Как соединить ТРИЗ и искусственный интеллект 

Олег Фейгенсон

Международная Ассоциация ТРИЗ (MATRIZ Official)

Президент

Искусственный интеллект может за минуту предложить 20 вариантов решения. Или 200. И чем быстрее становится генерация идей, тем важнее качество постановки задачи, критерии отбора и ответственность за результат. Без этого ИИ не ускоряет инновации, а увеличивает объем непроверенных гипотез.

Олег Фейгенсон, кандидат технических наук, мастер ТРИЗ и президент Международной ассоциации ТРИЗ, поделился опытом применения ТРИЗ и искусственного интеллекта в инновационных и операционных задачах. В центре его подхода — простое разделение ролей. ТРИЗ задает логику и структуру мышления. Искусственный интеллект ускоряет анализ, поиск альтернатив и работу с большими массивами информации. Человек определяет задачу, проверяет результат и принимает решение.

ИИ ускоряет работу, но не знает фактов

Ответ языковой модели может звучать убедительно и при этом быть ложным. На практике это проявляется, например, в ссылках на несуществующие статьи и патенты или в рекомендациях, которые невозможно применить.

Причина в том, что большая языковая модель не работает с текстом как эксперт, понимающий предмет. Она выявляет статистические закономерности и прогнозирует наиболее вероятное продолжение ответа.

Для бытовых запросов такая ошибка может быть неприятной, но поправимой. В технических, научных и бизнес-задачах она означает потраченные время и ресурсы, выбор неработающей технологии и снижение доверия к самому процессу внедрения ИИ.

Типичная траектория при внедрении ИИ: команда впервые получает от модели большой набор идей и впечатляется скоростью. Через несколько недель наступает разочарование, потому что при проверке значительная часть вариантов оказывается неприменимой.

Из этого не следует, что с ИИ не нужно работать. Скорее, с ним необходимо взаимодействовать так же критично, как с живым собеседником: указывать на ошибки, задавать уточняющие вопросы, проверять аргументацию и не считать первый ответ окончательным.

Полезно и обратное действие — попросить модель задать вопросы пользователю. Так эксперт может проверить, правильно ли система поняла задачу и какие элементы требуют дополнительного пояснения.

ТРИЗ задает маршрут поиска

ТРИЗ — теория решения изобретательских задач, созданная на основе анализа больших массивов патентной информации. Ее практическая ценность состоит, в том числе, в наличии последовательных алгоритмов работы с задачами.

Для взаимодействия с ИИ это особенно важно. Четкие рамки не обязательно ограничивают поиск. Напротив, они снижают вероятность случайной генерации и помогают модели работать с конкретной функцией, ограничениями и критериями.

Один из наиболее эффективных инструментов — функционально ориентированный поиск. За 12 лет работы в Samsung Electronics около 80% проектов выполнялись с его использованием. В последние два-три года такой поиск проводился уже с поддержкой искусственного интеллекта.

Суть метода — искать существующие технологии из других областей, где нужная компании функция уже выполняется хорошо.

Это меняет саму логику инновационной работы. Вместо создания совершенно нового решения команда спрашивает, где похожая задача уже решена и что из этого можно адаптировать.

Совершенно новая идея требует экспериментов, времени, людей и финансирования. Технология, реализованная в другой отрасли, тоже не переносится автоматически, но ее принцип уже подтвержден практикой. 

От названия продукта — к функции

Функционально ориентированный поиск не начинается с обращения к ИИ.

Сначала человек или рабочая группа выбирает ключевую задачу. Затем определяет функцию, которую требуется улучшить, и формулирует требования к ее выполнению: стоимость, скорость, безопасность и другие существенные параметры.

После этого функцию обобщают по действию и объекту.

Например, вместо задачи «быстрее колоть дрова» можно сформулировать задачу «разделять твердое вещество». Такая формулировка позволяет искать решения не только в лесозаготовке, но и в машиностроении, полупроводниковой промышленности и других областях.

Следующий шаг — определить, где эта функция выполняется лучше всего.

Лидирующая область при этом не обязательно является самой технологичной или современной. Она выбирается только по качеству выполнения конкретной функции.

