Знакомьтесь – ваш цифровой двойник

"У любой компании есть, что оптимизировать": немного о цифровых двойниках и имитационном моделировании

Тема искусственного интеллекта считается одной из актуальных. Сейчас сложно представить сферу жизни, в которой еще не нашли применения самоубучающимся алгоритмам или нейросетям.

О том, почему имитационное моделирование – это логичный шаг для инвестиций в период импортозамещения, как цифровые двойники помогли бы бизнесу пережить санкции без потерь, а также о пути, который проходит шампунь перед тем, как оказаться на прилавке, в нашем интервью расскажет руководитель отдела современных средств автоматизации и искусственного интеллекта ИТ-интегратора "Первый Бит.NFP" Глеб Леонов.

Давайте вначале поговорим о терминах. Что такое цифровой двойник?

Цифровой двойник – это некоторая цифровая копия системы, которая живет и меняется синхронно с реальным объектом. Ну, или почти синхронно. То есть, например, у нас есть здание, в нем есть пожарные датчики. Мы создали систему пожаротушения, которая в режиме реального времени видит состояние всех датчиков – это и будет цифровой двойник пожарной системы.

Для меня самое главное свойство цифрового двойника – он привязан к реальности, и если меняется система, то тут же меняется и её цифровой двойник. Например, цифровой склад в 1С – это один из простейших цифровых двойников, потому что если что-то меняется на складе, это меняется и в 1С.

Насколько это направление востребовано на современном этапе?

Сейчас в России виден взрывной интерес к практическим применениям цифровых двойников. Четыре года назад это словосочетание уже было на слуху, но для чего они нужны на практике практически никто не понимал.

Если добавить к цифровому двойнику склада визуализацию и масово-габаритные показатели всех товаров, можно будет полностью исключить людей из процесса инвентаризации. Пока что это не происходит, потому что все боятся, что кто-то украдет товар, но оставит на его месте RFID-метку (микрочип небольшого размера и без источника питания, но способный передавать информацию сканирующему устройству).

Если у склада будет полноценный цифровой двойник, то робот, который проводит инвентаризацию, сможет не только считывать наличие нужной метки, но и по показаниям с видеокамеры подтверждать наличие коробки указанных габаритов.

Пока что такие системы еще не пошли в массы, но компании уже начинают ими предметно интересоваться: рассчитывать стоимость внедрения, сравнивать с потерями, которых оно позволит избежать. Конечно, не всем компаниям выгодно внедрять полностью автоматическую инвентаризацию, но сервисам доставок или дистрибьюторам она может сильно помочь.

Что такое имитационная модель?

Имитационная модель – это цифровая копия системы, которую мы можем изменять, которой мы можем позволять жить во времени, абсолютно независимо от реальной системы. То есть мы берем систему датчиков и делаем из неё модель, не привязанную к показателям этих датчиков в реальности, взамен получаем возможность эту модель "гонять" в самых разных сценариях.

Как связаны цифровые двойники с имитационными моделями?

В идеальном мире цифровые двойники и имитационные модели существуют неразрывно друг друга. То есть, у нас есть цифровой двойник, обновляющийся в реальном времени, есть имитационная модель, которая позволяет этот цифровой двойник запустить в виртуальном мире для проработки разных сценариев, чтобы потом выбрать лучшие и реализовать их на практике.

Но ведь возможных сценариев будущего – бесконечное множество. Как узнать, какие из них могут оказаться успешными?

Конечно, если использовать только метод слепого перебора, до оптимального сценария можно и не дойти. Здесь есть два пути. Первый путь – эксперт, основываясь на своем экспертном мнении выбирает предположительно хорошие сценарии и их проверяет.

Вторая стратегия – использовать алгоритм, который запускает несколько сценариев и, основываясь на их результатах, конструирует новые сценарии для тестирования. Двигаясь итерационно, этот алгоритм в конечном итоге должен найти оптимальные или близкие к этому сценарии. Такие алгоритмы мы называем оптимизаторами для имитационных моделей.

Выстраивание имитационной модели требует глубокого погружения в бизнес-процессы, но в техническом плане эта задача довольно проста. Создание оптимизатора, напротив, является серьезным вызовом с точки зрения математики и программирования. Оптимизатор может быть основан на самых разных видах алгоритмов – от линейной алгебры (методе перебора с весами) до нейросетей. Для удобства мы будем называть "мозг" оптимизатора искусственным интеллектом.

