Get best of the week

Beschleunigung der Umsetzung von KI-Projekten im Waldbetrieb Segezha



Ein interessanter Fall von Dmitry Bocharov, Vizepräsident für interne Kontrolle und Revision bei der Segezha Group, wurde auf unserem RAIF-Forum für künstliche Intelligenz verhandelt . Dmitry erzählte, wie Werkzeuge für maschinelles Lernen in der größten Holzbearbeitungsfirma Russlands eingesetzt werden und wie Hindernisse für die Umsetzung überwunden werden. Wir geben ihm das Wort.

Zunächst ein paar Worte zum Unternehmen


Die Segezha Group ist einer der größten vertikal integrierten Waldbearbeitungsbetriebe des Landes.



Ich bin sicher, dass viele von Ihnen von unserem Unternehmen gehört haben. Wenn Sie am Ende eine Papiertüte in IKEA, "ABC of Taste" oder "Auchan" gesehen haben, dann wurde sie auch von unserer Firma hergestellt.



Jetzt möchte ich einerseits den Wert künstlicher Intelligenz bei der Lösung spezifischer geschäftlicher Probleme vermitteln und andererseits über unsere Erfahrungen und sogar die Designprobleme berichten, die wir bei der Behandlung dieses Falls hatten.

Ernteprozess


Zunächst ein wenig zur Abholzung: Der



Wald wird mit speziellen Geräten - Erntemaschinen - abgeholzt. Anschließend werden die Werkstücke von Holztransportern mit Manipulatoren zu den Lagern transportiert, so dass sie von dort auf der Schiene oder auf der Straße zu den Mühlen gelangen, in denen Zellstoff, Papier, Sperrholz, Schnittholz und andere Papierprodukte geliefert werden.

Holzmessmechanismus


Eines der Hauptprobleme nicht einmal von Segezha, sondern der gesamten Branche ist die Messung dieses Waldprodukts bzw. Holzstamms.



Wie geht das jetzt?



Mit Hilfe eines speziellen Lineals werden Höhe, Länge und Breite des Stapels gemessen, die mit verschiedenen Koeffizienten multipliziert werden, die selbst in der UdSSR in verschiedenen staatlichen Standards und Industriestandards vorgeschrieben sind. Der grundlegendste Koeffizient ist der „Vollholzkoeffizient“, dh der Indikator für die tatsächliche Anzahl der Würfel in einem Stapel abzüglich der Lücken zwischen den Stämmen. Hier tritt das Problem des menschlichen Faktors auf - wenn der Mitarbeiter unerfahren ist, wird er wahrscheinlich ungenau messen.

Die größten Schwierigkeiten aus Sicht der Prüfung sind jedoch vorsätzliche Verstöße, da das Gesamtgehalt der Mitarbeiter, die den Wald an uns liefern, geringer ist als die Kosten für Holz in einem Holzlastwagen (ein Kubikmeter kostet 4-5.000 Rubel). Ein bisschen Mathematik - und hier haben Sie die Möglichkeit für verschiedene Verschwörungen, Missbräuche, Manipulationen .... Dann ist es unmöglich zu verstehen, wie viel "Wald" es wirklich gab. Es gibt ein Auto, es gibt sogar eine Handlung mit der Anzahl der darin festgelegten Protokolle, aber wenn es nur so viele von ihnen gäbe, gibt es keine Bestätigungen, außer denen, die sie mit einem Lineal gemessen haben. Und hier besteht das Problem nicht einmal darin, dass wir nicht allen unseren Mitarbeitern oder den Mitarbeitern unserer Auftragnehmer vertrauen. Es gibt einfach einen kritischen Mangel an Klarheit in diesem Prozess, vor allem echte dokumentarische Beweise dafür, dass etwas wirklich gemessen wurde.

Moderner Ansatz


Wir haben einen speziellen Algorithmus entwickelt, der basierend auf einem Foto unter Verwendung eines neuronalen Netzwerks nicht nur die Anzahl der Stämme und den Durchmesser jedes Baumstamms bestimmt (auch ein wichtiger Indikator für uns) und den gleichen Koeffizienten von Vollholz berücksichtigt, sondern vor allem, dass er nicht von einem GOST stammt, sondern korrigiert wird spezifischer Stapel von Waldprodukten.

Diese Fotos sind an die Geolokalisierung des Autos gebunden und werden in einer speziellen Datenbank gespeichert. Deshalb, nachdem wir immer nehmen und überprüfen können: War dieser Wald wirklich und wie viel war es. Für die nächsten Monate ist geplant, das System so zu trainieren, dass abfahrende und ankommende Autos durch heuristische Suche automatisch verglichen werden können. Zuerst fotografiert das System das Auto, wenn es das Grundstück aus dem Wald verlässt, und das zweite Mal, wenn es bereits im Werk ankommt. Außerdem werden die Fotos automatisch überprüft und korrigiert, ob einige der Protokolle von oben entfernt und ersetzt wurden. Eine solche automatische Steuerung basiert auf künstlicher Intelligenz. Dies vereinfacht beispielsweise die Arbeit des Sicherheitsdienstes erheblich, da wir nicht durch alle Wälder Russlands rennen können (und eine Schnittfläche von fast acht Millionen Hektar haben!). Genau wie wir nicht jeden Holzfäller kontrollieren können.weil es teuer und ineffizient ist.

