Сегодня отвлечёмся от новостей автоматизации и вспомним, с чего всё начиналось. В 1961 году, когда в мире ещё не было ни одного цифрового директора, на заводе General Motors в Нью-Джерси тихо, без особого внимания, появился новый сотрудник — робот Unimation.

Сегодня это считается точкой отсчёта промышленной автоматизации — первым опытом использования робота в производстве. Но тогда это событие прошло практически незамеченным. Несмотря на модные уже тогда представления о роботах будущего и всеобщие мечты об автоматизации, особых надежд на этого робота никто не возлагал. Никто, кроме его создателя — Джорджа Девола.

Понимая, что для продвижения первого промышленного робота (как мы его сейчас называем) нужны громкие имена среди клиентов, Девол продал своё изобретение GM в убыток — за 18 тысяч долларов, потратив на разработку около 56 тысяч.

Напарник Девола — Джозеф Энгельбергер, у которого, видимо, в большей степени была развита предпринимательская жилка, организовал для Unimation публичное выступление на вечернем телевизионном шоу. Там первый промышленный робот открывал банки пива и дирижировал оркестром. Зал рукоплещет, публика в восторге, но добиться ожидаемого результата не удалось. Увы, Америка восприняла Unimation как энтертеймент, и бизнесмены были готовы покупать робота для развлекательных мероприятий, где он мог бы снова открывать пиво. В то же время на заводе General Motors только-только наклевывалась окупаемость робота — и это при его крайне низкой стоимости!

Ситуацию спасли японцы. Они разглядели практический потенциал первого промышленного робота и пригласили Девола и Энгельбергера к себе. По воспоминаниям изобретателей, их там ждали не шоураннеры, а 500 руководителей промышленных предприятий, настроенных на практическое применение робототехники. Это стало отправной точкой как для самой компании, так и для всей отрасли, в которой мы с вами теперь работаем. А через 15 лет компанию Unimation приобрела американская Westinghouse за 107 миллионов долларов.

Неожиданно для себя дал интервью Валентину Каськову на его канале

https://youtu.be/hUj-xDfKCnk

То же самое перепостили на родном НТРовском канале на Рутьюбе:

https://rutube.ru/video/fda881a2bbf269a9aa629f5e22d4295b/

Формат для меня непривычный, сам я видео смотрю редко, тем паче редко снимаю. Когда-нибудь добавим текстовую расшифровку.

С другой стороны, у Валентина так ловко выходит, что даже захотелось самому кого-нибудь проинтервьюировать из знакомых ИТ-/ инновационных/ цифровых директоров. Никто не хочет рассказать про какой-то свой проект? :)

Возможно, последнее место, где ожидаешь увидеть AI-роботизацию — древнеяпонское искусство умерщвления рыбы икэ дзимэ (活け締め). Это гуманный способ разделки, при котором с помощью специального тонкого крюка быстро прокалывают задний мозг и рыба мгновенно умирает. Считается, что так животное не успевает испугаться, поэтому мышцы остаются более расслабленными. В них не успевает накопиться гормон стресса и молочная кислота. Для ценителей вкус такой рыбы несравненно лучше, чем у обычной. Техника икэ дзимэ хоть и довольна распространена, но остается скорее искусством, чем технологией.

Нужно быть отчаянным энтузиастом одновременно роботизации, и икэ дзимэ, чтобы сначала вообще задуматься об автоматизации этого древнего искусства, а затем создать робота, найти инвесторов и наладить серийное производство. Именно такие энтузиасты создали необычный стартап Shinkei.

Заряженные идеей икэ дзимэ, они разработали Poseidon. Это робот размером примерно с холодильник, который принимает живую рыбу, распознает ее вид с помощью AI, определяет, где у нее находится мозг и жабры, а затем проводит саму операцию. Убитая рыба отправляется в ледяной контейнер.

Помимо икэ дзиме авторы, видимо, владеют и не менее древним искусством убеждения и маркетинга, потому что им удалось вдохновить инвесторов и привлечь на разработку этого вроде бы нишевого продукта 22 млн долларов. Сейчас четыре “Посейдона” уже работают на рыболовецких судах, в скором времени планируют выпустить в плавание еще 10.

