Get best of the week

Acelerar la implementación de proyectos de IA en la explotación forestal Segezha



Un caso interesante de Dmitry Bocharov, vicepresidente de control interno y auditoría del Grupo Segezha, se escuchó en nuestro foro de inteligencia artificial RAIF . Dmitry contó cómo se utilizan las herramientas de aprendizaje automático en la explotación de carpintería más grande de Rusia y cómo se superan los obstáculos para la implementación. Le damos la palabra.

Primero, algunas palabras sobre la empresa.


Segezha Group es una de las mayores explotaciones forestales de carpintería verticalmente integradas del país.



Estoy seguro de que muchos de ustedes han oído hablar de nuestra empresa. Al final, si vio una bolsa de papel en IKEA, "ABC of Taste" o "Auchan", fue producida, incluso, por nuestra empresa.



Ahora quiero transmitir, por un lado, el valor de la inteligencia artificial para resolver problemas comerciales específicos y, por otro, contar nuestra experiencia e incluso el dolor de diseño que encontramos cuando estábamos lidiando con este caso.

Proceso de cosecha


Para empezar, un poco sobre cómo se realiza la tala: el



bosque se corta con equipos especiales: cosechadoras. Luego, las piezas de trabajo son transportadas a los almacenes por transportadores de madera con manipuladores, de modo que desde allí por ferrocarril o por carretera a las fábricas donde se entregan pulpa, papel, madera contrachapada, madera y otros productos de papel.

Mecanismo de medición de la madera.


Uno de los problemas clave, ni siquiera de Segezha, sino de toda la industria es el proceso de medir este producto forestal, o más bien, los registros.



¿Cómo está pasando esto ahora?



Con la ayuda de una regla especial, se mide la altura, el largo y el ancho de la pila, que se multiplica por varios coeficientes, prescritos incluso en la URSS en varios estándares estatales y estándares de la industria. El coeficiente más básico es el "coeficiente de madera completo", es decir, el indicador del número real de cubos en una pila menos los espacios entre los registros. Aquí es donde surge el problema del factor humano: si el empleado no tiene experiencia, es probable que mida de manera incorrecta.

Sin embargo, las mayores dificultades desde el punto de vista de la auditoría son las violaciones deliberadas, ya que el salario total de los empleados que nos entregan el bosque es menor que el costo de la madera en un camión de madera (un metro cúbico cuesta 4-5 mil rublos). Un poco de matemática, y aquí tienes la oportunidad de varias conspiraciones, abusos, manipulaciones ... Entonces es imposible entender cuánto "bosque" había realmente. Hay un automóvil, incluso hay un acto con la cantidad de registros fijados, pero si hubiera tantos, no hay confirmaciones, excepto las que midieron con una regla. Y aquí el problema ni siquiera es que no confiamos en todos nuestros empleados o en los empleados de nuestros contratistas. Simplemente hay una falta crítica de claridad en este proceso, en primer lugar, evidencia documental real de que algo se midió realmente.

Enfoque moderno


Hemos desarrollado un algoritmo especial que, basado en una fotografía, usando una red neuronal, no solo determina el número de registros y el diámetro de cada registro (también un indicador importante para nosotros) y considera el mismo coeficiente de madera completa, pero lo más importante, no lo toma de algún GOST, sino que lo corrige para pila específica de productos forestales.

Estas fotos están vinculadas a la geolocalización del automóvil y se almacenan en una base de datos especial. Por lo tanto, después de que siempre podemos tomar y verificar: ¿era realmente este bosque y cuánto era? Los planes para los próximos dos meses son entrenar el sistema para que pueda comparar automáticamente los automóviles que salen y los que llegan por búsqueda heurística. Primero, el sistema fotografía el automóvil cuando sale de la parcela del bosque, luego la segunda vez cuando ya llega a la planta. Además, comprueba automáticamente las fotos y corrige si algunos de los registros se eliminaron desde arriba y si se reemplazaron. Tal control automático se basa en la inteligencia artificial. Esto simplifica enormemente el trabajo del servicio de seguridad, por ejemplo, porque no podemos atravesar todos los bosques de Rusia (¡y tenemos un área de tala de casi ocho millones de hectáreas!), Al igual que no podemos controlar a todos los leñadores,porque es costoso e ineficiente.

