III Международный форум «Передовые цифровые и производственные технологии»: круглый стол «Применение алгоритмов и технологий ИИ в промышленности»

2 декабря 2021 года в рамках III Международного форума «Передовые цифровые и производственные технологии» состоялся круглый стол «Применение алгоритмов и технологий искусственного интеллекта (ИИ) в промышленности», организованный Лабораторией «Промышленные системы потоковой обработки данных» (ПСПОД) Центра НТИ СПбПУ «Передовые производственные технологии».

Организаторами форума выступили Санкт-Петербургский политехнический университет Петра Великого (СПбПУ) и его структурные подразделения – Научный центр мирового уровня «Передовые цифровые технологии» СПбПУ (НЦМУ СПбПУ) и Центр компетенций Национальной технологической инициативы «Новые производственные технологии» СПбПУ (Центр НТИ СПбПУ). Форум вошел в программу мероприятий Года науки и технологий и проходил при поддержке Министерства науки и высшего образования Российской Федерации в рамках национального проекта «Наука и университеты».

К участию в круглом столе были приглашены представители партнеров лаборатории ПСПОД – компаний и вузов, использующих в своих исследованиях и разработках алгоритмы и технологии ИИ. В докладах круглого стола были представлены отраслевые решения с использованием ИИ для текстильной и обрабатывающей промышленности, транспортной отрасли, сферы видеонаблюдения и обеспечения безопасности, здравоохранения и др.

Представители НЦМУ СПбПУ представили свои разработки в сфере машинного обучения и сделали обзор реализованных проектов и технологических возможностей для их развития.

Модератором круглого стола стала Марина Владимировна Болсуновская, к.т.н., доцент, заведующий Лабораторией «Промышленные системы потоковой обработки данных» Центра НТИ СПбПУ.

УЧАСТНИКИ КРУГЛОГО СТОЛА

• Уткин Лев Владимирович, д.т.н., профессор Высшей школы искусственного интеллекта ИКНТ СПбПУ, заведующий Научно-исследовательской лабораторией нейросетевых технологий и искусственного интеллекта;
• Константинов Андрей Владимирович, инженер Научно-исследовательской лаборатории «Суперкомпьютерные технологии и машинное обучение» СПбПУ;
• Афанасьев Илья Михайлович, тимлид команды Алгоритмов медиа Санкт-Петербургского исследовательского центра Хуавей Технолоджис Ко;
• Мирошниченко Денис Александрович, старший научный сотрудник Научно-образовательного центра Ивановского государственного политехнического университета;
• Шахматова Анастасия Михайловна, аналитик Лаборатории «Промышленные системы потоковой обработки данных» Центра НТИ СПбПУ;
• Загородний Георгий Романович, программист Лаборатории «Промышленные системы потоковой обработки данных» Центра НТИ СПбПУ;
• Стахиев Александр Владимирович, программист Лаборатории «Промышленные системы потоковой обработки данных» Центра НТИ СПбПУ;
• Станислав Уразов, врач-методист организационно-методического отдела по медицинской реабилитации СПб ГБУЗ «Городская больница №40»;
• Черкас Алина Владимировна, инженер-исследователь Лаборатории «Промышленные системы потоковой обработки данных» Центра НТИ СПбПУ; Уразов Станислав Петрович, врач-методист организационно-методического отдела по медицинской реабилитации, СПб ГБУЗ «Городская больница №40»;
• Гинцяк Алексей Михайлович, заведующий Лабораторией «Цифровое моделирование индустриальных систем» Центра НТИ СПбПУ, научный сотрудник Лаборатории «Промышленные системы потоковой обработки данных» Центра НТИ СПбПУ.

Круглый стол открыл Лев Уткин докладом «Методы объяснения предсказаний моделей машинного обучения», в котором рассказал о ключевых направлениях исследований в области объяснимого искусственного интеллекта. Большая часть современных систем искусственного интеллекта представляет собой «черный ящик», не предоставляющий обоснований для собственных решений. Описанная ситуация не позволяет полностью доверять таким решениям и предсказаниям систем искусственного интеллекта. Альтернативным подходом может являться создание самообъясняемых моделей, которые, как правило, обладают меньшей предсказательной силой по сравнению с прочими моделями. Поиск баланса между объяснимостью и эффективностью модели – актуальная проблема, решаемая локально в зависимости от задачи, поставленной перед разработчиками конкретной модели, – отметил спикер.

Тезисы Льва Владимировича были более подробно раскрыты в докладе Андрея Константинова, который был посвящен многовариантному обучению на основе множественных моделей внимания. Постановка задачи многовариантного обучения заключается в построении классификаторов как на уровне групп, так и на уровне объектов по имеющимся группам объектов и соответствующих им заведомо неизвестных меток. «Данная задача актуальна для восстановления разметки по слабым меткам, что может применяться в моделях искусственного интеллекта при переходе от классификации к сегментации. Множественное применение механизма внимания позволяет решать новые, более сложные задачи многовариантного обучения», – считает эксперт.

Доклад Ильи Афанасьева «Применение алгоритмов и технологий ИИ в цифровых моделях транспортных систем» был посвящен проблемам применения соответствующих алгоритмов и технологий, с которыми столкнулась команда Мультимедийных алгоритмов Санкт-Петербургского Исследовательского Центра Хуавей Технолоджис Ко.