Давно мы не писали здесь про опросы и статистические исследования нашей области, а сейчас появился повод — Стэнфорд провёл интересное исследование, в котором опросили одновременно и “поставщиков” цифровизации (AI-экспертов, цифровых директоров, лидеров автоматизации), и её “потребителей” (полторы тысячи работников разных индустрий). И тех, и других спрашивали насчёт 844 различных производственных или бизнес-задач: например, “составить отчёт по бюджету”, “проанализировать данные датчиков контроля”, “подготовить план собраний”. Эксперты определяли возможность автоматизации этой задачи с помощью AI, а работники оценивали, насколько им хотелось бы отдать эту задачу искусственному интеллекту.
В итоге получилась карта, на которой стэнфордские исследователи выделили 4 области (хотя, если посмотреть на график, то предложенное разделение выглядит спорно).
Лучшая зона — зелёная, где, прямо как в тосте, наши желания совпадают с нашими возможностями. Это те задачи, на которые можно и нужно направлять силы. Например: “вести учёт передачи данных, обнаруживать и устранять ошибки”, “обработать данные и представить аналитику”.
В серую зону попадают те задачи, в которых на успех искусственного интеллекта эксперты не рассчитывают, а пользователи не надеются. Например, составить конфигурацию сети или документацию к уровню в видеоигре.
Красная зона — самая досадная. В этой зоне находятся те задачи, которые можно хорошо решать с помощью AI, но пользователи этого не хотят. Например, составить описание базы данных или проверить техническую документацию на предмет ошибок. Что делать с этой областью — непонятно, но для разработчиков автоматизированных систем варианта два: либо переубеждать индустрию, либо переводить фокус к другим задачам (желательно в зелёной зоне).
Наконец, жёлтая зона — область больших надежд и небольших возможностей. Здесь те задачи, которые бизнес хотел бы отдать AI, но пока это получается не слишком хорошо. Например, мониторить и править бюджет или разрабатывать новые методы вычисления для научных и инженерных задач.
Ради интереса поискали среди 844 задач чисто производственные. К сожалению, это всего одна единственная задача и звучит она так: “отслеживать условия, влияющие на потребность в электроэнергии (например, погоду), и настраивать оборудование”. Зато найти эту одинокую точку на графике не составит труда — она находится ровно по центру, на пересечении границ областей. То есть ожидание потребителей и возможности разработчиков совпадают — “на троечку”.
Кроме R&D-отделов эта карта может быть полезна для венчурных фондов и акселераторов. В рамках того же исследования 844 бизнес-задачи наложили на концепции реальных стартапов из Y Combinator. Оказалось, что в красной зоне — аж 41% проектов.

В 1999 году в небольшом городке к северо-востоку от Ванкувера появилась компания TechBrew Robotics. Она довольно успешно разрабатывала единичные роботизированные решения для всяких разных производств — от пищевого до медицинского. Так продолжалось ровно 20 лет. За это время компания оставалась небольшой — не более 100 человек в штате, — но ей вполне хватало уникальных проектов для существования.

А в 2019 году TechBrew вдруг меняет имя, привлекает 20 миллионов долларов инвестиций (а позже — ещё 40) и неожиданно становится лидером отрасли. При этом в штате остаётся всё те же 70 сотрудников. Что же произошло?

TechBrew, которая теперь стала 4AG (читается как ‘forage’), нащупала свободную нишу и сконцентрировала всё своё внимание на ней. Этой нишей, ранее обделённой роботизацией, оказался сбор шампиньонов на грибных фермах. Дело в том, что этот процесс, во-первых, очень деликатный, а во-вторых, самый важный для всего производства — ошибки в сборе влияют на общую урожайность. Из-за этого фермы традиционно полагаются в этом вопросе исключительно на ручной труд.

Однако в 4AG Robotics заметили, что есть и другие аргументы, которые, наоборот, делают сбор грибов идеальным кандидатом для роботизации. Грибы растут очень быстро — на 4% в час. То есть собирать созревшие шампиньоны нужно не раз в неделю и даже не раз в день, а буквально постоянно. Поэтому это ещё и самый дорогой для фермы производственный процесс. К тому же среда, в которой выращивают грибы — холод, сумрак и влажность, — тоже не лучшие условия для ручного труда.

4AG решили, что эти аргументы весомее, а создать робота для такой деликатной работы хоть и сложно, но возможно. Убедив в этом инвесторов, компания создала своё первое коробочное решение — робот с компьютерным зрением, который в режиме 24/7 осматривает “грядки”, аккуратно выкручивает созревшие грибы, обрезает ножку в нужном месте и складывает их в готовые к продаже контейнеры.

