Интеллект в промышленных масштабах

Российские промышленные компании внедряют технологии искусственного интеллекта в самые разные производственные процессы – от оценки качества бриллиантов и алюминиевых слитков до предиктивного обслуживания оборудования. Как они это делают, разбирались «Ведомости&».

Интеллект в тренде

В 2023 г. глобальный рынок искусственного интеллекта (ИИ) в производстве достиг $3,2 млрд, подсчитали эксперты Всемирного экономического форума. По прогнозу, к 2028 г. он вырастет до $20 млрд. В России потенциальный совокупный вклад от внедрения и использования ИИ аналитики Института статистических исследований и экономики знаний НИУ ВШЭ оценивают в 11,6 трлн руб. в 2030 г., а в 2035 г. – в 46,5 трлн руб. При этом исследователи ВШЭ отводят ключевую роль обрабатывающей промышленности – 7,7 трлн руб. в 2035 г.

В России опыт применения ИИ-решений имеют 35% предприятий разных отраслей, причем 47% из них пока только тестируют пилотные проекты, говорится в аналитическом отчете за 2024 г. Федерального центра прикладного развития искусственного интеллекта. По словам Марины Дороховой, директора «Яков и партнеры», темпы внедрения ИИ в разных отраслях промышленности отличаются: «Около 70% компаний, занимающихся металлами и горной добычей, используют ИИ внутри организации и планируют расширять его использование, в связи с чем растут и инвестиции в это направление, в то время как в нефтегазовой отрасли, электроэнергетике и химической промышленности только треть достигла как раз того уровня зрелости, где они масштабируют внутри организации, выделяют на это деньги и фиксируют это как свою стратегическую цель».

Технологии, которым отдают предпочтение российские промышленники, разнообразны. Александр Бухановский, доктор технических наук, руководитель исследовательского центра «Сильный ИИ в промышленности» Университета ИТМО, усматривает два значимых российских тренда внедрения ИИ. «В первую очередь это решение задач, связанных с воспроизведением частных компетенций отраслевых специалистов. К ним относятся всевозможные советующие системы (например, по управлению ремонтом сложного оборудования), системы предиктивной аналитики, компьютерного зрения. Эти решения ориентированы в первую очередь на сокращение издержек (в среднем на 10–15%)», – говорит он. Второй тренд – это использование ИИ для решения комплексных задач с творческим элементом – проектированием (например, для создания деталей или узлов оборудования). Для этого используются различные генеративные технологии ИИ, в том числе большие языковые модели. «Экономика в этом случае связана не с уменьшением нагрузки на специалистов, а с кардинальным (в разы, а иногда на порядки) сокращением этапов жизненного цикла продукции, что повышает ее инвестиционную стоимость», – считает Бухановский.

Эти тренды подтверждают результаты опроса «Яков и партнеры» технических директоров (СТО) 100 компаний из всех отраслей промышленности. «Машинное обучение используют 100% опрошенных консалтингом компаний, которые занялись внедрением ИИ, компьютерное зрение – 65%, глубокое обучение – 64%, обработку естественного языка, включая распознавание и синтез речи, – 55%. Генеративный ИИ внедрили 25% компаний-респондентов хотя бы в одной функции организации и около 15% – в нескольких функциях», – рассказывает Дорохова.

Такое распределение во многом объясняется величиной инвестиций и скоростью окупаемости проектов. «Локальные точечные решения, такие как оптимизация отдельного участка производства, окупаются менее чем за год, – рассказывает Роман Хазеев, директор по цифровым технологиям «Ростелекома». – Средние по масштабу проекты вроде внедрения систем предиктивного обслуживания обычно окупаются за 1–3 года. Реализация комплексных инфраструктурных проектов по цифровой трансформации может занять от 3 до 5 лет, но даже в таких случаях компании стараются получать ощутимый эффект уже на промежуточных этапах внедрения».

По экспертным оценкам, базовые пилотные проекты по внедрению ИИ на российском промышленном предприятии сегодня обходятся в несколько миллионов рублей. «Например, внедрение типового решения по предиктивной диагностике оборудования может стоить от 5 млн до 10 млн руб. Полномасштабные решения для крупного завода уже требуют инвестиций от сотен миллионов до 1–2 млрд руб.», – уточняет Хазеев.

