ИНДУСТРИАЛЬНЫЙ ИНТЕРНЕТ

Собеседник 1:

Коллеги, добрый день. Меня зовут Дмитрий Лаканцев, я заведующий лабораторией интернет вещей Сколковского института науки и технологий. Время пришло. Мы начинаем нашу секцию под названием «Индустриальный интернет». Я сделаю короткое, такое вводное слово. На мой взгляд, секция обещает быть интересной, потому что у нас сегодня присутствуют представители самых разных, скажем так, составляющих вот этого понятия «Индустриальный интернет». Есть люди, которые занимаются профессионально промышленной автоматизацией, есть люди, которые занимаются наукой на очень серьезном уровне, есть люди, которые занимаются применением, скажем так, подобных технологий в предприятиях, то есть, с точки зрения предприятия, которое у себя это внедряет. Хотелось бы для начала просто немножко определиться с термином. То есть, индустриальный интернет – это вот последнее такое веяние, новый термин, который, в общем-то, зачастую вызывает скорее вопрос – а что же это такое и что он из себя представляет. По моему скромному мнению индустриальный интернет – это, в общем-то, логичный этап, следующий, в эволюционном развитии систем автоматизации предприятия. Наверное, отличительной особенностью в данном случае является то, что это выходит уже за рамки какого-то конкретного предприятия, закрытой внутренней сети предприятия, а становится вот таким, в какой-то степени глобальным явлением. Какие при этом возникают проблемы и вызовы, вот мы постараемся обсудить. На самом деле у меня была просьба к участникам сессии попытаться максимально проиллюстрировать это понятие на примерах, чтобы было понятнее, как это выглядит, что это из себя представляет, как это работает. Начать я хотел бы все-таки с платформы, потому что платформа – это, в общем-то, то, на чем, то, то, что увязывает это понятие, сам по себе, все компоненты этого индустриального интернета в одну единую систему. Платформа, в общем-то, у нас бывает двух типов. Это платформы полностью вертикальные, которые решают конкретные задачи в конкретном месте и двигаются с самого низа до самого верха. То есть, начиная от сенсоров и устройств и заканчивая уже каким-то приложением в облаке или не в облаке, тут уж зависит от построения, от ситуации и, в общем-то, платформы инфраструктурные, которые дают связную и информационную инфраструктуру для построения на них любых решений практически для партнеров, которые этой платформой пользуются. Поэтому для начала я хотел бы дать слово человеку, который, в общем-то, умеет эти вещи разрабатывать и генеральному директору компании ТВ-Системс Виктору Полякову. И попросить его описать несколько типичных примеров использования их платформы агрегейт на вот конкретных предприятиях и, собственно говоря, внедрениях. Спасибо. Виктор. Да.


Собеседник 2:

Да, коллеги, добрый день. Прежде всего, Дмитрий, спасибо за возможность участвовать сегодня. Установка Дмитрия была такая, что большие слова – все надоели и нужно действительно рассказать, что мы делаем. А можно презентацию включить? Спасибо. То есть, сосредоточиться на кейсах. Поэтому это, наверное, первый раз в жизни, когда я показываю слайды, над которыми не поработал дизайнер и которые, в общем-то, писались собственноручно. Как наши говорят, только хардкор. Пара абстрактных слайдов все-таки будет. Главная идея, которую я хочу рассказать сегодня, заключается в том, что восприятие IT-платформы обычно бывает достаточно однобоким. Очень многие считают, что IT-платформы или платформы индустриального интернета – это некий такой софт, который собирает данные танкъютити, кладет их в какую-нибудь базу, обычно новый SQL, какой-нибудь хадупль или касандра еще и облачную, и, условно, запускает какие-нибудь умные алгоритмы машин Лёнинга или, как там, предсказательного тех. обслуживания и так далее. Так выглядит платформа Амазон, Гугл, Рейжер, во многом они вот такую парадигму преследуют. На самом деле, вот в случае, как Дмитрий сейчас сказал, вертикальных платформ, их задача не просто собрать, сложить и обработать данные, они на самом деле заменяют огромное количество существующих продуктов. Это и скада система, система автоматизации зданий, система учета электроэнергии, система управления как IT-инфраструктуры, так и бизнес-сервисами, системы управления инцидентами и системы управления какими-то заявками. Есть также сложившийся около 10 лет назад рынок М2М, условно, управление терминалами и сим-картами. IT также эту область в себя включает. И так далее, система физической безопасности BI, и кроме того, в IT-платформах появляется сейчас функция децентрализации. То есть, если в представлении большинства людей данные обрабатываются в облаке, на самом деле сейчас как раз появляется обратный тренд, все умные алгоритмы, анализы там временных рядов, явлений топологии, в смысле выявление аномалий, они все работают прямо в том самом устройстве, которое называется IT-getway’ем, но АСУ ТПшники, собственно, называют это ПЛК, на самом деле эти два устройства они практически сравнялись друг с другом. Что касается кейса в целом. На самом деле платформы применяются практически во всех отраслях. То есть, несмотря на то, что интернет мы называем индустриальным, да, это могут быть и банки, и сельское хозяйство, то есть, то, что как в классическом понимании не является такой тяжелой индустрией. И географически, и в плане вертикальных рынков мы не знаем таких областей, где не найдется какого-нибудь хоть захудалого, но кейса. При этом все-таки IT-платформы обрабатывают данные от устройств. То есть, вот название интернетом things и сами эти things они никуда не делись. Поэтому чем больше компания имеет физических активов, тем больше в целом роль вот таких вот решений для нее. То есть, условно абстрактный какой-нибудь там газовый гигант может получить больше от такого вот продукт, чем какой-нибудь абстрактный банк или страховая компания. Но это опять же, это так в целом. И, конечно, мы занимаемся исключительно платформой, да, мы вендеры платформы ното, поэтому только знаем про кейсы, связанные именно с софтом, то есть, мы не знаем про сети, поэтому здесь про это ни слова дальше не будет. А дальше прямо по индустриям. То есть, это проекты, которые строились, и я, просто перечисляя их названия, здесь не хватит там двух часов, чтобы о каждом хоть немного рассказать. Попытаюсь описать, что платформы умеют делать. Берем энергетику. Начинается все, естественно, с классических скада, кроме того, естественно, когда экземпляр платформы работает на контроллере, да, и выполняет, допустим, эковские языки, он также закрывает и средний уровень автоматизации. Дальше, это уровень мэсс, причем скада плюс мэсс – это, может быть, именно энергетическая скада, то есть, с процессом топологии, рисованием присоединений и так далее. Кроме того, индустриальные сети энергетические они очень сильно завязаны на IT-инфраструктуру, которая доставляет сигналы лелейна и защиты телемеханики и так далее. Соответственно, мониторинг и управление IT-инфраструктурой, конфигурациями, допустим, сетевого оборудования и так далее, они неразрывно связаны с АСУ ТП, поэтому платформы закрывают облаки ИСА. Вот тут еще, допустим, проект по мониторинго-электро в ПИАФе. В принципе, классическое АСУ ТП, да, но мы также ее реализовали на нашей платформе. Вопрос – является ли это индустриальным интернетом или интернетом вещей, мне часто его задают. Но вот я на него так отвечаю: если мы платформу использовали, которую мы называем платформой для IT, значит, в принципе, является. Дальше, нефтегаз. Основные тренды здесь похожи на энергетику. То есть, это IT-половинка и АСУ ТПшная половинка, значит, что здесь добавить. Можно построить то, что называется технологической шиной, а в частности, в России очень популярно решение, американское решение компании ОСИ-Софт, PICистам. В последнее время то, чем мы много занимаемся, это замена данного решения. Оно очень дорогое, его обслуживание за год может стоить иногда дороже, чем полностью поменять его. Дорогое, потому что большие объемы данных, то есть, типовая нагрузка на сферу такого решения – это до полумиллиона сигналов в секунду с хранением. А сотни тысяч – это, так скажем, вообще даже не очень много. Поэтому на классических скадах такие вещи построить не легко, но есть One-de-vea американская опять же. Значить, дальше, есть пример с системой СМИС. Опять же, не на всех скадах, не на всех классических продуктах можно это сделать, поскольку это очень сильно зарегулированное МЧСом область, где все инциденты типизируются, есть стандарты, значит, по которым классифицируются аварии на критических объектах, передаются на региональный уровень, на федеральный. И нужно достаточно четко этим стандартам соответствовать, чтобы построить и сертифицировать, самое главное, региональную СМИС. Как ни странно, вот наше ПО в данном случае подошло. То есть, я уверен, что если бы наш партнер взял бы платформу Предикс или PTC-frameworks, в принципе, он тоже бы добился этой цели, то есть, он смог бы такое решение построить. Поехали дальше. Производство. Что касается производства, компании, которые строят производственные линии, они часто нуждаются в некой системе управления. Но вот, в частности, здесь есть два примера. Это итальянский наш партнер, который делает упаковочные линии, то есть, стандартизованные, продает и налаживает, внедряет. Вот, и есть наша российская компания Астек СНТ, которая, собственно, как из названия следует строит линии АСНТ монтажа. Такие компании не хотят писать систему управления, систему оптимизации фиктивности своих установок с нуля, они просто берут вот эту самую платформу и на ней прикручивают некую аналитику, бизнес логику, получают готовый продукт. Хотя, опять же, нужно отдать должное, что и на скада системе такие вещи можно сделать при желании, и, в общем-то, делаются. Значит, в остальном в производстве строится классический АСУ ТП, АСДУ и похожие системы, те же АСТО и так далее. Я стараюсь не читать слайды, иначе можно было бы уйти в детали. Дальше начинается интересное. Операторы связи всегда были таким независимым рынком. Они эксплуатировали свои собственные системы, различные там системы мониторинга, системы управления сетями. Сейчас, с одной стороны, все телекомы становятся интеграторами услуг, и в том числе интеграторами услуг интернета вещей, а с другой стороны, платформы, не все, правда, но некоторые могут решать и классические задачи телекомов такие, как, допустим, мониторинг сетей доступа или, допустим, вот был у Мегафона проект по управлению пилингом, BGP-пилингом на магистральной сети. По большому счету это те же самые задачи сбора, обработки, визуализации некоторых данных, структурированных, технологических данных. То есть, данные о маршрутизации в сети, они принципиально не отличаются от данных о потоках нефти или, допустим, перетоках электроэнергии. Значит, соответственно, это кейсы какие-то, скажем так, разовые, но самое главное, что телекомы, почти все телекомы в мире начинают адаптировать IT- платформы, на них выстраивать партнерскую экосистему, чтобы иметь возможность взимать со своих, вернее, чтобы дать своим возможность партнерам возможность выстраивать свои решения, полностью интегрированные в сеть оператора. По сути это то, что уже сделал Амазон и был первым. Сейчас это сделал Гугл со своим IT-cloud, и сейчас это сделал Microsoft своим Эйджел. Естественно, телекомы, которые владеют и каналами, и содами, то есть, облаком, они хотят сделать то же самое. Они хотят продавать не просто серверные мощности, они хотят продавать услуги своих технологичных партнеров, каких-нибудь производителей фитнес-треккеров или там умных счетчиков, но уже проинтегрированных в свою сеть. То есть, это некий более сложный уровень взаимодействия телекомов и вендеров вот таких вот решений. Все, заканчиваю, да. Пара слайдов. Значит, система, вернее, автоматизация зданий – это, скажем, наиболее продвинутое решение в области IT, поскольку оно включает в себя по сути все предыдущее. То есть, это все уровни от управления какими-то там светофорами до уровня ПЛК, это скада, а самое главное – это большая сложная система управления инцидентами визуализации какой-то огромной сложной инфраструктуры. Вот я тут привел пару примеров. Это автоматизация порта, это автоматизация кампуса корпоративного, управление фонтанами, но на самом деле это в данном случае все проекты уникальные. То есть, двух одинаковых не будет. Транспорт и логистика. Смысл этого слайда заключается в том, что, то есть, когда люди думают, что такое IT-платформа, применительно к транспорту, все думают, что это собственно мониторинг транспорта как такового, автобус едет, следить, не сливают ли топливо, километраж, отчеты и так далее. На самом деле ничего подобного, есть еще огромное количество смежных проектов, которые также можно на этом решении покрыть, не изобретая велосипед, не начиная писать свой софт и так далее. Например, партнер наш в Тбилиси построил решение по скуд в метро. То есть, там все в метрополитене контроли, считыватели и зоны и прочее управляются, собственно, вот нашей системой. А гос. органы, что тут сказать, гос. органы – это такая же большая сложная IT-инфраструктура, в которую включают и ЦОДы, и какие-то там сервера, каналы связи и так далее, какие-то здания, соответственно, примерно те же решения применяются, вернее, строятся для государства, которые строятся для крупных компаний. То есть, вот мониторинг ЦОД может быть реализован как для ЦОДа государственного, так и для ЦОДа корпоративного, который сдается в аренду. Значит, вот этот слайд он о том, что решения максимально далеки друг от друга. То есть, вот сельское хозяйство, скажем, находится на противоположном конце от финансов и страхования, то есть, если для банка можно построить, допустим, систему управления инцидентами, CRM-систему, то для сельского хозяйства вот, например, мониторинг хранения урожая или мониторинг технологических показателей на производстве. Наконец, последний слайд о том, что помимо, собственно, всех вот этих вертикальных рынков стандартных, платформа позволяет опять же, любая, которая не продается как сервис, а продается как пакет, позволяет производителям оборудования создавать свои продукты, соответственно, она и брендится, и продается как некое решение, которое решает конечные задачи. Вот, собственно, получилось галопом по Европам, но вот такой некий экскурс в то, что из себя современная платформа представляет. А всего их сейчас более 140, из них около 30 – 40 находятся на достаточно хорошем технологическом уровне, то есть, они вот такие задачи решают. Все, спасибо.


