ВЫПУСК 6 Индустрия 4 - Gazprom Neft · 2018-09-25 · Искусственный интеллект и машинное обучение ... 22 Электронную

прил

ожен

ие

к ж

урна

лу

Индустрия 4.0Просто о сложном

ВЫПУСК 6

БОЛЬШЕ, ЧЕМ ДАННЫЕBig data в промышленности и не только

ВСЕ ПОДКЛЮЧЕНОИнтернет вещей

НЕЧЕЛОВЕЧЕСКИЕ СПОСОБНОСТИИскусственный интеллект и машинное обучение

ЦИФРОВОЕ ЗЕРКАЛОЗачем нужны цифровые двойники?

НОВАЯ РЕАЛЬНОСТЬВиртуальная и дополненная

0208121822

Электронную версию журнала читайте на сайте WWW.GAZPROM-NEFT.RU

Приложение к журналу «Сибирская нефть»

УчредительПАО «Газпром нефть»190000, С.-Петербург, ул. Почтамтская, д. 3–5+7 (812) 363-31-52www.gazprom-neft.ru Главный редакторСофия ЗоринаРедактор приложения Александр АлексеевРедакционная коллегияОлег Бракоренко,Дмитрий Лобач, Евгений Тимошинов, Наталья Ростовцева, ТекстыАлександр АлексеевСергей Николаев Журнал создан при участииCustom Publishing ООО «Москоутаймс»gopublishing.ruНаталья Стулова, Татьяна Князева,Василий Калугин,Мария Комова, Дарья Гоголева,Виталий Шебанов Отпечатано в типографииООО «Доминико». Тираж 10 000 экз.Распространяется бесплатно

Мнение редакции не всегда совпадает с мнением авто-ров. Присланные материа-лы не рецензируются и не возвращаются

Все права на оригинальные материалы, опубликован-ные в номере, принадлежат журналу «Сибирская нефть». Перепечатка без разреше-ния редакции запрещена

При использовании мате-риалов ссылка на жур-нал « Сибирская нефть» обязательна

Редакция не несет ответ-ственности за содержание рекламных материалов

Иллюстрация на обложке: Дмитрий Коротченко

Сентябрь2018

22

08

18

02

БОЛЬШИЕ ДАННЫЕ,

ИНТЕРНЕТ ВЕЩЕЙ,

ИСКУССТВЕННЫЙ

ИНТЕЛЛЕКТ,

ЦИФРОВЫЕ

ДВОЙНИКИ,

ВИРТУАЛЬНАЯ

РЕАЛЬНОСТЬ

И ИХ ПРИМЕНЕНИЕ

В НЕФТЯНОЙ

ОТРАСЛИ

Индустрия 4.0Просто о сложном

ВЫПУСК 6

Шестой выпуск приложения к журналу «Сибирская нефть» из серии «ПРОСТО О СЛОЖНОМ» посвящен технологиям Индустрии 4.0. Из него вы узнаете, чем большие данные отличаются

от просто данных, как искусственный интеллект распознает котиков, зачем грузы общаются

с перевозчиками по интернету, откуда у завода взялся брат-близнец и какое отношение все это

имеет к нефтяной отрасли.

G E T T Y I M A G E S

РЫНОК ТЕХНОЛОГИЙ РАБОТЫ С БОЛЬШИМИ ДАННЫМИ (BIG DATA) —

ОДИН ИЗ САМЫХ БЫСТРОРАСТУЩИХ СЕГМЕНТОВ МИРОВОЙ

IT‑ИНДУСТРИИ. ЭТО ВПОЛНЕ ОБЪЯСНИМО, ВЕДЬ BIG DATA

В ПОСЛЕДНЕЕ ВРЕМЯ НАШЛИ ПРИМЕНЕНИЕ ВО МНОЖЕСТВЕ ТАКИХ

РАЗНЫХ ОБЛАСТЕЙ, КАК УМНЫЕ ДОМА, УВЕЛИЧЕНИЕ ДОХОДОВ БАНКОВ

И ТОРГОВЫХ СЕТЕЙ, ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ САМЫХ РАЗНЫХ

ПРОИЗВОДСТВ. ИМЕННО БОЛЬШИЕ ДАННЫЕ — ТО СЫРЬЕ, КОТОРОЕ

НЕОБХОДИМО, ЧТОБЫ ЗАПУСТИТЬ МЕХАНИЗМ ЦИФРОВОЙ

ТРАНСФОРМАЦИИ НЕФТЯНОЙ КОМПАНИИ

Больше, чем данные

0 2 Приложение к журналу «Сибирская нефть» ИндустрИя 4.0. Просто о сложном

УЧЕНЫЕ РАЗРАБАТЫВАЮТ НОВЫЕ СПОСОБЫ ХРАНЕНИЯ ВОЗРАСТАЮЩИХ ОБЪЕМОВ

ДАННЫХ, ИСПОЛЬЗУЯ МОЛЕКУЛЫ ДНК. ОДИН ГРАММ ДНК МОЖЕТ ВМЕСТИТЬ ОКОЛО

700 ТЕРАБАЙТ ДАННЫХ. ТАКОЙ СПОСОБ ХРАНЕНИЯ ТАКЖЕ ОЧЕНЬ НАДЕЖЕН: МОЛЕКУЛЫ

СТАБИЛЬНЫ И МОГУТ ХРАНИТЬСЯ В ТЕЧЕНИЕ ТЫСЯЧ ЛЕТ.

ЗЕТТАБАЙТЫ ИНФОРМАЦИИ

Каждый день любой человек оставляет множество следов. И если раньше это были только физические следы — отпечатки подошв обуви или пальцев, — то сегодня речь идет в первую очередь о цифровых следах. Отправили запрос поисковику, прогулялись по улице со смартфоном, оборудованным GPSмодулем, или воспользовались навигатором, совершили покупку в магазине с помощью кредитки, лайкнули чейто пост, скачали музыку или установили приложение — любое из этих действий генерирует поток информации. А учитывая количество живущих на Земле людей, информации накапливается очень много.

Еще больше данных производят машины, работа которых либо полностью основана на цифровых технологиях, либо предполагает оцифровку физических или химических процессов, как, например, это происходит на нефтехимических предприятиях.

В итоге мировой объем оцифрованной информации растет по экспоненте. Так, к 2003 году было накоплено 5 экса байт данных (1 ЭБ = 1 млрд гигабайт = 1018 байт), к 2008му — 0,18 зеттабайта (1 ЗБ = 1021 байт), к 2011 году — 1,76 зеттабайта, к 2017му — порядка 10 зеттабайт (1022 байт). Это данные российского ITхолдинга IBS, специалисты которого прогнозируют, что к 2020 году человечество сформирует 40–44 зет

табайта информации. Если задаться целью и записать 40 зеттабайт данных на стандартные blurayдиски, их общий вес будет примерно равен весу 424 авианосцев.

Однако данные получают какуюлибо ценность, только если сохраняются и анализируются. По оценке того же IBS, сегодня ценность имеет лишь несколько процентов генерируемых данных, а по расчетам аналитиков американской корпорации Dell ЕМС, используется лишь 3% от потенциально полезной информации. Дело в том, что существовавшими еще 10–15 лет назад методами с таким объемом данных справиться было невозможно. И именно тогда возникло понятие big data — то есть буквально «большие данные».

ТЕХНОЛОГИИ В ТРЕНДЕ

Общепринятого определения для понятия big data нет. На Западе, говоря о больших данных, подразумевают лишь сами объемы неоднородной и быстро поступающей цифровой информации ( свыше 100 Гб в день), которые невозможно обработать традиционными инструментами. В России к этому понятию относят еще и технологии обработки данных.

Сам же термин big data появился в 2008 году с легкой руки редактора журнала Nature Клиффорда Линча, который употребил это выражение в спецвыпуске, посвященном взрывному росту мировых объемов информации. Примерно в это же

время стали появляться программные продукты, позволившие поновому, более эффективно работать с большими информационными массивами. А чуть позже — в начале второго десятилетия XXI века — к развитию направления серьезно подключились такие ITгиганты, как Microsoft, Oracle, EMC и IBM.

Технологии работы с big data — это целый комплекс различных инструментов, подходов и методов работы с информацией, позволяющих решать несколько глобальных задач. Первая — хранение и управление гигантскими массивами информации, которые невозможно эффективно использовать с помощью обычных баз данных. Вторая задача — организация и систематизация этой неструктурированной или частично структурированной информации, записанной в многообразных форматах. Третья глобальная задача — обработка и анализ полученной информации, как правило, для формирования высокоточных прогнозов.

Технологии обработки больших данных остаются одним из самых динамично развивающихся сегментов рынка информационных технологий. Согласно прогнозу исследовательской и консалтинговой компании IDC (International Data Corporation), мировые расходы на оборудование, ПО и услуги обработки больших данных и бизнесаналитики возрастут с $150,8 млрд в 2017 году до $210 млрд в 2020м и среднегодовой темп роста составит 11,9%.

0 3Приложение к журналу «Сибирская нефть» www.gazprom-neft.ru

Volume(объем)

Башня «Лахта Центр». Высота — 462 м, диаметр основания — 65 м

Объем диска blu-ray — 25 ГБ1 Зб = 1021 байт

0,18 Зб2008 год

1,76 Зб2011 год

10 Зб2017 год

40 Зб2020 год

163 Зб2025 год

Если записать накопленные в мире данные на стандартные диски blu-ray, какой объем они займут?

Velocity(скорость)

твитов в минуту публикуется в Twitter

фото в день загружается в Facebook

Variety(многообразие)

Базы данных

Фотографии

Видео

Сообщения

Данные геопозициони-рования

456 тыс.

