Формирование стрессоустойчивости у волейболистов-юниоров в соревновательный период: педагогическая модель работы тренера

Интеллектуальные системы управления (ИСУ) - это совокупность методов и программно-аппаратных решений, применяемых для оптимизации и автоматизации производственных процессов с использованием технологий искусственного интеллекта. Современные ИСУ на базе ИИ способны не только выполнять рутинные функции, но и адаптироваться к изменяющимся условиям, принимать решения и предсказывать возможные варианты. В данной статье рассматривается эволюция интеллектуальных систем в производстве - от первых автоматов до когнитивных систем, применяемых машинное обучение и анализ больших данных.

• 1.    Первые шаги автоматизации производства

  Автоматизация производства началась в начале XX века с развитием электромеханических систем управления. Эти системы применяют заранее заданные алгоритмы и не соответствуют адаптивности. Классические ПЛК (программируемые логические контроллеры) доминировали в инфраструктуре до 1980-х годов. Они были эффективны, но неспособны анализировать сложные ситуации или обучаться на опыте.

С появлением микропроцессоров появилась возможность программировать более гибкие алгоритмы. Однако даже тогда системы управления действуют «жесткими» и неспособными реагировать на непредвиденные обстоятельства. Возникла потребность в интеллектуальном обслуживании.

Первые эксперименты с интеллектуальными компонентами по управлению производством задач в 1980–1990-х годах. Сюда относятся системы, которые имитируют экспертные знания опытных операторов. Такие системы применяются для диагностики оборудования, выбора режимов работы и обеспечения качества.

Однако главный недостаток этих решений сводился к их статичности: знания были зашиты вручную, и их нельзя было обновлять в первый момент времени. Кроме того, такие системы плохо масштабировались на крупных и сложных производствах.

С начала 2000-х годов на фоне роста вычислительной мощности и системы накопления производственных данных началось внедрение машинного обучения в управлении производством. ИСУ стала не просто анализировать данные, а делать прогнозы: по выходному оборудованию из здания, потреблению ресурсов, эффективности технологических цепочек.

Благодаря алгоритмам классификации, кластеризации и регрессии ИСУ стали использоваться в:

• 1.    Предиктивном обслуживании оборудования (Predictive Maintenance);

• 2.    Осторожном контроле технологических параметров

• 3.    Оптимизации логистики и запасов

• 2.    Интеграция ИИ и концепция Индустрии 4.0

С распространением концепции Индустрии 4.0 интеллектуальные системы получили новое развитие. Производственные процессы стали восприниматься как часть киберфизических систем: взаимодействие между машинами, сенсорами, ИИ и цифровыми двойниками.

ИИ-системы стали работоспособными:

• 1.    Автоматически корректировать производственный план;

• 2.    Учитывать внешние условия (поставки, спрос, энергия);

• 3.    Снижать производственные затраты и выбросы углекислого газа;

• 4.    Управлять всей цепочкой создания ценностей - от начала до доставки.

В современной промышленной практике существует несколько инновационных платформ, которые расширяют применение искусственного интеллекта в современном управлении производством. Для примера, одним из наиболее известных является Siemens MindSphere - IoT-платформа с ИИ-аналитикой, ABBability - платформа прогнозного обслуживания и оптимизации производств и GE Predix - система управления для умных фабрик.

Развитие интеллектуальных систем управления сопровождается рядом ощутимых преимуществ. Прежде всего, они рассчитывают на рост эффективности производственной деятельности за счет автоматизации и оптимизации процессов, что непосредственно ведет к сокращению затрат на ресурсы, обслуживание и персонал. Искусственный интеллект позволяет своевременно выявлять потенциальные неисправности, которые снижают риск аварийных ситуаций и сокращают время простоя оборудования. Еще одним преимуществом является то, что такие системы принимают решения на основе анализа данных: они составляют отчеты, рекомендации и прогнозы, в кратчайшие сроки меняя работу операторов и управляющих. Кроме того, интеллектуальные системы гибко адаптируются к изменяющимся изменениям и изменениям условий производства, позволяя быстро перенастраивать процессы в ответ на спрос, доступность ресурсов или погодные условия.

К примеру, в своей исследовательской работе “Использование искусственного интеллекта и машинного обучения для оптимизации бизнес-процессов в сфере сервиса” И.А. Кузнецов, А.Ю. Шевяков, Е.Д. Баранова, привели показательную статистику:

“Искусственный интеллект и машинное обучение предоставляют компаниям возможность анализировать большие объемы информации, принимать точные прогнозы, автоматизировать процессы и улучшать качество принимаемых решений. В результате, использование ИИ становится ключевым конкурентным преимуществом для многих компаний в современном бизнес-мире. 10 Вышеизложенное положение подтверждается статистикой на 2024 год, представленной на рисунке 1. Исходя из ее данных, можно сделать вывод о том, что в период с 2017 по 2024 год процент компаний, которые используют искусственный интеллект, вырос более чем в два раза. Более того, 63% компаний, которые внедрили искусственный интеллект в свой бизнес в 2023 году, сообщили, что это увеличило их выручку.”

