5 кейсов применения ИИ в инженерии

Инженерные команды активно внедряют искусственный интеллект для решения повседневных задач и оптимизации производственных процессов. ИИ помогает управлять производством, отслеживать проблемы в manufacturing и эффективнее использовать данные. Рассмотрим пять реальных кейсов успешного применения нейросетей в инженерных компаниях.

1. Sweco: автоматизация документооборота и создание внутреннего ИИ-ассистента

О компании: Sweco - бельгийская архитектурно-инженерная компания, которая реализует более 150 000 проектов в год, направленных на создание устойчивых городов. В штате компании работает свыше 22 000 консультантов.

Проблема: Инженеры и архитекторы тратили большую часть времени на создание документов, контроль договоров, коммуникацию с клиентами, подготовку юридических документов и поиск регуляторной информации. Это отвлекало от творческой работы.

Решение: Компания обратилась к Microsoft и использовала Azure AI Studio для:

• Автоматизации создания документов и договоров

• Улучшения возможностей поиска информации

• Разработки внутреннего чат-бота SwecoGPT

"Нам нужен был ИИ-сервис для централизации знаний, автоматизации задач и анализа информации - такой же хороший, как ChatGPT, но наш собственный", - говорит Дэвид Хантер, руководитель направления ИИ и автоматизации Sweco.

Результаты:

• Прототип внутреннего чат-бота разработан и развернут для нескольких сотен сотрудников за одну смену

• Полная версия создана за два дня, полное внедрение - через две недели после proof of concept

• Экономия времени сотрудников: 2+ часа в день

2. Rivian: предиктивная аналитика для электромобилей

О компании: Rivian - производитель электрических внедорожников и коммерческих фургонов, оснащенных IoT-датчиками и камерами.

Проблема: Более 11 000 автомобилей на дорогах генерировали несколько терабайт данных ежедневно, которые было сложно анализировать и использовать.

Решение: Компания выбрала AWS Lakehouse Platform в партнерстве с Databricks для объединения всех данных в единое представление. Это позволило применять аналитику и машинное обучение для:

• Предиктивного обслуживания автомобилей

• Разработки новых продуктов

• Анализа данных акселерометра для понимания производительности автомобиля

• Развития систем автономного вождения

"Я хотел открыть наши данные для более широкой аудитории менее технических пользователей, чтобы они тоже могли легче использовать данные", - объясняет Джейсон Шиверик, главный data scientist Rivian.

Результаты:

• Увеличение производительности на 30-50%, что привело к более быстрым инсайтам

• Возможность удаленной диагностики автомобилей

• Рост пользователей платформы с 5 до 250 за год

3. Ather Energy: умные электроскутеры для индийских городов

О компании: Ather Energy из Бангалору разрабатывает умные электроскутеры для навигации по переполненным индийским городам.

Проблема: Первоначальная платформа могла обрабатывать только 10-15 IoT-датчиков, что ограничивало возможности скутеров. Нужна была система для навигации по городам с нерегулярной планировкой, безымянными улицами, дорогами с выбоинами и постоянными пробками.

Решение: Команда использовала Google Cloud и BigQuery для создания новой IoT-платформы, которая позволила:

• Интегрировать 43 датчика

• Обеспечить навигацию с Google Maps

• Реализовать предиктивное обслуживание

• Оптимизировать использование электроэнергии

• Уведомлять о свободных зарядных станциях

"Каждый день каждый автомобиль генерирует несколько сотен мегабайт данных. С таким объемом данных и несколькими тысячами автомобилей на дорогах мы делаем вещи, которые были бы невозможны", - отмечает Свапнил Джайн, соучредитель Ather Energy.

Результаты:

• Обновления платформы ежемесячно вместо двух раз в год

• Снижение затрат как для потребителей, так и для компании

• Самокорректирующиеся возможности транспортных средств

4. Euramax: оптимизация производственного планирования

О компании: Euramax производит алюминиевые и стальные рулоны с покрытием для автодомов, архитектуры и транспорта.

Проблема: Изменения в производственном расписании из-за новых заказов или задержек поставок материалов усложняли планирование и снижали производительность.

Решение: Компания внедрила SAS Viya - платформу ИИ и аналитики, которая:

• Собирает данные со всех открытых заказов каждые 15 минут

• Анализирует угрозы, способные замедлить производство

• Оценивает влияние проблем на другие заказы

• Немедленно информирует сотрудников о проблемах

"Теперь мы можем видеть почти в реальном времени, сколько времени мы теряем в день. Если это число увеличивается в течение дня, мы можем немедленно скорректировать производственное планирование других заказов", - говорит Питер Вейерс, менеджер по ИКТ Euramax.

Результаты:

• Все текущие данные собраны в единый обзор для всей компании

• Еженедельное расписание прогнозируется и обновляется с интервалом 15 минут

• Система учится на решениях сотрудников, которые отменяют ее рекомендации

5. Siemens Digital Industries Software: улучшение коммуникаций с помощью NLP

О компании: Siemens Digital Industries Software предоставляет ПО и оборудование производителям и дизайнерам в аэрокосмической, автомобильной и других отраслях.

Проблема: Компания хотела улучшить коммуникацию клиентов, чтобы работники цеха могли взаимодействовать с операционными и инженерными командами в реальном времени.

Решение: Совместно с Microsoft была создана app на базе Azure AI с возможностями:

• Обработки естественного языка для отчетности в реальном времени

• Распознавания неформальной речи на разных языках

• Автоматического создания сводки проблемы

• Маршрутизации к нужным экспертам на требуемом языке

"Это определенно ускорило наше внедрение передовых технологий машинного обучения, и теперь у них есть большая уверенность в продолжающихся ИИ-инновациях", - отмечает Манал Дейв, старший разработчик Siemens Digital Industries Software.

Результаты:

• Возможность использовать мобильные устройства и естественную речь для документирования проблем

• Улучшенное сотрудничество между командами и упрощенные рабочие процессы

• Доступ сервисных техников к симуляциям и виртуальной помощи с детальными инструкциями по ремонту

Выводы для вашего бизнеса

Эти кейсы показывают, что успешное внедрение ИИ в инженерии требует:

1. Четкого понимания проблемы - каждая компания решала конкретную бизнес-задачу

2. Выбора подходящей платформы - Azure, AWS, Google Cloud предлагают готовые решения

3. Постепенного масштабирования - от прототипа к полноценному решению

4. Измерения результатов - все компании отслеживали конкретные метрики улучшений

Готовы внедрить ИИ в ваш инженерный бизнес? Начните с анализа повторяющихся задач, которые отнимают время у ваших специалистов, и рассмотрите возможности автоматизации с помощью нейросетей.