Собеседник 1:

Виктор, а такой вопрос. Где же все-таки переход от классической автоматизации предприятия, которую мы представили, например, электростанция автоматизированная, к индустриальному интернету, где же появляется интернет, вот это слово?


Собеседник 2:

Переход в голове у маркетологов, которые придумали интернет вещей.


Собеседник 1:

Да, вопрос понятен. Спасибо. Вот на примере решения агрегейт мы увидели как, в общем-то, один и тот же софт, то есть, вертикальная платформа IT может быть использована в самых разных, я не знаю даже, шире, наверное, придумать не возможно, сколько разных кейсов, вариантов применения. Теперь мне хотелось бы посмотреть немножко на другой тип платформы, на платформы инфраструктурные, которые на самом деле еще более абстрактные от того, что, скажем так, от конкретного кейса. Поэтому я хотел бы дать слово Андрею Волгину, директору компании Ристрим, которая занимается, в общем-то, в интересах Ростелекома разработкой вот индустриальной платформы интернет вещей.


Собеседник 3:

Да, Дмитрий, спасибо. На самом деле Виктор очень хорошо объяснил, зачем платформы занимаются телеком операторы, наверное, я бы лучше не смог. Давайте я расскажу кратко о самой компании Ристрим. Ристрим – это полностью дочерняя компания Ростелекома, которая занимается различными платформами. Так мы разрабатываем и поддерживаем платформы видеонаблюдения, которая работает там на выборах, на едином гос. экзамене и так далее, и платформу IPTV Ростелекома, наверное, многие пользуются приставочками, вот это тоже мы. И уже год как мы работаем над созданием платформы как раз инфраструктурной, индустриального интернета вещей. Так как мы занимаемся по поручению Ростелекома, Ростелеком занимается, будучи государственной компанией, занимается по поручению там правительства Российской Федерации, мы думаем о том, как собрать глобально данные технологически в защищенной среде и сделать это хорошо. Значит, что делает наша платформа. Платформа обеспечивает сбор данных, хранение данных и среду для обработки этих данных и, соответственно, передачу этих данных дальше. Создавая платформу, мы прежде всего, ориентировались на зарубежные аналоги такие, как Майкрософт Ажур и платформа от Амазон. Зачем нужно вообще делать свою российскую платформу, почему нельзя пользоваться зарубежными? Здесь можно провести аналогию с данными, которые собираются с частных лиц. Мы все знаем, что Гугл собирает данные о том, как мы пользуемся поиском, как мы читаем почту и так далее и так далее. Фейсбук собирает данные о том, как мы просматриваем свою ленту, и зарабатывает на этих данных достаточно большое количество денег, там размещая рекламу, делая промо, платные посты и так далее, и так далее, и так далее. Если бы в России не было таких компаний, как Яндекс, Мейл.Ру, Фейсбук и Гугл снимали бы все сливки с этого рынка. Там, слава богу, у нас есть и российские игроки, поэтому доходы разделены. С промышленными данными все интереснее. Во-первых, промышленные данные зачастую носят стратегические характеры, и большое количество промышленных данных, собранных где-то за рубежом, может угрожать, в том числе национальной безопасности. Помимо стратегий безопасности и так далее, просто в промышленных данных денег значительно больше, чем в пользовательских. Поэтому, конечно, имеет смысл регулировать работу с промышленными данными и собирать их в некой доверенной контролируемой среде. На этом форуме уже говорилось о том, что к примеру турбины и станки зарубежных производителей, там например, Сименс регулярно отправляют данные за рубеж. Я знаю кейс, когда турбина, привезенная, закупленная для центральной России, перевезенная в Крым, просто переставала работать. Да, да, да. Соответственно, мы уже находимся в той стадии, когда оборудование, умные вещи на производстве, промышленные вещи, они умные. Данные с них должны собираться. И как собираться должны вот мы определить, наверное, при помощи государства. Соответственно, крайне важным является вопрос безопасности промышленных данных и управления ими. Здесь не нужно бояться, прогресс идет вперед, данные обрабатываются в центрах обработки данных, это нормальное развитие вещей. Хотим мы этого или нет, но в каменном веке мы не останемся, мы в любом случае придем туда. Там для каких-то отраслей это произойдет раньше, для каких-то позже. И собирая данные в ЦОДы, работая с промышленными данными, нам нужно просто всегда в голове держать модель угроз, которой может подвергнуться эти данные, и предпринимать резонные разумные средства защиты. Так мы в нашей платформе обеспечиваем шифрование данных там от момента выхода за контур предприятия или места сбора этих данных до помещения в центр обработки данных, там работаем с разграничением прав доступа и предпринимаем там адекватные средства защиты. Ростелеком является там по совместительству еще оператором инфраструктуры электронного правительства, который вращается огромное количество крайне чувствительной информации, и до сих пор из этой системы утечек никаких не было, хотя атаки предпринимались. Соответственно, мы совместно со специалистами, которые обеспечивают безопасность этих систем, и проектируем систему индустриального интернета вещей. Наверное, я буду уже заканчивать. Напоследок хотелось подчеркнуть, что сбор данных с предприятий и погружение их в нашу платформу индустриального интернета вещей во многих отраслях идет достаточно тяжело. Да. Допустим, есть отрасли, в которых работа движется быстрее, это ЖКХ, сельское хозяйство и есть отрасли, где традиционно работа движется сложнее, это тяжелое машиностроение и ВПК. Так вот, хочется сказать еще раз следующее, что прогресс не остановить, данные станки и все девайсы генерят, и нужно уметь с ними работать и не нужно закрываться от этого. Спасибо.