Рис. 1. Данные о доле российских компаний, использовавших искусственный интеллект в 2017-2024 г.

Сотрудничество между искусственным интеллектом и машинным обучением в бизнес-процессах, представленном на рисунке 2, имеет большое значение, так как они могут дополнять друг друга. В результате, предложенное авторами сотрудничество между искусственным интеллектом и машинным обучением позволит создавать более эффективные и точные системы, что в свою очередь способствует улучшению результатов и оптимизации бизнес-процессов в сфере сервисной деятельности.

Рис. 2. Внедрение искусственного интеллекта и машинного обучения в бизнес-процесс управления сервисной деятельностью

Однако, несмотря на очевидные достоинства, внедрение таких систем связано с рядом вызовов. Одной из основных проблем является высокая чувствительность интеллектуальных алгоритмов к качеству исходных данных и информирование населения, работодателей о необходимости усовершенствования рабочих процессов. Так, например в следующем исследовании “Интеграция инструментов искусственного интеллекта в систему стратегического менеджмента агробизнеса” Пантелеева Т.А., по данным рэнкинга регионов по использованию элементов точного земледелия и точного животноводства за 2018 г., проведенного Центром прогнозирования и мониторинга и Департаментом научно-технологической политики и образования Минсельхоза России, лидерами выступили агробизнесы Краснодарского края – 189 ед., Воронежская область – 182, Нижегородская область – 14426. Осведомленность российских фермеров об инструментах умного земледелия в рамках цифровизации сферы АПК и использования механизма искусственного интеллекта по результатам социологического опроса представителями Kleffmann Group стейкхолдеров из российских агробизнесов показала следующее датчики и сенсоры анализа состояния растений использование БПЛА в процессах посевов, орошения, удобрения автопилотирование сельскохозяйственных работ спутниковый мониторинг состояния посевов геолокация размещения технических средств подруливание

параллельное вождение 2-х и более единиц техники

0% 10% 20% 30% 40% 50% 60% 70% 80% 90%100%

• ■ чистое знание ■ ответ с подсказкой ■ незнание ответа

  Рисунок 3. Осведомленность российских фермеров об инструментах умного земледелия в рамках цифровизации сферы АПК и использования механизма искусственного интеллекта за 2018 г.

В этой же работе приведено мировое сравнение интеграций ИИ в сфере агрономии: Оценка инвестиций в развитие умных теплиц в 2014– 2019 гг. в мире и РФ (оценочные показатели на основе публичных данных отдельных агробизнесов сферы вертикального земледелия) представлена на рисунке 4.

-*- Рынок умных теплиц в мире, млн долл. США

• • Рынок умных теплиц в РФ, млн долл. США

.........Полиномиальная (Рынок умных теплии в мире, млн долл. США)

.........Полиномиальная (Рынок умных теплиц в РФ, млн долл. США)

И РФ В 2U14-2U19 ГГ/‘

Рисунок 4. Сравнение рыночных закупок умных теплиц.

Заключение

Проведённое исследование показало, что интеллектуальные системы управления на основе искусственного интеллекта представляют собой ключевой инструмент трансформации производственных процессов в условиях Индустрии 4.0. Их развитие от жёстко детерминированных алгоритмов к адаптивным и самообучающимся платформам подтверждает универсальность применения ИИ как в промышленности, так и в смежных отраслях. Сравнительный анализ показывает, что механизмы машинного обучения, используемые для оптимизации бизнес-процессов в сервисной сфере (Кузнецов И.А., Шевяков А.Ю., Баранова Е.Д.), а также интеграция ИИ-инструментов в стратегический менеджмент агробизнеса (Пантелеева Т.А.), обладают высокой степенью методологической близости с промышленными ИСУ. Это позволяет говорить о формировании межотраслевого научного и практического подхода к внедрению интеллектуальных технологий.

В то же время исследование выявило ряд нерешённых проблем: необходимость обеспечения качества данных, вопросы кибербезопасности и недостаточная разработанность нормативно-правовой базы, особенно в части распределения ответственности за решения, принимаемые ИИ. Таким образом, дальнейшие исследования должны быть направлены на разработку методик интеграции ИСУ в различные отрасли экономики и создание универсальных стандартов внедрения интеллектуальных технологий.