После обобщения задачи подключается искусственный интеллект. Он помогает:

— находить области, где похожая функция уже реализована;
— выявлять используемые там технологии;
— сравнивать их по заданным критериям;
— формулировать задачи адаптации.

При этом найти интересную технологию недостаточно: необходимо понять, при каких условиях она может работать в новой системе и какие ограничения помешают переносу.

Пример функционально ориентированного поиска: в одном из проектов рассматривалась технология производства стеклотары. Поток расплавленного стекла разрезали металлическими ножницами. В месте контакта происходило охлаждение, возникали дефекты, а мелкие брызги загрязняли оборудование.

Если искать способ «лучше резать стекло», пространство решений остается внутри стекольной отрасли. При функциональном подходе задача формулируется иначе: необходимо разделять поток вязкой массы.

Похожая функция существует в производстве шоколадных конфет. Там поток расплавленного шоколада не разрезают. После выхода нужной дозы сопло резко поднимается, и поток обрывается за счет инерции.

Это не готовое решение для производства стекла. Однако сам принцип — воздействовать не на материал, а на сопло — оказался для инженеров перспективным.

Ценность этого примера не в истории успеха, а в способе поиска. Профильный специалист может десятилетиями работать в своей области и не знать, как похожая функция реализована в пищевой промышленности, медицине или нефтегазовом секторе.

ИИ не отменяет подготовку

Чтобы языковая модель работала в логике функционально ориентированного поиска, ее сначала нужно познакомить с методом.

Для этого модели сначала передают определение функционально ориентированного поиска, алгоритм из восьми шагов и несколько примеров с известными решениями.

Затем ее просят задать вопросы, чтобы проверить, правильно ли она поняла подход.

После этого модели дают тестовую задачу, решение которой известно эксперту. Если результат неудовлетворителен, настройку корректируют. Только затем переходят к реальной задаче.

Такая подготовка занимает около 20–25 минут. Это не исключает ошибок, но позволяет проверить логику модели до того, как ей будет передана рабочая задача.

Дополнительно в систему можно загрузить проверенные патенты, статьи и материалы конференций. Особенно это важно, когда поиск ведется в области, где пользователь сам не является экспертом.

Можно также назначить модели роль специалиста из нужной отрасли и попросить объяснить технологию простым языком. Однако такая ролевая инструкция не делает ответ достоверным автоматически. Все существенные факты и ссылки по-прежнему требуют проверки.

Скорость возникает на этапе расширения поиска

Еще один пример применения функционально ориентированного поиска: проблема остатков зубной пасты в упаковке. 

Внутри тюбика остается от 5 до 10% содержимого. Специалисты обобщили конкретную функцию «удалить зубную пасту из тюбика» до удаления липкого вязкого вещества из гибкой упаковки.

Дополнительно были заданы требования: низкая стоимость, безопасность, простота и компактность механизма.

После этого языковая модель предложила области, которые разработчик упаковки вряд ли стал бы рассматривать в первую очередь: топливные баки, дозаторы, технологии для красок, медицинские устройства, перистальтические насосы, нефтегазовые трубопроводы со специальными покрытиями.

В результате было выявлено более десяти технологий из разных областей техники, медицины и природы. ИИ в данном случае не решил задачу самостоятельно, но быстро расширил поле поиска и показал области, самостоятельное изучение которых потребовало бы значительно больше времени.

Как работать с ИИ, не раскрывая задачу

Для компаний использование внешних языковых моделей связано с очевидным противоречием.

Чем подробнее описана задача, тем точнее потенциально может быть ответ. Но вместе с деталями организация раскрывает сведения о продукте, процессе или технологии.

Функциональное обобщение позволяет частично снять это противоречие.

На первых этапах рабочая группа определяет задачу, требования и ограничения без участия внешней модели. В ИИ передается не исходный контекст, а только обобщенная функция.

В одном из проектов Samsung Electronics решалась задача отвода тепла от процессора смартфона. Одним из направлений было нанесение на процессор металлического слоя.

Высокотемпературные методы могли повредить компоненты. Низкотемпературные вакуумные технологии были дорогими и малопроизводительными.

Исходную задачу можно было бы описать подробно: рассказать о конструкции смартфона, процессоре, ограничениях по температуре и других параметрах. Но для поиска технологии достаточно другой формулировки: необходимо осаждать слой металла на подложку без ее перегрева.

