Тимур Тавберидзе: «Гибридные подходы позволяют находить и тиражировать лучшие практики»


Источник: https://profile.ru/scitech/timur-tavberidze-gibridnye-podxody-pozvolyayut-naxodit-i-tirazhirovat-luchshie-praktiki-452402/

В развитии отечественного инжиниринга и промышленного дизайна правительство делает ставку на создание центров на базе научно-исследовательских организаций и университетов. О том, как это работает, гендиректор Инжинирингового центра МФТИ Тимур Тавберидзе рассказал «Профилю» на примере возглавляемой им компании.

Тимур Арсенович, какие возможности открывает привлечение НИИ и вузов к созданию новых инжиниринговых компаний? Что говорит пример вашего центра?

Инжиниринговый центр Московского физико-технического института – участник первой очереди масштабной федеральной программы по созданию инжиниринговых центров при ведущих российских вузах. Проект стартовал в 2013 году по инициативе Минобрнауки и Минпрома. Цель программы – реализация научно-технического потенциала высшей школы через взаимодействие с индустрией в создании новых технологий. Как подразделение вуза, компания действует в рамках программно-исследовательского подхода, а как спин-офф Московского физтеха – в проектно-инженерной матрице, доводя до реального сектора разработки института. Опыт показывает, что на выходе можно получать востребованный на рынке продукт. Правда, к этому инжиниринговые компании иногда идут путем проб и ошибок.

Наверное, это и есть «болезни роста»…

На старте сложности практически неизбежны. Взять нашу компанию – было сделано несколько «пилотов». Получились не все. Мы столкнулись со множеством неочевидных на первый взгляд проблем: качества и полноты данных, неготовности IT-инфраструктуры, слабости доказательной базы экономического эффекта от цифровых технологий и рядом других.

Но два проекта для одной из крупных нефтедобывающих компаний удалось реализовать успешно. Один был нацелен на восстановление качества промысловых данных, другой – в направлении computer vision – распознавал структуру промыслового объекта по петрографическому снимку породы.

Эти «пилоты» доказали реальную возможность получения «добавленной стоимости» за счет обработки данных с применением методов машинного обучения. Бизнес, как известно, умеет считать деньги и априори открыт для всего нового и передового. Так у нас появились новые заказы, количество успешных проектов начало неуклонно расти.

Нужна ли специализация в инжиниринге?

Инжиниринговый центр в МФТИ создавался преимущественно для разработки сложного инженерного программного обеспечения с высоким содержанием физики и математики для компаний нефтегазового сектора. Параллельно развивалось сервисное направление по геомеханическому моделированию, дизайну и сопровождению операций по гидроразрыву пласта и ряду других. Со временем стало очевидно, что тот объем данных, которые мы получаем в процессе реализации проектов по внедрению цифровых технологий, обладает гораздо большим потенциалом для клиентов. Так стало набирать силу «цифровое» направление работы компании.

Получается, лучшие практики можно тиражировать на все секторы экономики?

Под эгидой Big Data, машинного обучения и искусственного интеллекта это направление выросло в профильный департамент цифровых технологий в индустрии. Подразделение решает прикладные задачи для предприятий нефтегазовой, горнодобывающей, металлургической и других секторов экономики.

В итоге компании, не связанные с нефтью и газом, оказались заинтересованы в применении наших технологий в их областях. Сегодня практически все разработки центр старается ориентировать на сквозные межотраслевые технологии.

На основе гибридных подходов можно находить лучшие практики в одной отрасли и переносить их в другие. Так, алгоритмы обработки сердечного ритма на снимке МРТ были использованы нами для выявления осложнений работы скважинного насоса. Интерес заказчиков к подобным разработкам неуклонно растет.

Под искусственным интеллектом некоторые склонны подразумевать буквально все, что связано с машинным обучением. Но ведь это не так?

Искусственный интеллект создает нетривиальное решение, которого человек прежде не видел. Он дает принципиально новые знания. Да, люди научились сочинять музыку и поэзию, создавать фотографии людей, которых в реальности не существует, даже снимать фильмы по сгенерированному искусственным интеллектом сценарию. Но это все носит скорее развлекательный характер, не имеет серьезного прикладного эффекта.

Может показаться странным, но в оценке повсеместного применения искусственного интеллекта и цифровых технологий как универсального инструмента для всех проблем современного производства даже инжиниринговые компании остаются изрядными скептиками. Не пытаются культивировать среди клиентов идеи гонки за цифровыми трендами или «научным глянцем», убеждать, что искусственный интеллект способен давать моментальный положительный эффект.

Надо обладать компетенциями, чтобы синергетически «сдружить» физику процессов и алгоритмы машинного обучения. Конечное решение в этом случае – цельный IT-продукт (приложение, веб-сервис), в основу которого «зашиты» расчетные алгоритмы.

Когда компания раз за разом доказывает способность делать продуктовые истории и разворачивать их в технологических ландшафтах клиентов, то успех гарантирован. Например, наша линейка Smart DQ создает программное решение, которое аккумулирует все данные с датчиков производственного оборудования, обрабатывает онлайн и выдает рекомендации по оптимизации, эксплуатации и техобслуживанию.

Мир переходит на производство, управляемое интеллектуальными системами. Но все ли правильно представляют, что такое Big Data?

К сожалению, нет. Ценность множества данных, которые компании получают в ходе деятельности, на поверку сильно занижена. Это может быть чревато серьезными операционными издержками. Нам очевидно, что клиенты нуждаются в алгоритмах в области Big Datа, чтобы решать сразу несколько задач.

Во-первых, достигнуть оптимума в подборе параметров работы производственного оборудования в зависимости от постоянно меняющихся внешних обстоятельств. Например, на нефтедобывающем заводе наша компания доказала наличие упущенной выгоды в плане энергопотребления в размере 5–10%.

Во-вторых, автоматизировать рутинные процессы, чтобы эксперты могли заняться более сложными и интересными задачами, которые невозможно формализовать. Допустим, интерпретация образца породы по фотографии с микроскопа занимает обычно несколько часов, между тем есть алгоритм, способный дать ответ за несколько секунд.

В-третьих, предотвращать ситуации, которые влекут убытки. В частности, предупреждать о рисках выхода из строя дорогостоящего оборудования. Это так называемая предиктивная диагностика.

Наконец, надо быть готовым решать задачи в области research&development практически для любого объекта, где НИОКР предполагают серьезные затраты. Это медицина и фармацевтика, финтех, агропром и т. д.

Еще одно «веяние времени» – создание экосистем. Что можно сказать по этому поводу?

Да, это заметный тренд, который набирает обороты в B2C-секторе. Многие крупные компании строят сегодня экосистемы для людей – от заказа еды до банковских услуг. Работает это так: в нескольких продуктах ищется некая синергия – для них создается единая среда – в этой среде начинает жить максимальное количество людей, которые пользуются продуктами экосистемы.

Применительно к инжинирингу, я считаю, важно развивать экосистемы в матрице B2B. В ритейле механизмы привлечения пользователей продукта уже хорошо освоены и четко работают, и идея того, чтобы относиться к B2B-пользователю так же, как и к пользователю B2C, может стать драйвером роста.

Один из векторов движения российского инжиниринга в сторону создания экосистем – научиться тиражировать решения для компаний с большим количеством сотрудников. Важен сетевой эффект, поскольку практическая ценность любого приложения обеспечивается множеством его пользователей.