Цветные 
Отключить 
Учёные Плехановского университета предложили новый подход к оценке качества данных для внедрения ИИ в производство
Сотрудники НИИ прикладного искусственного интеллекта и цифровых решений Российского экономического университета им. Г.В. Плеханова совместно с исследователями из Мадридского политехнического университета (Испания) предложили новый комплексный подход к управлению и оценке качества промышленных данных, который является ключевым условием для успешного внедрения технологий искусственного интеллекта (ИИ) на современных промышленных предприятиях.
В отличие от существующих фрагментарных решений, представленный подход предлагает сквозную систему критериев для оценки качества данных на всех этапах их жизненного цикла — от сбора и обработки до анализа, практического применения и даже вывода из эксплуатации. Это обеспечивает надежность и достоверность данных, которые служат основой для прогнозных моделей, цифровых двойников и систем автономного управления.
«Сегодня многие промышленные компании сталкиваются с проблемой «мусор на входе — мусор на выходе». Даже самые совершенные алгоритмы искусственного интеллекта не могут дать качественный результат, если обучаются на неполных, неточных или несогласованных данных. Наша работа предлагает производителям структурированную дорожную карту для построения культуры работы с данными. Мы систематизировали ключевые критерии качества и этапы их оценки, что позволяет целенаправленно готовить данные для решения конкретных производственных задач с помощью ИИ, таких как прогнозное техническое обслуживание или контроль качества», — рассказал один из авторов исследования, директор НИИ прикладного ИИ и цифровых решений РЭУ им. Г.В. Плеханова, член-корреспондент РАН Александр Храмов.
Разработанная методика позволяет целенаправленно подготавливать данные для обучения моделей машинного обучения, что критически важно для повышения эффективности, прогнозирования сбоев и оптимизации процессов в рамках концепции «Индустрия 4.0» — создания «умных фабрик».
«Данное исследование — наглядный пример того, как международное сотрудничество позволяет находить более комплексные и эффективные решения. Объединив наш опыт в области нелинейной динамики и машинного обучения с глубокими знаниями российских коллег в области аналитики данных, мы смогли разработать универсальный и практико-ориентированный фреймворк. Уверен, что такое научное сотрудничество является залогом успеха в решении сложных технологических задач, стоящих перед современными цифровыми решениями в разных отраслях промышленности, биомедицины, энергетики», — отметил соавтор работы из Мадридского университета, профессор Александр Писарчик.
Исследователи надеются, что разработанные рекомендации помогут предприятиям реального сектора — от крупных холдингов до средних компаний — преодолеть барьеры на пути цифровой трансформации и максимально использовать потенциал данных для повышения своей конкурентоспособности.
Источник: Минобрнауки России