Agile vs Waterfall

В продолжении поста нашего гостя Никиты Комкова мы решили развить обсуждение проектного управления. 

В начале 2000-х годов в сфере IT произошла революция. Ключевым событием на стыке веков стало появление AGILE-манифеста, который стал основополагающим документом для разработчиков по всему миру. 

AGILE (буквальный перевод – «проворный») — прямая противоположность методологии Waterfall («Водопад»).  Waterfall была доминирующей методологией управления проектами во второй половине XX века.

Суть Waterfall заключается в следующем. Команда проекта составляет детальное техническое задание и согласовывает его с заказчиком. Затем занимается разработкой строго по утверждённому плану и сдаёт заказчику готовый продукт.

В системе AGILE всё устроено по-другому. Продукт стараются разработать как можно быстрее — так, чтобы начать им пользоваться почти сразу. Функции продукта меняют в ходе разработки🤯. При этом команда проекта находится в постоянном контакте с заказчиком.

Перед появлением AGILE-манифеста многие проекты по разработке программного обеспечения велись в соответствии с традиционными методологиями, такими как Waterfall. В таких методологиях разработка длится многие месяцы или даже годы, а заказчики знакомятся с результатами только на конечной (!) стадии проекта. Это приводило к ряду серьезных проблем:

⚙️Низкая гибкость. Традиционные методологии были малопригодны для адаптации к изменяющимся требованиям заказчиков

⚙️ Высокие риски. Поскольку реальные проблемы могли быть обнаружены только на конечной стадии разработки, существовал высокий риск неудачного завершения проектов

⚙️ Долгие циклы разработки. Процессы были чрезмерно медленными, что мешало компаниям быстро реагировать на рыночные изменения

⚙️ Отсутствие коммуникации. Разработчики и заказчики редко взаимодействовали напрямую, что приводило к недопониманию и ошибкам.
 
Основные ценности AGILE нацелены как раз на устранение этих проблем:

⚙️ Люди и взаимодействие важнее процессов и инструментов. AGILE призывает к активному сотрудничеству между разработчиками и заказчиками, а также между членами команды разработки

⚙️ Работающее программное обеспечение важнее исчерпывающей документации. AGILE подчеркивает важность создания рабочего продукта на каждом этапе, что позволяет раньше получать фидбэк от клиентов и оперативно вносить коррективы

⚙️ Сотрудничество с заказчиком важнее согласования условий контракта. AGILE поддерживает идею непрерывного общения с заказчиком, чтобы лучше понимать его потребности

⚙️ Адаптация к изменениям важнее следования плану. AGILE призывает к гибкости и способности быстро реагировать на изменяющиеся обстоятельства, что помогает улучшить качество конечного продукта.

За прошедшие 20 с лишним лет AGILE вышел далеко за пределы ИТ-сферы и стал применяться в различных отраслях.

А что с машиностроением? Почему так мало удачных (!) примеров?
Или много, а мы не знаем?🤔 Только так, чтобы с выводом на рынок сложных продуктов, а не лозунгами…
Можете припомнить? Пишите!

А мы поделимся нашим мнением в следующем посте🫢

Проектируй. Созидай. #Excogitator 🦾
#Design@excolab

Сам пришел

У нас в гостях Святослав, инженер с двумя десятками лет опыта за плечами, не побоюсь этого слова, ветеран автопрома и робототехники. Продолжим вчерашнюю дискуссию про проектное управление. Для любителей латыни спойлер: Duobus certantibus tertius gaudet😉
Остальные, наслаждаемся текстом:

"Это вечный спор😅 Много с кем общался на эту тему.

Agile = быстро делаем бесконечное количество макетов, пока не заработает… лет через 5.
Waterfall = проектируем чудо-юдо в подвале 3 года, чтобы выйти на свет и выяснить, что такой совершенный с инженерной точки зрения продукт никому не нужен💩

В чистом виде оба подхода - крайне опасные крайности. Истина по середине:

1️⃣ Agile работает там, где MVP (то есть минимальная версия продукта, которую можно продать, а не демо-макет) может составлять проценты от конечного продукта. В том же автопроме, увы, первый продаваемый экземпляр это 95% от конечного задуманного продукта, просто потому что без сертификации и всех кругов ада PPAP машину произвести и продавать нельзя. С этой точки зрения, с помощью инструментов Agile попросту нечего сокращать и выводить на рынок раньше.