Сейчас компания уже запустила несколько десятков роботов, производство расписано надолго вперёд, грибные фермы стоят в очереди. Обычно подобные рассказы заканчиваются чем-то вроде “планируется адаптировать технологию и для других областей”, но не в этот раз. 4AG считают, что лучше области для роботизации, чем выращивание грибов, сейчас нет и собираются заниматься исключительно этой задачей.

170 лет назад священник Лоренц Лангстрот обнаружил, что когда у пчёл остаётся от 6 до 9 мм свободного пространства, они оставляют его пустым — не строят там сот и не замуровывают его прополисом. Из этого наблюдения родилась гениальная конструкция ульев с рамками, которые можно вынимать для инспекции или других операций. С тех пор все ульи строятся именно так: принципиальных изменений за 170 лет не произошло — меняются материалы, размеры, технологичность изготовления, но не сама суть.

Между тем объёмы производства и запросы рынка растут, поэтому необходимо каким-то образом повышать эффективность сбора мёда. Если модернизировать улей не требуется, а роботизировать пчёл пока невозможно, то остаётся единственное слабое место — пчеловод. Для решения этой задачи израильская компания Beewise разработала роботизированный улей, в котором большая часть работы пчеловода передана компьютерному зрению, роборукам и AI.

Обычно пчеловод 1–2 раза в неделю достаёт каждую рамку с пчёлами, осматривает её, проверяет состояние насекомых и возвращает обратно в улей. Beewise делает всё то же самое, но в автоматическом режиме. За 1–2 недели между ручными осмотрами в улье может произойти многое — например, распространиться инфекция или паразит. Beewise обрабатывает данные почти в реальном времени и автоматически направляет уведомления о проблемах (например, нехватка новых личинок или появление клещей).

Что ещё интересно в этом кейсе — это чрезвычайно благодатная почва для обучения AI. В каждой рамке насчитывается около 6000 сот, в каждом улье — до 15 рамок, а в одном Beewise — до 10 ульев. Процессы в колонии происходят быстро, поэтому данных для обучения можно получить очень и очень много за короткое время.

Мы создали этот канал, чтобы делиться экспертизой и объединять коллег, которым интересно обмениваться опытом.

Но если иногда хочется не только обучать робособак под сложные промышленные задачи, а, скажем, запрячь их в упряжку и прокатиться по Останкино под вирусный трек, то кто мы такие чтобы себе это запрещать? Экспертиза экспертизой, а приколами тоже приятно делиться. Потому что в этом мы тоже эксперты

Про дроны для инспекции мы пишем часто — просто потому, что сами плотно этим занимаемся. Польза и необходимость передачи инспекции промышленных объектов в руки роботов очевидны. В первую очередь это, конечно, безопасность работников, которым больше не нужно залезать внутрь бункеров, трубопроводов, шахт и так далее. Во вторую — экономия времени и средств на техническое обеспечение этих мероприятий.

Но вот коллеги из британской Energy Robotics видят проблему с другого, нового для нас угла.

По всему миру растёт средний возраст работников (в России — тоже). Рабочая сила стареет во всех отраслях, и если для офиса это не критично, то в промышленности возникают сложности. Задачи инспекции связаны с физической активностью (залезть на леса, провести замеры) и плохо подходят людям старшего возраста. Поэтому они часто предпочитают уходить раньше обычного срока. Но именно эти сотрудники обладают уникальной экспертизой, опытом и насмотренностью, которые в условиях старения рабочей силы оказывается некому передать. Так возникает “Boomer Brain Drain” — поколенческая утечка мозгов.

На эту неочевидную проблему обратил внимание Марк Дасслер, СЕО Energy Robotics, и превратил её в маркетинговый ход. Раз старшее поколение не хочет больше лезть в нефтяные бункеры, на ветряные вышки и инженерные леса, пусть это делают дроны и робособаки — благо такие уже есть во многих странах (в России — тоже). Таким образом, мы даём возможность старшим работникам не увольняться раньше времени, а компаниям — сохранить их опыт. Дрон собирает всю информацию, а заслуженный специалист, сидя в безопасном и комфортном офисе, анализирует данные и принимает решения.

Спасибо Марку Дасслеру за наблюдение

Любая уважающая себя компания-гигант стремится к автоматизации своих производственных процессов. И любая уважающая себя компания-гигант имеет R&D-отдел, который исследует новые способы производства и научно обосновывает, что продукция этой компании — лучшая в мире. Но вот стремятся автоматизировать сам процесс R&D далеко не все компании, даже среди гигантов.

Nestlé стала, возможно, одной из первых таких компаний. Благо, условия подходящие: есть очень удобная для автоматизации задача — перебор «рецептов» для идеального заваривания капучино 3-в-1 — и есть дружественный академический ресурс — Швейцарская высшая политехническая школа.

