Нейронные связи для конвейера

По данным Deloitte, 84% промышленных компаний в мире уже получают реальную пользу от искусственного интеллекта (ИИ). В России рынок промышленного ИИ может вырасти до 134 млрд руб. к 2030 г. Но чтобы перейти от точечных внедрений к использованию в масштабах предприятия, необходимо решить ряд сложных задач – от улучшения качества данных до роста доверия к алгоритмам со стороны менеджмента.

От тестирования к созданию ценности

По данным исследования Deloitte, охватившего 140 предприятий в США, Европе и странах Азии, бизнес перешел от стадии тестирования возможностей ИИ к реальным внедрениям, уже приносящим измеримые результаты. Около 84% респондентов отмечают, что ИИ приносит ощутимую пользу в их деятельности, а средний потенциал улучшения основных операционных показателей эффективности составляет около 20%. «Только примерно каждый пятый кейс применения ИИ был масштабирован на разных площадках или в масштабах предприятия. То есть большинство производителей доказали, что ИИ может работать, но гораздо меньшее число из них создали возможности для его массового внедрения», – пишут авторы исследования.

Внедрение ИИ неравномерно распределено по всей производственной цепочке создания стоимости. Оно наиболее эффективно в тех областях, где имеется множество сигналов от процессов, результаты поддаются измерению, а операционная ответственность очевидна. На 1-м месте – системы контроля качества продукции (их внедрили 62% респондентов), за ними следует производство (57%) и логистика (49%), пишут авторы исследования Deloitte.

Российский рынок промышленного ИИ может вырасти с 40 млрд руб. в 2025 г. до 134 млрд руб. к 2030 г. при среднегодовом темпе роста в 27,4%, говорится в исследовании, подготовленном при участии Газпромбанка, «Газпром нефти», «Северстали» и «Газинформсервиса». Сектор имеет ряд особенностей: крупные промышленные компании преимущественно разворачивают ИИ-решения внутри собственных закрытых IT-контуров, что повышает требования к вычислительным мощностям и собственной технологической инфраструктуре.

Измеримая польза

Рост рынка неравномерный. Быстрее всего – там, где выгода от внедрения ИИ в рублях четко считается и быстро достигается. По типам решений лучше всего растут машинное обучение и предиктивная аналитика, прежде всего управление режимами работы оборудования в тяжелой промышленности, отмечает партнер практики «Цифровая трансформация» Strategy Partners Сергей Кудряшов.

Хуже всего дело обстоит у средних компаний, которые не обладают существенными IT-ресурсами и не могут похвастаться высоким качеством данных. Согласно данным исследования Strategy Partners, 95% крупных компаний из сферы промышленности и электронной торговли вовлечены во внедрение генеративного ИИ, но реально внедряют 36%: половина ограничивается экспериментами, 9% только планируют, добавляет Кудряшов.

Быстрее всего ИИ развивается там, где его пользу можно измерить конкретными результатами – дополнительными тоннами продукции, снижением затрат и ростом эффективности производства, согласен директор департамента технологических инноваций «Норникеля» Алексей Тестин. Это прежде всего горнодобывающая промышленность, металлургия, энергетика и нефтехимия. «В промышленности даже небольшое улучшение может дать огромный результат. Например, если крупная мельница или металлургическая печь благодаря ИИ начинает работать всего на 1–2% эффективнее, для большой компании это может означать миллиарды рублей дополнительного дохода ежегодно», – рассуждает Тестин.

Наиболее востребованы решения с понятным результатом, такие как автоматическая проверка продукции, раннее выявление износа оборудования, снижение энергозатрат и оптимизация производственных графиков, добавляет заместитель генерального директора разработчика программного обеспечения для управления динамической IТ-инфраструктурой «Базис» Денис Романов.

Российский промышленный ИИ уже не ограничивается компьютерным зрением и прогнозированием отказов оборудования, считает генеральный директор «Галактики» Алексей Телков. «Следующий этап – интеграция ИИ в контур управления предприятием. Чтобы предложить решение, алгоритму недостаточно обнаружить дефект или аномалию. Нужно учитывать производственный контекст: заказ, историю оборудования, доступность ремонтной бригады, наличие запчастей на складе и план выпуска», – говорит эксперт. Такой подход помогает устранить проблему без лишних затрат и не нарушить производственный план. Поэтому важна не только точность модели, но и то, насколько глубоко ИИ интегрирован с MES, EAM и ERP (системы управления производственными процессами, основными фондами и планирования ресурсов. – «Ведомости&»), добавляет Телков.