2️⃣ Agile способствует развитию мышлению в ключе: что мы сейчас что-то быстро слепим, а потом допилим за несколько заходов. Особенно у стартаперов это прям как пароль: "Мы стартап! Мы должны быстро проверять гипотезы!" Вот многие так и пробуют до сих пор...  Я не спорю, что итеративный метод самый надежный, но самый долгий и очень дорогой ввиду того, что в машиностроении, в отличие от IT, гораздо больше сроки (логистика, производство прежде всего), гораздо выше риски (неправильно спроектировал  - выкинул деньги на производство, сборку и потратил кучу времени на то чтобы дождаться деталей, проверить и понять, что это не то), а еще есть шанс, что кому-то оторвет голову🤯

Пример: я видел, как партию из 20 прототипных машин за десятки миллионов каждая пилили пополам (!) и наращивали корпус, потому что на ходу допроектировали, проверяли... пока место внутри не закончилось😱 Не все машины этот процесс пережили...

Именно поэтому во всем мире пришли к V-диаграмме процесса разработки🦾

Сначала разворачиваем все требования к машине, потом на системы и детали, потом идем обратно, проектируем деталь, считаем, проверяем на стенде, затем так же поступаем с системой, и с машиной.

В такой концепции серии прототипов автомобилей делаются всего 1 - 2 раза и между циклами срок 1 - 1,5 года.

Это самый дешевый и быстрый способ что-то разработать. Даже в моей маленькой компании мы работаем по точно такому же принципу. Причем он сформировался эволюционно, еще до моего прихода. Начинали ровно так как написал в начале - делали и пробовали... 2 года... потом пригласили профессионального инженера, который насчитал как надо... сейчас, пока все не посчитаем и не спроектируем, даже прототип не производим. 

3️⃣ Тем не менее, полезные зерна в Agile есть. Пытаться что-то понять раньше, в рамках цикла разработки можно и нужно.

Пример: лабриги (макет всех электронных систем автомобиля на стенде) у электронщиков, или те же мулы шасси (т.е обычный автомобиль, в котором стоит прототип подвески и частей шасси для нового автомобиля) — это очень хорошо и как раз позволяет попробовать решения до завершения разработки.

НО❗️ нужно соблюдать правила. Какие? О них в завтрашнем посте🫢

4️⃣ Agile как подход к управлению разработкой всего продукта может и плох, а вот в микропроцессах работы инженерного отдела очень даже хорош: недельные спринты, ежедневные стендапы, анализ и корректировка требований на лету (но без фанатизма), KANBAN в трекерах задач упорядочивают и ускоряют все процессы.

Неуместен тут только постулат о меньшей важности документации. Два бича "железной" разработки:
❗️кто-то что-то сделал и ушел, а потом пойди разберись, что зачем и почему
❗️нет чертежа 🔜 деталь рандом 🔜 сегодня прототип собрался, из следующей партии деталей – не собрался.
Зато все развлеклись за деньги инвестора🤑"

Проектируй. Созидай. #Excogitator 🦾
#Design@excolab

Сам пришёл. Часть II

Вчера закончили разговор со Святославом на том, чем может быть полезен Agile на ранних стадиях R&D процесса, говорили про лабриги и мулы шасси.

Сегодня Святослав поделится правилами, которые он использует в своей практике для повышения эффективности процессов Agile:

📌 Делаем функциональные макеты если:

⚙️ нам нужно отработать внешний вид (тут все субъективно и без итераций не обойтись)

⚙️ вам нужно дать хоть что-то электронщикам и программистам для разработки системы управления

⚙️ вам нужно что-то понять, или проверить из области того, что вы не знаете (новый тех. процесс и т.д.)