Собеседник 1:

Андрей, вот такой вопрос. Обычно говорят, что в интернете вещей, в общем-то, два таких суровых, две суровых проблемы, первая – это безопасность, а вторая – это, в общем-то, стандарты, то есть, стандартизация, что ничто ни с чем не совместимо, очень много всего уже нагенерили и, собственно говоря, вот такая вот каша, но безопасность здесь вообще на первом уровне, потому что вот прямо чудеса, что предприятия могут взять и отдать все данные себе. Правда, кстати, может быть, и не чудеса, потому что на предыдущей сессии мы слышали, как с реальных предприятий в Германи. уходят сименсовские турбины какие-то данные, но вот это происходит. Но все равно, наверное, какой-то психологический барьер очень мощный, что вот с предприятия конкретного собственника эти данные могут уйти в центр обработки данных, который находится за пределами предприятия и, в общем-то, этим предприятием никак не контролируется. Как вот, что-то, есть какой-нибудь опыт именно преодоления этого барьера?


Собеседник 3:

Это в каждом случае отдельная большая работа. Действительно, паранойя о том, чтобы вытащить данные за контур, она сильна. Иногда она обоснована там реальными какими-то потенциальными угрозами, и эти угрозы нужно там не спорить, а оккупировать, решать, предпринимать отдельные шаги. Но зачастую это больше в голове, что как же так, я отдам свои данные куда-то там во вне, где сервер не стоит под ногами и его нельзя в любой момент взять под мышку и побежать. На самом деле здесь ситуация несколько обратная, поддерживать на предприятии, особенно если это предприятие не такой гигант как, я не знаю, Автоваз, свою инфраструктуру для обработки промышленных данных, значительно сложнее, чем отдать данные в проверенную грамотно созданную специалистами инфраструктуру, где права доступа разграничены, гарантирована сохранность этих данных, гарантирована отсутствие утечек и фальсификация этих данных. Это все прописываться может просто в договорных отношениях.


Собеседник 4:

Как это гарантируется?


Собеседник 1:

Как это можно гарантировать?


Собеседник 3:

Смотрите, в любой IT-безопасности гарантировать нельзя ничего, никогда. Это правда. Соответственно, компания, которая обеспечивает хранение и обработку данных она подписывает, как эсэлэй, это ровно так же, как нельзя гарантировать линию связи, но подрядчик, который поставляет эту линию связи, говорит, что моя линия связи будет доступна там все часы, за исключением 5 минут в течение года. И если это не так, я деньги возвращаю, то же самое. Что касается стандартизации. Как говорит Андрей Колесников, это директор ассоциации вещей Фри, что действительно в интернете вещей существует цифровой феодализм. Все изобретают собственные стандарты и тянут одеяло на себя. Для того чтобы с этой проблемой разобраться, там существует ассоциация, существуют рабочие группы при министерствах, ведомствах и так далее, в которых мы вместе с ассоциацией активно участвуем. Со своей стороны могу сказать, что на текущий момент мы скорее идем за стандартами, чем стандарты идут за платформой. То есть, мы поддерживаем всякие специфические гостовые стандарты и так далее и так далее.


Собеседник 1:

То есть, правильно я понимаю, что основные драйверы просто применение подобных инфраструктурных платформ для именно промышленности – это то, что это дешевле, не надо содержать свою инфраструктуру и второй момент это то, что, скажем так, в рамках одной компании, например, того же Ростелекома, проще соблюсти все политики безопасности, стандарты, способы обращения с данными, чем доверять это на каждом предприятии разным людям, и на каждом предприятии наверняка все это организовано по-разному.


Собеседник 3:

Да, совершенно верно.


Собеседник 1:

Ок, спасибо. На мой взгляд, все-таки помимо маркетологов и помимо того, что это чисто придуманное понятие – индустриальный интернет, небольшое все-таки новшество, в отличие от обычной автоматизации предприятий появилось. Новшество заключается в том, что сейчас аппаратные платформы стали очень достаточно дешевы, и в принципе появилась возможность, и собственно инфраструктура связная стала, гораздо более мощнее по пропускной способности, по удобству использования. Появилась возможность собирать данных значительно больше, чем раньше. То есть, на самом деле, если раньше мы могли мониторить конкретный станок или что-то еще, да, то сейчас можно в комплексе мониторить весь цех, все станки, влажность внутри цеха, освещенность на конкретных местах, состав воздуха, не знаю, любые другие вещи, увязать это вместе с системой доступа и так далее, то в результате получается, что количество данных очень мощно возрастает во всех этих системах. И, соответственно, то новое, что появляется, вот здесь вот сказано, что это логичное развитие автоматизации, то новое, что появляется, это обработка большого количества данных. И вот тут как раз начинает появляться наука на мой взгляд, потому что все-таки обработать большое количество данных можно, только применяя серьезные методы научные в рамках науки о данных, в рамках серьезной математики. Вот тут я как раз хотел бы потихонечку перейти к более научной составляющей. И передать слово своему коллеге, доценту Сколковского института науки и технологии Евгению Бурнаеву. Прошу его рассказать о его опыте применения науки о данных в промышленной автоматизации. Спасибо.


Собеседник 5:

Спасибо. Значит, вот я просто сейчас начну с такого схематичного структурного описания задач, а потом просто приведу несколько конкретных примеров. Значит, фактически задачи, с которыми приходится иметь дело, когда обрабатываются данные, вот относящиеся там, допустим, к предприятию, структурную задачу можно представить так, что у нас есть какой-то набор параметров входных. Этот набор входных параметров может быть представлен как в виде какого-то многомерного временного ряда сигналов, это могут быть просто какие-то отдельные значения параметров. Дальше у нас есть либо какая-то система, которая при этих значениях параметров, для которых мы вычисляем те или иные характеристики, эффективность ее работы, например, параметр – это может быть и описание геометрии крыла самолета, но соответственно, проводя с этим крылом эксперимент в аэродинамической трубе, мы можем измерять его подъемную силу, также существует возможность проведения физического моделирования, то есть, на основе каких-то физических моделей, также можно вычислять, оценивать важные аэродинамические характеристики. Соответственно, таким образом, накапливаются данные, выборка данных, и дальше, имея такую выборку данных, хотелось бы построить модель предиктивную, которая позволила бы нам, во-первых, соответственно, прогнозировать поведение вот этого объекта при новых значениях параметра. Во-вторых, мы могли бы на основе этого прогноза этим объектом управлять, во-вторых, мы могли бы оптимизировать его параметры эффективности, соответственно, тем самым минимизировать может быть какие-то потери. Сейчас я вот в рамках вот этой структуры просто приведу несколько конкретных индустриальных кейсов, из которых будет понятно, с какими трудностями вообще приходится сталкиваться, и почему здесь нужна, так сказать, большая наука. Значит, вот на этом примере речь идет оптимизации композитной боковой пластины, которая защищает гонщика машины Формулы-1, соответственно, входные параметры – это параметры, которые задают структуру пластины, выходные параметры – они измеряются либо в ходе проведения дорогостоящего эксперимента, либо в ходе трудоемкого и долгого по времени проведения вычисления, это параметры, собственно, прочности, необходимо массу этой пластины минимизировать при ограничении на прочность. Понятно, что никакой такой нормальной, настоящую оптимизацию провести не можете, но если вы накопили какую-то базу данных вот таких вот входных и выходных значений, то за счет этих данных можно, применяя методы машинного обучения построить предиктивную модель, а дальше уже какие-то нащупать комбинации входных параметров, задающих структуру пластины, такие, что масса пластины поменьше, а прочность, тем не менее, у нее достаточная, чтобы машину допустили для заезда. Соответственно, вот такого типа задачи, такой классический пример задачи дизайна с применением методов машинного обучения. Следующий класс задач – это класс задач, в котором у нас входными данными Х являются не параметры, задающие структуру пластины, а более сложный объект, а именно временные ряды, то есть, здесь, кстати, возникает еще одна большая сложность, скажем так, которая в индустрии есть, это вообще подготовка данных, а именно, что в этих входных данных, то есть, в измерениях сенсоров, которые там характеризуют различные вибрации, давления, температуры, в данном случае речь идет о вспомогательных условиях установки, то здесь возможны и пропуски в данных, и какие-то измерения с ошибками, и более того, если речь идет о измерениях, в которых увлечен человек, могут быть и, вообще говоря, данные, скажем так, с подлогом. Значит, отдельная тема – это, конечно, как все эти данные собрать и в правильном структурном виде занести в базу, чтобы можно было методом машинного обучения применять. Но если это все удалось, то вот для данного кейса удается построить модель, которая может по ломке вспомогательной силовой установки прогнозировать с высокой достаточно точностью, то есть, низкий уровень ложных тревог, при этом достаточное число поломок мы прогнозируем, за счет этого удается экономить деньги, которые тратятся из-за того, что самолет просто не вовремя взлетает. Другой, еще пару примеров, это тоже достаточно характерных, а именно это примеры такого типа, значит, у нас есть какое-то либо производство продукта, в данном случае речь идет о производстве сахара, либо у нас есть какой-то объект, в данном случае это сухогруз, значит. Есть параметры управляющие, в случае с сахаром – это сколько сахара мы провели и сколько потерь у нас при этом сахарном производстве было. В случае сухогруза – это параметры, задающие погоду вокруг, при движении маршрут, различные, соответственно, среднюю скорость на различных участках пути, соответственно, если мы имеем историческую груду данных, то можно опять-таки прогнозировать, например, расход топлива и за счет этого оптимизировать в среднем скорость на разных участках маршрута, чтобы минимизировать потери, расход топлива или там минимизировать, например, потери при производстве сахара. Соответственно, тут такие типичные примеры. И, собственно, вот место науки во всем этом. Во-первых, если мы говорим про общие системы, то вот на нижнем уровне это сбор данных, дальше, собственно, это после того, как мы данные собрали, приготовили в нужном виде, построение модели непосредственно, и вот это то место, где собственно, какие-то сложные математические методы нужны машинного обучения. Дальше уже на основе этих прогнозов включает, необходимо учитывать очень сильно специфику, чтобы надлежащим образом эти прогнозы использовать для принятия каких-то решений, которые позволят бизнесу принести прибыль. Соответственно, математика здесь нужна почему, потому что вот данные, с которыми приходится иметь дело, они, во-первых, имеют сложную, как я уже сказал, структуру. Это могут быть, например, трехмерные данные, то есть, данные каких-нибудь снимков МРТ, например. То есть, это Вобсель. Дальше, это могут быть какие-то многомерные сигналы, в которых они зашумленные, это могут быть данные из разных источников, данные из аэродинамической трубы, данные из физического моделирования. Вот, поэтому стандартные методы из коробки, например, которые реализованы вот стандартно в каком-нибудь Майкрософт Азур, они не всегда подходят. Соответственно, здесь приходится часто либо модифицировать существующий метод, либо разрабатывать новый, но часто мы готовы, можно применить и стандартные. Вот здесь просто как пример приведен, для того чтобы обрабатывали трехмерные данные, то есть, данные когда, которые задают либо кат. модель, либо какой-нибудь снимок томографии, то соответственно сейчас приходится разрабатывать высоко вычислительный эффективные методы глубинного обучения, поскольку там трехмерные свертки, то если мы хотим детально трехмерную фигуру представить, необходимо очень много вокселей. Соответственно, вычислительно это достаточно тяжелая штука, поэтому вот приходится там некоторые специализированные разряженные представления данных использовать, но за счет этого удается построить межсетевой алгоритм, который может эффективно, например, в хранилищах кат. моделей искать либо похожие модели, либо классифицировать их тип, а это там для опять-таки для каких-то технических приложений опять же важно, потому что в компаниях типа РБАС, которая занимается всякими разработкой каких-то геометрических объектов такого типа хранилища, они не всегда хорошо структурированы и очень важно инженеру быстро находить подобные фигуры. Вот. Соответственно, я с коллегами из своей группы, мы имеем большой индустриальный опыт, и надо сказать, что вот эти вот методы, которые разрабатываются, и мы разрабатываем сейчас, они могут применяться не только для решения этих инженерных задач, но и там в качестве хохмы я приведу пример, что вот если вы, это реально юзкейс, который мы работали, это просто экспериментальные данные по крему для отбеливания кожи. Соответственно, в зависимости от компонент, которые туда в состав входят, с одной стороны, он в некой степени токсичен, с другой стороны, в некоторой степени отбеливание от них тоже зависит. Соответственно, понятно, что никакой нормальной физики здесь нельзя построить, но есть некоторая выборка экспериментальных данных. Соответственно, по ней удалось теми же самыми фактическими методами построить прогноз вот этих двух характеристик в зависимости от входных параметров, и просто нащупать их чуть более эффективную комбинацию, которая повысила вот эффективность этого, так сказать, крема. Понятно, что человек, когда там больше трех, четырех параметров, он уже не может ориентироваться в этом пространстве параметров, понять, как они между собой взаимодействуют, им именно машинное обучение здесь нужно. Вот, собственно, в качестве заключения хотел сказать, что наука сейчас в этом направлении активно развивается, есть очень много задач в индустрии, и интересно сказать, что у предприятий из России он активно большой, то есть, к нам очень много приходит. Да.


Собеседник 1:

А можно какие-нибудь примеры конкретные?


Собеседник 5:

Я так пример с сухогрузами приводил. Ок.


Собеседник 1:

Коллеги, на самом деле я хотел бы один тоже примерчик привезти. На одной из, собственно говоря, на одной из достаточно больших конференций по IT приводился пример того, как на одном производстве аэрокосмическом сделали экспериментальный замер всех данных, каких только смогли, то есть, это, в принципе, сложная технологическое производство, включающее самые разные процессы, сняли не только данные с оборудования, которое их отдает, но и также сняли, в общем-то, все, что касалось цехов, вплоть до уровня шума, до уровня загрязнения воздуха, до, собственно говоря, освещенности, каких-то объектов, до темперы, влажностного режима и так далее. И по некоторым данным я думаю, что это все-таки был АРБАС, но тут сложно говорить, там те, кто докладывался, они не сказали конкретно, что это была за компания. И скорее всего это было производство спутников, но тоже явно это не говорилось. Так вот, и собственно говоря, были просто терабайты данных сняты при технологическом процессе, при производстве, и дальше математическими методами их попытались скоррелироать с уровнем качества. То есть, какой, в общем-то, на выходе получалось качество и зависит ли как-нибудь качество на выходе вот этого сложного, очень сложного технологического процесса, включающего в себя там самые разные операции, механической сборкой, обработкой поверхности, там всего остального. Вот, от вот этих всех параметров. И понятно, что человеческим, каким-то просто посадить человека и разобраться, почему там как-то что-то связано не возможно. Вот, и математически удалось найти целый ряд очень интересных корреляций, которые совершенно были не очевидны, и в общем-то все параметры всегда были в норме, но сочетание некоторых параметров совершенно неожиданных давало иногда проблемы с качеством.. П просто применение этой системы обучения на всех этих данных обратной связи там какой-то от системы позволило качество это повысить. Вот. К чему я все рассказал? К тому, что вот иногда создается впечатление, что вот применение таких методов – это все-таки спорт высоких достижений, совершенно такой олимпийский резерв. А подавляющее большинство наших предприятий – это все-таки какая-то лечебная физкультура. Многие так думают, такой машинлёнинг, какие там терабайты данных, мы еще там, так сказать, элементарные вещи не можем снимать. Вот, насколько из опыта промышленного, насколько это правда? Правда ли, что наши предприятия еще и близко не доросли вот до подобных методик?


