Применение графов знаний как элемента интеллектуального производства (на примере обрабатывающей промышленности Китая)

Российская академия народного хозяйства и государственной службы при Президенте РФ, Москва, Россия, ,

Moscow, Russia, ,

производства. Графы знаний как эффективный инструмент представления массива данных и рассуждений обеспечивают мощную поддержку этого направления развития промышленности.

Целью настоящей работы является рассмотрение тенденций развития картирования знаний в области интеллектуального производства на примере обрабатывающего, а также технологических инноваций и промышленных изменений, которые могут быть вызваны применением графов знаний.

Основная часть . С быстрым развитием облачных вычислений, больших данных, технологий искусственного интеллекта и карт знаний они все чаще применяются в традиционных отраслях промышленности и играют ключевую роль в оказании помощи предприятиям в осуществлении промышленной трансформации, технологической модернизации и повышении эффективности (Хо Ханвэй, 2021).

Граф знаний (Knowledge Graph) – это структурированное представление знаний, которое отображает их содержание и взаимоотношения в форме диаграммы (Ehrlinger, Wöß, 2016). В области искусственного интеллекта карта знаний широко используется во многих аспектах, таких как семантический поиск, интеллектуальные вопросы и ответы, а также системы рекомендаций. Кроме того, она может быть полезна для повышения эффективности контроля качества, тестирования, оптимизации энергопотребления, снижения затрат на техническое обслуживание оборудования, оптимизации производственных процессов и для других аспектов промышленной сферы. Техническая архитектура диаграммы знаний представлена на рис. 1.

Обработка знаний

Извлечение детых

Обобщение данных, кластеризация

Сбор необработанных данных

Рисунок 1 – Техническая архитектура диаграммы знаний

Figure 1 – Technical Architecture of Knowledge Graph

Процесс создания графа знаний составляет собой архитектурное представление сущности структурированных, полуструктурированных и неструктурированных данных и отражение взаимосвязей между ними. Он обычно включает в себя несколько этапов (см. рис. 1), среди которых:

• 1.    Сбор данных из различных источников (текстовые документы, информационные базы, аудио-, видеоисточники, изображения и т. д.).

• 2.    Очистка данных, их преобразование в единый формат и интеграция для обеспечения согласованности и точности информации.

• 3.    Идентификация и извлечение объектов, таких как люди, места, организации и предметы, из очищенных данных.

• 4.    Определение взаимосвязей между объектами.

• 5.    Кластеризация. Важно обеспечить, чтобы архитектура графа была спроектирована для свободной и точной ориентации в ней, необходимо проработать систему поиска. Это можно сделать, создав подходящую онтологию к графу, которая представляет собой формальное представление набора понятий и взаимосвязей между ними.

• 6.    Загрузка в специализированную базу данных, предназначенную для их хранения и управления ими.

Как только граф знаний помещен в хранилище, к нему можно обращаться за информацией. При этом важно учитывать качество и количество содержащихся в нем данных, с которыми работает предприятие. Чем больше их количество и выше качество, тем более точным и полезным является граф знаний.

Также важно предусмотреть возможность внесения в данную структуру изменений, поскольку информация по предприятию может со временем изменяться.

Необходимо также соблюдать все правила, касающиеся конфиденциальности информации и защиты личных данных сотрудников, поскольку в общей информационной массе риски утери или утечки информации остаются высокими.

Применительно к обрабатывающей промышленности Китая создание карты знаний начинается со сбора и интеграции активов корпоративных данных. Затем – получение структурированных данных из ERP, MES, PLM и других систем, а также информации из неструктурированных документов, таких как руководства по техническому обслуживанию, журналы устройств, отчеты о производстве; объединение данных из всех источников в едином интерфейсе и стандартизированном формате на общей платформе. Обработка естественного языка может помочь системам понять, что он выражает и извлечь полезные точки знаний из неструктурированной текстовой информации. Технология базы данных диаграмм основана на узлах (Node) и сторонах (Edge) для представления сущности и ее отношений между собой, чтобы можно было разработать рациональную онтологическую модель (Ontology), позволяющую понять, как эта информация может быть организована в полную карту знаний. Система картирования производственных знаний оснащена мощной интеллектуальной поисковой и рекомендательной системой, которая позволяет пользователям легко получать необходимую информацию, а также активно продвигать соответствующий контент знаний и повышать эффективность работы предприятия.