⚙️ вам нужно проверить функциональные свойства продукта, но только если вы точно знаете что проверять и как (пример: погнуть рычаг подвески и понять что он ломается при расчетной нагрузке - хорошо, сварить раму и.. ну мы сейчас к ней все прикрутим, попробуем покатать, а потом посмотрим где треснет и там уголок приварим - плохо)

📌 Собираем все метрики с прототипа, разбираемся со всеми причинами отказов и разрабатываем решения, которые по расчетам должны это исправить. Сделал один прототип и сломал – великолепно! Сделала 4 подряд, потому что показалось, что тут вот так будет лучше – искусство ради искусства

📌 В начале цикла делаем, где можно конструкцию модульной, гибкой в плане замены компонентов и приспособленной для установки датчиков и т.д. Нужен один – два прототипа. В конце цикла – как можно ближе к финальному продукту, чтобы проверят конечные решения, прототипов может быть же несколько десятков.

📌 Никогда не стоит думать, что прототип — это то, что пойдет в серию, “только допилим немножко”. Если получилось – хорошо. Но чаще прототип иметь общего с пилотным продуктом только концепцию, и ни одной общей детали (реальный случай из практики). Вообще, одно из типовых заблуждений владельцев стартапов – “О, он же едет! Завтра начинаем готовить производство партии в 1000 штук”. Часто бывает, что прототип “допилить” невозможно, проще сделать заново.
Не похоже на IT, не правда ли?😉

Проектируй. Созидай. #Excogitator 🦾
#Design@excolab

Инженеры по характеру своей деятельности обязаны коммуницировать с множеством сотрудников внутри организации. Тоже касается и менеджера по персоналу. Всё это здорово, только как научиться этим двум специалистам настроить продуктивный диалог друг с другом🤯

Постараемся описать ожидания и инструменты их достижения:

⚙ Определяем что делать вместе. План развития технической дирекции должен быть единый для Технического директора и Директора по персоналу. Единство цели - это важно!

⚙ Регулярные коммуникации. Как правило, очень сложно организовать методичную работу сразу двух директоров ключевых функций. Поэтому я обеими руками за HR BP. Работает - проверено на практике!

⚙ Найм по чётким критериям. Что важно, рекрутер не может читать ваши мысли по WiFi. Поэтому сформулируйте самое важные навыки будущего сотрудника, дайте список ключевых технических слов для поиска, назовите целевые компании, дайте список конкретных фамилий (даже если они не согласятся - дадут фамилии тех, за кого могут поручиться), посоветуйте к кому в вашей организации или из смежников можно обратиться за точечными рекомендациями. Только чёткая задача может быть выполнена с результатом, который вас удовлетворит!

⚙ Адаптация - важнее количества принятых сотрудников. Если мы говорим не о массовом подборе, а об ИТР, то важно помнить, что 1-2 новичка на 10-15 сотрудников - это тот максимум, который вы сможете ассимилировать в месяц. Не выжимайте показатели из отдела подбора, а проработайте с вашим HR BP реалистичный план реальной, а не формальной (!) адаптации. Снижаем текучку кадров сразу на входе!

⚙ Обучение. План обучение, количество и направление курсов для ваших подчиненных должно быть разработано вами (!) и группой инициативных специалистов вашего подразделения с методической помощью отдела обучения. Всё что придумают без вашего участия работать не будет!

⚙ Мотивация. Зарплата важна, но для технического специалиста очень важен результат его трудов и физические мерила успеха. Грамоты, медали, выделить лучшего - всё это работает. Кстати, у меня есть практика награждать и "Провал месяца!" - переходящим цельнометаллическим кубом 150х150х150 мм🦾. И поверьте, стремятся исправиться как можно скорее. В мотивации нет пределов креатива!

