650 млн точек, 3 поломки и PI System: технический разбор предиктивной аналитики на НПЗ (часть 2)
Часть 2 из 2. В первой части серии мы предсказали отказ насоса за 60 дней и выяснили, что годами чинили не то. Увидели, что материал встретил вашу живую реакцию, поэтому возвращаемся по горячим следам со второй частью. В этом материале, как и обещали, погружаемся в технику. Расскажем, что было под капотом, как решалась судьба насоса и с какими сложностями мы столкнулись.
98,4% точности и 1 млрд ₽ эффекта: как мы нашли аналоги в каталоге СИБУР
Мы пришли на хакатон с 12 гипотезами. Одна из них — поиск аналогов материалов — превратилась в систему с точностью 98,4% и экономическим эффектом больше миллиарда рублей. Рассказываем, как это было на самом деле — с ошибками, командировками на завод и задвижкой за 1 рубль.
ИИ в сфере добычи руды: как мы создали уникальную систему для комбината
Рассказываем, как компьютерное зрение заменило запаздывающий лабораторный контроль на входе в производство и что это дало комбинату в цифрах.
Как ИИ в строительстве помогает сберечь здоровье рабочих: кейс строительной компании
Рассказываем, как одна система из камер, датчиков и нейросетей закрыла сразу три задачи стройки: охрану труда, учет транспорта и контроль сроков.
EventRAG: как научить RAG искать первопричину во времени, а не в тексте
On-prem RCA-ассистент для цеха + AR-HUD. Полный разбор: архитектура, формулы, расчёты, живой инцидент на роботе-паллетайзере Hyundai Hi5-N00 и что мы везём на международную конференциюTL;DR. Обычный RAG отлично отвечает по инструкциям, но проваливается на root-cause-анализе (RCA) в цеху: косинусная близость по эмбеддингам выбрасывает время и причинность — ровно то, без чего нельзя связать «наряд, отложенный 67 дней назад» с «алармом, который встал сегодня». EventRAG — архитектура, которая нормализует каждое событие в Temporal Event Unit, хранит его в двойном индексе (вектор + причинный граф), ищет по времени, обходит граф
Как промышленные компании попадают в ответы нейросетей: данные годового исследования в металлообработке и машиностроении
как промышленные компании попадают в ответы нейросетей
ИИ-стартап Джеффа Безоса стремится создать «искусственного инженера-универсала»
Основатель Amazon Джефф Безос заявил, что его новый стартап в области ИИ Prometheus будет работать над созданием «искусственного инженера-универсала». Он стремится разработать инженерные инструменты на основе ИИ для помощи в проектировании физических продуктов.
Почему мы выбрали Яндекс и зачем промышленности строительных материалов ИИ-экосистема
Ребята, привет! Мы — цифровое сердце ТЕХНОНИКОЛЬ. И хаб цифровых решений внутри промышленного гиганта.
Как глушить нефтяную скважину… машинным обучением. Часть 2, техническая
Продолжаю рассказывать широкой общественности об интересном ML проекте, результаты которого внедряются в реальный технологический процесс. В Первой части разобрались, что такое глушение и почему важно уметь рассчитывать объемы жидкостей глушения. В этой части будет непосредственно все то, как мы решали эту задачу с помощью МЛ:Построили двухконтурную систему: офлайн-обучение на XGBoost и CatBoost — и лeгкий онлайн-инференс через Flask.Вместо одного .fit()
