Содержимое для авторизованных пользователей

Как ИИ трансформирует бизнес-процессы СИБУРа

На ЦИПР-2024 СИБУР, «Сбер» и ЦРТ заключили соглашение о сотрудничестве в сфере искусственного интеллекта, направленное на совместное развитие и реализацию практических кейсов применения большой языковой модели «Сбера» GigaChat. О том, в каких направлениях бизнеса крупнейшая нефтегазохимическая компания России тестирует гипотезы с ее применением, какой эффект уже удалось получить и каковы перспективы генеративного ИИ в промышленном секторе, рассказала Алиса Мельникова, директор по цифровым и информационным технологиям СИБУРа. 

— СИБУР сегодня является, пожалуй, одним из лидеров в сфере применения искусственного интеллекта. Вы неоднократно упоминали, что вклад ИИ в общий экономический эффект от цифровой трансформации компании не менее половины. При этом генеративный ИИ для тяжелой промышленности – явление новое. Почему вы считаете этот инструмент перспективным?

—  Согласно последнему отчету Стэндфордского университета, по итогам 2023 года не менее 55% организаций используют ИИ хотя бы в одном бизнес-подразделении или функции. При этом 59% сообщают об увеличении дохода, а 42% – о снижении затрат в результате внедрения ИИ, в том числе генеративного. Можно приводить еще много данных из других аналитических отчетов, но уже очевидно, что ИИ становится инструментом повышения эффективности и устойчивости бизнеса во всем мире.

Мы в СИБУРе уже несколько лет успешно применяем решения на базе ИИ во всех ключевых бизнес-процессах и тестируем новые гипотезы, которых сегодня в портфеле компании более 70. Наше стратегическое партнерство со «Сбером» и ЦРТ в сфере применения генеративного ИИ нацелено на получение дополнительных экономических эффектов в процессах СИБУРа от этой технологии, а для партнеров – возможностью обогащения своего портфеля продуктов и услуг для рынка промышленных компаний на базе нашего совместного опыта работы.

— В каких именно бизнес-процессах СИБУР тестирует генеративный ИИ?

— Одно из ключевых направлений нашей работы – тестирование возможностей применения генеративного ИИ для предиктивной диагностики оборудования, которого в холдинге десятки тысяч единиц.

Если нам удается заранее предсказать и предотвратить поломку того или иного агрегата, мы сокращаем возможные потери и увеличиваем доход компании. Чтобы понять, правильно работает агрегат или нет, необходимо собрать с него в среднем 150 параметров. А если агрегатов, например, 200, то мониторить приходится уже 30 000 параметров. Оперативно и качественно справиться с этой задачей человеку не под силу. И тут на помощь приходит искусственный интеллект.

Все собранные с агрегатов данные обрабатываются с помощью математической модели, которая помогает нам понять состояние конкретного агрегата и на ранней стадии предотвратить возможную причину поломки. Таким образом, использование ИИ для предиктивной диагностики уже позволило нам получить экономический эффект на уровне 1 млрд руб., благодаря предотвращению внеплановых остановок производства.

Дальше в дело вступает генеративный ИИ. Решение, которое мы сейчас тестируем, представляет собой ИИ-ассистента инженера-диагноста, с которым можно вести диалог о причине неисправности оборудования. В формате чат-бота его можно спросить о причинах нехарактерного поведения агрегатов, а в ответ, обучившись в том числе на большом количестве исторических данных с наших же производств, он формулирует гипотезы о причинах и возможные варианты устранения неисправности. Таким образом значительно упрощается и ускоряется работа инженера-диагноста. Сегодня в СИБУРе данный инструментарий применяется для 200 критичных агрегатов, а для их мониторинга достаточно всего четырех человек. В целевой картине модель управления надежностью с применением ИИ и конкретно LLM обеспечит мониторинг 9 тысяч агрегатов. При этом количество требуемых специалистов не будет увеличиваться пропорционально.

— В каких еще направлениях вы тестируете генеративный ИИ?

— Следующее направление – логическое продолжение предыдущего. Одно из условий бесперебойной работы агрегатов – запасные части и узлы, которые ежегодно СИБУР закупает сотнями тысяч. Мы проанализировали процесс закупок и поняли, где мы можем его оптимизировать.

Когда закупщику нужно что-то купить, он формирует заявку на оборудование или расходные материалы со специфическими требованиями, например, конкретный бренд или конкретную модель. При этом он может не учитывать, что у других поставщиков есть аналогичный товар по более низкой цене или более высокого качества. Или же на складе уже есть оборудование со схожими характеристиками, которое может подойти.

Когда мы говорим про эквиваленты или аналоги, мы начинаем думать не категориями конкретных номенклатур, а уходим в плоскость технических характеристик оборудования, по которым осуществляется поиск. В нашем справочнике номенклатур сейчас около 500 тысяч записей, поэтому очень важно с высокой эффективностью научиться сопоставлять и искать эти параметры, благодаря чему мы можем подбирать аналогичные по характеристикам позиции. И здесь на помощь приходит ИИ.

Глазами пользователя решение выглядит как чат с помощником: заказчик направляет запрос на закупку, ИИ определяет критерии и просит уточнить параметры, заказчик их заполняет и далее ИИ анализирует наличие позиции или предлагает альтернативу. Таким образом, мы быстрее находим доступные на складах или на рынке позиции, укрупняем закупки и получаем за это дополнительные скидки от поставщиков. Плюс к этому у нас не растет запас неликвида на складах.

— Еще одно направление, в котором вы работаете совместно со «Сбером» – это создание новых полимеров. Какие возможности ИИ в R&вы видите?

— Да, мы тестируем генеративный ИИ в прикладной науке. СИБУР – это крупнейшая нефтехимическая компания, которая производит ежегодно 7 млн тонн самых разных полимеров, в нашем портфеле их тысячи наименований. И все они должны быть конкурентными, эффективными и отвечающими современным запросам рынка.

Для того, чтобы оперативно реагировать на запросы рынка, необходимо мониторить огромное количество информации. ИИ-ассистенты сегодня помогают нам существенно ускорить разработку новых продуктов с помощью анализа патентов, выявления трендов разработки полимеров и ключевых технологий, предсказания развития использования полимеров в различных отраслях. То, что раньше у специалиста занимало дни и недели, сегодня возможно сделать за несколько минут.

Следующий шаг – подбор с помощью ИИ параметров производства для достижения заданных конечных свойств полимера. Здесь речь про анализ исторических данных, выявление ключевых факторов влияния на характеристики полимера на всех стадиях и оптимизация режимов производства под новые продукты. Таким образом мы существенно сокращаем время и объем экспериментирования до получения нужного результата, заменяя часть лабораторных экспериментов на цифровой формат.

Применение ИИ при создании новых продуктов позволит нам достичь важные для бизнеса выгоды – ускорение вывода конечного полимера на рынок и переход на прогнозную модель разработки новых продуктов из догоняющей.

— Описанные вами кейсы действительно выглядят как то, что поможет значительно облегчить рабочие будни специалиста и сделать его труд менее рутинным. А можно ли, на ваш взгляд, масштабировать эти решения на другие компании?

— Многие из решений, которые мы тестируем, действительно подходят не только для нефтехимии, но и для других отраслей промышленности. Поэтому мы и наши партнеры будем готовы делиться своим опытом по результатам реализации успешных кейсов с другими компаниями, которые могут получить аналогичные эффекты.

Прокрутка наверх