300 млн

поисковых запросов в минуту поступает в Google

3,6 млн

BIG DATA

Большие данные в «Газпром нефти»

Volume Velocity

Variety

измерений в секунду производится на оборудовании НПЗ «Газпром нефти»>200

число участников бонусной программы АЗС «Газпромнефть»8 млн

Геологические данные

Технологические параметры оборудования**

Данные о техническом обслуживании и ремонте

**150 тыс. измеряемых технологических параметров на ОНПЗ

Рыночные данные

Данные добычи

Объем данных в центрах обработки данных «Газпром нефти»

6000 ТБ

Объем данных сейсмических исследований

300 ТБ

Объем информации, содержащейся на всех информационных носителях Российской государственной библиотеки

200 ТБ


ПО ОЦЕНКАМ ЭКСПЕРТОВ, К 2020 ГОДУ НАИБОЛЬШУЮ ЧАСТЬ МИРОВОГО РЫНКА

BIG DATA БУДЕТ ЗАНИМАТЬ ФИНАНСОВАЯ ОТРАСЛЬ, ЧУТЬ МЕНЬШЕ НА РАЗВИТИЕ ЭТИХ

ТЕХНОЛОГИЙ БУДУТ ТРАТИТЬ ИНТЕРНЕТ-КОМПАНИИ, ГОССЕКТОР И ТЕЛЕКОМ,

А САМЫМ БЫСТРОРАСТУЩИМ СЕКТОРОМ СТАНЕТ ЭНЕРГЕТИКА.

И Н Ф О Г РА Ф И К А : А Л Е К С Е Й С Т О Л Я Р О В

ЗV — ЗНАЧИТ, BIG DATA

Большие данные характеризуются параметрами, которые сокращенно обозначают как 3V — по первым буквам английских слов volume («объем»), velocity («скорость») и variety («многообразие»). Для big data значения этих параметров высоки, и, что важно, со временем они становятся только выше.

С объемом все достаточно очевидно: объем больших данных велик и он постоянно растет. Только представьте: одинединственный датчик, раз в секунду фиксирующий тот или иной параметр (например, температуру), за год производит более 31,5 млн значений. А на современном нефтеперерабатывающем заводе таких датчиков могут быть десятки тысяч. В социальной сети Facebook сейчас хранится 250 млрд изображений, загруженных пользователями, число же отдельных публикаций — постов — больше на несколько порядков. Камеры видеонаблюдения Москвы ежедневно записывают около 450 лет видео. И так практически в любой сфере!

Скорость, с которой поступают новые данные, также все время возрастает, так как увеличивается количество источников информации, подключенных к сети и генерирующих данные. Ускоренное обновление данных, в свою очередь, влияет на нашу оценку их актуальности. То, что еще недавно воспринималось как свежая информация, сейчас представляется безнадежно устаревшим. Когдато люди могли ждать письма неделями, сегодня даже электронная почта кажется недостаточно оперативной, ее вытесняют мессенджеры.

Наконец, параметр « многообразие» относится к форматам, в которых получают и хранят различные данные. Это тексты (самые разные — от книг до СМСсообщений), таблицы, всевозможные базы данных, изображения, аудио и видеофайлы, а также спецификации соответствующих им цифровых файлов — форматов тоже становится все больше. И когда говорят о больших дан

ных, как правило, подразумевают, что это данные в разных форматах, а значит, их намного сложнее структурировать, а методы анализа, пригодные для обычных баз данных, к ним неприменимы. Например, цифры, записанные в табличку в Exel, легко поддаются обработке, анализу и графической визуализации. А что делать с набором аудиофайлов? Как быстро проанализировать записанную в них информацию?

Со временем к трем V добавились еще две: veracity («достоверность») и value («ценность») (некоторые называют и другие V). С достоверностью все не так однозначно: с ростом объемов и скорости поступления новых данных их качество и точность все слож

нее контролировать. С другой стороны, появляются и новые пути их проверки — в том числе за счет многообразия источников и типов данных. Так, например, навигатор в вашем смартфоне изза потери сигнала спутников может увести вас совсем не туда. Но данные сотовой сети, акселерометра* и карты помогают скорректировать итоговый результат. Что же касается ценности, то именно возможность полезного использования больших данных придает им смысл и заставляет искать способы их сбора, хранения и анализа.

Так что большие данные — это не просто много данных, а количество, которое уже перешло в новое, ранее недоступное качество.

* Акселерометр — устройство для измерения ускорения. Позволяет оценить изменение положения смартфона.


М ногие уже привыкли использовать Dropbox, Google Drive, iCloud и другие облачные сервисы для хранения файлов. Это не только возможность не ограничивать себя емкостью локального диска на сво

ем компьютере, но и способ организации совместной работы с данными и существенно большая надежность, ведь сервис гарантирует сохранение важной информации даже в случае аппаратных сбоев.

Для big data создаются свои особые хранилища — так называемые озера данных. В них концентрируются большие объемы неструктурированных данных, собранных одной компанией. Размещаться такие озера могут также в облаке, чтобы упростить доступ к ним для широкого круга специалистов. Отличие подобных хранилищ в том, что они объединяют данные самого разного рода, предназначение и ценность которых могу быть еще до конца непонятны. Озера данных пополняются по принципу «лишней информации не бывает». Потом уже искусственный интеллект разберется — возможно, найдет в этих данных важные закономерности и установит связи.

Озеро в облаке

БОЛЬШИЕ ДАННЫЕ ДЛЯ БИЗНЕСА

Сегодня big data уже вовсю используются в бизнесе. В первую очередь новые веяния затронули потребительский сектор. Раньше маркетологам приходилось проводить выборочные исследования: опрашивать отобранных по определенным правилам людей и на основании их ответов делать глобальные выводы. У таких методов много ограничений, а значит, и прогнозы получаются не самые точные. Сегодня в распоряжении исследователей огромные массивы информации, в деталях описывающие потребительское поведение, нужды и чаяния практически каждого человека: транзакции по кредитным картам, данные геопозиционирования, запросы в поисковых системах, фотографии, размещенные в соцсетях, слова, произнесенные рядом со смартфоном… В наше время нужно еще очень постараться, чтобы не оставить цифровых следов. Торговые сети получили возможность анализировать покупки сотен тысяч конкретных клиентов и узнавать, как меняется спрос на те ли иные товары в течение дня, недели, месяца и как он связан с изменением сотен других факторов. Анализ всей этой информации в идеале должен позволить сделать предложение товаров и услуг максимально точным и персонифицирован

ным: в нужное время предложить человеку нужный именно ему товар.

Особенно продвинулись в анализе больших данных банки. Такой подход позволяет автоматически выявлять мошеннические операции, оценивать кредитоспособность клиентов, лучше управлять рисками. Широко применяется в финансовой сфере так называе мый data mining (буквально « добыча данных») — методы, позволяющие обнаружить в информации новые, ранее неизвестные, скрытые закономерности. Раньше ключевую роль здесь играли опыт и интуиция сотрудников. Но что такое интуиция, если не результат фонового анализа больших данных, поступаю щих в мозг из внешней среды? Впро

чем, сегодня человеческий мозг в этой работе все чаще заменяют искусственным интеллектом (см. стр 12).

Не обходится без использования технологий big data и в промышленном секторе. Конечно, скважины на ме сторо жде ниях и установки на нефтеперерабатывающих заводах сами в интернет не заходят. Однако сегодня их все активнее оснащают датчиками, подключенными к промышленному интернету вещей (см. стр 8). Такие датчики передают данные, которые раньше приходилось собирать вручную, и это позволяет гораздо лучше узнавать о потребностях и проблемах оборудования и даже предсказывать его будущее (например, прогнозировать, когда может понадобиться ремонт).


РАБОТА С БОЛЬШИМИ ДАННЫМИ ПОТРЕБОВАЛА СОЗДАНИЯ НОВЫХ ПОДХОДОВ К ИХ

ХРАНЕНИЮ И ОБРАБОТКЕ. ЗАДАЧИ РАСПРЕДЕЛЯЮТСЯ МЕЖДУ ТЫСЯЧАМИ УЗЛОВ, ЧТО

ПОЗВОЛЯЕТ ЭФФЕКТИВНЕЕ ЗАДЕЙСТВОВАТЬ МАШИННЫЕ РЕСУРСЫ, МИНИМИЗИРУЯ

РИСКИ ПОТЕРИ ДАННЫХ В СЛУЧАЕ ВЫХОДА ИЗ СТРОЯ ОТДЕЛЬНЫХ УЗЛОВ.

Б ольшие данные уже активно используются в сети АЗС «Газпромнефть» для того, чтобы делать персонифицированные предложения клиентам. Основные инструменты для этой работы — программа лояльности и мо

бильное приложение. Компания стремится к тому, чтобы приблизиться к идеальной модели: «одна акция — один клиент». Современные подходы к анализу пользовательской активности позволили сети АЗС заработать в 2017 году дополнительно 2 млрд рублей по сравнению с 2016 годом.

Умная розница

Ф О Т О : С Т О Я Н В А С Е В , А Л Е К С А Н Д Р З У Б К О В

BIG DATA И НЕФТЬ

О том, что данные — это новая нефть, сегодня повторяют довольно часто. Но чем они могут быть полезны для нефти традиционной? На самом деле место для применения технологий big data есть буквально на любом этапе в цепочке создания стоимости в нефтяной отрасли. Так, в геологоразведке накоплен огромный объем информации, и новые подходы к работе с ней позволяют обнаруживать закономерности, точнее моделировать строение пластов и более эффективно искать перспективные месторождения, сравнивая новые участки с уже известными аналогами. В сфере добычи и переработки нефти сбор данных о работе оборудования позволяет удаленно контролировать работу любого актива, оптимизировать производственные процессы, предсказывать возможные аварии и сбои в работе.