Собеседник 6:

Можно я прокомментирую, на самом деле предприятия очень разные. Есть предприятия, которые модернизированы в последние годы и используют все самое последнее, которые пишут собственные IT-платформы и сами набирают дэйтасайнстистов. Мы, например, знаем, что Северсталь сейчас этим занимается. И готовы инвестировать просто миллиарды в это. А есть предприятия, например, честно в этом Интерал признавалось, где на ТЭЦ, действительно, линейные схемы массово применяются и по всей стране. И мало того, никого это, в общем-то, не то, что не напрягает, просто все говорят, да, мы когда-нибудь модернизируем, когда светлое будущее будет наступать. Вот прямо перед тем моментом, когда оно наступит, мы придем, позовем кого-нибудь и заменим все линейные схемы на современное АСУ ТП. Поэтому даже большие предприятия в России они абсолютно разные, даже сложно из как-то подстричь одинаково.


Собеседник 5:

Я тоже тогда прокомментирую, у меня в этом смысле подход достаточно прагматичный. Там просто есть задачи, в некоторых задачах, действительно, нужно применить стандартные вещи, а в некоторых, например, при с сухогрузами там задача нетривиальная, там у вас получается данные очень разнородные, данные о погоде, о типе корабля, и опять-таки пропуски, вот скандачка такую задачку не решить. То есть, там придется и применять какой-то достаточно современные методы анализа временных рядов, онлайн обучение, агрегации каких-то разных прогнозов, вот это вот не совсем тривиальная задача. Конечно, там можно решить топорно, и оно может быть даже как-то будет работать. Если качественное работоспособное решение, то вот уже просто так не отделаешься. Да.


Собеседник 6:

Можно я тоже прокомментирую. По поводу странных корреляций, во-первых, хотел сказать, какое-то время назад очень сильно у всех на слуху была тема с Бигдатой. И был целый ряд людей, которые говорили о том, что это все ерунда и так далее. И эти люди на презентациях показывали слайды, где абсолютно там корреляция за много-много лет цены на пшеницу и количество смертей, запутавшихся в собственную простынь. Вот, то есть, такие смешные корреляции. И наши датсайнтисты говорят, что на самом деле здесь просто связь не очевидна, но корреляция есть, и это математический факт.


Собеседник 1:

Отлично. Вот на такой чудесной математической, на таком чудесном математическом факте я хотел бы все-таки дать слово представителям серьезной науки все-таки СколТех – это, конечно, научное учреждение, но мы все-таки прежде всего ВУЗ и занимаемся обучением студентов. В данном случае хотел бы подключить академический институт и дать слово Сергею Игоревичу Куманихину, директору института вычислительной математики и математической геофизики Сибирского отделения Российской Академии Наук.


Собеседник 7:

Спасибо, Дмитрий. Я попрошу презентацию поставить. А пока ставят, скажу, что наш институт состоит из 300 сотрудников, основан был Гурьем Ивановичем Марчуком, последним президентом Академии наук СССР. Доклад, конечно, у меня совместный, потому что несколько сотрудников принимали участие, молодых в том числе. И интернет мы бы хотели обсудить применение интернета вот на примере цифровой интеллектуальной Сибири и Арктики, поскольку мы находимся в Сибири и обязаны так или иначе задевать эти темы. А я могу сам менять страницы. Спасибо. Так. Вот это входит, конечно, в рамки стратегии арктической зоны, развитие арктической зоны Российской Федерации. И я тут не буду зачитывать, конечно, здесь очень большое значение имеет научная составляющая, потому что если не понимать, что там делать, можно все разрушить. Но как это можно попытаться понять. Конечно, все процессы, которые происходят там, они могут быть описаны уравнениями. Течение воды – уравнение гидродинамики, движение воздуха, загрязнение, фильтрация – это все уравнения, которыми у нас в институте занимаются, и самое главное, пытаются их решать. Вот это, что у нас есть? Это математические модели проблемных ситуаций, процессов, алгоритмы, программы, базы данных и так далее. Я покажу. И есть у нас вот фонды, так, указка не работает, но ладно. Вот в Арктике там, конечно, больше через воду будут добываться все эти полезные ископаемые. И каждую стрелку, которую я включаю, это математическая операция, деконволюция, фильрация, создание структурной модели. Данные собираются вот сейсмограммой с надводных станций, затем проходит первый этап моделирования. Самое главное для геофизиков – понять скорость распространения волн в земле. Я потом еще добавлю почему. И месторождения они отличаются по скоростям прохождения волн, потом мы делаем данные бурения добавляем, и в итоге основная задача – это составить модель резервуаров, в котором вот находится нефть, газ и так далее. И каждая стрелка – это математические уравнения и методы их решения. Вот мы создали, для того чтобы охватить все данные, конечно, не только сама Арктика, не только Сибирь, а ближайшие районы, у нас создана вот такая система, ФулДи визуализации, которая, вот наша вообще-то мечта, чтобы она была вот не только у меня, сейчас я покажу. К сожалению, данные эти я не могу перевести на компьютер, а это слишком большая система. Это земной шар, на котором можно, его можно вращать, показывать. Если вы видите, то здесь все вулканы, какие только были.


Собеседник 1:

Сергей Игоревич, а это не Гугл, да? Это у вас.


Собеседник 7:

