально подходит для робота. А сейчас процесс выглядит так. Сначала цистерну надо подогнать, поставить противооткатные упоры и заземление. Затем - разлюковать, то есть открутить защитный барашек, потом открыть крышку. В емкость перед заправкой нужно заглянуть, чтобы понять, что внутри, чем ее заправляли до этого. Дальше – присоединить продуктопровод. Наконец, после того, как заправка закончена, нужно отвести продуктопровод, убедиться в том, что цистерна заполнена, закрыть крышку, закрутить барашек. И самое сложное – поставить пломбу, продев проволочки через тоненькие ушки.

Другой наш проект с промышленным роботом мы презентовали в начале ноября в аэропорту Шереметьево. Впервые в России мы смогли осуществить загрузку авиационного топлива с помощью автоматики и без участия персонала. Сейчас этот концепт робота проходит испытания для последующего внедрения на топливозаправочных комплексах в аэропортах.

Летишь в отпуск – обязательно попадешься на обман какого-нибудь таксиста. А как насчет автопилота такси? Через 20-30 лет машины будут мыслить с людьми наравне, а может, и лучше, говорят футурологи Рэй Курцвейл и Ян Пирсон. Пока что создание и обучение сложных нейросетей требует много ресурсов. Но, если мощности будут дешеветь в том же темпе, к 2030-2040 году задача создать равный человеческому интеллект будет выполнима технически.

Умные программы и роботы уже утирают нос людям в узких областях. Например, там, где человек принимает решения на основании опыта. Нейросети не хуже врачей диагностируют заболевания – определяют риск сердечных болезней по сетчатке глаза или анализируют рентгеновские снимки.

Машины все лучше учатся видеть. В магазине Amazon Go камеры распознают товары, выбранные покупателем. Касс нет. Оплата за вещи автоматически списывается на выходе из магазина.

Ученые Стэнфорда обучили нейросеть анализировать снимки спутника и создавать «карты бедности» разных районов в Уганде. В Папском университете Бразилии ученые используют нейросеть для борьбы с порнографией – программа умеет надевать белье на фото голых женщин в сети.

Программы с искусственным интеллектом могут учиться самостоятельно, использовать опыт и анализировать большие потоки информации. Однако они разработаны для выполнения определенной задачи. Пока что создать интеллект «просто так», способный самостоятельно выбирать цели и обучаться, ни у кого не получается.

Впрочем, строение нейросетей усложняется, они уже учатся сомневаться в себе и мыслить абстрактно. В 1997-м компьютер впервые выиграл в шахматы у действующего чемпиона мира Гарри Каспарова. Тогда думали, что победить человека в го алгоритмы не смогут никогда. Число комбинаций в этой игре почти бесконечно. Однако в 2015-м программа AlphaGo от лаборатории Google обыграла чемпиона Европы Фаня Хуэя. А год назад новая версия – AlphaGo Zero – выиграла AlphaGo «всухую», со счетом 100:0.

Мы научились прогнозировать энергозатраты завода на основе данных всего одного счетчика. Завод потребляет до 100 МВт в час, в зависимости от погоды и загрузки. С помощью нейронных сетей с глубоким обучением мы стали прогнозировать расход энергии значительно точнее, чем это делали специалисты ранее. Это позволяет экономить десятки миллионов рублей.

Сейчас мы создаем систему для планирования производства, которая будет помогать определять оптимальный режим работы оборудования. Искусственный интеллект посредством цифровых двойников моделирует множество сценариев, адаптируясь под потребности рынка. Нейронные сети фрагментарно используются там, где необходимо работать в условиях нехватки информации.

Во многом «машины» уже умнее нас: скажем, знаменитые шахматные поединки человека с компьютером или создание маршрутов на карте. Мы не считаем, что это искусственный интеллект, но по большому счету это уже его элементы.

Все же искусственный интеллект следует разделять на разные виды, где каждый решает свою задачу. Человеческий мозг — универсальный интеллект, грандиозный, исполняемый на компьютере под названием природа. Компьютеры показывают себя сильнее в расчетах, в узких областях. Но ему по-прежнему недосягаема универсальность человека, творческое мышление. Наше сознание непостижимо даже на концептуальном уровне, ведь загадкой мира является как мир, так и человек в нем.

Сегодня, чтобы добывать полезные ископаемые, требуются не только буровики и геологи, но еще и IT-шники, физики, математики, химики. Прежде чем добраться до нефти в недрах, им приходится решать множество уравнений с большим количеством неизвестных на основе огромного массива данных.

Увидеть геологическое строение пласта под землей невозможно. Даже разведочные скважины позволяют с уверенностью говорить о свойствах породы всего в радиусе 15 см вокруг скважины. Остальное нужно воссоздавать при помощи компьютерных моделей, от точности которых зависит успешность всего проекта. Ведь для добычи нефти сегодня требуются технологически сложные и дорогие горизонтальные скважины, которые приходится бурить на глубине в 4 км в тонком нефтяном пласте толщиной всего 3 метра. Сделать это без точных моделей и постоянного контроля практически невозможно.