Als wir versuchten, das System zusammen mit dem Unternehmen zu implementieren, das das Pilotprojekt durchgeführt hat, haben wir mit dem Telegramm-Bot begonnen, um die Funktionen dieses Algorithmus zu demonstrieren.



Dieser Telegramm-Bot ist übrigens immer noch da.

Die Hauptprobleme und ihre Lösung


Wir waren mit den grundlegenden Problemen konfrontiert, mit denen alle Unternehmen konfrontiert sind, die künstliche Intelligenz oder verwandte Projekte implementieren. Erstens ist die Budgetfrage, woher das Geld kommt. Zweitens Fragen der Kostenbegründung . Drittens sind Beschaffungsverfahren und Ausschreibungen das größte Problem .

Für uns haben wir dieses Problem wie folgt gelöst: Die Segezha Group hat die sogenannten „Pilotprojekte“ in den Beschaffungsverfahren. Wenn wir etwas Neues und Kleines einführen wollen, müssen wir TK nicht erfinden, außer zuvor unbeschrieben. Wir wissen noch nicht, wie dies funktionieren wird. Daher ist das Schreiben der entsprechenden TK nur Zeitverschwendung. Für solche Projekte gibt es ein bestimmtes Budget, und durch Entscheidung der Beschaffungskommission ist es absolut offiziell möglich, einen der Auftragnehmer auszuwählen. So arbeitet unser Unternehmen im Geiste eines Startups. Wir sind bereit, dieses Geld zu verlieren, aber wir können versuchen, ein bestimmtes Problem zu lösen.

Mein Kollege, Segezha Vice President of IT, sprach in einem der Foren über eines unserer Projekte wie dieses: Es kostete mehrere Millionen Rubel, aber es könnte ungefähr dreihundert Millionen bringen. Wir haben eine Chance ergriffen, einen „Piloten“ gemacht und es hat sich viele Male ausgezahlt - vielleicht nicht hundert, aber sicher mindestens zehnmal. Offensichtlich erleiden solche Experimente Verluste, aber Sie können und sollten es versuchen, da jeder implementierte Fall eine sehr wertvolle Erfahrung ist. Der Einsatz von Technologien, die für bestimmte geschäftliche Probleme entwickelt wurden, trägt Früchte. Aber auch hier ist es notwendig, die Maßnahme zu kennen - künstliche Intelligenz und maschinelles Lernen sollten nicht überall implementiert werden, wenn nur implementiert werden.

Ein weiterer interner Life-Hack: Wir haben uns mit Kollegen (mit Finanziers, Einkäufern und der Unternehmensleitung) darauf geeinigt, dass wir einen Teil des Geldes, das ähnliche Projekte uns in Zukunft bringen, reinvestieren werden - das heißt, wir werden das eingesparte Geld ständig in neue Technologien investieren und Die meisten fördern ähnliche Geschichten in Segezha.



Jetzt sind wir gerade mit der Pilotierung des Holzgehäuses fertig. Um die wirtschaftlichen Auswirkungen zu verdeutlichen: Der Fehler in der Messmethode mit einem Standardlineal nach GOST beträgt 5%, ist aber tatsächlich viel größer. Die Segezha Group erntet und kauft jährlich Holz für 15 Milliarden Rubel. Selbst wenn Sie 1% dieses Betrags einnehmen, ist dies ein erheblicher Verlust. Und solche Projekte, die gleichzeitig nicht Milliarden oder sogar Hunderte Millionen Rubel kosten, ermöglichen die Schließung dieser Risikozonen. Vielleicht gibt es keine direkten wirtschaftlichen Auswirkungen (das heißt, wir werden nicht mehr verdienen oder wir werden keine neue Produktion haben), aber unter dem Gesichtspunkt, mögliche Verluste bei der Protokollierung zu verhindern, ist eine ziemlich hohe Effizienz offensichtlich.

Ich denke, viele Leute interessieren sich für den Zeitpunkt der Herstellung solcher Prototypen und ich möchte spezifischere Zahlen. Ich kann die Nummern aus offensichtlichen Gründen nicht benennen, aber ich werde den problematischsten Punkt benennen - das Abrufen relevanter Daten. Welches Foto oder welche Daten müssen beispielsweise zum Trainieren eines neuronalen Netzwerks aufgenommen werden? Wir können die Ergebnisse manueller Messungen (dieselben Messungen mit einem Lineal) nicht verwenden, da der Algorithmus dann mit falschen Daten arbeitet. Wir müssen jeden Holzwagen nehmen und den sogenannten "Punkt" machen: Die Stämme werden vollständig vom Holzwagen entladen und jeder wird in Durchmesser und Länge gemessen. Somit ist es möglich, das zuverlässige Volumen aller Hölzer mit minimalem Fehler zu bestimmen. Ein weiteres Merkmal ist, dass das Holz anders ist: Kiefer, Fichte, Lärche ... Dementsprechend hat jedes seine eigenen Eigenschaften in der Dimension. Alles messenMeine Mitarbeiter mussten in verschiedene Regionen reisen - nach Kirow, Archangelsk, Krasnojarsk, Karelien - und dort jeden Holztransporter messen. Die Hauptzeit (ungefähr zwei Wochen) wurde also damit verbracht, eine ausreichend repräsentative Stichprobe für das Training des Modells zu sammeln.

Gepostet von Dmitry Bocharov, Vizepräsident, Interne Kontrolle und Revision, Segezha Group

More articles:


All Articles