⚙ Расставание. Жизнь есть жизнь, иногда приходится прощаться с сотрудником, по разным причинам: переход в другую компанию, семейные обстоятельства, пенсия, да мало ли что еще. Всегда старайтесь сохранить теплые отношения, поговорите, поймите истинную (!) причину ухода. Помните, что сегодня специалист уходит от вас, а завтра он будет ведущим экспертом у вашего заказчика или ЛПР у потенциального клиента. А иногда просто надо кому-то позвонить и проконсультироваться по сложному техническому вопросу. Оставайтесь людьми!

Ещё больше про управление творческими инженерными коллективами, опыт топ-менеджеров крупных машиностроительных предприятий Юрий пишет в своем ТГ-канале EXCOGITATOR.

Игры разума

Примерно лет 10 назад у меня появилась идея сделать авторский курс "Проектное управление в машиностроении"

Суть, на первый взгляд, проста: берем конструктор, типа LEGO Technic, и проходим с командой предприятия или студенческой группой все этапы создание реальной машины.

Там вам и маркетинг с клиентской болью😱, и финансисты с сокращением бюджета🤑, и война Agile с Waterfall🤯, и технологи с реализуемустью🙅‍♂️, и конструкторские ошибки с болью их признать🥺.... Целое приключение длинной в неделю, как минимум.

Так вот, в далеком 2015м написав введение.... я осознал как же глубока кроличья нора и труд этот одному уж никак не потянуть😵

Сейчас, в предверии 2025го, получая множество положительных откликов на мои записки, видя количество и качество ваших комментариев - понимаю, что тема всё также актуальна🤩

Заметили, что вчера не было поста?😉Был увлечен идея сделать проект с вашим участием на принципах Open source!

Как вам? Уложим в коробку наш суммарный (200+ лет) опыт в машиностроении? Добавим подводных камней и практических примеров из различных отраслей? Получится?

👍 - отличная идея
👎 - идея так себе, никому это не надо
👀 - запасаюсь попкорном, посмотрю на ваш провал

Ставьте ➕ в комментариях, если хотите принять активное деятельное участие.
Любые предложения и идеи приму с благодарностью.

Проектируй. Созидай.
CEO #Excogitator 🦾
@AleksakovYuriy

Пополняем арсенал

Продолжаем рассказывать нашим молодым подписчикам о существующих расчетных программах и САПР. В прошлый раз говорили про RockyDEM, сегодня речь пойдет о расчете и проектировании зубчатых передач.

KISSsoft – лучший на рынке продукт для анализа и оптимизации зубчатых передач, валов и шестерен. Идеально подходит для моделирования редукторов, трансмиссий и коробок передач.

Возможности программы обширны:
⚙️проектирование всех видов зубчатых передач
⚙️быстрый и точный расчёт прочности
⚙️определение геометрически возможных решений
⚙️анализ передач на прочность, вес, жёсткость и шум

Кроме того, есть модули KISSsys (вычисления параметров оборудования) и GPK (для промышленных коробок передач)

Решения с успехом применяются в различных отраслях от производства ветротурбин, о которых рассказывал вчера Олег, до автомобильной промышленности и судостроении.

В российском ландшафте мы знаем только приложение «Валы и механические передачи 3D» для проектирования в среде КОМПАС-3D. Но (!) возможности очень скромные.

Может быть, вы знаете еще какие-то аналоги доступные на отечественном рынке? Поделитесь.

Проектируй. Созидай. #Excogitator🦾
#Soft@excolab

Библиотека #Excogitator

Автомобильные инженеры знают, что проектирование начинается с одной единственной точки.
H-point - теоретическое относительное положение бедренного сустава водителя.

А еще H-point: The Fundamentals of Car Design & Packaging (by Stuart Macey and Geoff Wardle) – это редкая книга про основы дизайна и проектирования автомобиля.

С ее помощью вы поймете с чего начать и что надо учесть на разных фазах проектирования.
Книга наполнена проницательной графической визуализацией поясняющие базовые принципы:

⚙️Особенности различных сегментов автомобилей

⚙️Концептуальная фаза компоновки автомобиля

⚙️Особенности проектирования обитаемого пространства автомобиля

⚙️Что надо учесть при системной интеграции силовой установки

⚙️Как выбрать тип шасси, подвески и размерность колес

⚙️И много-много других интересных подробностей

Нужна ссылка на pdf? 😉
Пишите в личку🤫

Проектируй. Созидай. #Excogitator🦾
#Library@excolab

Собственные частоты

Собственные частоты - важная концепция в машиностроении и ключ к надежной и безопасной конструкции

❗️Что такое собственные частоты?