Cuando intentamos implementar el sistema junto con la compañía que realizó el proyecto piloto, comenzamos con el bot Telegram para demostrar las capacidades de este algoritmo.



Por cierto, este bot de Telegram todavía está allí.

Los principales problemas y su solución.


Enfrentamos los problemas básicos que enfrentan todas las empresas que implementan inteligencia artificial o proyectos relacionados. En primer lugar, el tema del presupuesto es de dónde obtener el dinero. En segundo lugar, los problemas de justificación de costos . En tercer lugar, el mayor bloque de problemas son los procedimientos de adquisición y las licitaciones .

Para nosotros, resolvimos este problema de la siguiente manera: Segezha Group tiene los llamados "Proyectos Piloto" en los procedimientos de adquisición. Si queremos introducir algo nuevo y pequeño, además de no descrito previamente, no hay necesidad de inventar TK. Todavía no sabemos cómo funcionará esto, por lo tanto, escribir el TK apropiado es solo una pérdida de tiempo. Existe un cierto presupuesto para tales proyectos, y por decisión de la comisión de adquisiciones es absolutamente oficialmente posible elegir uno de los contratistas. Por lo tanto, nuestra empresa trabaja con el espíritu de una startup. Estamos listos para perder este dinero, pero podemos intentar resolver un problema específico.

Mi colega, el vicepresidente de TI de Segezha, en uno de los foros habló sobre uno de nuestros proyectos de esta manera: costó varios millones de rublos, pero podría generar unos trescientos millones. Nos arriesgamos, hicimos un "piloto" y, como resultado, valió la pena muchas veces, tal vez no cien, pero al menos diez veces con seguridad. Obviamente, tales experimentos sufren pérdidas, pero puede y debe intentarlo, porque cualquier caso implementado es una experiencia muy valiosa. El uso de tecnologías desarrolladas en problemas comerciales específicos está dando sus frutos. Pero aquí también es necesario conocer la medida: la inteligencia artificial y el aprendizaje automático no deben implementarse en todas partes, solo para implementarse.

Otro truco interno de la vida: acordamos con colegas (con financieros, compradores y administración de la compañía) que reinvertiremos parte del dinero que proyectos similares nos traigan en el futuro, es decir, invertiremos constantemente el dinero ahorrado en nuevas tecnologías y La mayoría promueve historias similares en Segezha.



Ahora estamos terminando de poner a prueba el caso de "madera". Para aclarar los efectos económicos: el error en el método de medición con una regla estándar según GOST es del 5%, pero en realidad es mucho mayor. El Grupo Segezha cosecha y compra madera anualmente por 15 mil millones de rublos. Incluso si toma el 1% de esta cantidad, esta es una pérdida significativa. Y tales proyectos, que al mismo tiempo no cuestan miles de millones o incluso cientos de millones de rublos, permiten el cierre de estas zonas de riesgo. Tal vez no haya un efecto económico directo (es decir, no ganaremos más o no tendremos nueva producción), pero desde el punto de vista de evitar posibles pérdidas en la tala, es obvio que la alta eficiencia es bastante alta.

Creo que muchas personas están interesadas en el momento de la fabricación de tales prototipos y quiero números más específicos. No puedo nombrar los números por razones obvias, pero designaré el punto más problemático: obtener datos relevantes. Por ejemplo, ¿qué foto o qué datos tomar para entrenar una red neuronal? No podemos usar los resultados de las mediciones manuales (las mismas mediciones con una regla), porque entonces el algoritmo funcionará con datos incorrectos. Tenemos que tomar cada transportador de madera y hacer el llamado "punto": los troncos se descargan completamente del camión de madera y cada uno se mide en diámetro y longitud. Por lo tanto, es posible determinar el volumen confiable de toda la madera con un error mínimo. Otra característica es que la madera es diferente: pino, abeto, alerce ... En consecuencia, cada uno tiene sus propias características en la dimensión. Para medir todomis empleados tuvieron que viajar a diferentes regiones, a Kirov, la región de Arkhangelsk, Krasnoyarsk, Karelia, y medir cada transportista de madera allí. Entonces, el tiempo principal (aproximadamente dos semanas) se dedicó a recolectar una muestra suficientemente representativa para entrenar el modelo.

Publicado por Dmitry Bocharov, Vicepresidente, Control Interno y Auditoría, Grupo Segezha

More articles:


All Articles