Имитационную модель можно использовать как с оптимизатором, так и без него. Все зависит от конкретной задачи, которую будет решать наша модель. Если мы строим завод, и нам нужно выбрать одну из нескольких возможных конфигураций оборудования, то нужды в оптимизаторы нет, потому что все основные сценарии определены заранее и нужно только разобраться, какой из них самый выгодный.

Если имитационная модель будет применяться для управления какой-то системой, которая используется регулярно – например, конвейером, – то здесь уже понадобится оптимизатор. Каким бы профессионалом не был эксперт-аналитик, он не сможет каждый час придумывать новые сценарии, чтобы корректировать работу системы "на лету".

Какие задачи в логистике может решать имитационное моделирование?

Прежде всего, логистика решает задачу транспорта, основная цель которой в максимально сжатые сроки довести груз до конечного потребителя. В этом случае моделирование позволяет рассмотреть несколько параметров и выбрать наиболее приемлемый путь решения.

Также логистика решает более комплексную задачу – балансировки интегрированной цепочки поставок, где задачи решаются по цепи одна за другой, плюс немного производства между ними.

Например, у нас есть завод, который производит шампунь. Чтобы его произвести, нам нужно купить десять позиций. Здесь первая задача транспорта: найти поставщиков и получить от них необходимые ингредиенты. Также, нужно выбрать, по какой цене и в какой точке их купить, чтобы всё приехало вовремя и за минимальную цену. Потом за неделю на заводе производится шампунь, после чего возникает еще одна задача: нужно этот конечный продукт развести по потребителям.

Я описал самый простой вариант. Но во многих отраслях, в которых балом правят крупные холдинги, производство устроено гораздо сложнее. Оно состоит из нескольких переделов: например, есть металлическая руда, из нее делают большие чушки, из них вырабатывают маленькие чушки, потом идет горячий прокат, потом холодный прокат. На выходе с каждой стадии получается некий полуфабрикат, который можно либо сохранить в качестве сырья для следующего передела, либо продать как конечный продукт. То есть, каждый этап производства завершается развилкой.

Получается сложная цепочка.

Да, от закупки сырья до реализованного продукта, с огромным количеством поставщиков, большим количеством заказчиков и разными видами транспорта: начиная с железной дороги, автомобильного всех видов и даже до авиатранспорта. Всё это вместе и называется интегрированной цепочкой поставки.

Если вынести за скобки вопрос производства, представить, что это просто чёрный ящик, который как-то превращает сырьё в продукт, то останется как раз сложная, составная задача транспорта. Куда и сколько вести, на каких складах хранить.

При решении задачи транспорта отдельно у нас могут быть самые разные цели, мы можем приоритизировать разные показатели. Например, "минимальное время доставки", "доступность транспорта", "объём поставок" или "заполненность склада". Но интегрированная цепочка поставки – задача настолько комплексная, что становится бессмысленно разговаривать о каких-то "физических" драйверах. На этом уровне мы уже не спрашиваем, сколько нам нужно единиц техники. Мы спрашиваем, какая может быть максимальная прибыль.

Поэтому все промежуточные цели мы будем переводить в деньги: сколько стоит владение автомобилем и километр его пути, день хранения одной тонны товара и так далее. Задачу цепочки поставки можно решить только с помощью оптимизатора. Она настолько сложная, что даже самый сильный эксперт не сможет самостоятельно придумать больше 2-3 возможных сценариев для проверки через модель.

Как изменился интерес к имитационному моделированию в последние годы?

События 2022 года для многих компаний обернулись необходимостью импортозамещения. При этом, инвестируя в IT, крупные компании поняли, что хотят не просто заместить уже имеющийся функционал, а сделать лучше. И на этой волне внедрение имитационного моделирования – это логичное направление развития для многих систем, которые де-факто можно отнести к цифровым двойникам.

Например, вернемся к нашему цифровому складу. Мы уже точно знаем, какие позиции у нас в наличии и где они хранятся. Но дальше мы хотим понять, с каким потоком грузов, с какой скоростью получения и выдачи наш склад справится. Можем ли мы, например, увеличить скорость в два раза, если увеличим в два раза количество персонала и погрузчиков, или узкое место будет в чем-то другом? Ответы на эти вопросы может дать имитационное моделирование.

