Get best of the week

Mempercepat implementasi proyek AI dalam holding hutan Segezha



Kasus menarik dari Dmitry Bocharov, wakil presiden kontrol internal dan audit di Segezha Group, terdengar di forum intelijen buatan RAIF kami . Dmitry mengatakan bagaimana alat pembelajaran mesin digunakan dalam holding pertukangan kayu terbesar di Rusia dan bagaimana hambatan untuk implementasi diatasi. Kami memberinya lantai.

Pertama, beberapa kata tentang perusahaan


Segezha Group adalah salah satu kepemilikan hutan kayu terbesar yang terintegrasi secara vertikal di negara ini.



Saya yakin banyak dari Anda telah mendengar tentang perusahaan kami. Pada akhirnya, jika Anda melihat kantong kertas di IKEA, "ABC of Taste" atau "Auchan", maka itu diproduksi, termasuk, oleh perusahaan kami.



Sekarang saya ingin menyampaikan, di satu sisi, nilai kecerdasan buatan dalam memecahkan masalah bisnis tertentu, dan di sisi lain, untuk menceritakan tentang pengalaman kami dan bahkan rasa sakit desain yang kami temui ketika kami menangani kasus ini.

Proses panen


Untuk mulai dengan, sedikit tentang bagaimana penebangan dilakukan:



Hutan ditebang menggunakan peralatan khusus - pemanen. Kemudian, benda kerja diangkut ke gudang oleh pengangkut kayu dengan manipulator, sehingga dari sana dengan kereta api atau melalui jalan darat ke pabrik tempat pulp, kertas, kayu lapis, kayu dan produk kertas lainnya dikirimkan.

Mekanisme pengukuran kayu


Salah satu masalah utama bukan hanya pada Segezha, tetapi dari seluruh industri adalah proses mengukur produk hutan ini, atau lebih tepatnya, kayu gelondongan.



Bagaimana ini terjadi sekarang?



Dengan bantuan penggaris khusus, tinggi, panjang dan lebar tumpukan diukur, yang dikalikan dengan berbagai koefisien, bahkan ditentukan dalam USSR dalam berbagai standar negara dan standar industri. Koefisien paling dasar adalah "koefisien kayu penuh", yaitu, indikator jumlah kubus sebenarnya dalam tumpukan dikurangi kesenjangan antara log. Di sinilah masalah faktor manusia muncul - jika karyawan tidak berpengalaman, ia cenderung mengukur secara tidak akurat.

Namun, kesulitan terbesar dari sudut pandang audit adalah pelanggaran yang disengaja, karena total gaji karyawan yang menyerahkan hutan kepada kami lebih rendah daripada biaya kayu di truk kayu (satu meter kubik berharga 4-5 ribu rubel). Sedikit matematika - dan di sini Anda memiliki kesempatan untuk berbagai konspirasi, penyalahgunaan, manipulasi .... Maka tidak mungkin untuk memahami seberapa banyak “hutan” sebenarnya ada. Ada mobil, bahkan ada tindakan dengan jumlah kayu yang diperbaiki di dalamnya, tetapi jika jumlahnya sangat banyak, tidak ada konfirmasi, kecuali yang diukur dengan penggaris. Dan di sini masalahnya bukan kita tidak mempercayai semua karyawan kita atau karyawan kontraktor kita. Hanya ada ketidakjelasan kritis dalam proses ini, pertama-tama, bukti dokumenter nyata bahwa sesuatu benar-benar diukur.

Pendekatan modern


Kami telah mengembangkan algoritme khusus yang, berdasarkan foto, menggunakan jaringan saraf, tidak hanya menentukan jumlah log dan diameter masing-masing log (juga merupakan indikator penting bagi kami) dan mempertimbangkan koefisien kayu penuh yang sama, tetapi yang paling penting, ia mengambilnya bukan dari beberapa GOST, tetapi mengoreksi untuk tumpukan produk hutan tertentu.

Foto-foto ini terkait dengan geolokasi mobil dan disimpan dalam database khusus. Karena itu, setelah kita selalu dapat mengambil dan memverifikasi: apakah hutan ini benar-benar dan berapa banyak itu. Rencana untuk beberapa bulan ke depan adalah untuk melatih sistem sehingga dapat secara otomatis membandingkan mobil yang berangkat dan datang dengan pencarian heuristik. Pertama, sistem memotret mobil ketika meninggalkan plot dari hutan, lalu kedua kalinya ketika sudah tiba di pabrik. Selanjutnya, secara otomatis memeriksa foto dan memperbaiki apakah beberapa log dihapus dari atas dan apakah mereka diganti. Kontrol otomatis semacam itu didasarkan pada kecerdasan buatan. Ini sangat menyederhanakan pekerjaan, misalnya, layanan keamanan, karena kami tidak dapat menjalankan semua hutan Rusia (dan kami memiliki area penebangan hampir delapan juta hektar!), Seperti halnya kami tidak dapat mengendalikan setiap penebang pohonkarena mahal dan tidak efisien.

Ketika kami mencoba menerapkan sistem bersama dengan perusahaan yang membuat proyek percontohan, kami mulai dengan bot Telegram untuk menunjukkan kemampuan algoritma ini.