Карта знаний может эффективно интегрировать знания во всех аспектах проектирования, продаж, обслуживания клиентов и т. д., она способна помочь предприятиям наладить интеллектуальное производство, оперативно осуществлять диагностику неисправностей и реализовывать точный маркетинг.

Карта знаний позволяет интегрировать знания и создать граф, подходящий для конкретных отраслей промышленности. Это важный технологический элемент для эффективной работы всех подразделений предприятия. Он имеет следующие основные характеристики:

• –    эффективно хранит корреляцию между данными и знаниями в структурах ориентированных диаграмм, а информационные узлы, тесно связанные друг с другом, точно определяют внутренний логический контекст знаний и образуют органическое целое;

• –    обеспечивает эффективный доступ к данным и знаниям с помощью алгоритмов согласования карт;

• –    позволяет автоматически и интеллектуально находить и выводить из базы разнообразные сведения.

Карта корпоративных знаний имеет решающее значение как для предприятия, так и для его органов управления (Qingliang Miao et al., 2015), она принципиально важна для извлечения стратегических знаний из организации, демонстрации их и последующей передачи с использованием карты знаний в качестве инструмента (Волкова, 2011: 67). Производственные предприятия часто имеют несколько независимых систем в разных направлениях применения, таких как: цифровые системы научно-исследовательской работы, планы корпоративных ресурсов (ERP), системы исполнения производства (MES), складирования логистики, маркетинга, управления жизненным циклом продукции (PLM), отношениями с клиентами (CRM) и т. д. Информационные системы в различных областях применения также должны иметь соответствующую базу экспертных знаний, в том числе использовать методы автоматического выпуска продукции, обслуживания неисправностей оборудования, прогнозирования продаж на рынке, проектирования с помощью продукции, технологические методы производственного процесса и т. д. Карта знаний может интегрировать данные, связанные с качеством продукции, включая стандарты качества, методы тестирования, общие проблемы и решения. В процессе разработки продукта сотрудники компании могут своевременно выявлять и решать потенциальные проблемы качества, запрашивая карту знаний, чтобы понять требования к продукции и обозначить контрольные точки (Хе Мэнцзе и др., 2024). Управление данными помогает устранить их фрагментарность и оптимизировать принятие решений, создать всеобъемлющую карту корпоративных знаний, обеспечить всестороннюю интеграцию бизнес-данных и экспертных знаний на предприятии (Чжан Цзяньхуа, 2023: 80).

Атлас знаний (KG) может структурировать большое количество знаний, опыта и правил в области дизайна продукта, предоставляя сотрудникам интеллектуальные функции проектирова- ния. Дизайн продукта включает в себя знания во многих областях, в том числе технические знания, стандарты, фундаментальные научные положения, передовые технологические приемы, патентную информацию и т. д. (Feiyue Huang, Lianglun Cheng, 2024). Атлас знаний (KG) может объединить эти децентрализованные знания дизайна и создать единую систему. Карта знаний объединяет пользовательские данные из различных источников, включая внутренние системы предприятия, обратную связь с пользователями, исследования рынка, комментарии в социальных сетях и т. д. Она позволяет интегрировать и увязывать эти технические знания, обеспечивая всестороннюю поддержку для разработчиков.