Если бы у нас не было цифрового двойника, нам нужно было бы вложиться в большой консалтинговый проект, собрать огромное количество данных, чтобы построить на них модель. А когда цифровой двойник есть, огромная часть работы оказывается уже сделанной, и можно начинать моделировать на основе уже существующей системы.

Получается, что цифровые двойники не просто выполняют свои прямые функции, но и оказываются ресурсом, который может сильно упростить путь к имитационному моделированию. Всё больше компаний интересуются этой технологией именно потому, что уже работают с большими объемами данных: у них есть Big Data, BI-системы, DWH (корпоративные хранилища данных). Это естественным образом повышает потенциальную доступность имитационного моделирования.

В индустриальных центрах компетенции цифровые двойники и имитационные модели – это сейчас одна из главных повесток.

Представим, что имитационное моделирование было бы распространено в России пять лет назад. Что бы изменилось сейчас?

Для всех, кто пострадал от нарушения логистических цепочек из-за санкционного давления, это было бы невероятным подспорьем. Одно из главных преимуществ, которое дает имитационная модель, это возможность принимать решения очень быстро.

Если с тобой отказывается работать кто-то из поставщиков, банков, транспортных компаний, то цепочка поставки оказывается нарушена, тебе надо быстро её переориентировать.

В "ручном режиме" перестройка цепочек поставок под новые условия может занять очень много времени. Имитационное моделирование справилось бы с этой задачей за несколько часов, причем нашло бы такой вариант, при котором финансовые потери были бы минимальны. Все, кто пострадал от этого, точно бы получили выгоду.

Ещё одна проблема, которая не всегда видна на общем уровне, но локально может быть выражена очень ярко, – дисбаланс транспортных потоков. C точки зрения логистики всегда лучше, чтобы "туда - обратно" ехало примерно одинаковое количество грузов, чтобы транспорт всегда был загружен, а не ездил с пустым багажным отсеком.

Сегодня, в силу общей турбулентности рынка, регулярно возникает этот дисбаланс, как на границах, так и внутри России. Чтобы им управлять , нужно понимать, куда лучше в следующем месяце пригнать больше транспорта, с какими поставщиками или клиентами лучше договориться о сдвиге сроков, и так далее. Эффективно управлять транспортным потоком можно только имея имитационную модель. Просто потому что это очень многофакторная ситуация.

Пандемия, санкции – это события неконтролируемые и непредсказуемые. Сегодня вы предлагаете вложить деньги во внедрение имитационной модели, чтобы в неопределенном будущем иметь возможность резко перестроиться?

У любой компании есть что-то, что можно оптимизировать. Это как с законами термодинамики: нет доказательств, что они правдивы, но нет и примеров обратного. Не было еще таких случаев, чтобы имитационная модель показывала, что все уже идеально. У крупных компаний большие обороты, поэтому эта инвестиция окупится очень быстро.

Например, один день простоя нефтяного танкера стоит пять миллионов рублей. Значит, к примеру, чтобы выиграть двадцать миллионов рублей, нужно сохранить всего четыре "танкеро-дня". У "Роснефти" более 300 танкеров, которые курсируют по морю 365 дней в году, поэтому фактически за первый год нефтяная компания сэкономит в разы больше, чем было потрачено на проект по имитационному моделированию.

Или, например, представьте себя на месте менеджмента аэропорта. Вам нужно каждый день выводить определенное количество людей, которые занимаются багажом, билетами, обслуживанием воздушных судов и даже уборкой. Чтобы правильно рассчитать нужное количество персонала в определенный день, надо знать, какое количество посетителей будет в аэропорту.

Внедрение цифрового двойника в работу аэропорта "Шереметьево" позволило ему сэкономить более миллиарда рублей в год просто на оптимизации рабочего расписания сотрудников, исходя из прогнозов имитационной модели по загрузке аэропорта.