Например, в «Газпром нефти» был реализован проект, позволивший значительно увеличить надежность скважинного оборудования. Цель этого проекта — выявление причин сбоев автоматического перезапуска электроцентробежных насосов после аварийного отключения электропитания. Рабочая группа использо

вала более 200 млн записей, полученных в 2014 году с контроллеров систем управления насосами на 1649 скважинах, а также записи рестартов напряжения из аварийных журналов. Анализ этой информации традиционными методами был невозможен изза большого объе ма неструктурированных данных в разных форматах. Также необходимо было учесть множество различных факторов: скважинные условия, условия эксплуатации, схемы электроснабжения и др. Применение инструментов big data позволило не только сформировать и проверить набор гипотез о причинах сбоев в автозапуске, но и получить информацию о ранее неизвестных взаимосвязях в работе насосного оборудования.

Большие данные лежат в основе крупных проектов, повышающих эффективность управления отдельными активами и компанией в целом. Пример такого проекта — Центр управления эффективностью (ЦУЭ) блока логистики, переработки и сбыта «Газпром нефти». Для сбора и обработки данных в центре развернуто озеро данных, в которое стекаются информационные потоки со всех перерабатывающих активов блока. В частности, на основе поступающих данных в ЦУЭ осуществляется предиктивное управление по отклонениям. То есть анализ показаний различных датчиков позволяет предсказывать потенциальные инциденты до их наступления, что значительно повышает стабильность технологических режимов и безопасность производства.

В ГЕОЛОГОРАЗВЕДКЕ НАКОПЛЕН ОГРОМНЫЙ ОБЪЕМ ИНФОРМАЦИИ, И НОВЫЕ ПОДХОДЫ К РАБОТЕ С НЕЙ ПОЗВОЛЯЮТ ОБНАРУЖИВАТЬ ЗАКОНОМЕРНОСТИ, ТОЧНЕЕ МОДЕЛИРОВАТЬ СТРОЕНИЕ ПЛАСТОВ И БОЛЕЕ ЭФФЕКТИВНО ИСКАТЬ ПЕРСПЕКТИВНЫЕ МЕСТОРОЖДЕНИЯ



РАСПРОСТРАНЕНИЕ СМАРТФОНОВ ПРОИЗВЕЛО ПЕРЕВОРОТ В ТЕХНОЛОГИЯХ УМНОГО ДОМА

И ПОДТОЛКНУЛО РАЗВИТИЕ ИНТЕРНЕТА ВЕЩЕЙ В НАЧАЛЕ 2010-Х ГОДОВ. НА РЫНКЕ СТАЛО ПОЯВЛЯТЬСЯ

ВСЕ БОЛЬШЕ УСТРОЙСТВ, ТАКИХ КАК ВИДЕОКАМЕРЫ, ТЕРМОСТАТЫ, РАЗЛИЧНЫЕ БЫТОВЫЕ ПРИБОРЫ

С УДАЛЕННЫМ УПРАВЛЕНИЕМ ЧЕРЕЗ ИНТЕРНЕТ.

ЕСЛИ В ОБЫЧНОМ ИНТЕРНЕТЕ ОБЩАЮТСЯ ЛЮДИ, ТО ИНТЕРНЕТ ВЕЩЕЙ —

СЕТЬ, ОБЪЕДИНЯЮЩАЯ МНОЖЕСТВО УСТРОЙСТВ, КОТОРЫЕ СПОСОБНЫ

ОБМЕНИВАТЬСЯ ИНФОРМАЦИЕЙ И НА ОСНОВЕ ЭТОЙ ИНФОРМАЦИИ

ВЫПОЛНЯТЬ РАЗНЫЕ ДЕЙСТВИЯ. ИНТЕРНЕТ ВЕЩЕЙ РАЗВИВАЕТСЯ

СТРЕМИТЕЛЬНО. КОЛИЧЕСТВО ПОДКЛЮЧЕННЫХ К ВСЕМИРНОЙ СЕТИ

УСТРОЙСТВ ЕЩЕ В 2008–2009 ГОДАХ ПРЕВЫСИЛО КОЛИЧЕСТВО

ПОЛЬЗОВАТЕЛЕЙ-ЛЮДЕЙ, А СЕЙЧАС ИХ УЖЕ ОКОЛО 10 МЛРД. АКТИВНО

РАСТЕТ И СЕГМЕНТ ПРОМЫШЛЕННОГО ИНТЕРНЕТА ВЕЩЕЙ, ГДЕ В ЕДИНОЕ

ИНФОРМАЦИОННОЕ ПРОСТРАНСТВО ОБЪЕДИНЯЮТСЯ ОТДЕЛЬНЫЕ

УСТАНОВКИ И ЦЕЛЫЕ ПРОИЗВОДСТВЕННЫЕ ОБЪЕКТЫ, ПЕРЕВОЗИМЫЕ

ГРУЗЫ И ОФИСНОЕ ОБОРУДОВАНИЕ

Все подключено

УТЮГ НА СВЯЗИ

Яркий образ умного устройства, под-ключенного к интернету вещей, — холо-дильник, который контролирует запас продуктов и, если нужно, заказыва-ет недостающие в магазине. Хотя такие устройства пока еще не вошли в наш повседневный быт, подобные решения уже не фантастика, а реальность или близкое будущее.

Эксперты PwC в числе главных фак-торов, определивших активное раз-витие IoT, называют четыре техноло-гических тренда: снижение стоимости вычислительных мощностей и техно-логий передачи данных, быстрое уве-личение количества подключенных устройств, развитие облачных техноло-гий и big data. При этом один из основ-ных факторов роста мирового трафи-ка — увеличение доли автоматически генерируемых данных: с 11% от обще-го объема в 2005 году до более 40% в 2020-м. Причем большую часть дан-ных генерировать будут не обычные потребители, а бизнес-структуры. Этот частный (а на самом деле уже во мно-гом общий) случай интернета вещей получил собственное название — про-мышленный интернет вещей (industrial internet of things, IIoT).

Собственно, прообразом интернета вещей и стала промышленная (а точнее, логистическая) технология RFID (радио-частотная идентификация), позволяю-щая за счет беспроводной связи пере-

давать информацию, содержащуюся в микрочипах RFID-меток на товарах и грузах. Таким образом можно иден-тифицировать, отслеживать и кон тро-ли ровать любые помеченные, то есть подключенные к сети, объекты. Эта тех-нология начала использоваться еще в 1980-х годах в логистике, фармацев-тическом производстве, розничной тор-говле и управлении цепями поставок. Еще одна базовая технология IoT — бес-проводные датчики (сенсоры), которые используются для мониторинга окру-жаю щей среды, медицинского мони-торинга (сбор информации о состоя-нии здоровья при помощи носимых

устройств), производственного кон тро ля, мониторинга дорожного трафика и т. д.

Наглядный пример развития промыш-ленного интернета вещей — умные сети энергоснабжения. Такие сети объединя-ют множество умных счетчиков, уста-новленных у потребителей энергоре-сурсов. Счетчики собирают информацию об энергопотреблении в реальном вре-мени, отправляют показания в энерго-снабжающую компанию, что позволяет не только автоматизировать выставле-ние счетов, но также применять динами-ческое ценообразование и более эффек-тивно балансировать энергопотребление в течение суток.

П о результатам опроса крупнейших немецких компаний, результаты ко-торого приводит PwC, бизнес ожидает, что в течение пяти лет инвес-тиции в промышленные интернет-технологии повысят эффективность

бизнеса в среднем на 18% и сократят затраты на 14%. При этом компании про-гнозируют, что за счет дополнительных услуг (например, удаленного монито-ринга состояния оборудования) в среднем эти технологии обеспечат рост вы-ручки на 2,9% ежегодно.

По прогнозам отраслевых аналитиков, количество устройств, соединенных с помощью различных сетей, достигнет в мире к 2020 году 20–25 млрд, а обыч-ный пользователь будет коммуницировать с подключенными устройствами по-рядка 5 тыс. раз в день.

В России, по данным PwC, эффект от внедрения IoT-технологий до 2025 года составит 2,8 трлн рублей. На рынке IoT в ближайшие годы ожидается рост в среднем на уровне 15–20% в год, причем около 25% рынка придется на про-мышленный сектор.

Будущее интернета вещей

П о экспертным оценкам, объ-ем информации в интернете, которую необходимо хранить и обрабатывать, ежегод-

но увеличивается на 40%. Уже в тече-ние 2018 года объем мирового дата-тра-фика может превысить два зеттабайта, причем рост этот связан не с использо-ванием сети пользователями-людьми, а с увеличением количества подклю-ченных к ней устройств, машин и меха-низмов, взаи модействующих как с чело-веком, так и друг с другом. Это так называемый интернет вещей (internet of things, IoT).

0 9Приложение к журналу «Сибирская нефть» www.gazprom-neft.ruG E T T Y I M A G E S

ТОТАЛЬНАЯ УБЕРИЗАЦИЯ

IoT активно используется для созда-ния интеллектуальных транспортных си стем, благодаря которым появляется возможность отслеживать местополо-жение каждого транспортного средства и вести мониторинг его передвижения. Распространение смартфонов уже про-извело настоящую революцию в транс-портной отрасли — ведь именно вокруг них созданы такие решения, как Uber или «Яндекс.Такси», которые позво-лили автоматизировать работу такси. Подобные сервисы проникают и в сфе-ру логистики: сервисы Uber Freight, Trucker Path или, например, их россий-ский аналог GoCargo аналогичным обра-зом сводят между собой перевозчика и грузы.

