Стажировка по проекту
Ии-система для подбора состава полимерного композиционного материала
Компания: ООО «ТатхимПласт»
Суть проекта
Задача
Для чего
Вводные данные
Подбор компонентов и их процентного содержания для получения полимера с заданными свойствами. Необходимо создать приложение для специалистов где они вводят требуемые итоговые характеристики ПКМ для конкретной задачи и на выходе получают несколько наиболее подходящих вариантов состава
На данный момент подбор соотношения компонентов и состава осуществляется специалистами вручную на основе требований заказчика к конечным характеристикам продукта и их опыта и экспериментов. Подбор компонентов вышеуказанным образом занимает много времени (от 2 мес. до полугода). Целью внедрения ИИ в процесс подбора компонентов является сокращение времени разработки ПКМ
Заказчик проекта предоставил 175 составов с соответствующими им характеристиками
Качественный и количественный состав ПКМ соответствующий искомым характеристикам
Внедренное решение позволяет сократить сроки разработки ПКМ от 20%. С дальнейшим развитием продукта прогнозируемое сокращение сроков до 50%
Внедренное решение позволяет сократить сроки разработки ПКМ от 20%. С дальнейшим развитием продукта прогнозируемое сокращение сроков до 50%
Выходные данные
Участники
1 команды проекта
1 команды проекта
- Ерошина ЕленаТимлид проектаЕлена - руководитель группы разработчиков, отвечала за полную разработку проекта
- Каргальцев ВладиславПомощник тимлида
- Ведение документации и отчетности по проекту
- Контроль за заполнением отчетности стажерами
- Замена тимлида на встречах при необходимости
- Зайнеев фаридТехнический директор
- Обучение и тестирование модели на AutoML для прогнозирования состава ПКМ
- Подготовка модели и скейлеров к интеграции
- Корректировка методики формирования и аугментации датасета, позволившая кратно увеличить качество прогнозирования
- Разработка web-инструмента работы с прогнозами моделей (Витрины)
- Упаковка витрины в докер контейнере для развертывания в ИТ-инфраструктуре Заказчика
- пицуков михаилменеджер группы танкеров, выполняющих круглогодичные перевозки топлива в Арктике
- Исследовании возможности применения трансформеров для решения задач проекта
- Тестирование использования готовых открытых фреймворков и решений таких как GT4SD, Reaction T5 и др
- Создание кастомных моделей, основанных на базовом классе трансформера библиотеки torch и адаптированных к задачам регрессии
- Валидация полученных моделей и визуализация результатов
- Файн-тюнинг лучшей трансформерной модели и доведение ее до высокой точности предсказания состава ПКМ
- Подготовка модели и скейлеров к интеграции
- Карпов СергейПрограммист C#, Python. Документовод, разработчик офисной автоматизации
- Первоначальная систематизация данных: обработаны и проанализированы 16 источников информации
- Создание структурированной базы по проблематике для дальнейшей аналитики и разработки модели
- Валидация 14 моделей регрессии из библиотеки Scikit-Learn, включая LinearRegression, Ridge, Lasso и RandomForestRegressor
- Подбор модели на основе библиотеки Keras/AutoML
- Разработка решения с интегрированной функцией вероятностной оценки присутствия вещества и количественного анализа
- Оптимизация двухфакторного решения до получения детализированных и достоверных результатов с высокой точностью
- Подготовка модели и скейлеров к интеграции
- Аналитика результатов и их визуализация, включающие создание графиков и таблиц, наглядно демонстрирующих работу модели и точность предсказаний
- Ткаченко ДмитрийМенеджер инженерно-технологического отдела в компании РУСАЛ-ИТЦ
- Тестирование моделей классического ML для решения задачи
- Создание алгоритма и функции на VBA для генерации и аугментации датасетов, соответствующих правилам исходных данных в формате Excel, а также алгоритма объединения всех блоков исходных данных, полученных от заказчика
- Внедрение разработанных алгоритмов для создания датасета с заданными процентными разбросами значений: оптимизация алгоритмов для очистки и итоговой подготовки данных на Python в формате CSV
- Проведение валидации моделей, включая гибридные архитектуры KAN и трансформеры
- Проведение многоуровневых тестов сгенерированных датасетов, итоговый результат показал высокую точность при использовании датасетов с 3%-м разбросом значений, что подтвердилось тестами других участников
- Миролюбова АнастасияПреподаватель в области экономики и менеджмента, д. э. н.
- Поиск статей в области применения ИИ для подбора состава полимерного композиционного материала (ПКМ) на платформах: github.com, habr.com, cyberleninka.ru и др
- Поиск датасетов для предтрейнинга на платформе Kaggle
- Анализ найденных датасетов в разрезе формата и характеристик данных
- Визуализация данных по датасету заказчика: построение корреляционных матриц взаимосвязей между компонентами ПКМ и их характеристиками по датасету заказчика и аугментированному датасету
- Аналитика и оформление полученных выводов о взаимосвязи составляющих ПКМ и его характеристик в разрезе четырех групп компонентов
- Тестирование библиотеки AutoML на предсказании отдельных групп компонентов. Результаты внесли вклад в формирование стратегии развития продукта
- Спащенко артемтехнический директор в компании ооо «Нефтехимремонт»
- Создание и обучение гибридной модели KAN + Transformer для прогнозирования свойств материалов, построение классификатора для анализа данных, ансамблирование моделей для улучшения точности предсказаний
- Тонкая настройка гибридной модели
- Оценка производительности гибридной модели (проводилась по метрикам MSE и Accuracy) достигнута высокая точность и стабильность работы
- Оптимизация гибридной модели с помощью поиска лучших гиперпараметров с использованием Keras Tuner
- Подготовка модели и скейлеров к интеграции
- Шабалин НиколайSenior Data analyst, BI developer
- Аугментация датасета заказчика для каждого компонента
- Тестирование моделей классического ML и нейросетевых моделей с ассамблированием моделей предсказывающих каждый отдельный компонент
- Валидация моделей как по предсказанию характеристик, так и составов в обе стороны
- Оценка полученных метрик качества предикта, результат экспериментов внес вклад в направление развития итогового решения
- Тестирование гибридных моделей на логистическую регрессию + регрессию, для задачи ликвидации предсказания тех элементов, где их массовая доля равна нулю
- Туз ЛюбовьПреподаватель программирования для детей
- Поиск схожих датасетов из открытых источников для предобучения моделей
- Исследование и предобработка данных
- Создание кастомных моделей с различной архитектурой для решения задачи
- Настройка гиперпараметров моделей с использованием генетических алгоритмов
- Эксперименты с различными вариантами структуры выходных данных
- Оценка зависимости точности предсказания модели от количества предсказанных параметров
- Сулоев АлексейПрограммист-инженер нейронных сетей
- Тестирование моделей классического ML
- Тестирование и тонкая настройка ElasticNet, autokeras
- Проведение ряда экспериментов для определения возможности применения модели ElasticNet для решения задач проекта
- Полученный результат внес весомый вклад в направление развития проекта