Третий пример – один из наших клиентов. Его примерная выручка - 120 миллиардов рублей в год, прибыль – 15 миллиардов. Модель, которую мы ему сделали, позволяет увеличить прибыльность краткосрочных контрактов минимум на 10%. Такие контракты занимают треть в объеме выручки компании, но дают половину прибыли. Поэтому после внедрения нашей модели общая прибыльность холдинга выросла примерно на пять процентов. Расчет простой - пять процентов от пятнадцати миллиардов – это 750 миллионов рублей в год.

В общем, масштаб эффектов от имитационного моделирования для крупных компаний гигантский.

Какова цена владения имитационной моделью? Клиенту нужно набирать штат сотрудников, чтобы эффективно ее использовать?

Нет, какая-то особая поддержка системе не нужна, хватит просто аналитика и специалиста по логистике. Стоимость владения будет разной, в зависимости от договоренностей с вендорами, сложности модели и какого качества поддержка требуется. Стоимость лицензий за среду моделирования начинается от 1 миллиона рублей и может доходить до десятков миллионов для больших проектов.

Крупные инвестиции в саму разработку нужны только на первом этапе. Повторно звать компанию-интегратора нужно только если у вас изменится структура самой модели. То есть, если у вас просто меняется список поставщиков или парк транспорта, то такие изменения аналитик или логист может внести самостоятельно. Но если у вас появится новое производство с полностью новой номенклатурой, тогда возможно, своими силами с этими изменениями вам не справиться и придется звать соответствующих специалистов.

Есть ли какие-то ограничения у имитационного моделирования?

Саму имитационную модель можно сделать очень детальной, вплоть до конкретного сотрудника или станка. Но оптимизатор в такой модели не сможет быстро находить оптимальные сценарии, он "захлебнется" от количества деталей.

В больших проектах часто реализуют сразу две модели и интегрируют их друг с другом. Оптимизатор ищет оптимальный сценарии на укрупненной модели, а затем этот результат автоматически переносится на более подробную модель, чтобы можно было изучить детали.

Какие ошибки может допустить компания при внедрении в свою работу имитационное моделирование?

Если вы начинаете проект по имитационному моделированию, нужно заранее быть готовым реализовать полученный сценарий. Если ты получил результат в модели, но в реальности его не применил, то никакой пользы от моделирования не будет. Если не позаботиться об этом до начала проекта, то с готовым результатом на руках может быть очень сложно придумать способ его внедрить.

Вторая ошибка – многие считают, что после недельного или месячного обучения можно уже самостоятельно создавать модель. Это не так. После небольшого обучения можно развивать уже существующие модели, но создание модели с нуля требует опыта.

Третий миф, который встречается у заказчиков – отношение к внедрению имитационной модели, как к проекту о программировании. На самом деле, это проект бизнес-консалтинг, а программирование тут всего лишь инструмент. Имитационная модель – это просто запрограммированные правила и инсайты, которые принесли люди. Например, чтобы разработать модель конвейера, нужны инженеры, которые опишут, как этот конвейер работает.

С точки зрения риска и стресса эти три факторы расставлены от самого критичного к менее критичному, но одновременно и от самого распространенного к самому редкому. Необходимость наличия экспертов-аналитиков понимают почти все, а исправить эту проблему можно безболезненно на любом этапе проекта. При этом компании часто забывают, что нужно заранее проработать план того, каким образом "советы" оптимизатора можно будет применить на практике.

Что бы вы посоветовали тем, кому интересна эта тема, тем более, что обучение, как вы сказали, неэффективно?

Я сказал не совсем так. Обучение может быть очень полезно для аналитика, инженера, руководителя, которые хотят быстро погрузиться в тему и оценить возможности инструмента. Просто не нужно ждать от 3-5 дневных курсов чуда.

Что касается того, как я бы порекомендовал изучать тему, тут всё довольно просто:

• Определитесь с областью (индустрией, функцией, типом задач).
• Посмотрите на то, какие модели в выбранной области уже существуют. Есть большой наработанный опыт, и тут мы можем помочь, рассказав вам на конкретных примерах о решении сходных задач.
• Проведите мини-исследование, закажите "минимально жизнеспособную модель" вашей задачи. Этот небольшой проект может уложиться в миллион рублей, но даст вам неизмеримо лучшее понимание, нежели любое обучение.
• В зависимости от результатов, принимайте решение, стоит ли эта технология внедрения у вас прямо сейчас, или нет…