Информацию с устройств пользо-вателей собирают и такие сервисы, как «Яндекс.Пробки». Чем больше устройств, тем точнее получается кар-тина: анализируя множество сигналов, си стема отделяет тех, кто действитель-но стоит в пробках, от тех, кто припар-ковался у магазина, ждет пассажира или идет пешком. Компьютерная сис-тема сервиса анализирует координа-ты, скорость и вектор движения, а так-же проверяет, соответствует ли трек ситуации на участке. На основании это-го строится карта загруженности дорог, где пользователь видит уже реальную ситуацию с пробками.

Системы интеллектуального мони-торинга транспорта с использовани-ем датчиков ГЛОНАСС/GPS и систем контроля за расходом топлива позво-ляют анализировать и оптимизировать маршруты движения, а также следить за тем, чтобы транспортные средства использовались по назначению.

Такие системы дистанционного кон-троля и управления транспортными потоками используют многие промыш-ленные компании. На предприятиях «Газпром нефти» они применяются на всех видах транспортных услуг — от доставки оборудования на месторо-ждения до перевозок нефтепродуктов.

П оставки битумных материалов «Газпром нефть» организует по принци-пу, сходному с вызовом такси через приложение Uber. Через удобный веб-интерфейс заказчик сможет выбрать необходимый продукт и сде-

лать заказ из любой точки мира, где есть доступ к интернету, указав, в какое время и в каком объеме нужен битум. Движение заказанной партии можно бу-дет отслеживать в реальном времени. Система будет рассчитывать оптималь-ные базы отгрузки битума и маршруты перемещения груза, чтобы клиент по-лучил нужный продукт в точно заданное время, перевозчик минимизировал простои, а общая эффективность повышалась.

Битумный «Убер»

ПРОМЫШЛЕННАЯ АГЕНТУРА

Датчики, контролирующие различные параметры оборудования, а также осу-ществляющие удаленное управление этим оборудованием, получили рас-пространение в традиционных системах промышленной автоматизации и вошли в обиход на многих промышленных предприятиях. Однако если раньше такими средствами оснащали наиболее важные, ключевые узлы, сегодня коли-чество и разнообразие датчиков растет по экспоненте. Их уже невозможно под-ключить по проводам — нужны беспро-водные каналы передачи данных.

С помощью интернета вещей пред-приятия по всему миру уже сегодня

отслеживают перемещения транспорта и грузов, оптимизируют логистические схемы, контролируют потребление энер-гетических и других ресурсов, следят за техническим состоянием оборудова-ния и состоянием здоровья сотрудников. Подобный контроль приносит ощутимую экономию. Например, после того как американский производитель авиадви-гателей GE Aviation начал устанавливать на силовые установки сенсоры, позво-ляю щие удаленно и в реальном времени получать данные об их состоянии, затра-ты на обслуживание двигателей сокра-тились в семь раз.

Однако промышленный интернет вещей — это не только сбор данных с распределенного оборудования в еди-


В ИНТЕРНЕТ СЕГОДНЯ ВЫХОДЯТ ДАЖЕ ОВОЩИ. БОЛЕЕ ПОЛОВИНЫ ПРОИЗВОДИТЕЛЕЙ ТОМАТОВ В ИЗРАИЛЕ

ИСПОЛЬЗУЮТ СИСТЕМУ ДЛЯ МОНИТОРИНГА ВЛАЖНОСТИ, ТЕМПЕРАТУРЫ И ХАРАКТЕРИСТИК ПОЧВЫ.

ДАТЧИК, ПРИКРЕПЛЕННЫЙ К РАСТЕНИЮ, ОТПРАВЛЯЕТ ДАННЫЕ О ЕГО СОСТОЯНИИ НА ОБЛАЧНЫЙ СЕРВЕР,

А КОМПЬЮТЕР ВЫДАЕТ РЕКОМЕНДАЦИИ АГРОНОМАМ.

ный центр, где их анализируют и исполь-зуют для принятия решений. В полной мере возможности технологии реализу-ются, когда оборудование и другие под-ключенные к сети объекты начинают общаться между собой, то есть обмени-ваться информацией, которая позволяет им вносить коррективы в свою работу.

Пример такого взаимодействия в сети — мультиагентная система. Такие системы используются для автоматиза-ции логистики. В мультиагентной систе-ме каждому участнику логистической цепи, среди которых поставщики, скла-ды, транспорт, технологическое обору-дование, заказы, потребители, ставится в соответствие программный агент — цифровой двойник (см. стр 18), наде-ленный определенной логикой дей-ствий. Обычно агенты делятся на два больших класса — «заказы» и «ресур-сы». Они ищут друг друга, чтобы удов-летворить свои потребности наилучшим образом — за это и отвечает пропи-санная в программном коде агента логика. Потребности могут быть тако-го рода: добраться из пункта А в пункт B (например, со склада к потребите-

лю), максимально заполнить транс-порт или уменьшить количество рей-сов, не допустить затоваривания склада и т. п. В « Газпром нефти» мультиагент-ный подход в логистике был реализо-ван при организации снабжения Ново-портовского месторождения.

В нефтяной отрасли технологии IoT позволяют создавать так называ-емые умные (или цифровые) место-рождения и нефтеперерабатывающие заводы. В основе первых — интеллек-туальные скважины, оснащенные раз-

Р азвитие интернета вещей в промышленном сегменте пока еще сдерживается недостатками существующей инфраструктуры связи. В частности, для полноцен-ного функционирования таких проектов требуется развертывание сотовых сетей

пятого поколения. По прогнозам, такие сети могут появиться уже в 2020–2022 годах. Это даст дополнительный толчок процессам цифровой трансформации корпораций во всех отраслях экономики. Новые сети обеспечат возможности для сбора и переда-чи огромных массивов данных и гигантского количества одновременных соединений. Лучше, чем существующие сети, они будут обеспечивать связь с быстро движущимися объектами, что важно для развития беспилотного транспорта.

Конфликт поколений

личными датчиками и управляемыми с поверхности клапанами. Такое обору-дование обеспечивает сбор и переда-чу данных о добыче и свойствах пласта, а также возможность в реальном вре-мени управлять притоком из отдельных пластов без дополнительных внутрис-кважинных работ. Работу современного нефтеперерабатывающего завода контр-олируют сотни тысяч датчиков и прибо-ров, а поставки топлива в режиме реаль-ного времени отслеживаются системами спутниковой навигации.

Области применения интернета вещей

СЕТЕВЫЕ ТЕХНОЛОГИИ

ДЛЯ IOT

логистика и транспорт

сельское хозяйство

окружающая среда

промышленность

умные дома

умные города

энергетические сети

пользовательская электроника

Управление автопаркомОтслеживание грузов

Мониторинг параметровокружающей среды

Управление запасами

Мониторинг состояниявоздуха, водоемов и др.

Мониторинг и управлениетехническими

процессами

Носимые датчикиМониторинг здоровьяСистемы контроля местоположения

Пожарная и охраннаясигнализацияБытовая автоматизация

ПарковкиГородской транспортОсвещение и др.

Учет и мониторингУправление интеллектуальнымисетями

1 1Приложение к журналу «Сибирская нефть» www.gazprom-neft.ruФ О Т О : Д М И Т Р И Й В О Р О Ш И Р И Н

«РОБОТ НЕ МОЖЕТ ПРИЧИНИТЬ ВРЕД ЧЕЛОВЕКУ ИЛИ СВОИМ БЕЗДЕЙСТВИЕМ

ДОПУСТИТЬ, ЧТОБЫ ЧЕЛОВЕКУ БЫЛ ПРИЧИНЕН ВРЕД» — ПЕРВЫЙ ЗАКОН

РОБОТОТЕХНИКИ АЙЗЕКА АЗИМОВА, НАВЕРНОЕ, ЗНАКОМ ДАЖЕ ТЕМ, КТО

НЕ ОЧЕНЬ ЛЮБИТ НАУЧНУЮ ФАНТАСТИКУ. ТЕМ БОЛЕЕ ЧТО ФАНТАСТИКА УЖЕ

СТАНОВИТСЯ РЕАЛЬНОСТЬЮ, А ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ (ИИ)

ПОСТЕПЕННО ЗАНИМАЕТ ВСЕ БОЛЕЕ ЗАМЕТНОЕ МЕСТО В РАЗНЫХ ОБЛАСТЯХ

ЖИЗНИ ЧЕЛОВЕКА. ПОКА ОН НЕ НАСТОЛЬКО РАЗВИТ, ЧТОБЫ БРОСИТЬ ВЫЗОВ

ЧЕЛОВЕЧЕСТВУ, НО УЖЕ ВПОЛНЕ СПОСОБЕН ПРИЙТИ НА ПОМОЩЬ ТАМ,

ГДЕ ЧЕЛОВЕЧЕСКИЙ ИНТЕЛЛЕКТ НЕ СПРАВЛЯЕТСЯ

Нечеловеческие способности


ВОПРОСАМИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В РОССИИ СТАЛИ ЗАНИМАТЬСЯ В СЕРЕДИНЕ 1950-Х ГОДОВ,

КОГДА В МГУ НАЧАЛ РАБОТУ СЕМИНАР «АВТОМАТЫ И МЫШЛЕНИЕ» ПОД РУКОВОДСТВОМ ПРОФЕССОРА

А. А. ЛЯПУНОВА. СРЕДИ НАИБОЛЕЕ ЗНАЧИМЫХ ДОСТИЖЕНИЙ ОТЕЧЕСТВЕННЫХ УЧЕНЫХ ТОГО ВРЕМЕНИ —

РАЗРАБОТКА АЛГОРИТМА «КОРА», МОДЕЛИРУЮЩЕГО ДЕЯТЕЛЬНОСТЬ МОЗГА ПРИ РАСПОЗНАВАНИИ ОБРАЗОВ.