Собственные частоты — это частоты, на которых система может колебаться с максимальной амплитудой без внешнего воздействия. В машиностроении это свойство особенно важно для проектирования деталей и агрегатов, чтобы избежать резонансных явлений, которые могут привести к разрушению конструкции

Примеры в практике:

⚙️ Автомобильные двигатели: Недостаточно учесть лишь мощность и крутящий момент. Важно понимать собственные частоты компонентов двигателя, чтобы избежать вибраций, влияющих на комфорт и долговечность

⚙️ Мосты: Яркий пример, правда из строительства. Каждый мост проектируется с учетом возможных вибраций от ветра и движения транспорта. Неконтролируемый резонанс может привести к резонансной катастрофе, как это произошло с Такомским мостом в 1940 году

⚙️ Детали и узлы работающие на высоких оборотах: Это могут быть ветряные и газовые турбины, а может быть и измельчающий барабан кормоуборочного комбайна, в любом случае, ошибка в расчетах собственных частот может привести к фатальным поломкам

✏️ Как избежать резонанса?

⚙️Моделирование и симуляции: Используйте ПО для анализа динамических характеристик конструкций на этапе проектирования. Не забывайте о собственных частотах в начале работы!

⚙️Модификация структуры: Изменение формы или материала может помочь настроить собственные частоты и избежать критических резонансных состояний. Работайте с формой и материалом!

⚙️Демпфирование: Установка амортизаторов или демпфирующих элементов может значительно снизить риск резонанса. Работайте с виброперепадом!

Желаем вам, чтобы собственные частоты совпадали только в ваших творческих коллективах. А в инженерном деле понимание и учет собственных частот поможет предотвратить аварии и обеспечить долгий срок службы изделию.

Будем рады вашим вопросам и комментариям! ✉️

Проектируй. Созидай. #Excogitator 🦾
#Design@excolab

#Инжиниринг #Машиностроение #Резонанс #СобственныеЧастоты #Безопасность

Не тренди!

🚨Инженеры под угрозой?

Искусственный интеллект ворвался в мир сложной инженерии и выполнил задачу, на которую у людей ушли бы годы: за три недели ИИ спроектировал и успешно протестировал клиновоздушный ракетный двигатель. Компания LEAP 71 показала, что будущее уже здесь, и оно переворачивает устоявшиеся подходы в машиностроении.

🤨Что это значит для инженеров?

Мы привыкли считать инженерное мастерство делом, требующим высокого профессионализма, опыта и времени. Но что, если теперь для создания сложнейших конструкций достаточно несколько недель и мощный компьютер? Повлияет ли это на будущее рабочих мест в машиностроении?

🤯 Сможет ли ИИ заменить живой ум?

С одной стороны, использование ИИ открывает новые горизонты для быстрой и эффективной разработки. С другой стороны, задайте себе вопрос: насколько ваша работа устойчива в мире, где ИИ способен проектировать не только ракетные двигатели, но и любые механизмы, зная лишь исходные параметры?

❗️Наступает новая эра инноваций или кризис профессий?

Какие новые вызовы это поставит перед конструкторами? Может ли это стать началом конца традиционного инженерного подхода? Пришло время подумать о том, как мы можем адаптироваться к этим переменам и использовать новые возможности в свою пользу.

Поделитесь своим мнением и давайте обсудим, что ждет нас в ближайшем будущем! ⚙️

Проектируй. Созидай. #Excogitator 🦾
#Trends@excolab

#Инжиниринг #Машиностроение #Проектирование #Ai

Пополняем арсенал
Text-to-CAD: обещания или реальность?