Современные проблемы в мониторинге транспорта связаны с детектированием, классификацией, локализацией и трекингом большого количества разнообразных участников дорожного движения: автомобильного транспорта различных видов, мотоциклов, велосипедов, пешеходов и т.д. Для мониторинга активно используются алгоритмы и технологии ИИ, применяемые для наборов данных, как для отдельных камер, так и для мультикамерных систем. При этом возможны разнообразные сценарии использования ИИ-моделей: для парковок, перекрестков, магистралей и т.п. Решения должны быть робастны для различных времен года, времени суток, погодных условий, и т.п. При этом настоящие сложности могут возникнуть при увеличении размеров дорог и перекрестков, а также при лавинном увеличении количества участников движения во время пробок.

В следующих четыре докладах были освещены различные аспекты проекта, который ведет Лаборатория «Промышленные системы потоковой обработки данных» Центра НТИ СПбПУ в сотрудничестве с Ивановским государственным политехническим университетом.

Проект по разработке нейросетей и программно-аппаратного комплекса для обнаружения дефектов ткани на движущихся рулонных материалах большой ширины с различным видом оформления поверхности представил в своем докладе Денис Мирошниченко. В докладе «Перспективы применения искусственного интеллекта в текстильной промышленности. Разработка нейросети для обнаружения дефектов ткани в текстильной промышленности» описал суть проекта, перечислил основные технические особенности будущего решения и акцентировал актуальность создаваемого программно-аппаратного комплекса автоматического обнаружения и распознавания дефектов тканых полотен для цифровизации промышленного производства текстиля.

В докладе «Сбор и подготовка данных для разработки программно-аппаратного комплекса обнаружения и классификации дефектов тканей с использованием нейросетевых технологий» Анастасия Шахматова рассказала о подготовке базы данных о дефектах тканей: к настоящему моменту оцифровано уже более 1000 образцов и выделено 43 типа дефектов тканей.

В этот важнейший подготовительный этап вошли такие работы, как анализ видов дефектов, составление инструкций по работе с испытательным стендом, оцифровка материалов, наполнение базы и классификация образцов, разметка образцов для машинного обучения и решение возникающих проблем, например, проблемы муара – искажения в виде полос разного размера и направления с оттенком желтого и зеленого цветов, возникавшего на видеоизображениях при съемке однотонных материалов.

Далее программисты лаборатории ПСПОД представили технические аспекты работы с видеоизображениями.

Георгий Загородний в докладе «Разработка системы автоматической корректировки экспозиции изображения с промышленной камеры для компенсации различных условий освещения» сказал о том, что в проекте особенно важно получать максимально качественное изображение с камеры, так как чем больше информации имеется в кадре, тем лучше будет работать нейросеть для детекции. Была разработана программа, которая, анализируя гистограмму изображения, изменяет параметры камеры. Разработанный метод имеет хорошую скорость работы и высокую стабильность даже при резком изменении цвета ткани. В дальнейшем планируется сравнить разработанный алгоритм с иными современными разработками в этой области.

Александр Стахиев представил доклад «Разработка системы автоматического сшивания изображений с нескольких промышленных камер». В процессе поиска дефектов на ткани это решение помогает обеспечить высокое качество картинки на полотне большой длины, что напрямую влияет на точность обнаружения дефектов. В результате использования классического подхода, основанного на поиске ключевых точек, удалось получить высокую точность на синтетических данных. Однако на реальных данных этот метод показывает себя недостаточно стабильно, поэтому рабочая группа планирует исследовать другие подходы, например, применение оптического потока и нейросетей.

Кейс применения технологий ИИ в здравоохранении описали в своем докладе «Разработка классификатора прогноза тяжелого течения заболевания пациентов с новой коронавирусной инфекцией» Станислав Уразов, врач-методист организационно-методического отдела по медицинской реабилитации СПб ГБУЗ «Городская больница №40», и инженер-исследователь Лаборатории ПСПОД, а также специалист научно-исследовательского отдела инновационных и конверсионных программ СПб ГБУЗ «Городская больница №40» Алина Черкас.

«Внедрение единой государственной системы здравоохранения только набирает обороты, завершение внедрения единых стандартов и клинических рекомендаций в медицине началось в этом году и продлится до 2024 года, – отметила Алина Черкас. – Структура медицинской информации крайне неоднородна, поэтому многие попытки создать программные алгоритмы с использованием ИИ не увенчались успехом. Тем не менее мы поставили себе цель сформировать модель прогноза по самой актуальной на сегодняшний день теме, используя ресурсы медицинской информационной системы и возможности автоматической выгрузки больших массивов данных».

В докладе был представлен процесс сбора более 10000 данных по 117 клиническим и лабораторным показателям о пациентах с COVID-19 и их анализ, а также обучение 19 моделей машинного обучения по двум сценариям. Точность (AUC) основной модели, обученной по алгоритму «Стохастический градиентный спуск», составила более 90%.

В завершение круглого стола выступил Алексей Гинцяк с докладом «Ключевые подходы к цифровому моделированию индустриальных систем». Задача моделирования социально-технических и социально-экономических систем предъявляет новые вызовы исследователям. Системы с участием человека обладают принципиальной сложностью, связанной с отсутствием детерминированности уже на индивидуальном уровне.

Алексей Гинцяк отметил, что решением данной проблемы может быть комбинирование традиционных инструментов моделирования социально-экономических систем с инструментами и подходами, использующимися при моделировании технических систем, такими как математическое моделирование и динамическое прогнозирование, интервальный подход, анализ чувствительности, калибровка, верификация и валидация: «Использование данных методов возможно для решения задач предиктивной и прескриптивной аналитики функционирования социально-технических и социально-экономических систем».