ЗАРОЖДЕНИЕ РАЗУМА

Идея о возможности создания собственной искусственной копии давно волнует человеческий разум. Еще в Средние века люди рассуждали о возможности сконструировать механическую человекоподобную мыслящую машину, а алхимики разрабатывали рецепты выращивания гомункулов — искусственных людей из пробирки. Чуть позже появились и вполне научные обоснования возможности создания искусственного интеллекта — в XVII веке французский

мыслитель Рене Декарт сформулировал механистическую теорию, предположив, что животное представляет собой некий аналог сложного механизма.

Близкие современным представления о задачах искусственного интеллекта сформировались в XIX столетии. В 1830е годы английский математик Чарлз Бэббидж придумал концепцию аналитической машины, которая, как утверждал разработчик, могла бы рассчитывать ходы для игры в шахматы. Менее чем через столетие — в 1914 году — концепция претворилась в жизнь: директор одного из испанских технических институтов Леонардо Торрес де Кеведо изготовил электромеханическое устрой ство, способное разыгрывать простейшие шахматные эндшпили.

Впрочем, периодом рождения понятия «искусственный интеллект» принято считать 1930е годы, а его создателем — английского математика Алана Тьюринга. Предложенная им в 1936 году абстрактная вычислительная машина Тьюринга позволила формализовать понятие алгоритма, которое до сих пор используется во множестве теоретических и практических исследований. Позднее — в 1950 году — Тьюринг предложил считать интеллектуальной такую машину, которую испытатель в процессе общения с ней не сможет отличить от человека, и разработал для оценки машинного интеллекта специальный тест.

Сам термин «искусственный интеллект» (artificial intelligence, AI) появился уже после смерти Тьюринга — в 1956 году в ходе конференции в Университете Дартмута (США), собравшей ведущих ученых, работающих в этом направлении, а его непосредственным автором считается Джон МакКарти, основоположник функционального программирования и изобретатель языка Lisp.

В 1965 году Джозеф Вайценбаум из Массачусетского технологического института создал компьютерную программу «Элиза», которая могла вести несложные диалоги. Можно сказать, это был первый чатбот, прообраз современной Siri. Робот Фредди, разработанный в 1973м исследователями из Эдинбургского университета, использовал зрение

для поиска и сборки моделей. А в 1979м появилась «Стэнфордская тележка» — первый контролируемый компьютером автономный автомобиль, подобие со временных беспилотников. После некоторого спада новый всплеск интереса к ИИ произошел в середине 1990х. Пожалуй, самым известным успехом этого периода можно считать победу, которую в 1997 году суперкомпьютер IBM Deep Blue одержал над чемпионом мира по шахматам Гарри Каспаровым.

Впрочем, каких бы успехов ни достигали разработчики, всегда находились скептики, заявлявшие, что даже если компьютер научился хорошо решать какието задачи, это еще не означает, что машина действительно самостоятельно мыслит. Большая часть современных ученых сходятся во мнении, что ИИ — это совокупность методов и инструментов решения различных сложных прикладных задач, использующих принципы и подходы, аналогичные размышлениям человека над их решением (такие технологии еще называют когнитивными). Сегодня обычно речь идет о программах, которые по мере накопления данных сами учатся их классифицировать, распознавая изображения, тексты, аудиофайлы и любые другие объекты, с каждым разом совершенствуясь и выполняя поставленную задачу все лучше. То есть ИИ приобретает способность, до сих пор действительно считавшуюся исключительно человеческой прерогативой, — способность к обучению.


УЧИТЬСЯ, УЧИТЬСЯ И УЧИТЬСЯ…

Концепция, предполагающая обучение искусственного разума как маленького ребенка, а не создание сразу «умного взрослого робота», родилась еще во времена Тьюринга. Главная цель машинного обучения (machine learning, ML) — формирование у компьютера способности обнаруживать нечто иное, не входящее в использованный при обучении набор примеров, но обладающее теми же свойствами. Одна из ключевых технологий, позволяющих успешно применять методы ML, — искусственные нейронные сети.

Такие сети организованы по принципу сетей нервных клеток живого организма. Первую модель искусственной нейронной сети еще в 1943 году придумали американский нейрофизиолог, один из отцов кибернетики Уоррен МакКаллок и нейролингвист, логик и математик Уолтер Питтс. Их идея состояла в том, что нейроны — это устройства, оперирующие двоичными числами, своего рода простейшие процессоры, соединенные друг с другом.

В 1957 году известный американский ученый в области психологии и нейрофизиологии Фрэнк Розенблатт разработал перцептрон — модель восприятия информации мозгом на основе обучающейся нейронной сети. Спустя пару лет он создал действующую машину «Марк1», первый нейрокомпьютер. Он был способен рас по знавать некоторые из букв, написанных на карточках, которые подносили к его глазамкамерам.

Однако развитие этого направления уперлось в несовершенство компьютеров, не обладавших на тот момент необходимой вычислительной мощностью. Фактически всю вторую половину XX века машинное обучение оставалось математической дисциплиной, которой занимались академические ученые. Стремительный переход к практике случился лишь в начале XXI века. У этого было три причины. Первая — возрастающее в геометрической прогрессии количество данных. С одной стороны,

И спользование ИИ позволит более эффективно интерпретировать данные сейсмических исследований и разведочного бурения. Эту возможность уже использует «Газпром нефть» в проекте «Когнитивный геолог». Ком

пания создает самообучающуюся модель геологического объекта на основе нейросети, которая позволит обрабатывать исходную геологическую информацию и данные геологоразведки в шесть раз быстрее и на треть точнее, чем это делает команда экспертовлюдей.

С овременные нефтяные скважины — чрезвычайно сложные и капиталоемкие сооружения. В некоторых случаях горизонтальный ствол скважины может тянуться на 2–3 километра сквозь нефтеносный слой, толщина ко

торого составляет всего лишь несколько метров. Цена ошибок — когда бур выходит за пределы продуктивного пласта и нужно возвращать его на правильный путь — может быть очень высокой. «Газпром нефть» предполагает использовать возможности искусственного интеллекта при бурении сложных скважин. В режиме реального времени компьютер будет оценивать изменения условий бурения, анализируя такие параметры, как нагрузка на буровом инструменте, сопротивление, температура, вибрация, скорость проходки, и сообщать о риске выхода из продуктивного пласта. В будущем математическая модель бурения позволит по косвенным данным прогнозировать возможные нештатные ситуации, устанавливать оптимальные режимы работы оборудования и даже в реальном времени определять продуктивность пласта, оценивая экономическую эффективность разбуривания конкретного горизонта.

Когнитивные технологии в нефтегазеГеологоразведка

Бурение скважин


ПЕРЦЕПТРОН — КИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ВОСПРИЯТИЯ ИНФОРМАЦИИ МОЗГОМ — СОСТОИТ ИЗ ТРЕХ

ТИПОВ ЭЛЕМЕНТОВ. ДАТЧИКИ (РЕЦЕПТОРЫ) ПРИНИМАЮТ СИГНАЛЫ ИЗ ВНЕШНЕЙ СРЕДЫ. АССОЦИАТИВНЫЕ

ЭЛЕМЕНТЫ АКТИВИРУЮТСЯ, ПОЛУЧАЯ СИГНАЛЫ ОТ ОПРЕДЕЛЕННОГО НАБОРА РЕЦЕПТОРОВ. РЕАГИРУЮЩИЙ

ЭЛЕМЕНТ ФОРМИРУЕТ ОТВЕТ НА ОСНОВЕ СИГНАЛОВ ОТ АССОЦИАТИВНЫХ ЭЛЕМЕНТОВ.

их нужно анализировать, с другой — они сами являются материалом для обучения нейросетей. Вторая — снижение стоимости масштабных вычислений и памяти. Наконец, третья причина состояла в том, что были разработаны новые алгоритмы глубинного машинного обучения, развивающие идею перцептрона.

Как же учится нейронная сеть? Машине дается достаточно большой набор прецедентов (объектов, ситуаций и т. п.), с каждым из которых связан определенный набор данных. В этих данных машина находит закономерности, благодаря чему в дальнейшем получает возможность восстанавливать недостающие данные для новых, ранее неизвестных ей прецедентов, классифицировать объекты, предсказывать последствия тех или иных событий и т. д.

Например, нейросеть учится распозна вать котов на фотографиях. Ей дают множество изображений, на части из которых изображены коты. Информация о наличии или отсутствии котов на каждой картинке присутствует в ее описании. Выявив определенные характеристики, присущие котам, система получает способность с той или иной точностью находить котов на новых изображениях, уже без описания. Чем больше учится сеть, тем точнее становятся ответы.

Одна из развивающихся областей, где уже достаточно давно применяется машинное обучение, — создание

С амообучающиеся компьютерные программы используются и при создании так называемых цифровых двойников технологических установок на нефтеперерабатывающих заводах. Цифровой двойник — это точная вирту

альная копия установки, технологического процесса или даже целой цепочки процессов (см. стр. 20). В нем учтены технические параметры железа, химия и физика происходящих процессов. С помощью двойника можно просчитать характеристики получаемой продукции, предсказать и своевременно скорректировать параметры технологического процесса в зависимости от качества сырья и многое другое. Создание двойника — сложнейшая математическая задача, которая с использованием искусственного интеллекта решается намного быстрее и эффективнее. Способная к самообучению система будет постоянно обновлять цифровую модель, все время приближая ее к реальному объекту и учитывая влияние всевозможных внешних факторов. С использованием нейросетей и ИИ в «Газпром нефти» уже успешно созданы цифровые модели двух технологических установок Омского НПЗ. В планах компании — оцифровать всю цепочку создания стоимости в сегменте downstream — от транспортировки сырья на НПЗ до продажи готового топлива на АЗС.