Такой запрос не раскрывает, о каком продукте идет речь, но позволяет искать технологии в других отраслях.

В проекте была найдена технология холодного газодинамического напыления, ранее использовавшаяся для восстановления металлических деталей. Решение было запатентовано в 2015 году.

Функциональная формулировка не заменяет политику информационной безопасности. Однако она помогает не передавать внешней системе сведения, которые не нужны для поиска аналогов.

ИИ нельзя внедрять без конкретной задачи

Одна из главных ошибок — внедрять ТРИЗ или искусственный интеллект как универсальное решение.

Технологический агент, которому можно задать любой вопрос, сам по себе не гарантирует роста производительности, качества или финансовых показателей. Сначала необходимо понять, какую конкретную проблему компания хочет решить.

Недостаточно дать сотрудникам доступ к модели или обучить всех составлять запросы. Финансовый эффект появляется не из факта внедрения, а из решения конкретных задач.

Начинать разумнее с небольших и понятных задач, где результат можно проверить. После этого сложность можно постепенно повышать.

Когда оптимизацию пора прекратить

Для операционной эффективности особенно важен вопрос о границе оптимизации.

Компания может долго улучшать существующую систему: снижать затраты, устранять потери, повышать производительность. Но на определенном этапе дополнительные усилия перестают давать сопоставимый результат.

Это можно связать с анализом S-образной кривой развития системы.

Если организация вкладывает все больше денег, времени и человеческих ресурсов, а результат почти не меняется, система, вероятно, приблизилась к насыщению.

В такой ситуации дальнейшее улучшение может быть менее рационально, чем смена принципа действия.

В качестве иллюстрации можно привезти рынок фототехники. Kodak долго оставалась лидером в области пленочной фотографии и продолжала улучшать существующую систему. При этом цифровая технология на раннем этапе давала заметно худшее качество, но находилась в начале своей кривой развития и имела больший потенциал роста.

Вопрос для бизнеса заключается не только в том, насколько хорошо работает текущая система. Важно понимать, есть ли у нее еще пространство для развития.

Если эффект от оптимизации снижается, необходимо проверить, не пора ли направить ресурсы в систему, построенную на другом принципе.

Снижение затрат не всегда требует нового компонента

В кризисных условиях или при необходимости снизить стоимость ТРИЗ предлагает еще один инструмент — свертывание.

Его логика состоит в том, чтобы смотреть не на сам компонент системы, а на функцию, которую он выполняет.

Если компонент дорогой, сложный или избыточный, вопрос формулируется не как «чем его заменить», а как «может ли его функция выполняться другим элементом системы или быть устранена вместе с ним».

Это позволяет упрощать систему, снижать количество компонентов и делать ее более гибкой.

Что стоит проверить компании

Первое — есть ли конкретная задача, ради которой внедряется ИИ или ТРИЗ. Формулировка «повысить эффективность» слишком широка, чтобы оценить результат.

Второе — кто отвечает за постановку задачи и проверку ответа. Без владельца результата языковая модель превращается в генератор непроверенных идей.

Третье — какие данные действительно нужны внешнему инструменту. Во многих случаях исходный контекст и чувствительные характеристики можно оставить внутри компании, передав модели обобщенную функцию.

Четвертое — настроена ли процедура проверки. Модель стоит тестировать на задачах с известным решением, просить ее задавать уточняющие вопросы и предоставлять ей проверенные материалы.

Пятое — умеет ли команда работать с адаптацией. Найти технологию в другой отрасли недостаточно. Основная работа начинается после того, как идея обнаружена.

Шестое — не исчерпан ли потенциал самой системы. Возможно, компании уже не нужно совершенствовать существующий процесс, а стоит искать другой принцип действия.

Связка ТРИЗ и искусственного интеллекта не делает инновации автоматическими. Она помогает быстрее работать с пространством решений, сохраняя структуру поиска и человеческую ответственность.

Но чем быстрее модель генерирует ответы, тем важнее становится навык вовремя понять, правильно ли компания сформулировала вопрос — и не пытается ли она с помощью нового инструмента бесконечно улучшать систему, которую уже пора заменить.