Rewired

Один из подходов к привлечению и удержанию талантов, который применила компания Freeport, заключался в том, чтобы ученые и инженеры, занимающиеся изучением данных, работали над главными приоритетами управления, чего часто не могут сделать лучшие специалисты в компаниях Больших Технологий. Например, одна из стажеров, занимающаяся изучением данных, пришла в Freeport всего за год до этого в качестве младшего металлурга, работавшего на руднике в Аризоне. В колледже она уже имела некоторый опыт программирования на компьютере и была рада возможности приобрести новые навыки. Менее чем через три месяца она представляла свою работу по моделированию и оптимизации обогатительных фабрик президенту компании.

 

Новый подход к талантам распространился и на операционную модель. Для ускоренной разработки моделей ИИ требовалось изменить методы работы компании. Культура планирования и развития, построенная на комплексе мер предосторожности, хорошо служила компании, но у нее были свои недостатки, прежде всего в плане темпов. Для экспериментального внедрения ИИ в Багдаде шахта перешла на операционную модель, в которой особое внимание уделялось оперативности, постоянному совершенствованию и быстрым испытаниям с низким уровнем риска без ущерба для безопасности. Ключевым элементом успеха этого изменения стало создание межфункциональной группы экспертов с рудника и центральной группы по изучению данных, которая могла бы оценивать и реализовывать инициативы по изменению.

 

Для быстрого наращивания команд и развития навыков Freeport привлекла тренеров, которые обучили людей методам гибкой работы, начиная с основ формирования бэклога и заканчивая созданием "минимально жизнеспособных продуктов", которые были бы достаточно хороши для начала, а не для доведения продуктов до совершенства перед их запуском. Команды быстро научились работать в двухнедельных спринтах, разрабатывая функции моделирования данных или операционные изменения, тестируя их, обучаясь и добавляя обновления в бэклог.

 

Руководители компании приняли принципиальное решение включить металлургов и операторов заводов в состав команды разработчиков на каждом участке. Когда на этапе тестирования появлялся каждый новый набор рекомендаций, разработчики ИИ, операторы и металлурги в составе команды оценивали эти рекомендации: Почему они были сделаны? Имеют ли они смысл? Будут ли они работать? Таким образом, команды выявляли недостатки, которые разработчики ИИ быстро устраняли, что, в свою очередь, помогало команде agile быстрее обучаться. В ходе этого процесса команда обучала инструмент ИИ, а доверие металлургов и операторов к нему росло, поэтому они с большей готовностью приняли его, когда инструмент был готов.

 

Новая модель искусственного интеллекта и взаимодействие способствовали диалогу и более глубокому пониманию процесса между операторами и металлургами. Модель искусственного интеллекта стала барометром того, что возможно при трехчасовом увеличении, в отличие от работы установки на одном режиме в течение дня для среднего количества получаемого материала.

 

Первоначально команда разработала модель ML, которую они назвали TROI, то есть Throughput-Recovery-Optimization-Intelligence. Этот продукт помогал предсказать, как поведет себя обогатительная фабрика и сколько меди можно извлечь при любом наборе условий. Алгоритм оптимизации, известный как генетический алгоритм, использовал принципы естественного отбора для разработки параметров, которые позволят получить наибольшее количество меди при определенном типе руды, и выдавал рекомендации каждые один-три часа в зависимости от условий работы.

 

Однако, чтобы заставить TROI работать на других предприятиях, Freeport должен был "активизировать" модели. По сути, это означало рефакторинг и переупаковку моделей, чтобы их можно было легче адаптировать для других предприятий. Модульный принцип построения инструмента позволил легко использовать 60 % основного кода, а оставшиеся 40 % пришлось бы адаптировать под новый объект, например, обучить модели на основе данных конкретного объекта. Чтобы еще больше упростить работу по локализации, компания вложила средства в разработку централизованной базы кода, к которой могли бы обращаться модули для конкретного объекта, вместо того чтобы заново создавать необходимый код для каждого конкретного модуля.

 

Эффективный запуск и масштабирование этих моделей стали возможны благодаря тому, что Freeport перенесла свою архитектуру данных в облако. Они использовали инструменты и практики DevOps, MLOps и CI/CD, основанные на четких стандартах, для быстрой разработки и контролируемого развертывания. Freeport смогла воспользоваться преимуществами облака, автоматизировав многие процессы, например разработку конвейера данных, который представлял собой трудоемкий процесс извлечения данных из десятков вручную обновляемых электронных таблиц.