Переработка

С истемы, основанные на применении искусственного интеллекта, способны обеспечивать контроль на опасных производственных объектах едва ли не лучше, чем это делает человек. Во всяком случае, они становят

ся хорошим помощником, когда по данным с тысяч датчиков и по изображению с десятков и сотен камер видеонаблюдения нужно в реальном времени выявлять признаки аварийных ситуаций или опасного поведения персонала. « Газпром нефть» одной из первых нефтегазовых компаний обратила внимание на возможности использования технологий видеоанализа в производственных процессах. Уже реализован пилотный проект «Видеоаналитика на транспорте»: компьютер научился контролировать, не нарушают ли водители требования безопасности. Новые технологии способны распознать опасные действия по положению тела и движениям. Подобное решение для удаленного мониторинга внедряется и на буровых установках.

Безопасность

КАК РАБОТАЕТ НЕЙРОННАЯ СЕТЬВыборка отличительных характеристик Обработка данных

Четыре ноги и хвост

Пушистое Милое Это кошка!


ТЕМЫ ДЛЯ РАЗМЫШЛЕНИЙ

Искусственный интеллект уже умеет многое, с его работой мы сталкиваемся ежедневно. Чатботы широко используются на сайтах для продажи товаров и услуг. Многие с удовольствием пользуются голосовыми помощниками: Siri от Apple, ОК Google, «Алиса» от «Яндекса». Пока это трудно назвать полноценным общением — впрочем, эти системы быстро совершенствуются. Причем

САМООБУЧАЮЩАЯСЯ МОДЕЛЬ ГЕОЛОГИЧЕСКОГО ОБЪЕКТА НА ОСНОВЕ НЕЙРОСЕТИ ПОЗВОЛИТ ОБРАБАТЫВАТЬ ДАННЫЕ ГЕОЛОГОРАЗВЕДКИ В ШЕСТЬ РАЗ БЫСТРЕЕ И НА ТРЕТЬ ТОЧНЕЕ, ЧЕМ ЭТО ДЕЛАЕТ КОМАНДА ЭКСПЕРТОВ-ЛЮДЕЙ

автопилотов для автомобилей. Чтобы на учить компьютер адекватно реагировать на дорожную ситуацию, необходимо поделиться с системой десятками и сотнями тысяч эпизодов, описывающих возможные реакции водителей, загрузить терабайты информации для распознавания транспортных средств, пешеходов, дорожных знаков, светофоров и других объектов, попадающих в прицел радаров и камер. Пройдя теоретическое обучение, автопилот выезжает на полигон, где продолжает совершенствоваться в условиях, приближенных к реальной дорожной обстановке.

делают это уже сами: учатся в процессе общения с людьми.

Инженерам лаборатории Facebook по исследованию искусственного интеллекта удалось создать ботапереговорщика, который умеет врать и торговаться. Для обучения системы использовали более 5,8 тыс. реальных человеческих диалогов, записанных в ходе переговоров. Любопытно, что программа сама выработала навыки вранья, стремясь достичь поставленных целей.

Компания «Яндекс» сегодня пытается изменить алгоритмы поиска в интернете на основе нейронных сетей. В конечном

счете результат поиска может не иметь ни одного общего слова с запросом, но будет соответствовать ему по смыслу.

Банки, телекоммуникационные и страховые компании, ретейлеры, сети АЗС — все те, кто собирает большие данные о своих клиентах и их потребительском поведении, могут в дальнейшем использовать для анализа этих данных искусственный интеллект. Персонализация продуктов и услуг, прогнозное техническое обслуживание, оптимизация цепи поставок, распознавание мошенничества, сокращение дорожного трафика, рациональное планирование расписания

ПРОЦЕСС ОБУЧЕНИЯ НЕЙРОСЕТИ

Распространение сигнала нейросети

Сеть обучена

Выбор примера

Настройка сети

Ответ сетиОшибкамала

Ошибкавелика

Расчет ошибки

База данных


ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ УЖЕ СЕГОДНЯ ПОЗВОЛЯЕТ ПОВЫСИТЬ ЭФФЕКТИВНОСТЬ ЭКСПЛУАТАЦИИ

МЕСТОРОЖДЕНИЙ: СОКРАЩАЕТ ВРЕМЯ АНАЛИЗА ТАКИХ ПАРАМЕТРОВ, КАК ДЕБИТ СКВАЖИН,

ОБВОДНЕННОСТЬ, ЗАБОЙНОЕ ДАВЛЕНИЕ, ВЫЯВЛЯЕТ И КОРРЕКТИРУЕТ В НИХ ОШИБКИ, ПОДБИРАЕТ

ОПТИМАЛЬНЫЕ МЕТОДЫ РАЗРАБОТКИ, ЧТОБЫ УВЕЛИЧИТЬ ДОБЫЧУ И СОКРАТИТЬ ЗАТРАТЫ.

полетов и многое другое — искусственному интеллекту есть чем заняться.

Большие надежды связывают с применением искусственного интеллекта в медицине. Точность диагностики, а значит, и лечения сильно зависит от опыта врача. Однако возможности человека ограничены, компьютер же способен держать в памяти и анализировать десятки тысяч историй болезни, находить схожие сочетания симптомов и подсказывать наиболее вероятный диагноз.

А вот интересный пример из пищевой промышленности. Знаменитый датский производитель пива Carlsberg планирует использовать высокотехнологичные сенсоры для точной калибровки оттенков вкуса напитка, а искусственный интеллект — для отбора пивоваренных дрожжей. Сходным образом работает искусственный интеллект на Магнитогорском металлургическом комбинате: выдает оператору рекомендации о количестве присадок, необходимых для получения стали с заданными параметрами, учитывая исходный состав сырья.

А налитики консалтинговой компании Gartner прогнозируют, что к 2020 году технологии искусственного интеллекта и машинного обучения будут присутствовать практически во всех новых программ

ных продуктах и сервисах. Их коллеги из IDC (International Data Corporation) подсчитали, что к 2021 году ИИ позволит бизнесу получить дополнительную выручку в размере $1,1 трлн за счет внедрения алгоритмов искусственного интеллекта в системы управления взаимоотношениями с клиентами (CRM). По оценкам исследовательской компании Tractica, объем рынка программного обеспечения для ИИ вырастет с $8,1 млрд в 2018 году до $105,8 млрд к 2025 году. PwC в своем исследовании «Искусственный интеллект: не упустить выгоду» решила заглянуть еще дальше и подсчитала, что к 2030 искусственный интеллект обеспечит рост глобального ВВП на 14%, или $15,7 трлн.

Россию пока сложно отнести к числу лидеров процесса развития систем искусственного интеллекта. Однако аналитический центр TAdviser и компания «Инфосистемы Джет» считают, что отечественный рынок ИИ и машинного обучения, не дотягивающий сегодня и до 1 млрд рублей, к 2020 году вырастет до 28 млрд. Драйверами роста останутся финансовый сектор и ретейл, однако к ним присоединится и промышленность.

Р оботы, восстающие против людей, — излюбленный сюжет фантастов. Сегодня в связи с прогрессом технологий искусственного интеллекта все чаще задаются вопросом, возможно ли такое развитие событий в ре

альности. По мнению Стивена Хокинга (1942–2018), британского физикатеоретика, одного из самых известных современных ученых и популяризаторов науки, создание искусственного интеллекта, который превзойдет своего создателя и начнет самосовершенствоваться со все возрастающей скоростью, может представлять для человечества угрозу. О вероятности того, что искусственный интеллект в какойто момент выйдет изпод контроля и решит, что человек ему больше не нужен, говорят и другие исследователи. Впрочем, пока люди используют ограниченный ИИ, который развивается и решает задачи лишь в узкой области и под контролем человека. Реальная опасность выхода искусственного интеллекта изпод контроля с возможными печальными последствиями возникнет, когда будет создан общий искусственный интеллект — компьютерное подобие универсального человеческого разума. По оценкам ученых, компьютер сравняется по своим интеллектуальным возможностям с человеком к 2040м годам, после чего начнется стремительное формирование суперинтеллекта.

Возможно ли восстание машин?

ИИ: факты, цифры, деньги

1 7Приложение к журналу «Сибирская нефть» www.gazprom-neft.ruG E T T Y I M A G E S , D I O M E D I A , E A S T N E W S

СОЗДАТЬ СВОЕГО ДВОЙНИКА И ПЕРЕЛОЖИТЬ НА НЕГО САМЫЕ ТРУДНЫЕ,

НЕПРИЯТНЫЕ ИЛИ ДАЖЕ ОПАСНЫЕ ДЕЛА И ЗАБОТЫ — ВРЕМЯ ОТ ВРЕМЕНИ

ТАКИЕ МЕЧТЫ ПОСЕЩАЮТ МНОГИХ. А СИЛЬНЫЕ МИРА СЕГО, КАК ГОВОРЯТ,

И НА САМОМ ДЕЛЕ ПРИБЕГАЮТ К УСЛУГАМ ОЧЕНЬ ПОХОЖИХ НА СЕБЯ

ЛЮДЕЙ, КОГДА НЕ МОГУТ ИЛИ БОЯТСЯ ПОКАЗЫВАТЬСЯ НА ПУБЛИКЕ.

СКОЛЬКО В ЭТОМ ПРАВДЫ, А СКОЛЬКО ВЫМЫСЛА, СКАЗАТЬ СЛОЖНО.