Ngomong-ngomong, bot Telegram ini masih ada di sana.

Masalah utama dan solusinya


Kami menghadapi masalah mendasar yang dihadapi oleh semua perusahaan yang menerapkan kecerdasan buatan, atau proyek terkait. Pertama, masalah anggaran adalah dari mana mendapatkan uang. Kedua, masalah justifikasi biaya . Ketiga, blok masalah terbesar adalah prosedur dan tender pengadaan .

Bagi kami sendiri, kami memecahkan masalah ini sebagai berikut: Segezha Group memiliki apa yang disebut "Proyek Percontohan" dalam prosedur pengadaan. Jika kita ingin memperkenalkan sesuatu yang baru dan kecil, selain yang sebelumnya tidak dideskripsikan, tidak perlu menciptakan TK. Kami belum tahu bagaimana ini akan berhasil, oleh karena itu, menulis TK yang sesuai hanya membuang-buang waktu. Ada anggaran tertentu untuk proyek-proyek semacam itu, dan dengan keputusan komisi pengadaan, sangat mungkin untuk memilih salah satu kontraktor. Dengan demikian, perusahaan kami bekerja dalam semangat startup. Kami siap kehilangan uang ini, tetapi kami dapat mencoba memecahkan masalah tertentu.

Rekan saya, Segezha wakil presiden IT, di salah satu forum berbicara tentang salah satu proyek kami seperti ini: harganya beberapa juta rubel, tetapi bisa menghasilkan sekitar tiga ratus juta. Kami mengambil kesempatan, membuat “pilot” dan hasilnya terbayar berkali-kali - mungkin tidak seratus, tapi setidaknya sepuluh kali pasti. Jelas, eksperimen semacam itu mengalami kerugian, tetapi Anda dapat dan harus mencoba, karena setiap kasus yang diimplementasikan adalah pengalaman yang sangat berharga. Penggunaan teknologi yang dikembangkan dalam masalah bisnis spesifik membuahkan hasil. Tapi di sini perlu untuk mengetahui ukurannya juga - kecerdasan buatan dan pembelajaran mesin tidak harus diimplementasikan di mana-mana, jika hanya diimplementasikan.

Peretasan kehidupan internal lainnya: kami sepakat dengan kolega (dengan pemodal, pembeli dan manajemen perusahaan) bahwa kami akan menginvestasikan kembali sebagian uang yang dibawa proyek serupa kepada kami di masa depan - yaitu, kami akan terus-menerus menginvestasikan uang yang dihemat dalam teknologi baru dan kebanyakan mempromosikan cerita serupa di Segezha.



Sekarang kami baru saja menyelesaikan uji coba kasus “kayu”. Untuk memperjelas dampak ekonomi: kesalahan dalam metode pengukuran dengan penggaris standar menurut GOST adalah 5%, tetapi sebenarnya jauh lebih besar. Grup Segezha setiap tahun memanen dan membeli kayu untuk 15 miliar rubel. Bahkan jika Anda mengambil 1% dari jumlah ini, ini adalah kerugian yang signifikan. Dan proyek-proyek semacam itu, yang pada saat yang sama tidak memerlukan biaya miliaran atau bahkan ratusan juta rubel, memungkinkan zona risiko ini ditutup. Mungkin tidak ada efek ekonomi langsung (yaitu, kami tidak akan mendapatkan lebih banyak atau kami tidak akan memiliki produksi baru), tetapi dari sudut pandang mencegah kemungkinan kerugian dalam pembalakan, efisiensi yang tinggi jelas terlihat.

Saya pikir banyak orang tertarik pada waktu pembuatan prototipe seperti itu dan saya ingin angka yang lebih spesifik. Saya tidak bisa menyebutkan nomor karena alasan yang jelas, tetapi saya akan menunjuk titik paling bermasalah - mendapatkan data yang relevan. Misalnya, foto apa atau data apa yang harus diambil untuk pelatihan jaringan saraf? Kami tidak dapat menggunakan hasil pengukuran manual (pengukuran yang sama dengan penggaris), karena algoritma akan bekerja pada data yang salah. Kita harus mengambil setiap pengangkut kayu dan membuat apa yang disebut "titik": kayu-kayu tersebut dibongkar sepenuhnya dari truk kayu dan masing-masing diukur dalam diameter dan panjangnya. Dengan demikian, dimungkinkan untuk menentukan volume semua kayu yang andal dengan kesalahan minimal. Fitur lain adalah bahwa kayunya berbeda: pinus, cemara, larch ... Oleh karena itu, masing-masing memiliki karakteristik sendiri dalam dimensi. Untuk mengukur segalanyakaryawan saya harus melakukan perjalanan ke berbagai daerah - ke Kirov, wilayah Arkhangelsk, Krasnoyarsk, Karelia - dan mengukur setiap pengangkut kayu di sana. Jadi waktu utama (sekitar dua minggu) dihabiskan untuk mengumpulkan sampel yang cukup representatif untuk melatih model.

Diposting oleh Dmitry Bocharov, Wakil Presiden, Kontrol dan Audit Internal, Grup Segezha

More articles:


All Articles