Друзья, давайте поговорим о широко разрекламированной технологии text-to-CAD, которая, по обещаниям многих компаний, должна была революционизировать проектирование и сделать его доступным для всех. Однако реальность оказывается гораздо менее оптимистичной.

📌Текущий статус: не многим лучше, чем в 2010 году

Согласно данным Gartner, около 60% компаний, заявивших о намерении внедрить технологии text-to-CAD в свои процессы, так и не сделали этого. Серьезные ограничения, такие как негибкие интерфейсы, недостаточная точность генерации и плохая интерпретация команд, остаются актуальными. В большинстве случаев программы по-прежнему требуют ручного вмешательства для исправления ошибок.

📌Примеры существующих приложений

Несмотря на отсутствие действительно революционных решений, несколько программ все же можно протестировать:

⚙️ Autodesk SketchBook: хотя это приложение больше ориентировано на художников, оно экспериментирует с текстовыми командами для упрощенного рисования.
⚙️DeepCAD: стартап, который работает над использованием ИИ для создания 3D моделей на основе текстовых описаний, однако работает очень нестабильно.
⚙️CoPilot в AutoCAD: экспериментальная функция от Autodesk, которая использует ИИ, но по сути, это все еще далекий от идеала инструмент.

📌 Цифры, которые заставляют задуматься

1. Инвестиции в ИИ для CAD: согласно Statista, в 2022 году инвестирование в решения на основе ИИ и автоматизации CAD составило 1,7 миллиарда долларов, однако большинство из этих средств, похоже, не привели к значительным результатам.
2. Уровень удовлетворенности пользователей: по данным опросов, лишь 25% пользователей стартапов в сфере text-to-CAD останутся с этими решениями более чем на год из-за проблем с интерфейсами и ошибками.

📌Прогноз на будущее

С учетом текущего уровня развития технологий text-to-CAD, можно ожидать, что они станут действительно пригодными не ранее 2027-2030 года. Зачем же ждем?

⚙️Для простых проектов: создание базовых чертежей и простых 3D моделей.
⚙️Для малых и средних предприятий: чтобы упростить процессы и снизить затраты на проектирование.
⚙️Для обучающих целей: упрощение введения новых специалистов в CAD-системы без необходимости глубокого изучения программ.

Вместо того чтобы быть «магической палочкой» для проектировщиков, text-to-CAD сейчас больше похож на полуправдоподобный концепт. Как оказалось, возможности технологии далеки от того, чтобы оправдать ожидания. Необходимы годы исследований и разработок, прежде чем мы сможем говорить о настоящей эффективности и надежности таких решений. Надеюсь, что вскоре мы увидим настоящие прорывы, а пока будьте осторожны с оптимистичными заявлениями разработчиков!

Так что пока Проектируем и Созидаем сами. #Excogitator 🦾
#Soft@excolab

#Инжиниринг #Машиностроение #TextToCAD #САПР #Ai

📚 Библиотека #Excogitator

Несколько дней назад начали тему ИИ в машиностроении: здесь об успехах Leap71. А вчера сами попробовали Text-to-CAD приложения. В завершение темы книга "Математика в машинном обучении", созданная для того, чтобы объединить ключевые математические дисциплины, необходимые для понимания и применения алгоритмов машинного обучения.

Основные математические направления, такие как линейная алгебра, аналитическая геометрия, векторный анализ, оптимизация, теория вероятностей и статистика, традиционно изучаются разрозненно. Это создает трудности для студентов, обучающихся на специальностях data science и computer science, а также для профессионалов в области машинного обучения, которые стремятся интегрировать эти знания в единую концепцию.

📌Чем уникальна эта книга?

⚙️Целостный подход: Книга объединяет основные математические концепции в одну самодостаточную программу

⚙️Последовательность изложения: Переход от базовых понятий к анализу ключевых методов машинного обучения: линейной регрессии, методу главных компонент, гауссову моделированию и методу опорных векторов.

⚙️Развитие интуиции: Подход помогает не только понять теорию, но и развить интуицию в применении математических знаний.