ОДНАКО ЦИФРОВЫЕ ДВОЙНИКИ РАЗНООБРАЗНЫХ ОБЪЕКТОВ — ЗДАНИЙ,

МАШИН, ПРОИЗВОДСТВЕННЫХ ПРОЦЕССОВ И ЦЕЛЫХ ЗАВОДОВ — УЖЕ

ПРОЧНО ВОШЛИ В ПРАКТИКУ МНОГИХ ОТРАСЛЕЙ ПРОМЫШЛЕННОСТИ

И РЕШАЮТ ВПОЛНЕ РЕАЛЬНЫЕ ЗАДАЧИ

Цифровое зеркало


ЦИФРОВОЙ ДВОЙНИК ПРЕДСТАВЛЯЕТ СОБОЙ МОСТИК МЕЖДУ ФИЗИЧЕСКИМ МИРОМ И ЦИФРОВОЙ

РЕАЛЬНОСТЬЮ. ТАКИЕ СИСТЕМЫ НАЗЫВАЮТ КИБЕРФИЗИЧЕСКИМИ. ПРОГРАММНЫЕ КОМПОНЕНТЫ

И ФИЗИЧЕСКИЕ ПРОЦЕССЫ В НИХ ТЕСНО СВЯЗАНЫ И ВЛИЯЮТ ДРУГ НА ДРУГА.

БРАТЬЯ ПО ДАННЫМ

Цифровой двойник (или « цифровой близнец», если буквально переводить английское словосочетание digital twin) — это виртуальный аналог реального объекта, компьютерная модель, которая в своих ключевых характеристиках дублирует его и способна воспроизводить его состояния при разных условиях. По сути, это набор математических формул, описывающих сам объект и протекающие в нем процессы.

Как это ни странно, такой двойник может родиться даже раньше своего оригинала: виртуальную модель могут создать еще на этапе проектирования объекта (здания, машины, установки), чтобы протестировать его работу в разных условиях и режимах и скорректировать проект, если будут обнаружены недочеты. Но затем, когда объект уже построен, такая модель требует постоянного обновления, для того чтобы соответствовать его актуальному состоянию.

И здесь не обойтись без интернета вещей — множества датчиков, которые собирают информацию о работе оборудования, — а также без технологий машинного обучения, которые помогают предсказать, как будет вести себя система в тех или иных обстоятель ствах. Это особенно актуально, когда цифровой двойник создается для уже су ществую ще го объекта, например установки на нефтеперерабатывающем заводе. Досконально описать все процессы формулами — чрезвычайно сложная задача. Но, имея большой объем данных о работе установки за определенный период времени, проще выявить закономерности в ее работе при помощи нейросети.

В самой идее цифрового двойника нет ничего нового: расчеты и модели того, как будет вести себя какаянибудь конструкция, установка на заводе или реактор, делались и раньше. Но лишь недавно появились достаточные вычислительные мощности, чтобы проводить такие расчеты в реальном времени, а также возможности для постоянного обновления моделей на основе данных, получаемых с реальных объектов.

К ерн — столбики породы, которые извлекают из разведочных скважин для изучения характеристик нефтеносного пласта. Это особенно актуально для трудноизвлекаемых и нетрадиционных запасов, поиск тех

нологий для эффективной разработки которых продолжается. Исследование керна в лаборатории — дорогой и длительный процесс. Кроме того, отдельные образцы во время таких тестов часто разрушаются, и продолжать опыты с ними более невозможно. Решить проблему позволяет создание цифровых двойников керна. Для этого образцы породы сканируют в томографе высокого разрешения — и дальше проводят виртуальные эксперименты уже с трехмерной компьютерной моделью. Создание таких цифровых двойников керна решает сразу несколько задач: позволяет существенно ускорить проведение исследований, дает возможность для неограниченного количества виртуальных тестов на одном и том же материале, сохраняя реальный образец для проверки результатов и донастройки модели, открывает новые возможности исследования керна на микроуровне. Новая технология работает даже тогда, когда оценить строение и характеристики породы традиционным способом невозможно изза сложной или хрупкой внутренней структуры или трудностей, связанных с извлечением образцов. Проект «Цифровой керн» по внедрению такой технологии реализуется сейчас в «Газпром нефти».

Цифровой керн


СТРЕМЯСЬ СОКРАТИТЬ ЭКСПЛУАТАЦИОННЫЕ ИЗДЕРЖКИ, УВЕЛИЧИТЬ ОБЪЕМЫ ДОБЫЧИ И ЭФФЕКТИВНОСТЬ ПЕРЕРАБОТКИ, НЕФТЯНЫЕ КОМПАНИИ СЕГОДНЯ ОЦИФРОВЫВАЮТ СВОИ АКТИВЫ — СОЗДАЮТ ЦИФРОВЫЕ МЕСТОРОЖДЕНИЯ И ЦИФРОВЫЕ ЗАВОДЫ

ЗАЧЕМ НУЖНЫ ЦИФРОВЫЕ ДВОЙНИКИ

Некоторые считают, что скоро цифровые двойники будут создаваться для всего, в том числе и для людей. На самом деле в той или иной мере это уже происходит: например, профиль в социальных сетях характеризует круг общения человека, история поисковых запросов — его интересы, а кредитная история — финансовую состоятельность. И эту информацию используют те, кто хочет предсказать наше поведение, — работодатели, спецслужбы, банки, продавцы товаров и услуг. Возможно, уже в недалеком будущем развитие систем медицинского мониторинга позволит предупреждать о приближении болезни задолго до появления явных симптомов.

Что же касается промышленных объектов, их цифровые двойники позволяют выбирать наиболее оптимальные режимы работы, ставить виртуальные эксперименты, которые в реальности могут быть сопряжены с риском повредить оборудование. Данные, которые собирают с датчиков на объекте, а также информация о ранее проведенном обслуживании, позволяют установить степень износа и вероятность выхода из строя узлов, а значит, сократить расходы на профилактику и ремонт. Если тот или иной параметр отклоняется от нормы, цифровой двойник проинформирует ответственных сотрудников, которые отреагируют и примут меры.

Те же подходы и технологии дают возможность создавать информационные копии не только отдельных машин или установок, но целых цехов и даже заводов со всеми производ ствен ными и логистическими процессами. Такая модель позволит найти узкие места, которые проявят себя лишь через несколько лет работы, и сделать необходимую тонкую настройку.

Для нефтегазовых объектов цифровые двойники — многообещающая технология, ведь такие объекты часто бывают удалены и труднодоступны, распределены на большой территории, их стоимость велика, а эксплуатация связана с рисками. Стремясь сократить

эксплуатационные издержки, увеличить объемы добычи и эффективность переработки нефти, нефтяные компании сегодня оцифровывают свои активы — создают цифровые месторождения и цифровые заводы.

ЦИФРОВОЕ МЕСТОРОЖДЕНИЕ

Развитие концепции цифрового («умного», «интеллектуального» — разные компании используют для обозначения разные слова) месторождения нача


ПО ДАННЫМ ИССЛЕДОВАНИЯ КОМПАНИИ GARTNER, 48% ПРЕДПРИЯТИЙ, ВНЕДРИВШИХ ТЕХНОЛОГИИ

ИНТЕРНЕТА ВЕЩЕЙ, УЖЕ ИСПОЛЬЗУЮТ ЦИФРОВЫХ ДВОЙНИКОВ ИЛИ ПЛАНИРУЮТ НАЧАТЬ

ИХ ИСПОЛЬЗОВАТЬ ДО КОНЦА 2018 ГОДА. К 2022 ГОДУ ЧИСЛО КОМПАНИЙ, ЗАПУСТИВШИХ ПРОЕКТЫ

С ЦИФРОВЫМИ ДВОЙНИКАМИ, УТРОИТСЯ, ПРОГНОЗИРУЮТ В GARTNER.

лось с появления умных скважин, оснащенных всевозможными датчиками и системами для удаленного управления. Впрочем, одних скважин недостаточно: необходимо создать модель, в которой будут учтены и геологические особенности месторождения, и все оборудование, которое осуществляет добычу. Такая модель позволяет лучше контролировать процесс добычи, лучше им управлять и в конечном счете добывать больше, эффективнее и безопаснее.

В «Газпром нефти» пилотное внедрение программы «Цифровое месторождение» началось в 2014 году на активах дочерней компании «Газпром нефтьХантос». В 2017 году здесь был создан

Центр управления добычей (ЦУД), объединивший все разработанные в компании решения по повышению эффективности отдельных про из вод ствен ных процессов добычи. Одна из ключевых систем ЦУД — цифровой двойник процесса подъема жидкости из скважин. Он позволяет подбирать наиболее оптимальные режимы работы, заранее идентифицировать нештатные ситуации, вести превентивную оценку работы си стемы в случае изменения ее конфигурации. Со временем ЦУД пополнится и другими цифровыми двойниками — для систем поддержания пластового давления, энергообеспечения, подготовки и утилизации попутного газа.

ЦИФРОВОЙ ЗАВОД

В основе цифрового нефтеперерабатывающего завода — цифровые двойники установок НПЗ. Виртуальная копия установки должна заключать в себе макси

мально полную информацию о каждом ее элементе: характеристики деталей и узлов, инженерных си стем, средств автоматизации, их сроки службы, периоды обслуживания и т. д. Кроме того, двойник должен содержать детальное описание физикохимических процессов, процессов потребления и выработки энергии, параметры входного сырья и продуктов производства.