В итоге получился необычный проект, который уже дал интересный результат: робот перебирает разные способы приготовления, компьютерное зрение оценивает получившуюся пенку и на основе этой оценки формирует следующие настройки эксперимента. Настраиваемые параметры приготовления капучино достаточно просты: высота, с которой наливается вода, а также время и скорость размешивания.

Что мы можем вынести из этого кейса? Во-первых, что для идеального кофе 3-в-1 нужно наливать воду с высоты 11 см и не слишком быстро размешивать в течение 50 секунд. Во-вторых, что автоматизация не ограничивается только производством — по крайней мере, если речь идёт об уважающих себя компаниях-гигантах.

На прошлой неделе мы побывали на фабрике одного из наших заказчиков — современное, отлаженное производство с лучшим в своей области оборудованием, множеством цифровых систем, автоматическим контролем качества и так далее.
Но вот ультрабыстрая линия останавливается. К этой мощной машине, оснащённой камерами с компьютерным зрением, точнейшим лазером и другим умным оборудованием, подходит мастер с киянкой и слегка простукивает входную воронку — ультрабыстрая линия засорилась, и без помощи человека не обойтись.

Эта «последняя миля» автоматизации — путь от цифровых систем до реальной машины и реального инженера — остаётся непройденной для большинства проектов.

А на этой неделе мы увидели интервью с создателем чешского стартапа Edmund, который как раз занимается этой самой последней милей. Проработав несколько месяцев на современном производстве, основатель компании Якуб Шлаур понял: системы предиктивного обслуживания на практике имеют очень ограниченное применение. Самой ценной «системой» остаётся мастер с отверткой (или киянкой) — тот, кто действительно идёт и налаживает машину. И неважно, сколько AI-отчётов и графиков построено и сколько данных собрано. Многие проекты по автоматизации лишь усложняют существующий порядок: добавляют больше датчиков, больше данных, больше систем.

Решение, которое предлагают в Edmund — универсальная LLM, которая берет уже имеющиеся данные со всех существующих в компании систем (а обычно таких систем много, каждая отвечает за свою часть) и через 24 часа готова выдавать пользователю информацию. Главное преимущество, о котором говорят создатели — пользователь получит только ту информацию, которая действительно нужна именно ему, без лишнего мусора. То есть мастер на производстве увидит только машину, к которой прямо сейчас лучше подойти с киянкой, чтобы позднее не пришлось тормозить производство.

Если уж быть честными, описание решения от Edmund принципиально не отличается от множества похожих — это тоже ещё одна система, добавленная к уже существующим. Но компания имеет успех у инвесторов в Центральной Европе, и мы желаем ей удачи. Для нас интереснее озвучивание текущих проблем отрасли — отрыв теоретического “предиктивного обслуживания” от реальности и бесконечное наращивание систем аналитики, которые лишь усложняют жизнь.

На российском рынке тоже уже нужны скорее интеграторы, чем новые системы. Нужно упрощать, а не усложнять, чтобы наконец пройти эту последнюю милю автоматизации.

Не каждый дрон — квадрокоптер. А в некоторых промышленных задачах квадрокоптеры и вовсе проигрывают другим конструкциям. Поэтому наш дрон-инспектор “Синильга” устроена по другому принципу. Какой дрон выбрать для разных задач, какие преимущества и проблемы у разных конструкций, и может, ручная инспекция все же эффективнее?

Если у вас есть ответы или другие вопросы на этот счёт -— присоединяйтесь к онлайн-дебатам завтра, 17 октября в 15:00. Регистрация тут

Hyundai открыла новую фабрику в Джорджии, HMGMA. Чем примечательна эта новость? Тем, что если всё сложится как задумано, то эту фабрику еще не скоро понадобится модернизировать. В HMGMA изначально заложены буквально все последние технологии, а также оставлено место для будущих инноваций.

Пока конкуренты и коллеги модернизируют существующие производства, реализуют сложные проекты по внедрению AI, роботов и так далее, на фабрике в Джорджии всё устроено так с самого открытия. Дроны автоматически инвентаризируют склады, умные камеры корректируют окраску деталей, беспилотные такси доставляют оборудование, а робособака ходит по производству и проверяет правильность сборки.