На фоне интеллектуального производства промышленные системы движутся в направлении более сложного развития (Ping Lou et al., 2023), а система картирования знаний может обеспечить мониторинг производственного оборудования в области технического обслуживания. С помощью IoT собираются данные о температуре, скорости, влажности и других эксплуатационных состояниях оборудования, периодических записях об обслуживании и т. д., затем они связываются с инструкциями по оборудованию, случаями отказа и другими знаниями, чтобы сформировать файл с полной информацией о состоянии устройства. График знаний позволяет интегрировать различные данные и информацию во время его работы, а также прогнозировать и диагностировать неисправность оборудования посредством анализа и раскопок. Когда система обнаруживает ошибку, она может быстро определить причину проблемы и рекомендовать решения для своевременного устранения неисправностей оборудования, снижения затрат на техническое обслуживание, повышения эффективности работы и срока службы оборудования.

Дизайнерский отдел при внешнем оформлении продукта использует карту знаний, чтобы понять ограничения и требования инженерного отдела к структурному проектированию, ее же применяет производственный сектор для обеспечения обратной связи с потребителем и отделом качества, чтобы избежать проблем с проектным решением в последующих звеньях. Карта знаний может собирать и анализировать данные контроля качества, связывать проблемы несоответствия продукции нормам с оборудованием, сырьем и другими факторами. После обнаружения проблем, таких как неправильная настройка технологических параметров, качество материала и т. д., можно быстро определить источник проблемы и найти способ ее решения.

Карта знаний имеет широкие перспективы и потенциал применения в области интеллектуального производства, например, Shangqi General SGM, China Tobacco Machinery Group и другие компании используют большие модели и технологии искусственного интеллекта для интерактивного обновления платформы, но также сталкиваются с различными проблемами. Знания и технологии в области интеллектуального производства постоянно обновляются и меняются, а версии программного обеспечения и базы знаний – расширяются.

Если предприятие использует карту знаний производственного процесса, оно может обеспечить точное описание и интеллектуальный анализ всех элементов последнего, оперативно выявлять «узкие» места и проблемы в производственном процессе, оптимизировать его, повышать эффективность выработки и качество продукции за счет коррекции характеристик сырья, изменения параметров обработки и других показателей. При возникновении ошибки в каком-либо месте производственной линии карта знаний выводит субдиаграмму, в центре которой находится узел, и обнаруживает факторы, провоцирующие ее возникновение, после этого ищет причину. Система карт знаний устанавливает корреляцию между этими факторами, помогает найти оптимальное сочетание технологических параметров для дальнейшего повышения качества и стабильности продукта.

Управление цепочкой поставок путем построения карты знаний, включающей интегрированные данные анализа рыночного спроса, информацию о закупках, поставщиках, логистике, продажах и т. д. На этой основе можно реализовать точное описание и интеллектуальный анализ всех звеньев цепочки поставок, осуществить прогнозирование ключевых показателей, таких как уровень запасов и цикл поставок, оптимизировать распределение ресурсов, повысить гибкость и скорость реагирования участников поставок и снизить эксплуатационные расходы. Поэтому разработка атласа знаний в области управления цепочками поставок имеет стратегическое значение не только для усиления синергизма, но и для повышения уровня интеллектуального управления (Yuexin Huang et al., 2024).

Система графов знаний предлагает совершенно новую модель обучения для предприятий, в рамках которой сотрудники имеют возможность быстро приобретать знания и навыки, необходимые для работы через систему, включая оперативные протоколы, спецификации безопасности и т. д., а также для достижения объединения межсекторальной и бизнес-системы знаний (Yuyu Zhang et al., 2018; Salman Mohammed et al., 2018).

В целом, уникальность области интеллектуального производства определяет специализацию карты знаний, которая демонстрирует следующие уникальные характеристики:

• 1.    Нехватка информационных ресурсов по узким отраслям. Области интеллектуального производства учитывают конкретные отраслевые знания, технические стандарты и профессиональную терминологию, а карта знаний требует глубокого представления и моделирования знаний в этих областях.

