Сегодня одним из ключей к успеху современных производителей автомобилей является ограничение количества дефектов в производственном процессе. Только в 2017 году Министерство транспорта Канады отозвало 3,1 миллиона автомобилей из-за соображений безопасности[1]. Эти отзывы имеют реальные последствия — в 2015 году дефекты некоторых выключателей зажигания GM привели к гибели 51 человека, за что GM пришлось заплатить штрафы на общую сумму 4,1 миллиарда долларов США[2]. Acerta Analytics — стартап SaaS из Китченера, который использует новую тактику для решения этой проблемы. Они разработали ряд методов машинного обучения, чтобы более точно выявлять производственные сбои, а также прогнозировать потенциальные сбои производственной системы до того, как они произойдут.

Грета Кутуленко, генеральный директор и соучредитель, немного поговорила со мной о компании, о том, как она добилась того, что она имеет, и о машинном обучении в целом.

Фрейзер: Что ваши клиенты говорят об Acerta? Какое влияние это оказало на их бизнес?

Грета: Преимущества для наших клиентов двояки: во-первых, наши решения могут применяться в процессе производства. Если наши клиенты смогут обнаружить дефект на более ранних этапах процесса, это сократит количество брака и переделок. Это, в свою очередь, снижает производственные затраты.

Второе преимущество заключается в том, что мы можем помочь им предсказать, возникнут ли проблемы в некоторых из их систем в течение гарантийного периода. Это помогает нашим клиентам снизить гарантийные расходы.

Ф: Как насчет вас лично? Что заставило вас перейти от корпоративной жизни к миру стартапов?

G: Я довольно много работал с системами помощи водителю и пытался обеспечить безопасность разрабатываемых нами систем. Я понял, что процессы, которые мы использовали для обеспечения качества, были очень ручными! Сами системы, с которыми мы работали, были технологически продвинутыми, но контроль качества был очень ручным, поэтому была возможность улучшить.

Себ Фишмайстер (доктор Себастьян Фишмайстер, CSO и соучредитель) проводил исследования в этой области в Ватерлоо. Я видел технологию и знал, что есть интерес, поэтому мы решили погрузиться и коммерциализировать.

F: Почему что-то в области машинного обучения?

G: Одной из причин, по которой мы решили начать применять машинное обучение, было увеличение количества датчиков и огромного объема данных. Компании могут разрабатывать системы, основанные на правилах, но с машинным обучением вам не нужно знать все о системе заранее! Это был лучший способ справиться с большим объемом данных.

F: Не раскрывая ничего собственного, какие инструменты и методы вы используете? Каков ваш процесс?

G: Что касается инструментов, мы используем некоторое готовое программное обеспечение и переделываем его под то, что нам нужно. Сложность с автомобильными системами заключается в постоянных изменениях состояния — автомобили то припаркованы, то ускоряются, то замедляются, — поэтому для решения этой проблемы требуется творческое мышление.

Что касается методов, мы склонны использовать нейронные сети для выявления проблемных областей. Мы обнаружили, что разные модели лучше подходят для поиска разных проблем, и мы постоянно сравниваем наши модели с различными типами производственных сбоев, используя множество исторических данных.

Например, в одном случае нас попросили предсказать, выйдут ли шестерни в коробке передач данного автомобиля из строя в полевых условиях в течение гарантийного срока. У нас была только небольшая выборка для работы, поэтому нам пришлось проделать значительную разработку функций, отбрасывая функции, которые не добавляли в модель. Мы смогли сделать это с точностью 89%, что привело к снижению годовой стоимости гарантии для клиента на 2 млн евро. В другом случае нас попросили посмотреть на какое-то необычное поведение, связанное с утечкой воздуха в выхлопной системе. У нас было много данных, но аномалия произошла только в 0,029% данных, поэтому нам пришлось использовать другой подход.

Наконец, исследования и разработки являются ключом к нашему успеху. Важно всегда пробовать новые техники и совершенствоваться!

F: Что дальше лично для вас? Что будет дальше с бизнесом?

G: Мы с нетерпением ждем роста! Мы приближаемся к этапу масштабирования, и у нас было несколько начальных развертываний, тестирующих решения в полевых условиях. Теперь, когда у нас есть хорошая проверка, мы стремимся масштабировать ее на производственных предприятиях. Вы разрабатываете множество этих моделей/технологий, но что действительно интересно, так это видеть, как они используются!

Более подробную информацию об Acerta Analytics можно найти здесь: https://acerta.ca/

[1] https://open.canada.ca/data/en/dataset/1ec92326-47ef-4110-b7ca-959fab03f96d

[2] http://money.cnn.com/2015/02/04/news/companies/gm-earnings-recall-costs/index.html