Нет, это не Гугл. Это наш земной шар, который мы создали с помощью, были на первых этапах компании две, а сейчас это у нас находится вот этот земной шар, который может быть подключено все, что хотите, все процессы, течения, воздуха, воды, землетрясения, разрушения, строительство и так далее, включая даже распространение эпидемии, потому что это тоже дифференциальные уравнения, включая транспортную систему самолетов и так далее. Вот. Значит, что эта система, вот к этому земному шару мы можем подключить. Я нажимаю, почему-то он не переходит. Может быть, я что-то не так. Будьте добры, нажмите кнопку к следующему слайду. Вот, например, Симуширское цунами 2006 года в Японии, мы к этому земному шару загрузили туда тот самый разлом на дне океана. Нет, здесь, пожалуйста. И вот найдите там стрелку, это я попрошу оператора, чтобы, да, вот здесь, нажмите. И вот включили цунами. Вот две волны поднялись, одна пошла на Японию. И чем ближе, тем детальнее идет моделирование вплоть до наката волны. Вот. И эта визуализация – это огромная система данных, 4Д. Там и уравнения работают, и надо постоянно в разных масштабах. Пожалуйста, следующий слайд. Был у нас заказ. Вот я поскольку здесь из индийской коллеги находятся, я в городе Ногопотенам был заказ сделать после одного из разрушительных цунами, смоделировать, вот включили цунами, и в зависимости от мощности землетрясения, источника цунами, показы зоны, которые будут затоплены, причем это, видите, оперативно очень показано. Землетрясение происходит заранее, волна идет медленно, и, в принципе, власти города могут увидеть разрушения, зону затопления, эвакуировать и так далее. Это очень удобно, не так уж сейчас и дорого это сделать. Но у нас плотина большая, например, всякое возможно. Мы можем очень много где можно применить такую методику, все, что делается на земле. Сейчас у нас есть рельеф Красноярска. Там есть очень нехороший эффект зимой. Плотину построили в километрах 30 выше от Красноярска, перепад примерно 100 метров, поэтому вода, конечно, не охлаждается. И в Красноярск поступает теплая вода, порядка 60-ти градусов. Во время 30-ти градусного мороза возникает эффект парной такой бани при жутком холоде, плюс еще сверху инверсионный слой, это тоже эффект атмосферы, крышка возникает такая как крышка кастрюли. И там люди задыхаются. Я выступал на законодательном собрании Красноярска, сейчас они там вроде бы выделили нам 12 миллионов, чтобы мы подобную модель на Красноярск, так, загрузили Красноярск туда и моделировали эффект, как воздух там запирается, и предположили рекомендации, что сделать, чтобы этого не было. У них даже в сводках погоды есть такой термин – черное небо. 10 дней назад я это рассказывал в Пекине, там тоже с небом очень плохо, и в Шанхае. Но не знаю, как у нас с Китаем получится, вот коллеги уже с Тайванем работают, может быть, у нас тоже получится. Договор мы подписали. Так. У меня не получается переключать. Будьте добры, следующий слайд. Но вот у нас планируется ситуационный центр моделирования Арктики и Сибири в целом на основе моделирования климатического, экологического, ресурсного состояния, все это может быть, и уже загружается в наш земной шар цифровой, и вот многие районы, вот я Индию показывал, Японию, они уже загружены. Вот, и, конечно, такое гигантское количество информации оно нуждается в визуализации, если руководители не видят, что происходит, то им очень трудно понять в таблицах, в каких-то там цифрах, это не всегда понятно. А здесь мы можем это показывать и спускаться в конкретно город, который оцифрован. И сейчас беспилотники очень легко это делают, рельеф местности и так далее. Следующий, пожалуйста, слайд. Какие ресурсы. У нас суперкомпьютерный кластер, сейчас не 115, 200 тире флопс примерно, и соединенные с межведомственным центром. Конечно, мы мечтаем, чтобы этот шар, он вот не только у меня был на ультрабуке, но у каждого мог бы быть на айфоне там или на телефоне, и вы могли бы, обращаясь к облачной информации, запрашивать и погоду, и состояние места, это уже будет не Гугл, это будет отечественная система. Вот. И это не так уже затратно, потому что догонять в каком-то смысле бывает легче, мы видим их ошибки, мы их преимущества используем и так далее. Все эти передачи данных, вот у нас города, можете почитать, и наши суперкомпьютерный центр, там много доступно сейчас уже по интернету. Следующий, пожалуйста, слайд. И, конечно, данные космического мониторинга, мы постоянно подгружаем. Зачем это нужно? У нас есть лаборатория, связанная с планетой. И следующий, пожалуйста, спутники не так уж важно. И вот наземный сегмент подсистемы наблюдения, вот он охватывает всю Россию, и там наши интересы, конечно, Сибирь, Дальний Восток, 68 территориальных центров загружены, и мы можем отслеживать, включая экологические изменения. Следующий, пожалуйста. Но вот многозональная спутниковая информация есть у нас. Здесь вот опять математические термины, декорреляции, фильтрации, очень много обратных задач, томография и так далее. И выходная продукция – это карты облачности. Нет, будьте добры, еще разок, видите, там карты облачности, балльность, повторяемость, комплексные карты состояния окружающей среды, почвенные, растительные, снежные, ледовые покровы, динамика их изменения из года в год в Африке, в Арктике. С Африкой тоже мы ведем работы, но это отдельно. Карты климатических изменений, особенно площадь покрытия морского льда у нас отслеживается по этим снимкам. Если в годах запустить, временной масштаб там несколько секунд один год, то видно, как сжимается, как дышит ледяной покров. Следующий, пожалуйста. Вот вся климатическая структура, все, что вносит, все составляющие у нас учитываются. У нас 18 лабораторий, включая климат, включая экологию. Следующий, пожалуйста. Динамика климата и погода Арктики, здесь вот движение не получится у меня, потому что надо с моего компьютера, но вот аномальное отклонение полярного вихря, который от Сибири до юга США. Во многих штатах температура упала до -30 градусов Цельсия, 2014 год. Это все вот, это дыхание климата ежегодное мы можем наблюдать в динамике на нашем земном шаре, например, в такой цветовой гамме. Там шкала и видна температура. Следующий, пожалуйста. Вот здесь тоже движение как загрязнения охватывают атмосферу над Арктикой, оценка риска в зависимости от выбросов в той или иной точке окрестности. Следующий, пожалуйста. Расчеты концентрации СО2 и продуктов выпадения соединений серы, Норильская долина. Вы знаете там какие комбинаты гигантские. Это не всегда приятно видеть и работникам, и руководителям. Но вот это есть на основе и космических снимков, и моделирования. Следующий, пожалуйста. Вот шельфовая зона океана, здесь у нас совместно. Вот нет Юрия Ивановича Шокина, мы совместно с его институтом этим занимаемся, и цунами, сотрудниками его института, и остаточный слой с многолетней мерзлотой, и тоже другие институты. Следующий, пожалуйста. И вот сокращения минимальной площади, да, в последние десятилетия. Видите, тут диаграмма такая, 80-ый год, 90-ый, 2000-ый, 2010-ый, лед, льда все меньше и меньше. Это документальные данные, конечно, они требуют анализа. И следующий, пожалуйста. Система вложенных моделей. Это наш земной шар, он позволяет масштабы в динамике, резко переходить от одного масштаба к другому онлайн. И вот они позволяют уточнить, например, распространение пресных вод реки Лены в окрестности дельты в шельфовой зоне моря Лаптевых. Очень важные там происходят процессы. Они нуждаются в анализе, моделировании, в предсказательном моделировании. Следующий, пожалуйста. Заключение – это, конечно, масштабность трудно предположить даже, насколько это важно. Мы сейчас в Казахстане в городе Алмате такой проект, что называется, пробиваем. Там тоже воздух загрязнен и там котловина, где нечем дышать. Два миллиона человек, миллион почти автомобилей, богатые люди, нефти много, но там дышать нечем. И вот это пример нашей работы. Конечно, мы надеемся на облачные и хранилища, и вот это, то, что я рассказываю более или менее открытая часть доклада, мы можем, стремимся к тому, чтобы вот у каждого на телефоне была возможность выйти к нашему земному шару и посмотреть то, что его интересует, а если не работает, то другие доступы, может быть, что-то с какой-то оплатой. Но тем не менее, посмотреть, как это будет на земном шаре выглядеть. Спасибо за внимание.


Собеседник 1:

Да, Сергей Юрьевич, спасибо большое. На мой взгляд, не менее стратегические данные, чем любые другие промышленные в данном случае, и, безусловно, не возможно переоценить их ценность ни для сельского хозяйства, ни добывающей нашей промышленности по углеводородам и по всем остальным, да, и в принципе, собственно говоря, по важности, скажем так. И самое главное, мне кажется, что именно математика, именно методы, которые вырабатываются, на самом деле, вот эта система, в общем-то, посложнее какого-нибудь даже сложного технологического процесса, уж точно по параметрам и по сложностям, по вовлеченности, так что это безусловно рано или поздно будет использовано не только в этой области, но и в остальных. Спасибо.


Собеседник 8:

Может дискуссию начать.


Собеседник 1:

Хорошо, коллеги. У нас, к сожалению, не все участники сегодня доехали и участвуют. К сожалению, нет человека, который мог бы рассказать об еще одной составляющей, об образовании, подготовки кадров для области интернет вещей и, собственно говоря, для промышленных интернет вещей. Вот. Поэтому, в общем-то, я, что называется, на коленки на свой страх и риск сделал коротенькую очень презентацию о своей лаборатории. Вот. Времени у нас еще немножечко осталось, я хотел бы ее вам рассказать. Очень коротко, чтобы не задерживать, если будут потом какие-то вопросы, зададите. Следующий слайд. Надо подчеркнуть, что лаборатория является частью центра. А центр, в общем-то, наш занимается, прежде всего, наукой о данных и, в общем-то, вычислительной математикой, если по крупному. Вот. В рамках него, в общем-то, есть и более там узкие направления, но вот если говорить о в общем, это именно они. На лабораторию возложены два последних булита, это интернет вещей, собственно говоря, в том числе его составляющие индустриали и беспроводные технологии, в которых мы, в общем-то, тоже специалисты. Следующий слайд. Следующий, пожалуйста. Вот такие задачи перед нами стоят. Прежде всего, это создание для не только нашего института, но и, в общем-то, для всех стартапов компании, которые участвуют в фонде Сколково, среды, с помощью которой можно было бы быстро проверять различные решения и различные варианты использования технологии интернет вещей. Вторая задача – это, конечно, прежде всего, подготовка аспирантов и студентов. В нашем институте нет бакалавриата, то есть, к нам студенты попадают уже на двух старших курсах, то есть, это магистры и пейиждьюстудентс. Вот, и, соответственно, верните назад, пожалуйста. А она работает? Нормально?


Собеседник 9:

Я не знаю, сказали, не работает.