Все разделы математики описанные в книги имеют практическое применение в машинном обучении:

⚙️Линейная алгебра: Линейная алгебра является основой для работы с большими данными и изображениями. Например, понимание матричных операций позволяет эффективно обрабатывать и сжимать изображения с помощью методов, таких как сингулярное разложение (SVD).

⚙️Аналитическая геометрия: Геометрические представления данных полезны для визуализации и интерпретации. Например, при помощи аналитической геометрии можно визуализировать данные в 2D или 3D пространстве для кластерного анализа.

⚙️Векторный анализ: Векторные поля и дифференциальные операторы играют важную роль при обучении нейронных сетей, особенно в части, касающейся распространения ошибки и корректировки весов.

⚙️Оптимизация: Оптимизационные методы, такие как градиентный спуск и его модификации (Adam, RMSProp), необходимы для минимизации функции потерь во многих алгоритмах машинного обучения, включая глубокие нейронные сети.

⚙️Теория вероятностей: Вероятностные модели, такие как наивный байесовский классификатор, используются для фильтрации спама в электронных письмах или для классификации текстов по категориям.

⚙️Статистика: Методы статистического анализа применяются для оценки и валидации моделей. Например, с помощью статистики можно проводить гипотезы и проводить A/B тестирование для выбора лучшей модели.

Каждая из этих математических дисциплин играет ключевую роль в машинном обучении, позволяя разрабатывать и оптимизировать сложные алгоритмы, улучшать точность предсказаний и понимание данных. Книга не только объясняет теорию, но и показывает, как применить знания на практике, что делает её незаменимой для начинающих и профессионалов в области data science.

Книга есть в бумажном варианте во многих интернет магазинах.
Пишите в личку, если нужна ссылка на *.pdf🤫

Проектируй. Созидай. #Excogitator 🦾
#Library@excolab

#МашинноеОбучение #Математика #DataScience #Книги #Саморазвитие #Ai

Проектируй. Созидай.

На длинных выходных много говорили о возможностях ИИ в области машиностроения. Сегодня поделимся тем, где уже в полную силу применяются такие технологии - обучение систем машинного зрения для распознавания культур и сорняков, а также автоматической выгрузке сельскохозяйственных машин.

Такое обучение происходит в несколько ключевых этапов, вот основные шаги этого процесса:

⚙️Сбор данных:
- Для эффективного обучения требуется большое количество изображений или видео, соответствующих задачам системы (например, изображения сельхозкультур, состояния растений и т.д.).
- Данные могут быть дополнительно размечены, чтобы алгоритмы понимали, что изображено на каждом из них (например, где расположен сорняк, а где здоровое растение).

⚙️Разметка данных:
- Чаще всего используется ручная разметка, где эксперты идентифицируют и обозначают объекты на изображениях.
- Также применяются полуавтоматические методы, где первичную разметку делают алгоритмы, а человек затем исправляет или подтверждает результаты.

⚙️Предобработка данных:
- Включает в себя нормализацию изображений, увеличение данных (например, путем вращения, изменения яркости изображений) для создания более разнообразного тренировочного набора.
- Такая предобработка помогает алгоритму быть устойчивым к изменениям среды и условий съемки.

⚙️Выбор и настройка модели:
- На данном этапе выбирается архитектура нейронной сети, подходящая для конкретной задачи (например, свёрточные нейронные сети (CNN) наиболее распространены для задач зрения).
- Модель затем инициализируется и готовится к обучению.

⚙️Обучение модели:
- Используются размеченные данные для обучения модели, где она учится распознавать и классифицировать объекты на изображениях.
- Процесс обучения включает в себя оптимизацию параметров модели для минимизации ошибок (например, с помощью градиентного спуска).

⚙️Валидация и тестирование:
- После обучения проводится тестирование модели на отдельном наборе данных, которые не использовались при обучении, чтобы оценить её способность к обобщению на новые данные.
- Это необходимо для проверки того, насколько модель может быть эффективной в реальных условиях.

⚙️Тонкая настройка:
- На основании тестирования модель может быть дополнительно подстроена, оптимизированы гиперпараметры для улучшения её производительности.

