С 14 по 16 ноября 2024г. в Шеньчжэнь прошла крупнейшая технологическая выставка в Восточной Азии China Hi-Tech Fair (CHTF-2024). В рамках мероприятия ЦИПР совместно с правительством Нижегородской области второй раз представили совместный стенд с российскими решениями для международного рынка. В состав российской делегации вошли представители ключевых технологических компаний – МТС, Фирмы «1С», «Дао Тех», STM Labs, а также ряда нижегородских компаний, которые презентовали разработки и достижения региона.
Через отраслевое сотрудничество к цифровой независимости
Разработка и внедрение новейших технологий на протяжении последних лет позволило компаниям повысить экономическую эффективность — в нефтехимическом холдинге СИБУР накопленный за счет оптимизации и цифровизации процессов эффект превышает 30 млрд рублей. Ставка на развитие цифровых технологий, в том числе собственных решений, также помогла отечественным компаниям непрерывно вести бизнес, несмотря на уход зарубежных поставщиков, а также подготовить базу для формирования технологической независимости.
Член правления, исполнительный директор СИБУР Василий Номоконов рассказывает о том, в каких направлениях применение цифровых технологий способствует достижению наибольших эффектов и как коллаборация с отраслью поможет в развитии технологического суверенитета.
— Цифровизация в промышленности — производственная необходимость или дань трендам?
— Пять лет назад, на старте тренда, многие промышленные компании стали анонсировать цифровую трансформацию в качестве стратегической цели и повсеместно внедрять новые технологии в свои процессы. В СИБУР мы тогда использовали подход technology push — оттолкнулись от появившихся технологий, смотрели и пилотировали то, что можно использовать у нас. При этом, начав программу цифровой трансформации, мы сразу же поставили себе цель по достижению экономических эффектов. Не отменяя, конечно же, важности удобства рабочих инструментов и в офисе, и на производстве и упрощения процессов. Но одно лишь удобство для хардовой культуры производственной компании — недостаточный результат.
Для нашего нефтехимического бизнеса цифровая трансформация стала одним из драйверов и способов повышения экономической эффективности. Промышленность — очень материальная среда и того, что принято называть disruption, как, например, в финтехе, телекоме, ритейле, мы не ожидали. При этом нефтехимия вследствие высокого уровня автоматизации (системы АСУТП, датчики КИП) тоже накопила достаточно количество данных «в поле», чтобы использовать их для цифровизации и более эффективного принятия решений.
К 2023 году накопленный эффект от оптимизации и цифровизации процессов в СИБУР составил более 30 млрд руб. Нефтехимия — это гектары тяжелых
производственных установок. Нельзя в разы повысить отдачу от уже
спроектированных и построенных крупнотоннажных мощностей, но на проценты — можно и нужно. Поэтому для нас это хороший экономический результат.
— Как на темпы и подходы к цифровизации влияет уход зарубежных вендоров?
— В прошлом году нашей главной задачей (и, скорее всего, СИБУР не исключение) стало обеспечение непрерывности бизнеса. Мы использовали риск-ориентированный подход — распределили технологические направления в зависимости от критичности влияния на бизнес. Есть то, что можно и дальше поддерживать самостоятельно. Есть решения, продолжающие за счет быстрой реакции рынка работать без поддержки официального вендора — от офисного ПО до систем управления производством. И есть те иностранные решения, долгосрочное развитие которых сегодня уже невозможно. В этом направлении — наиболее интересные для нас задачи и наибольший потенциал для создания собственных разработок, возможность заложить фундамент технологической независимости.
При этом у нас нет цели скопировать импортные системы и сделать такие же, но российские. Выращенная на протяжении многих лет технологическая база, которая лежит в основе зарубежных решений, их высокая зрелость — это преимущество. С другой стороны — это уже устаревший технологический стек и архитектура, которую сегодня нужно не столько заместить, сколько разработать нечто качественно новое.
И примеры таких проектов уже есть. Совместно с партнерами мы разрабатываем отечественный аналог системы для оптимизации производственного процесса RTO, готовимся к началу разработки российской версии технологического моделирования, развиваем системы базовой автоматизации для химических и нефтехимических компаний. Часть решений, например, датчики и платформу промышленного интернета вещей, мы разработали, внедрили и тиражировали в СИБУР, а сейчас готовы делиться этой экспертизой и разработками с отраслью.
— Что необходимо для эффективного развития отечественных решений? Как достижению цифрового суверенитета помогает коллаборация?
— Важно, что проекты стартовали не параллельно в каждой крупной компании, а на базе объединенных площадок — индустриальных центров компетенций. Это единые стандарты архитектуры, разработки, интеграции, единые системы сбора данных. Есть принцип «единого заказа», а разработка решений ведется в соответствии с приоритетами. Внедрение происходит в 2 шага — сначала апробируется якорными заказчиками, соразработчиками, затем передается отрасли.
Если каждая компания будет идти по своему пути, мы получим 10 однотипных, узких, не применимых друг у друга решений, поэтому развивать индустриальные сегменты очень важно. Это позволит радикально сократить сроки и стоимость реализации проектов за счет общих платформ разработки и технологических стеков, общего кадрового пула и компетенций, и объединения инвестиций.
— За счет чего промышленники достигают экономических эффектов от цифровой трансформации?
— Основные домены для повышения эффективности и, соответственно, для достижения экономических эффектов в СИБУР — это производство, маркетинг и продажи, логистика.
По результатам 2022 года эффект от реализации портфеля организационных проектов достиг 13,2 млрд руб. эффектов.
Традиционными лидерами по достижению экономических эффектов на производстве остаются системы поддержки принятия решений. Это система ЭКОНС для визуализации ключевых показателей производственного процесса и их влияния на экономику предприятия, которая дает рекомендации операторам, система улучшенного управления технологическим процессом (СУУТП), которая работает как автопилот, система RTO для оптимизации параметров в режиме онлайн, видеоаналитика для повышения качества продукции.
В бизнесе значительный эффект был достигнут благодаря автоматизации процесса закупок. В сквозном процессе продаж заметный эффект дало масштабирование цифровых продуктов для кросс-продаж и лидогенерации – поиска новых клиентов, в том числе на новых рынках, внедрение сервисной модели, а также развитие спроса и цифровых каналов.
Нельзя недооценивать ИИ — около половины всех «цифровых» эффектов достигнуто благодаря решениям на базе искусственного интеллекта.
— Какие возможности есть для ИИ в промышленности?
— Мы стремимся сделать все процессы более эффективными: больше производить, используя меньше сырья и энергии, находить новых клиентов на новых рынках, получать подсказки, чтобы предлагать им более выгодную цену и новые продукты. Нефтехимия предполагает множество переделов, соответственно, есть много вариантов более умно использовать молекулу: продать или запустить следующий передел? Если продать — то где и кому? И так далее. В этих кейсах инструменты ИИ помогают человеку принять наиболее эффективное решение.
СИБУР одним из первых начал использовать системы оптимизации производственного процесса на базе моделирования и ИИ. Алгоритмы ИИ в режиме реального времени контролируют все ключевые параметры работы оборудования и позволяют заблаговременно выявить отклонения, а также интерпретировать, в каком именно узле или агрегате развивается неисправность. Модели видеоаналитики применяются для автоматического анализа видеопотока с камер на предмет отклонений от штатного режима работы.
В этом году мы вывели наше решение по управлению моделями машинного обучения — Sibur ML Framework — на внешний рынок, теперь оно доступно нашим партнерам. Инструмент позволяет вынести общую функциональность различных моделей на уровень платформы и автоматизировать работу с моделями машинного обучения.