Кейс HMGMA — наверное, один из первых в текущую эру модернизации, но точно не первый в истории. Чуть больше века назад промышленность, так же как и сейчас, переживала бурный переход в новую эру. Производства гудели от инноваций, компании проводили масштабные проекты, модернизировали все возможные и невозможные процессы — шла электрификация. На этой волне, в октябре 1910 года, Ford открыл новую фабрику в Мичигане, Highland Park. Чем была примечательна эта новость? Тем, что по задумке владельцев эту фабрику долго не нужно было модернизировать. Это был совершенно новый тип производства — Форд был убежден, что электричество и освещение должны быть буквально в каждом углу завода.

В Highland Park был установлен гигантский генератор, который по проводам доставлял электричество по всему заводу — к двигателям оборудования и к бесчисленным лампочкам. Эта “электрификация от рождения“, разумеется, привела к невероятным преимуществам: производство стало точнее, быстрее и эффективнее. Но еще это дало эффект, на который создатели не рассчитывали. Производство получилось просторным, гибким, открытым — оно дало место для новых идей. В итоге всего через три года, в октябре 1913, в Highland Park придумали первый в мире сборочный конвейер, который сократил время производства со 150 до 25 минут.

Это не было результатом целенаправленных исследований или какого-то продуманного проекта. Это было спонтанным результатом того, что state-of-the-art производство освободило время и место для создания чего-то принципиально нового. Так что ставим таймер на три года и следим за фабриками вроде HMGMA, “цифровыми от рождения”.

Gurobi Optimization выпустила годовой отчет о положении математической оптимизации в индустрии, а такое мы с недавних пор не пропускаем. Опрос не самый масштабный (473 респондента), но подобных исследований пока в принципе мало, поэтому будем довольствоваться тем, что есть. Главный вывод — оптимизация становится новым фокусом внимания цифровых директоров. 51% представителей компаний ответили, что руководство увеличивает затраты на оптимизацию и в большей степени отдает ей приоритет.

Решения на основе математической оптимизации применяются в 7 из 10 компаний. Лидер среди точек приложения — планирование, причем любое: долгосрочное и краткосрочное, планирование производства, поставок и так далее. На уверенном втором месте — логистика. Также респонденты упоминают ценообразование.

Вы спросите: «А как же AI?» Вопрос однозначно уместен и приходит в голову всем, кто сталкивается с внедрением математической оптимизации в производство. Оптимизация не заменяет AI, а AI не заменяет оптимизацию — они решают разные задачи и делают это по-своему. Оптимизация — более древняя область, но сегодня разговор о любой автоматизации немыслим без AI, поэтому естественным образом возникает сотрудничество этих двух подходов.

По результатам Gurobi, 81% опрошенных компаний реализуют хотя бы один проект, в котором применяются и математическая оптимизация, и машинное обучение. Для сравнения, в 2020 году таких компаний было всего 46%. С генеративным AI ситуация пока более скромная — совмещение с оптимизацией остается скорее на уровне экспериментов (помощь в кодинге не в счет).

Gurobi Optimization, конечно, компания заинтересованная, и, составляя такие отчеты, преследует свои понятные цели. Но и мы с недавних пор не беспристрастны в этой области — видим спрос у наших заказчиков, видим перспективу для математической оптимизации на российском рынке и с удовольствием реализуем такие проекты.

Показали Синильгу, пусть и не в деле

Компания Brightpick представила новый — очередной в своей линейке — мультифункциональный робот для складских задач. Он может автоматически передвигаться, искать товары и собирать заказы на складе, но главное — делает это не медленнее человека.

Autopicker 2.0 позиционируют как человекоподобного робота, но, к счастью, в данном случае человекоподобность не про форму, а про поведение. Техническое оснащение перечислять не будем — всё, примерно, стандартно. Главное, что действительно делает его ближе к человеку, — способность одновременно двигаться и собирать товары. То есть, робот забирает не нужный товар, а всю корзину и сразу же продолжает движение к следующей точке. Сборка происходит по дороге от одной точки до другой. Маршрут тоже по-умному оптимизируется, получается почти непрерывный поток действий: в одном месте забрал, в другом поставил, где-то там же рядом взял следующий — и всё это без пауз на вытаскивание товара из корзины.

Отказ от остановок увеличивает скорость работы, примерно, в 1,5 раза — до 70–80 операций в час.

Есть важное уточнение, которое, возможно, слегка охладит впечатление: всё это работает только внутри складской экосистемы Brightpick — со стандартизированными контейнерами, стеллажами и заданными размерами. Но как демонстрация концепции Picking-in-Motion — вполне любопытно.

А вот про нашу Синильгу в Дронофлоте пишут