⚙️Развертывание и мониторинг:
- В заключение, модель интегрируется в реальную систему (в сельхозтехнику) и постоянно мониторится. При необходимости модель может дообучаться на новых данных или корректироваться.

Крупные сельхозмашиностроительные компании активно внедряют технологии машинного зрения в свою продукцию, чтобы повысить её эффективность и конкурентоспособность. Вот несколько примеров таких компаний и их инноваций:

📌 #JohnDeere:
- John Deere разработал систему See & Spray, которая использует камеры и алгоритмы машинного зрения для точечного внесения гербицидов. Это позволяет сократить их использование до 90%, так как распыление происходит только на выявленные сорняки.

📌#CNH Industrial (Case IH и New Holland):
- New Holland разрабатывает системы для мониторинга состояния урожая и оценки его зрелости в реальном времени, что оптимизирует процессы сбора.

📌#AGCO (Massey Ferguson, Fendt и др.):
- Massey Ferguson применяет алгоритмы анализа изображений для оценки состояния почвы и растений, что позволяет адаптировать уход в зависимости от условий на поле.

📌#CLAAS:
- CLAAS активно развивает технологии машинного зрения в кормоуборочных комбайнах для оптимизации работы жатки и повышения качества резки.

Эти примеры показывают, как машинное зрение трансформирует сельскохозяйственную технику, делая её более умной и адаптивной к современным вызовам. Такие технологии помогают не только повысить эффективность процессов, но и способствуют устойчивому развитию сельского хозяйства.

Как у вас с машинным зрение? Уже обучаете нейронку?

Проектируй. Созидай. #Excogitator 🦾
#Design@excolab

Проектируй. Созидай.
Беспилотные решений, на каком принципе строить?

В современных системах автономного вождения и беспилотных технологий активно используются два ключевых подхода для навигации: глобальные навигационные спутниковые системы (ГНСС) и машинное зрение. Оба подхода имеют свои преимущества и ограничения, и, в зависимости от задач, могут использоваться в сочетании друг с другом.

📡 Глобальные навигационные спутниковые системы (ГНСС)

➕Преимущества:
- Высокая точность в открытых пространствах. С использованием технологий RTK (Real-Time Kinematic) достигается точность до 1-2 см.
- Независимость от погодных условий и времени суток.

🟰Ограничения:
- Ухудшение точности в условиях плотной городской застройки или в местах с плохим приемом спутниковых сигналов, например, в лесах.

⚙️Примеры решений:
- Россия: Система #ГЛОНАСС активно используется в различных проектах беспилотных автомобилей, таких как разработки #КАМАЗ и #Яндекс.
- Мир: #Tesla использует ГНСС в сочетании с другими сенсорами для навигации автомобилей.

👁 Машинное зрение

➕Преимущества:
- Способность распознавать и классифицировать объекты на дороге, такие как пешеходы, знаки, разметка.
- Работа в сложных условиях, где спутниковый сигнал недоступен, например, в туннелях или под мостами.

🟰Ограничения:
- Зависимость от видимости, освещенности и погоды (туман, дождь).
- Необходимость в больших вычислительных мощностях для анализа изображений в реальном времени.

⚙️Примеры решений:
- Россия: Разработки #CognitivePilot внедряют машинное зрение в системы автономного вождения.
- Мир: #Waymo, дочерняя компания #Alphabet, использует комбинированный подход с акцентом на машинное зрение.

🔄 Совмещенные системы
Во многих случаях целесообразно использовать комбинированный подход, где системы на базе ГНСС дополняются сенсорами машинного зрения. Это позволяет достичь максимальной точности и надежности.

Выбор той или иной технологии во многом зависит от условий эксплуатации и задач, которые необходимо решать с помощью беспилотных систем. В будущем можно ожидать дальнейшего совершенствования обоих направлений с вероятным усилением синергии между ними.

Проектируй. Созидай. #Excogitator
#Design@excolab

#Машиностроение #МашинноеЗренение #ГНСС #Инжиниринг