Get best of the week

Acelerando a implementação de projetos de IA na exploração florestal de Segezha



Um caso interessante de Dmitry Bocharov, vice-presidente de controle interno e auditoria do Segezha Group, foi ouvido em nosso fórum de inteligência artificial RAIF . Dmitry contou como as ferramentas de aprendizado de máquina são usadas na maior exploração de madeira da Rússia e como os obstáculos à implementação são superados. Nós damos a ele a palavra.

Primeiro, algumas palavras sobre a empresa


O Grupo Segezha é uma das maiores explorações florestais para madeira verticalmente integradas do país.



Estou certo de que muitos de vocês já ouviram falar da nossa empresa. No final, se você viu um saco de papel na IKEA, "ABC of Taste" ou "Auchan", ele foi produzido, inclusive, por nossa empresa.



Agora, quero transmitir, por um lado, o valor da inteligência artificial na solução de problemas específicos de negócios e, por outro, contar sobre nossa experiência e até mesmo a dor de design que encontramos ao lidar com este caso.

Processo de colheita


Para começar, um pouco sobre como a extração de madeira é feita: a



floresta é cortada usando equipamentos especiais - colheitadeiras. Em seguida, as peças de trabalho são transportadas para os armazéns por transportadores de madeira com manipuladores, de modo que dali por via férrea ou por estrada para as fábricas onde são entregues celulose, papel, madeira compensada, madeira e outros produtos de papel.

Mecanismo de medição de madeira


Um dos principais problemas nem mesmo da Segezha, mas de toda a indústria é o processo de medir esse mesmo produto florestal, ou melhor, toras.



Como isso está acontecendo agora?



Com a ajuda de uma régua especial, a altura, o comprimento e a largura da pilha são medidos, multiplicados por vários coeficientes, prescritos até na URSS em vários padrões estaduais e industriais. O coeficiente mais básico é o “coeficiente de madeira completa”, ou seja, o indicador do número real de cubos em uma pilha, menos as folgas entre os toros. É aqui que surge o problema do fator humano - se o funcionário é inexperiente, é provável que ele faça medições imprecisas.

No entanto, as maiores dificuldades do ponto de vista da auditoria são violações deliberadas, já que o salário total dos funcionários que nos entregam a floresta é menor que o custo da madeira em um caminhão de madeira (um metro cúbico custa de 4 a 5 mil rublos). Um pouco de matemática - e aqui você tem a oportunidade de várias conspirações, abusos, manipulações .... Então é impossível entender quanta "floresta" realmente existia. Existe um carro, há até um ato com o número de toras fixado nele, mas se houvesse tantos deles, não há confirmações, exceto aqueles que mediram com uma régua. E aqui o problema nem é que não confiamos em todos os nossos funcionários ou nos funcionários de nossos contratados. Há simplesmente uma falta de clareza crítica nesse processo, antes de tudo, evidência documental real de que algo foi realmente medido.

Abordagem moderna


Desenvolvemos um algoritmo especial que, com base em uma fotografia, usando uma rede neural, não apenas determina o número de toras e o diâmetro de cada torta (também um indicador importante para nós) e considera o mesmo coeficiente de madeira completa, mas o mais importante é que não é extraído de algum GOST, mas o corrige para pilha específica de produtos florestais.

Essas fotos estão ligadas à geolocalização do carro e são armazenadas em um banco de dados especial. Portanto, sempre podemos pegar e verificar: essa floresta era realmente e quanto era? Os planos para os próximos dois meses são treinar o sistema para que ele possa comparar automaticamente os carros que partem e os que chegam por pesquisa heurística. Primeiro, o sistema fotografa o carro quando sai da trama da floresta e, em seguida, a segunda vez em que já chega à fábrica. Além disso, ele verifica automaticamente as fotos e corrige se alguns dos logs foram removidos de cima e se foram substituídos. Esse controle automático é baseado em inteligência artificial. Isso simplifica muito o trabalho, por exemplo, do serviço de segurança, porque não podemos atravessar todas as florestas da Rússia (e temos uma área de corte de quase oito milhões de hectares!), Assim como não podemos controlar todos os lenhadores,porque é caro e ineficiente.