Поэтому на помощь современным нефтяникам приходят цифровые двойники. Они создаются на основе промысловых данных, полученных из разных источников – анализа сейсмики, геологоразведки, лабораторных исследований. Процесс напоминает головоломку судоку: есть небольшой набор известных данных, а остальное нужно достроить самостоятельно. Только в отличие от самых сложных кроссвордов в данном случае объем знаний и неизвестных имеет соотношение примерно, как большая цистерна и Азовское море. Несмотря на это, у современного нефтяника есть инструменты, позволяющие собирать в огромные цифровые модели целые нефтеносные бассейны размерами с регионы. Программы на основе Big Data находят закономерности в геологических сочетаниях и достраивают недостающую информацию.

На полученной геологической модели нужно оптимальным образом расположить скважины и создать план разработки. Комбинаций расстановок скважин может быть сотни и тысячи - оценить их вручную просто нереально, на это уйдет огромное количество времени и человеческих ресурсов. Поэтому сегодня процесс поиска эффективных решений автоматизирован, а расчет происходит на специальном грид-кластере из компьютеров. Такой подход позволяет многократно увеличить число рассматриваемых вариантов для добычи полезных ископаемых и определить самые выигрышные комбинации с точки зрения экономики.

Разработка Научно-Технического Центра из Санкт-Петербурга – программа «ОптимА» – решает две задачи: выбор наиболее эффективного способа расположения новых, еще не пробуренных скважин и оптимизацию работы действующих на месторождении скважин.

Перебор сотен различных комбинаций параметров происходит по разработанному алгоритму оптимизации, который позволяет не тратить время на расчет заведомо неэффективных вариантов. Вместо месяцев сложной работы специалиста программа за неделю предлагает несколько оптимальных планов добычи углеводородов, оставляя эксперту изучение результатов и принятие окончательного решения. В будущем развитие этих технологий позволит разрабатывать сложные месторождения, считавшиеся нерентабельными. Уже сегодня опыты показали, что машина в состоянии находить варианты, которые на 20% эффективней предложенных человеком.

Блокчейн появился в 2009 году. Сначала технологию использовали для выпуска криптовалют – то есть в реестр записывали, сколько виртуальных денег у каждого пользователя. В прошлом году по рынку прошлась «золотая лихорадка». За год стоимость самой популярной криптовалюты – биткоина – выросла с тысячи долларов до 20 тысяч, а потом также стремительно рухнула – до 4 тысяч.

Тем не менее, технологией заинтересовался бизнес и государство. Тelegram Павла Дурова готовится запустить платежную систему, способную конкурировать с Visa и Mastercard. А 80 крупнейших мировых банков, включая Bank of America, Deutsche Bank, HSBC, объединились для создания собственной платформы для управления межбанковскими соглашениями.

Блокчейн подкупил бизнес простотой, с которой теперь можно заключать договоры. Не нужно нотариусов, регуляторов, регистрации сделок. Крупнейшие банки тратят на это миллиарды долларов в год. Возможно, в ближайшее время такие платформы появятся и для частных лиц.

Второй пункт – децентрализация. В системе блокчейн никто не может заблокировать счет, приостановить платеж или сделку. Уже совершенный перевод нельзя отменить. Это делает людей и компании менее зависимыми от регуляторов.

Наконец, третье – быстрота расчетов по договорам. Компании уже начали использовать смарт-контракты. Расчеты по ним происходят мгновенно, тогда как обычно бумаги оформляют неделями.

В этом году для автоматизации процесса документооборота и обеспечения мгновенной оплаты заправки самолетов компания «Газпромнефть Аэро» применила технологию смарт-контрактов, базирующуюся на технологии блокчейн. Командир воздушного судна заранее заказывает топливо в соответствии с параметрами планируемого рейса. Затем на счету авиакомпании блокируются средства для оплаты горючего. В нужное время топливозаправщик заправляет «в крыло» авиалайнер, то есть исполняет условия договора. После этого автоматически происходит списание средств со счета авиакомпании, и они мгновенно зачисляются на счет топливного поставщика.

Использование смарт-контрактов радикально снижает трудозатраты на документооборот, повышает прозрачность сделок для всех ее участников. Также это позволяет извлечь прямой экономический эффект для компаний, осуществляющих авиазаправку. Преимущество в том, что денежные средства сразу поступают на счет авиатопливной компании.

По той же схеме можно заправлять и грузовые суда, и круизные лайнеры. Информация обо всех сделках по смарт-контрактам будет открытой для всех участников рынка, подключенных к блокчейн-платформе. Все компании будут иметь равный доступ к данным обо всех рыночных операциях, при этом ни один из участников платформы не сможет изменить данные «задним числом» или отключить ее.

Компаниям больше не придется тратить ресурсы на сбор информации о конкурентах. Конкуренция между компаниями будет происходить не за доступ к данным, а в области умения эти данные быстро интерпретировать и принимать соответствующие управленческие решения. В целом для отрасли это позволит снизить издержки всех компаний, подключенных к платформе, а клиенту предоставить лучшую услугу по низкой цене.

Смарт-контракты находят применение и в задачах логистики. Между логистическими компаниями регулярно возникают споры в части исполнения условий сделок. Стандартный процесс выставления претензий не позволяет оперативно разрешать данные споры. Смарт-контракты обеспечивают технически гарантированное исполнение условий сделок, что исключает риск возникновения подобных проблем.