Жить своим умом

Промышленные предприятия используют разные стратегии внедрения ИИ-решений. Согласно исследованию, проведенному Федеральным центром прикладного развития искусственного интеллекта в 2024 г., 32% предприятий реализуют проекты собственными силами, 31% привлекают сторонних разработчиков, а 37% применяют комбинированный подход. «Крупные компании располагают необходимыми ресурсами для реализации масштабных ИИ-проектов и создания собственных центров компетенций. У них появляются собственные платформы, позволяющие массово вовлекать сотрудников в работу с ИИ», – объясняет Хазеев.

По словам Ренаты Абдулиной, председателя Ассоциации крупнейших потребителей программного обеспечения и оборудования, большинство ИИ-кейсов в промышленности – результат самостоятельной работы компаний, когда решения разрабатывались под конкретные задачи и потребности предприятий. Кроме того, при внедрении ИИ в промышленности нужно учитывать, что во многих ситуациях приходится работать с закрытыми данными или коммерческой тайной, поэтому для своих проектов предприятия выбирают разные способы развертывания IТ-инфраструктуры: на собственных мощностях (on-prem), в облаке или гибридный вариант, при котором используется и то и другое, рассказывает Артур Самигуллин, руководитель продуктового ML-направления Yandex Cloud (входит в бизнес-группу Yandex B2B Tech). При этом, отмечает эксперт, «ML-модели (модели машинного обучения. – «Ведомости&») можно развернуть на собственной инфраструктуре, но для этого необходимо использовать дополнительные вычислительные мощности. Использование коммерческих облачных платформ позволяет не использовать свои вычислительные мощности, а также не заниматься развертыванием, настройкой и мониторингом моделей самостоятельно».

Один из успешных кейсов разработки ML-модели на облачной платформе – создание решения «Алмаз-бриллиант» компанией «Алроса» на облачной платформе. Модель была построена на анонимизированных данных. Решение позволяет анализировать связи между сырьем и продукцией, прогнозируя, какого цвета бриллианты получатся из конкретных алмазов. Модель помогла сформировать новые продукты – отдельные когорты алмазов редких цветовых оттенков.

«Это была одна из первых ML-разработок в компании, – рассказывает Алексей Волков, руководитель цифровой лаборатории ООО «Алроса ИТ». – Облако помогло нам не буксовать и начать работу максимально быстро, без проволочек – проверить целесообразность разработки и сформировать требования к внутренней инфраструктуре. После проверки гипотезы перешли во внутренний контур. В облаке удобно разворачивать нужную инфраструктуру «по клику», настраивать контейнеры, которые потом несложно перенести в другие среды, тестировать работу новых сервисов».

Похожий опыт использования облачной платформы для обучения ИИ-моделей и тестирования решений, которые разрабатывают внешние подрядчики, есть у компании «Русал», писали в 2024 г. «Ведомости&». На мощностях Yandex Cloud развернут экземпляр MLOps-платформы (MLOps – набор практик для управления жизненным циклом моделей машинного обучения. – «Ведомости&») «Русала» с возможностью динамического управления ресурсами.

В начале 2025 г. алюминиевый гигант запустил систему анализа микроструктуры цилиндрических слитков – ключевого продукта для последующего производства в машиностроении, строительстве и других областях. Нейросеть на основе технологии машинного зрения за 15 минут анализирует качество слитка по восьми параметрам. Ранее лаборант тратил на это от 1,5 до 4 часов у микроскопа, сообщила компания.

«Норникель» также разрабатывает внутренние сервисы в публичном облаке. В результате перехода на облако у компании в среднем вдвое сократились сроки создания моделей, разработки ПО и тестирования в собственной инфраструктуре облака, писал Forbes*. «Мы давно присматриваемся к возможностям публичных облаков и понимаем преимущества, которые они дают компаниям в других отраслях: быстрое расширение мощностей и их снижение, когда они не нужны, ускорение разработки и вывода продуктов на рынок. В то же время у нас довольно жесткие требования к информационной безопасности, поэтому облака мы начали использовать относительно недавно – в 2022 г., предварительно проработав индустриальные требования к защите данных, к ролевой политике и другим вопросам», – цитирует журнал Алексея Манихина, директора по IT-стратегии и развитию «Норникеля».

