Недостающие звенья автоматизации

В некоторых случаях целью становится полная автоматизация всех задач, связанных с профессией. Сами по себе инструменты ИИ на это способны вряд ли, поскольку поддающиеся полной автоматизации рабочие процессы состоят из последовательности задач, которые нельзя (или непросто) исключить, даже если изначально они кажутся не требующими специальных навыков и пустяковыми.

В 1986 году произошла катастрофа космического шаттла «Челленджер» из-за взрыва челнока в результате повреждения уплотнительного кольца диаметром менее 0,5 дюйма. Эта поломка привела к разрушению корабля. При полной автоматизации задачи один неработающий участок может поставить под угрозу ее выполнение; необходимо анализировать каждый шаг. Такие маленькие задачи становятся трудноопределимыми недостающими звеньями автоматизации и существенно ограничивают пересмотр обязанностей. Следовательно, инструменты ИИ, способные обнаружить эти звенья, имеют огромное значение.

Рассмотрим сферу обработки заказов, активно развивающуюся последние двадцать лет с распространением онлайн-шопинга. Обработка заказов – основной этап продаж вообще и электронной коммерции в частности. Она заключается в принятии заказа и подготовке к доставке клиенту. В электронной коммерции обработка заказов состоит из нескольких частей: поиска товара на огромном складе, снятия с полки, сканирования для учета наличия, упаковки в пакет и коробку, ее маркировки и подготовки к отправке.

Поначалу применение машинного обучения в обработке заказов ограничивалось учетом товаров: прогнозированием, какие из них необходимо закупить, потому что они хорошо продаются, какие не требуют пополнения запаса из-за низкого спроса и так далее. Эти отработанные прогностические задачи несколько десятков лет оставались основной частью офлайновых продаж и складского управления. Технологии машинного обучения сделали прогнозы еще лучше.

За последние двадцать лет автоматизировали большую часть процесса. Например, исследованиями установлено, что работники центров обработки заказов больше половины времени тратили на складские поиски товаров и упаковку. В результате несколько компаний разработали автоматизированный процесс транспортировки товаров с полок, чтобы сократить время на поиски. В 2012 году Amazon за $775 млн приобрела лидирующую на этом рынке компанию Kiva и в итоге прекратила поставки Kiva другим клиентам. Позднее появились другие поставщики, желающие удовлетворить спрос расширяющегося рынка внутренних центров обработки заказов и сторонних логистических компаний.

Несмотря на значительную автоматизацию, в центрах обработки заказов работает много людей. Хотя роботы могут взять товар и принести его человеку, его необходимо еще сортировать – то есть разобраться, что куда отправлять, – а затем поднять предмет и переложить в нужное место. Последнее самое сложное из-за самого движения захвата. И пока его выполняют люди, склады не могут воспользоваться всеми преимуществами автоматизации – они должны обеспечивать персоналу комнатную температуру, пространство для передвижения, комнаты отдыха, туалеты, устанавливать камеры наблюдения для предотвращения краж и т. д. Это дорого.

Устоявшаяся роль человека в обработке заказов объясняется относительной производительностью привычных хватательных движений: протянуть руку, взять товар и переложить куда следует. Эта задача пока недоступна для автоматизации, поэтому только в Amazon 40 тыс. человек работают полный день и еще десятки тысяч на неполной ставке в предпраздничное время. Человек обрабатывает примерно 120 товаров в час. Фирмы с большими объемами продаж предпочли бы автоматизировать эту задачу. Начиная с 2014 года Amazon проводит программу Amazon Picking Challenge для мотивации лучших робототехнических компаний мира на решение давно изучаемой проблемы хватательного движения робототехнического устройства и автоматизации сортировки в неупорядоченной среде склада. Хотя проблемой занимаются лучшие команды, такие как МТИ, и многие используют передовое робототехническое оборудование промышленного класса производства Baxter, Yaskawa Motoman, Universal Robots, ABB, PR2 и Barrett Arm, на момент написания книги удовлетворительное решение для промышленного применения не найдено.

Роботы вполне способны собирать автомобили и управлять самолетами. Почему же они не могут взять предмет на складе Amazon и положить его в коробку? Ведь эта задача вроде бы несравнимо проще. Роботы умеют собирать автомобили, потому что компоненты строго стандартизированы, а процесс четко определен. А товары, разложенные на полках на складе Amazon, бесконечно варьируются по форме, размерам, весу и твердости и лежат как попало. Иными словами, в задаче на складе есть неограниченное количество «если», а манипуляции на автосборочном заводе предполагают очень мало «если».

Следовательно, чтобы научиться забирать что-либо с полки в условиях склада, робот должен «видеть» товары (анализировать изображение), правильно прогнозировать угол и давление, чтобы взять требуемый товар, не уронить и не сломать его. Иначе говоря, в корне проблемы захвата разнообразных предметов в центрах обработки заказов лежит прогноз.

В исследованиях функции захвата роботов учат подражать человеку в процессе обучения с подкреплением от среды взаимодействия. Ванкуверский стартап Kindred, основанный Сюзанной Гилдерт, Джорди Роуз и командой с участием одного из авторов (Аджея Агравала), использует робота, названного Kindred Sort, – руку, управляемую одновременно автоматическим программным комплексом и человеком-оператором[104]. Автоматика идентифицирует и классифицирует предмет, а человек – с гарнитурой виртуальной реальности – направляет руку, чтобы взять его и переложить.

В первой итерации человек может находиться вне склада и заполнять недостающее звено в рабочем процессе обработки заказов, выбирая угол и степень сжатия руки в удаленном режиме. Но в долгосрочной перспективе Kindred собирается тренировать робота выполнять эту задачу самостоятельно с помощью прогностической машины, обученной на многократных наблюдениях за действиями удаленного оператора.