Собеседник 1:

Работает вроде бы. Отлично, спасибо. Вот. Далее, это, в общем-то, выполнение заказных разработок. И, в общем-то, что-то вроде такого шаурума для различных заказчиков, которые приходят в наш институт и для партнеров наших, которые тоже могут привезти своих заказчиков и показать им на примерах, как это все работает и с чем это есть. Очень грубо можно, я расскажу о лабораторном стенде. Это, собственно, такая материальная составляющая лаборатории, которая, в общем-то, начинается снизу, то есть, с сенсоров и устройств и заканчивается уже приложениями, которые работают на базе облачных платформ. Но вот если говорить про сенсоры, и устройства, то грубо их очень можно разделить на 4 таких крупных тематики – это, собственно говоря, здравоохранение, умный дом, городская среда и сельское хозяйство. Но здравоохранение мы пока серьезно ничего не сделали, так как лаборатория на самом деле создана только в ноябре прошлого года. Нам всего полгода. Это все очень такое молодое подразделение. Вот. То, что касается городской среды, это сейчас активно разворачивает на базе нашего кампуса, как в наших зданиях, так и собственно говоря, по всей территории центра Сколково. Вот, а если говорить про сельское хозяйство, то наши тут достижения пока что связаны с компанией Русагро и с их проектом, который выполняет институт по оценке качества почв после отслеживания того, как идет деградация почв, эрозия почв и так далее. Это территориально находится в Курской области и поэтому все данные, которые снимаются оттуда, они пересылаются в Москву и хранятся у нас, в общем-то, обрабатываются уже в Москве. Но вот такой типичный пример распределенной такой системы. Да, здесь много говорили, в общем-то, про телекоммуникационную инфраструктуру, которая необходима для того, чтобы снятые с сенсоров и устройств данные, как-то нормализованные с помощью шлюзов или там ПЛК, не важно. Вот, собственно говоря, весь набор таких, что называется, основных телекоммуникационных стандартов и систем у нас развернуты. Это и лоопарван, скажем так, сеть и узкополосные, то есть, такие, как лора и ультра узкополосные такие, как сикфокс и наше отечественное решение, например, стейштелемаркетинговая компания. Проводные, беспроводные решения операторского класса – это все, собственно говоря, поколения сотовой связи, второе, третье, четвертое, это GSM, EMTS, LTE, в том числеLTE с поддержкой новой технологии для сенсоров неробенд IT, это вот 13 релиз LTE и последующий. Все, что касается домашних решений, то есть, это локальные беспроводные сети, различные метки на сиэрфиды, проводные решения, то, что, в общем-то, как правило, все-таки сейчас активно применяется в промышленности, именно в автоматизации предприятий. То есть, это решение по таймсенситив нетрокс, то есть, это надстройки над изернетом, над технологиями изернет, которые позволяют добиваться не реалтаймовых решений, но по крайней мере с гарантированной небольшой задержкой передачи данных, что, в общем-то, в обычном изернете нет. а также различные там сериал компоненты, переход из последовательных шин в различные пакетные данные и так далее. Да, вот еще есть лабораторный стенд, касающийся непосредственно такого участка умного производства, такого имитируемого у нас. Это есть, в общем-то, мастерская института, которая укомплектована не только стандартным набором 3Д принтеров, различных лазерных резаков, обычных стандартных сверлирных машин и прочее, еще, в общем-то, промышленным оборудованием, то есть, там была попытка, по крайней мере, начало попытки сделать такой участок металлообрабатывающего производства. То есть, там присутствуют станки, которые не оборудованы ЧПУ, и одной из задач в учебном курсе будет дооборудовать эти станки, то есть, такие старые. Но они не старые, такие просто очень простые. Вот, дооборудовать их датчиками и снимать с них данные. А также станки с ЧПУ, которые, в принципе, уже современные и, в общем-то, эти данные могут отдавать. Вот там перечислены три станка. Это, собственно, токарный, фрезерный и электровизионный, который у нас есть. И с них вот данные снимаются и обрабатываются в промышленных платформах. Ну, и условия в помещениях – это то, о чем я тоже уже говорил, это анализ атмосферы, освещенность, влажность и так далее, то, что касается условий работы человека. Также у нас в институте есть лаборатория смартгрид – это в энергетическом кластере, собственно говоря, это лаборатория уже в какой-то степени автоматизирована, и одной из наших задач на ближайшее время стоит объединить с ними усилия и, в общем-то, обмениваться данными, изобразив, как бы, энергосистему вот того участка производства, которое у нас развернуто. Вот это пример учебной программы, которая с сентября 17-ого года запускается. Здесь перечислены курсы. В курсах есть два трека. Это программа, по крупному программа называется «Наука о данных». И в рамках нее, в общем-то, и два трека выделены, это IOT-инжиниринг, то есть, это программа буквочка I английской помечена, это больше для людей, которые больше занимаются созданием сенсоров, устройств и так далее. И IT-Data, буквочкой D помечена, это, собственно, курсы, касающиеся людей, которые в рамках вот этой IT-структуры занимаются больше написанием приложения, обработкой данных. Вот, в принципе, это программа магистерская, то есть, это программа, занимающая два года обучения. Вот самые простые проекты, которые, в общем-то, сделаны, что называется, студенческими руками и немножко нашими. Очень простые и на первый взгляд кажущееся странными проектиками, но тем не менее вот они были сделаны. Хочу подчеркнуть опять же, что лаборатория существует только с ноября, то есть, это вот буквально на живую все сделано. Вот, в частности, проект гибко примерочный, то есть, идея в том, что в смарт ритейле задача по считыванию меток с одежды. То есть, вы приходите в примерочную, с вами одежда, на ней наклеены орфит-метки, на ценниках. И задача быстро, магическим образом считать и посмотреть, что у вас есть, то есть, понятно, что легко считать просто приложив эти ценники к специальному считывателю, но это не интересно. Интересно, когда вы входите, и волшебным образом все считывается. Проблема чисто инженерная и сложность в ней в том, что примерочная непонятно что это такое. Она не имеет определенной формы, где-то примерочная – это просто огороженная простынью какая-то часть, где-то это более или менее со стенками вещь, где-то это много кабинок поставленных в ряд. Где-то кабинки друг напротив друга. И задача в том, чтобы надежно читать ценники, при этом не цепляя соседей и не делая сложный монтаж и конфигурацию вот этой системы по месту, потому что это иначе становится дорогим очень, а в смарт ритейле там очень жесткие ограничения по цене. Вот нам эту задачу удалось решить с помощью колибровки мощности облучения меток и с помощью правильных антенных систем и их расположения. Далее, это, собственно говоря, разработка схем помехоустойчивого кодирования для технологии передачи данных компании Стрижтелематика. Сейчас эти же технологии используются компанией Глонас, в их продуктах, которые они позиционируют для умного сельского, для ЖКХ в основном, это счетчики воды и электричества и так далее. Вот как раз для улучшения параметров вот этой вот ультранейробент линии мы сделали систему помех устойчивого кодирования, которая себя проявила очень хорошо и добавила устойчивости этой связи передачи. Дальше тоже, в общем-то, очень простая штука – это тестер для терминалов эры Глонас. Собственно говоря, вещь простая. То есть. ставится терминал эры Глонас, разворачивается инфраструктура настоящая сотовой сети GSM в рамках лаборатории, счетчик начинает отчитываться, то есть, как будто произошло что-то, счетчик посылает, регистрируется в сети GSM, посылает данные, мы эти данные принимаем, разбираем полностью, там не так это, в общем, ничего сложного, но, в общем, приходится повозиться. Эти данные оцениваются, делается заключение о том, насколько счетчик, в смысле датчик это послал правильно и производится обратный звонок, когда датчику отдаются остальные данные. То есть, здесь это пример того, что для того чтобы проверить один компонент системы надо развернуть имитацию всей остальной части, которая на самом деле не такая простая. Это и базовая станция GSM, это и ядро оператора, и операторская сеть как будто бы настоящая, и, в общем-то, сервер разбора всего того, что прислали. Это комплекс средств для замера параметров при проведении анализа почв, но я о нем сказал, то, что разворачивалось в Курской области, и данные снимались там, в принципе, ничего сложного, но, в общем, в основном снимались параметры атмосферы и влажность и температура почвы на разных глубинах в разных местах. И, собственно говоря, еще один проект у нас есть – это, в общем-то, разработка модулей интеллектуального сбора анализа данных для вот инфраструктурной платформы интернет вещей, которая разрабатывает компания Ретстрим, вот Андрей сегодня о ней говорил. Видите, тоже кейс очень разноплановый, и я их привел именно так, чтобы показать, что интернет вещей и индустриальный интернет вещей – это очень разные вещи, и порой бывает в самых неожиданных вот местах, от примерочной до индустриальной платформы. Следующий, пожалуйста. Да, могу сам, точно. Все. Спасибо, коллеги, если какие-то вопросы есть, я готов ответить. Если какие-то еще замечания, кто-то хочет что-то сказать?


Собеседник 10:

Хотите?


Собеседник 1:

Да, конечно.