Эволюция генеративных нейросетей

Еще один тренд – применение больших языковых моделей для автоматизации технической поддержки, умного поиска по материалам и справочникам, составления краткого содержания для технической документации. Например, значимым для промышленности проектом стал ИИ-сервис для оптимизации каталога товаров Минпромторга России, разработанный Исследовательским центром в сфере ИИ Университета «Иннополис». «Решение автоматически выявляет и исправляет ошибки, проверяет соответствие классификаторам, а также позволяет создавать и обновлять шаблоны описаний – благодаря этому промышленные компании получают доступ только к проверенной информации. Система уже выявила и исправила 750 000 ошибок, обнаружила 30 000 несоответствий данным государственных закупок и помогла создать 25 000 шаблонов описаний», – рассказывает директора вуза Искандер Бариев.

Некоторые промышленные компании разрабатывают собственные ИИ-сервисы на базе LLM-моделей (Large Language Model – большие языковые модели, нейросети, обученные на огромных массивах текстовых данных для понимания и генерации естественного языка. – «Ведомости&») с открытым исходным кодом (open source). Это связано с большой популярностью Qwen, DeepSeek и других моделей на open source. «Под каждый проект создается отдельная модель и отдельный стек инструментов, которые нужно масштабировать, поддерживать и обслуживать. Это удобнее делать на единой платформе. Например, Yandex Cloud предоставляет клиентам не только доступ к собственным и опенсорсным генеративным моделям, но и к конечным сервисам на базе YandexGPT* (например, Yandex SpeechSense*), а также к инструментам для создания продуктов на базе нейросетей (например, AI Assistant API* для разработки ИИ-ассистентов практически без написания кода)», – уточняет Самигуллин.

На основе YandexGPT IТ-интегратор GlowByte, разрабатывающий IТ-решения для промышленности, уже создал ИИ-ассистента для задач технического обслуживания и ремонта. «Это не просто инструмент для анализа неисправностей, а интеллектуальный напарник, способный сохранить экспертизу, обучить новых сотрудников и сократить убытки от простоев. Решение адаптируется под специфику предприятия и может дать ощутимый эффект уже в первые месяцы после внедрения: сокращение времени простоя на 10–25%, ускоренная адаптация новых сотрудников до 50% времени и повышение качества актов и отчетов», – рассказывает Максим Митрофанов, руководитель направления по развитию бизнеса практики Advanced Analytics в GlowByte.

Следующим шагом в развитии генеративного направления ИИ Самигуллин называет разработку ИИ-агентов, автономной системы, способной самостоятельно взаимодействовать с внешними системами и приложениями. Например, найти нужную информацию в базе знаний, приобрести недостающие расходные материалы и т. д. «Чтобы подготовиться к появлению ИИ-агентов, компании могут заранее структурировать свои данные для работы с нейросетями. Также бизнес может перестроить свои процессы таким образом, чтобы они были доступны в формате сервисов, – это позволит ИИ-агентам использовать их для выполнения конкретных задач. Также стоит заранее проработать гибкую систему ролей и доступов в системе информационной безопасности и продумать, как в будущем в нее можно будет интегрировать ИИ-агента. Это позволит к моменту массового внедрения таких технологий сделать процесс интеграции более простым и быстрым», – уверен эксперт.

Виртуальные ассистенты Vocamate AI* с использованием речевых технологий внедрены в компании «Квадра», основном поставщике тепла и горячей воды населению в крупнейших городах ЦФО. Полина Блохина, директор проектного офиса «Развитие клиентского сервиса» АО «Росатом инфраструктурные решения», дочерней компанией которого является «РиР энерго» (ранее «Квадра»), отмечает, что «за 2024 г. роботы отработали в 2,5 раза больше обращений клиентов, чем в прошлом году (всего 440 000), при этом общая доля пропущенных звонков снизилась на 8%». Это повысило индекс удовлетворенности клиентов компании на 27,6% по сравнению с 2023 г. до 4,44 пункта из 5 возможных.

Машинное обучение уже помогает промышленным компаниям во многих процессах, связанных с производством, оценкой качества продукции и логистикой. В будущем благодаря развитию генеративных нейросетей специалисты смогут давать более точные прогнозы по техническому обслуживанию оборудования, изучать новые, более совершенные материалы и сплавы, контролировать безопасность на производстве. &

* Yandex Cloud, Forbes, «Яндекс 360», «Нейроредактор», «Мессенджер», «Нейроэксперт», YandexGPT, Yandex SpeechSense, AI Assistant API, Vocamate AI, Yandex SpeechKit – 18+.