Quando tentamos implementar o sistema em conjunto com a empresa que fez o projeto piloto, começamos com o bot do Telegram para demonstrar as capacidades desse algoritmo.



A propósito, esse bot do Telegram ainda está lá.

Os principais problemas e sua solução


Enfrentamos os problemas básicos enfrentados por todas as empresas que implementam inteligência artificial ou projetos relacionados. Em primeiro lugar, a questão do orçamento é de onde obter o dinheiro. Em segundo lugar, questões de justificativa de custo . Em terceiro lugar, o maior bloco de problemas são procedimentos e licitações .

Para nós mesmos, resolvemos esse problema da seguinte forma: O Grupo Segezha denominou “Projetos Pilotos” nos procedimentos de aquisição. Se queremos introduzir algo novo e pequeno, além de não descrito anteriormente, não há necessidade de inventar o TK. Ainda não sabemos como isso funcionará, portanto, escrever o TK apropriado é apenas uma perda de tempo. Existe um determinado orçamento para esses projetos e, por decisão da comissão de compras, é absolutamente possível oficialmente escolher um dos contratados. Assim, nossa empresa trabalha no espírito de uma startup. Estamos prontos para perder esse dinheiro, mas podemos tentar resolver um problema específico.

Meu colega, vice-presidente de TI da Segezha, em um dos fóruns, falou sobre um de nossos projetos assim: custou vários milhões de rublos, mas poderia render trezentos milhões. Demos uma chance, fizemos um "piloto" e, como resultado, valeu a pena muitas vezes - talvez não cem, mas pelo menos dez vezes, com certeza. Obviamente, esses experimentos sofrem perdas, mas você pode e deve tentar, porque qualquer caso implementado é uma experiência muito valiosa. O uso de tecnologias desenvolvidas em problemas comerciais específicos está dando frutos. Mas aqui é necessário conhecer a medida também - inteligência artificial e aprendizado de máquina não devem ser implementados em todos os lugares, apenas para serem implementados.

Outro truque interno da vida: concordamos com colegas (com financiadores, compradores e gerência da empresa) que reinvestiremos parte do dinheiro que projetos semelhantes nos trazem no futuro - ou seja, investiremos constantemente o dinheiro economizado em novas tecnologias e a maioria promove histórias semelhantes em Segezha.



Agora estamos terminando de pilotar o estojo "wood". Para deixar claro os efeitos econômicos: o erro no método de medição com uma régua padrão de acordo com GOST é de 5%, mas na verdade é muito maior. O Grupo Segezha colhe anualmente e compra madeira por 15 bilhões de rublos. Mesmo se você receber 1% desse valor, essa é uma perda significativa. E esses projetos, que ao mesmo tempo não custam bilhões ou mesmo centenas de milhões de rublos, permitem o fechamento dessas zonas de risco. Talvez não haja efeito econômico direto (ou seja, não ganharemos mais ou não teremos nova produção), mas do ponto de vista de evitar possíveis perdas na exploração madeireira, é óbvia uma alta eficiência.

Acho que muitas pessoas estão interessadas no momento da fabricação desses protótipos e quero números mais específicos. Não posso nomear os números por razões óbvias, mas designarei o ponto mais problemático: obter dados relevantes. Por exemplo, que foto ou quais dados tirar para treinar uma rede neural? Não podemos usar os resultados de medições manuais (as mesmas medições com uma régua), porque o algoritmo funcionará com dados incorretos. Temos que pegar cada transportador de madeira e fazer o chamado "ponto": os troncos são completamente descarregados do caminhão de madeira e cada um é medido em diâmetro e comprimento. Assim, é possível determinar o volume confiável de toda a madeira com um erro mínimo. Outra característica é que a madeira é diferente: pinheiro, abeto, larício ... Assim, cada um tem suas próprias características na dimensão. Para medir tudomeus funcionários tiveram que viajar para diferentes regiões - para Kirov, Arkhangelsk, Krasnoyarsk, Carélia - e medir todos os transportadores de madeira de lá. Portanto, o tempo principal (cerca de duas semanas) foi gasto na coleta de uma amostra suficientemente representativa para o treinamento do modelo.

Postado por Dmitry Bocharov, vice-presidente de controle interno e auditoria do Segezha Group

More articles:


All Articles