Собеседник 10:

Так, меня зовут Сердюков Олег, я представляю компанию торнадо-модульных систем, но на самом деле я бы, наверное, несколько слов сказал про ассоциацию, нашу, которую мы вот только что создали и учредили, и на предыдущем, так сказать, отрезке времени мы тоже проводили наш круглый стол, связанный с представлением этой ассоциации, ее полное название звучит как ассоциация содействия развитию стандартизации систем управления на основе индустриального интернета. Как бы, сокращенно название – национальная платформа промышленной автоматизации. Значит, тут все присутствует и индустриальный интернет, и так далее, мне было интересно здесь послушать доклады, и может быть, из присутствующих здесь кто-то был на нашем круглом столе, потому что мы приглашаем к участию в ассоциации тех, кто в этой технологии работает, но мы фокусируемся все-таки на, не на всем вот спектре, прям широком, как сейчас как бы везде таким лейтмотивом звучало, что это интернет вещей, что это некая технология, которая там всеядна, везде может быть применена и так далее и так далее. С моей точки зрения, это глубочайшее заблуждение, и это очень может иметь большие нехорошие последствия, тем более если этому обучать молодежь, и немножко ей дурачить голову на этот счет, потому что вообще интернет вещей это чисто маркетинговая штука, его не существовало и не существует сегодня на самом деле. Значит, об этом прекрасно Виктор Поляков признался, потому что когда он делал доклад, я так подпрыгивал потихонечку, когда он там сказал, что он там эскада и все, все подряд, все это как бы платформа иот как бы покрывает собой. Просто, все, что до этого существовало, эскады и все остальное, в один прекрасный момент какие-то мудрые маркетологи на западе там в этой части они большие профессионалы, взяли придумали новое слово, когда они поняли, что оно такое уж чересчур широкое, они добавили еще индустриальные, это самое, но так, чтобы уж совсем, потому что уж совсем до неприличия стало выпирать. Но здесь они так вот немножко, что там да, я чего-то посерьезнее, там какое-то управление в реалтайме и так далее, индустриальное там, а от это вот все остальное и так далее – это чисто маркетинговые дела. Безусловно, в той области человеческой деятельности, которая там была пять лет назад, уже даже по сравнению с таким недалеким периодом времени, безусловно появились новые отрасли, да, когда там у нас появились такие мощнейшие у каждого в кармане смартфоны и так далее, появилось желание с него там что-нибудь в доме поуправлять и прочее. Это просто появляются новые рынки, новые какие-то вызовы и так далее. Но они по своей сути что ли и содержанию, в общем-то, глобально ничего нового не содержат, просто не было раньше этой области применения, она появилась, завтра появятся еще какие-то и прочее. Но как бы вот эта терминология сейчас иот, да, она как бы настолько на первый план выступила, что все об этом говорят, мало кто из понимает вообще о чем идет речь, а реально, если мы, допустим, возьмем задачу там, допустим, управления энергоблоком, да, там и так далее, то, безусловно, она не решается теми технологиями, которые сегодня понимаются как иот, в принципе, не решаются, они даже скада системами не решаются. Там совсем другие немножко системы, другого уровня, другими подходами и так далее. Вот. Физику не обмануть. Вот, поэтому тут вот с этим нужно как-то быть поаккуратней, конечно, понимаю, что маркетинг, продвижение, продажи, там все такое, это все важно, но… поэтому мы как-то одной из целей нашей ассоциации ставим то, чтобы вот такой где-то популизм что ли в области систем управления, мы фокусируемся только на системах управления, вот высокая ответственность, касающаяся КВО – критически важных объектов, чтобы вот это вот туда не допустить, потому что это может иметь весьма и весьма серьезные последствия. То есть, у вас там если вдруг вы с телефона не сможете отключить или включить морозилку, холодильник, в общем, наверное, ничего страшного особо не будет, а вот там это другое. Так что вот такой комментарий. И приглашение всех заинтересованных к участию в нашей ассоциации. Вот. Информация о нас она, в общем, в интернете достаточно легко найти, значит, у нас вот буквально там последние штрихи относительно таких некоторых регламентных наших документов по вступлению в ассоциацию, по членству и так далее, в общем, как бы мы хотим объединить некие такие наши российские силы разработчиков и так далее, чтобы вот заниматься на таком уровне этими задачами и создать некие спецификации, стандарты, которые бы позволили иметь продукцию в этой области, превосходящую того то, что есть на рынке Сименс и другие большие игроки, которые сегодня занимаются системами АСУ ТП от критически важных объектов. Все. Спасибо.


Собеседник 1:

Олег Викторович, а вот еще такой вопрос. Касательно вот той идеи, что данные промышленные, с промышленных предприятий будут передаваться по интернету и храниться где-то в облаке и так далее. У вас какое мнение?


Собеседник 10:

Значит, если идет речь о передаче данных с объекта управления куда-то во вне, значит, в принципе, ради бога. Во-первых, есть обязательные требования по передаче таких данных, например, если вы автоматизируете электростанцию, вы обязаны в сторону системного оператора предоставлять вполне конкретные данные. Если вы этого делать не будете, то вы не получите. Просто в нашей стране это не возможно. Вот. То, что там какая-то, может быть, конфиденциальная информация это уже вопросы, так сказать, к технологам там, что передавать, но, в принципе, передача наружу данных, она должна быть, она вполне, может быть, нужна, уместна и необходима. Вот. Но здесь нужно опять же, в каждом конкретном случае подходить. Но тут возникает один момент. Если вы создаете, то есть, вообще система АСУ ТП она достаточно такая конформистская, то есть, она самодостаточная, сама в себе, она как бы должна быть сильно защищена от модели угрозы из вне. Вот. Создавая такой поток данных наружу, вы это как можете создать, поставив там Файервол какой-то и так далее. Но, в принципе, файервол он, в общем-то, штука пробиваемая, хоть это как-то и это самое, но, в принципе, известны случаи, да, когда там какие-то файерволы взламывались, и можно было устроить поток данных в обратную сторону, который мог привести к повреждению системы управления, соответственно объектов. Вот это вот с точки зрения АСУ ТП действительно задача очень серьезная и опасная. Поэтому но на месте как бы прогресс не стоит, наверное, правильно такие потоки данных организовывать не через файервол, а через информационные диоды. Это более надежное решение, которое в принципе физически не имеет возможности сделать управляющее воздействие из вне на объект управления.


Собеседник 1:

Спасибо.


Собеседник 11:

А можно напоследок вопрос буквально один. Олег, а как вы думаете, через двадцать лет АСУ ТП ТЭЦ будет иметь управление из вне или через двадцать лет управления по-прежнему не будет?


Собеседник 10:

Я думаю, что не будет, потому что с точки зрения вообще организационной структуры, вот самой электростанции, там есть четкое понятие такой контур оперативного управления, это абсолютно четкое понятие, оно связано с технологией. И это хоть 20, хоть 30, хоть 50 лет, это останется незыблемым. Соответственно, управление оно возможно только в рамках контура оперативного управления, только с блочного щита управления машинистом и больше никем. Все остальное это от лукавого, это нельзя. Это, как бы, понимаете, будут ли корабли летать, которые плавают сегодня.


Собеседник 11:

Ок. Спасибо.


Собеседник 10:

Наверное, не будут, зачем, они же корабли.


Собеседник 12:

Олег, к вам еще один вопрос тоже по теме безопасности, то есть, вы сказали, что часть потоков скорее всего не будет проходить через общий интернет, но часть на данный момент все равно проходит, с использованием VPNдругих механизмов. Как вы относитесь к последним предложениям наших регулирующих органов по тому, что писать, реархивировать трафик, по тому, что ограничить пользование VPN и других методов защиты, как это может повлиять на развитие промышленного интернета?


Собеседник 10:

Мне трудно ответить на этот вопрос, потому что не считаю себя достаточно специалистом в этой области.


Собеседник 12:

Андрей, может быть, вы ответите, это было в том числе в вашем докладе, что вопрос безопасности данных, передачи данных и хранение данных – это один из приоритетов в данной сфере.


Собеседник 2:

Надо понимать, что все вот эти вот шумные инициативы Роскомнадзора последнего времени они все-таки направлены на пользователей общественного интернета. В среде защиты данных существует огромное количество способов, помимо VPN по защите данных, в том числе всяких там TLS туннели, там криптование, там и так далее и так далее. В том числе эти средства сертифицированы ФСБ. И апеллируя как раз к тому, что сказал Олег по поводу управляющего воздействия и того, что этого не будет никогда, в ближайшее время объект критической инфраструктуры, естественно, не будут управляться из вне, это абсолютно точно. При этом начинается тенденция, и мы ее всячески поддерживаем по сбору данных. Действительно, с использованием средств защиты, с использованием датодиодов, которые там упоминались. Это первый шаг. Второй шаг – это управление. Управление не объектами некритичными, не критической инфраструктуры, без страшилок про взорвавшиеся АЭС, спущенную воду с плотины и так далее и тому подобное. И далее, когда вот на таких вот объектах будут отлажены механизмы, будет отстроена модель угроз, тогда там через сколько-то лет, наверное, меньше чем все-таки через 20, мы соберемся здесь и обсудим еще раз применение подобных технологий на объекты, в том числе критической инфраструктуры. Спасибо.


Собеседник 12:

Спасибо.


Собеседник 1:

Ок, коллеги. Если все, вопросов больше нет, предлагаю на этой ноте закончить, и всем спасибо. Сегодня последняя сессия, спасибо.