¡Hola Habr!
Mi nombre es Andrey Pisarev, dirijo el departamento de aprendizaje automático en el departamento de tecnologías de inteligencia artificial. Mi equipo y yo desarrollamos e implementamos soluciones de ML en los sitios de producción de la empresa en diversas áreas.
RUSAL es una empresa geodistribuida: decenas de centros de producción en todo el mundo. Y sólo hay unos pocos científicos de datos en el equipo. Si creáramos un producto ML desde cero para cada objeto, no podríamos exportarlo. Por lo tanto, el enfoque principal de este artículo no es el modelo o las métricas, sino un enfoque típico para el desarrollo de productos de IA, que permite a un equipo cerrar muchos objetos. El horno de sinterización de la refinería de alúmina de Pikalevsky (PGAL) es un caso en el que mostraré cómo funciona este enfoque en vivo.
TL;DR: La solución es un enfoque sistemático para productos de aprendizaje automático basado en SinaraML y la plataforma de inteligencia artificial empresarial. Muestro cómo funciona este enfoque en un caso concreto: un servicio ML para controlar un horno de sinterización de 150 metros en PGLZ. 3 meses desde PoC hasta pruebas cerradas. CatBoost: MAE = 225, R² = 0,48, RMSE = 330. El efecto económico esperado es de decenas de millones de rublos al año.
Leer más
|
@habr_ai