Пока еще ни одна нефтегазовая компания не создала полностью цифровой нефтеперерабатывающий завод, но есть предприятия, которые достигли в этом существенных успехов. Оцифровкой своих нефтеперерабатывающих мощностей занимается и «Газпром нефть», начав с создания цифрового двойника установки гидроочистки бензина каталитического крекинга на Московском НПЗ и установки первичной переработки нефти на Омском НПЗ. Пилотный проект по созданию полностью цифрового заводаробота будет реализован на одном из битумных активов компании.


ФАНТАЗИИ АВТОРОВ ЭПОХИ КИБЕРПАНКА РЕАЛИЗОВАЛИСЬ ЛИШЬ

НАПОЛОВИНУ. МАТРИЦА (ПО КРАЙНЕЙ МЕРЕ, НАСКОЛЬКО НАМ ИЗВЕСТНО)

ПОКА НЕ ПОРАБОТИЛА ЛЮДЕЙ, ЗАТО ЛЮДИ ВСЕ БОЛЬШЕ ИСПОЛЬЗУЮТ

ВОЗМОЖНОСТИ ВИРТУАЛЬНОЙ РЕАЛЬНОСТИ ДЛЯ РАЗВЛЕЧЕНИЯ И В РАБОТЕ

Новая реальность

П онятие «виртуальная реаль-ность» (virtual reality, VR) — похожий на реальный, но созданный техническими

средствами мир — появилось в середине 1980-х, хотя попытки создать у человека подобные ощущения предпринимались задолго до этого. Прообразом совре-менного шлема виртуальной реальности можно считать стереоскоп, изобретенный в 1849 году сэром Дэвидом Брюстером.

Устройство с двумя увеличительными линзами позволяло разместить перед глазами пару снимков так, чтобы один глаз видел только первый снимок, а дру-гой глаз — второй. На снимках была одна и та же сцена, снятая с разных точек, а их совмещение создавало эффект объем-ного изображения — и ощущение при-сутствия. Виртуальные симуляторы, которые создавали у человека ощуще-ние погружения в некую меняющую-

ся среду, стали создавать в середине прошлого века. Один из наиболее ран-них примеров — «Сенсорама», создан-ный Мортоном Хейлигом аппарат, позво-лявший зрителю получить ощущение того, что он на самом деле едет по ули-цам города. Устройство оказывало воз-действие на все органы чувств: зритель мог не только просмотреть видеозапись, но и ощутить вибрации сиденья, услы-шать звуки улицы, почувствовать запах.


В 1935 ГОДУ АМЕРИКАНСКИЙ ПИСАТЕЛЬ СТЭНЛИ ВАЙНБАУМ НАПИСАЛ РАССКАЗ «ОЧКИ ПИГМАЛИОНА».

ОДИН ИЗ ЕГО ГЕРОЕВ ИЗОБРЕТАЕТ ОЧКИ, СПОСОБНЫЕ ПОГРУЗИТЬ ЧЕЛОВЕКА В НЕКОЕ ПОДОБИЕ

ВИРТУАЛЬНОЙ РЕАЛЬНОСТИ — КИНО, ВОЗДЕЙСТВУЮЩЕЕ НА ВСЕ ОРГАНЫ ЧУВСТВ И ДАЮЩЕЕ

ВОЗМОЖНОСТЬ УЧАСТВОВАТЬ В ДЕЙСТВИИ.

ВИРТУАЛЬНАЯ ПОДГОТОВКА

Хейлиг мечтал о том, чтобы создать новый вид искусства, однако симулято-ры разрабатывались и для прикладных задач, таких как подготовка летчиков. Первые авиатренажеры были созданы еще 1920-х. В 1970-х в них впервые нача-ли использовать компьютерное изобра-жение (до этого применялись различные системы проекций, камер и движущих-ся лент). Изображение, конечно, было далеко от реалистичного, зато такая компьютерная визуализация уже могла работать в режиме реального времени, достаточно точно реагируя на действия пилота (во всяком случае, в соответствии с заложенным в систему алгоритмом).

С оздатели сервисов в сфере AR/VR осваивают все новые способы созда-ния эффекта присутствия. Так, например, специалисты из Калифорний-ского университета в Сан-Диего создали перчатки виртуальной реаль-

ности. Устройство было успешно протестировано на виртуальном симуляторе игры на фортепиано. Перчатки изготовлены из мягкого экзоскелета, обору-дованного искусственными мышцами, предна значенными для роботов, и позволяют ощутить тактильный отклик при взаимодействии с объекта-ми виртуальной реальности. Ожидается, что перчатки виртуальной реально-сти найдут применение не только в видеоиграх и цифровых развлечениях, но и в хирургии.

Трогать разрешается

Технологии виртуальной реаль-ности сегодня используются не толь-ко в авиа ции, но и во многих отрас-лях промышленности, где требуется готовить персонал к работе с опасны-ми производственными объектами или к чрезвычайным ситуациями — без риска, но в условиях, приближенных к есте ствен ным. Не стоит забывать и о гейми фикации — использовании игровых подходов для иных, совсем не развлекательных задач: техноло-гии VR в том числе позволяют сде-лать обучение более увлекатель-ным и лучше запомнить материал.

Толчком для распространения таких решений в последнее годы стало появ-ление современных очков и шлемов виртуальной реальности, которые создают ощущение полного погруже-ния в ситуацию, позволяют не только смотреть по сторонам, но и выполнять различные действия в этой среде. Глав-ную роль здесь играет не реалистич-ность изображения, а слаженная рабо-та датчиков, фиксирующих движения головы, рук, глаз человека и преобра-зующих их в реальном времени в зри-тельный, а иногда и тактильный опыт (см. врез).


В нефтяной отрасли технологии виртуальной реальности особенно востре-бованы в области подготовки персонала. Они дают возможность отраба-тывать специальные навыки при работе на опасных и удаленных произ-

водственных объектах — месторождениях, нефтеперерабатывающих заводах и нефтебазах. В «Газпром нефти» в рамках НИОКР-проекта были разработа-ны прототипы решений для обучения персонала с использованием технологий виртуальной реальности: развернута виртуальная кустовая площадка и реа-лизовано несколько производственных и аварийных сценариев. Эти прототипы будут использованы при создании в будущем решения — конструктора учеб-ных курсов в VR.

Еще один проект реализует компания «Газпромнефть — смазочные матери-алы». Для эффективного дистанционного обучения и развития компетенций персонала партнерских и дистрибьюторских компаний создаются точные циф-ровые модели производственных объектов. С помощью технологии виртуаль-ной реальности сотрудники смогут отрабатывать алгоритмы действий в типо-вых ситуациях, таких как обслуживание клиентов на станциях G-Energy Service, консультирование и техническая поддержка.

Т ехнологии дополненной реальности помогут «Газпром нефти» отслежи-вать ход реализации таких проектов, как обустройство труднодоступных месторождений. Выходя на стройплощадку, контролер надевает специ-

альные очки, на которые выводится цифровая голограмма объекта в том виде, каким этот объект должен быть после завершения строительства. Изобра-жение в очках накладывается на вид реальной стройки, и специалист видит, на какой стадии находятся строительно-монтажные работы, совпадают ли они с проектом, идут по графику или нет. Планшеты дают плоское изображение, а очки позволяют увидеть объемную картинку в реальном масштабе и луч-ше оценить качество работы. Изображение с очков можно передать в удален-ный компьютерный центр, где за осмотром в реальном времени могут следить и другие специалисты.

VR для обучения

Всё под контролем

УВИДЕТЬ НЕВИДИМОЕ

Совмещение реальности с цифровыми, виртуальными объектами, схемами или данными — еще один близкий класс технологий, называемый дополненной реальностью (augmented reality, AR).

Самый простой и уже привычный мно-гим вариант дополненной реальности — изображение, 3D-модель или текст, кото-рые появляются на экране смартфона при наведении его камеры на некую метку, которой может служить опреде-ленное изображение, QR-код или даже распознанный компьютером предмет. На этом принципе основаны приложения, способные в реальном времени менять черты лица, надевать на вас всевозмож-ные маски и одежду, населять окружаю-щий мир покемонами и другими фанта-стическими существами.

В промышленности технология AR открывает широкие возможности для визуализации данных и обучения. Например, достаточно навести каме-ру планшетного компьютера на тот или иной объект на производстве, чтобы получить о нем исчерпывающую инфор-мацию. Дополненная реальность позво-лит увидеть и то, что скрыто от глаз: све-рившись с проектной документацией, смартфон покажет, где проложены под-земные коммуникации. Маска сварщи-ка со встроенной системой дополненной реальности сообщает всю необходимую информацию о процессе сварки и помо-гает в реальном времени оценить каче-ство шва.


В БУДУЩЕМ НАИБОЛЕЕ ПОЛНОЕ ПОГРУЖЕНИЕ В ВИРТУАЛЬНУЮ РЕАЛЬНОСТЬ ОБЕСПЕЧАТ

НЕЙРОКОМПЬЮТЕРНЫЕ ИНТЕРФЕЙСЫ ДЛЯ ОБМЕНА ИНФОРМАЦИЕЙ МЕЖДУ МОЗГОМ И ЭЛЕКТРОННЫМИ

УСТРОЙСТВАМИ. СЕГОДНЯ ПРОТОТИПЫ ТАКИХ УСТРОЙСТВ ИСПОЛЬЗУЮТСЯ В НЕЙРОПРОТЕЗИРОВАНИИ

ДЛЯ ВОССТАНОВЛЕНИЯ ФУНКЦИЙ, УТРАЧЕННЫХ В РЕЗУЛЬТАТЕ ТРАВМЫ ИЛИ БОЛЕЗНИ.

ВЫПУСК 6 Индустрия 4 - Gazprom Neft · 2018-09-25 · Искусственный интеллект и машинное обучение ... 22 Электронную

Documents