Копилоты и агенты

Предиктивное обслуживание и контроль качества на производстве стали для крупных промышленников базовой гигиеной, рассуждает директор практики искусственного интеллекта и высоких технологий «Яков и партнеры» Максим Ледовский. Новое за последние два года – переход от моделей, которые подсказывают (как правило, на основе классического машинного обучения), к системам на базе генеративного ИИ, которые работают вместе со специалистом.

Например, в 2026 г. «Северсталь» выводит на рынок несколько систем на базе компьютерного зрения и нейросетей, рассказывает Игорь Щелкунов, руководитель клиентского кластера «Производство» «Северсталь-инфокома». Первая – система инспекции полосы. Она не только распознает и классифицирует отклонения в качестве на движущейся ленте в реальном времени, но и создает цифровую карту дефектов по каждой единице продукции. Второе решение – система контроля качества реза кромки полосы. Она заменила зарубежный аналог на Череповецком меткомбинате и при этом повысила точность распознавания дефектов, поясняет Щелкунов.

Сейчас компании развивают два направления, говорит Ледовский. Первое – копилоты: они понимают запросы на естественном языке и помогают сотрудникам – от инженера до бэк-офиса. Второе – агенты: они сами выполняют многошаговые задачи под контролем человека. Например, агент замечает отклонение, ставит заявку на ремонт, перестраивает график поставок и доводит процесс от заявки до отчета. Оба направления пока работают по так называемому open-loop подходу, т. е. с разомкнутым контуром: система предлагает или готовит решение, а ключевые действия подтверждает человек. Так появляются смешанные команды «люди и агенты» (цифровые сотрудники) и новые роли, которые отвечают за постановку задач ИИ и контроль его работы, рассуждает он.

«Следующая веха – системы автономного управления технологическими и бизнес-процессами, так называемые closed-loop системы, работающие по замкнутому контуру. Они понимают текущую ситуацию, прогнозируют развитие событий и сами выбирают действия, чтобы удерживать процесс в оптимуме, а специалисту передают только критические решения. При этом у специалиста всегда должна оставаться возможность перехватить управление», – резюмирует Ледовский.

Задел на будущее

Одно из перспективных направлений – объединение ИИ и робототехники, отмечает Тестин. Это автономная горная техника, роботы для работы в опасных условиях, а в перспективе – производства, где присутствие человека сведено к минимуму. Значительная часть предприятий «Норникеля» расположена в Заполярье, где работу осложняет суровый климат. Автоматизация позволяет одновременно решать две важные задачи: повышать безопасность людей и снижать зависимость производства от дефицита квалифицированных кадров.

Второе перспективное направление – интеллектуальное управление производством. Оно уже доказало свою экономическую эффективность, но его возможности далеко не исчерпаны. На крупной фабрике, где непрерывно взаимодействуют сотни единиц оборудования, даже опытный специалист физически не способен одновременно учитывать тысячи параметров. А ИИ может анализировать их в реальном времени и находить наиболее эффективный режим работы всего производства, рассуждает Тестин.

Говоря о будущем, можно выделить два тренда: цифровых двойников и промышленную роботизацию, продолжает Щелкунов. Ключевой эффект цифровых двойников технологических процессов в том, что они позволяют кардинально ускорить принятие решений в онлайн-процессе управления оборудованием и технологией. «Задачи роботизации – вывести человека из потенциально опасной локации для повышения безопасности производства или, напротив, начать выполнять операции там, где человека раньше не было», – говорит он. Сейчас в «Северстали» внедрено порядка 20 робототехнических комплексов, к концу 2026 г. количество роботов планируется довести до 50, а в перспективе – до 600, делится планами Щелкунов.

Развитие идет от отдельных моделей, которые распознают дефекты или прогнозируют поломки, к системам, способным связывать несколько этапов работы, подтверждает технический директор MD Audit (ГК Softline) Юрий Тюрин. Например, ИИ может обнаружить отклонение в работе станка, сопоставить его с историей обслуживания, подготовить заявку на диагностику и предложить график ремонта с учетом производственного плана, рассуждает он. «Агентные системы позволяют автоматизировать такую последовательность действий, взаимодействуя с разными программами и источниками данных. Но в промышленности автономность должна внедряться осторожно: решение остановить линию, изменить режим работы оборудования или перераспределить ресурсы не должно приниматься без ограничений и контроля», – уверен он.

Наиболее перспективное направление сегодня – промышленный ИИ в сочетании с цифровым моделированием, считает Телков. «ИИ уже не просто анализирует данные и строит прогнозы. Он помогает понять, как различные решения повлияют на производство и какой вариант окажется эффективнее. По мере развития технологий ИИ сможет решать все более сложные задачи – от планирования и снабжения до ремонта и контроля качества», – резюмирует Телков. &