• 2.    Требования в отношении вспомогательных решений и интерпретируемости. Трактовка диаграммы знаний интеллектуального производства имеет решающее значение, поэтому необходимо обеспечить, чтобы результаты ее были ясными для экспертов, тщательно проверенными и понятыми специалистами, чтобы гарантировать научность и надежность решений. Например, когда возникают проблемы с качеством производственных партий, карты знаний не только указывают на возможные их причины, но и объясняют, на основе каких знаний и данных был получен этот результат.

• 3.    Атлас знаний обеспечивает управление продукцией на протяжении всего ее жизненного цикла. Это узкоспециализированная система, предназначенная для хранения данных, полученных на всех этапах жизненного цикла продукции, включая исследования и разработки, стандарты проектирования, технологические процессы, производственные цепочки, контроль качества и т. д. Эти данные и знания тщательно отфильтрованы и интегрированы, тесно связаны с различными сценариями применения в области интеллектуального производства и практическими проблемами, возникающими на протяжении всего жизненного цикла продукта. Данное обстоятельство позволяет значительно повысить эффективность и качество процессов проектирования и производства продукции, провести точный анализ данных, чтобы решить сложные проблемы в реальном производстве, обеспечить прочную основу для принятия решений в интеллектуальном производстве.

Интегрируя внутренние и внешние массивные ресурсы данных предприятия, система картирования знаний создает информационную базу, охватывающую исследования и разработки, оборудование, процессы, материалы и даже всю промышленную цепочку, обеспечивая беспрецедентную интеллектуальную поддержку промышленного производства, в том числе обрабатывающего.

Карта знаний имеет широкие перспективы и потенциал применения в области интеллектуального производства, но ее использование также сталкивается с различными проблемами. Знания и технологии в области интеллектуального производства постоянно обновляются и меняются, а карта знаний динамично расширяется. Она включает в себя большое количество основных корпоративных данных, и вопрос о том, как обеспечить их конфиденциальность и информационную безопасность, становится важным.

Открытый обмен организаций картами знаний также может вызвать проблемы, например, с соблюдением права интеллектуальной собственности. Для построения карт знаний требуется большое количество достоверных данных, точность маркировки влияет на качество и эффективность запросов, рассуждений и интерпретаций информации из карт знаний, в то время как построение и применение последних требует наличия междисциплинарных компетенций и устойчивых навыков в области компьютерных наук.

Заключение . Таким образом, карта знаний демонстрирует свою уникальную ценность во многих аспектах интеллектуального производства. В обрабатывающей промышленности Китая ее значимость проявляется во многих измерениях. С непрерывным совершенствованием новых технологий, таких как искусственный интеллект, большие данные, облачные вычисления, промышленный Интернет, особенно в области проектирования сложных продуктов и оптимизации производственных процессов, контроля качества и управления цепочкой поставок, а затем послепродажного обслуживания клиентов, карта знаний может обеспечить точную и эффективную поддержку данных для интеллектуального производства, чтобы помочь предприятиям достичь более эффективного управления и более высокого экспорта продукции.

Несмотря на то, что графы знаний подвергаются детальным исследованиям, активно применяются в области интеллектуального производства, их внедрение в сферу промышленности часто сопровождается некоторыми проблемами. Например, вопросы разработчиков вызывают такие направления, как создание более совершенной и точной карты знаний, обработка крупномасштабных и сложных данных, расширение возможностей анализа и интерпретации карты знаний и т. д. Решение этих проблем требует постоянных исследований и инноваций со стороны научного сообщества и представителей производства.

В этом контексте представляется, что будущие карты знаний будут более интеллектуальными и точными, смогут лучше удовлетворять потребности в области рационального производства, содействовать трансформации и модернизации обрабатывающей промышленности и высококачественному развитию производственной сферы. С непрерывным совершенствованием технологии картирования знаний и расширением области ее применения ценность данного способа организации информационно-производственного пространства в области интеллектуального производства, на наш взгляд, также будет повышаться.