Об авторе: Сергей Витяев, руководитель направления «Разведка и добыча» в Axenix.
Использование искусственного интеллекта во всех отраслях добавит российской экономике ₽11,6 трлн в 2030 году, прогнозирует Высшая школа экономики. Наибольший вклад (14%) ожидается от промышленных предприятий, внедривших интеллектуальные технологии.
Высокий потенциал использования ИИ в промышленности объясняется огромным количеством генерируемых данных — они непрерывным потоком поступают от датчиков, камер, станков, систем учета. На основе этих данных могут работать разные умные системы — от автоматизации отдельных операций до поддержки принятия решений и контроля качества продукции.
35% российских промышленных предприятий уже так или иначе используют ИИ, 25% — находятся на разных стадиях его внедрения, говорится в аналитическом отчете Федерального центра прикладного развития искусственного интеллекта (ФЦПР ИИ). При этом 77% промышленных компаний, внедривших умные решения, отмечают положительный эффект. Интеллектуальные технологии помогли им автоматизировать и оптимизировать процессы (так ответили 20% респондентов), повысить качество продукции (18%), улучшить эффективность труда (17%).
На что сделать упор тем промышленным компаниям, которые планируют осваивать ИИ? Обозначим главные тренды использования ИИ в промышленности до 2030 года.
1. Компьютерное зрение
Компьютерное зрение радикально меняет подход к безопасности на производстве. Например, камеры с ИИ в реальном времени сканируют цеха и открытые площадки, выхватывая из потока данных тревожные сигналы: рабочий без каски, шаг в запретную зону, опасное движение у станка. Эти системы не просто фиксируют нарушения — они вплетаются в инфраструктуру предприятия, моментально реагируя на угрозы: останавливают конвейер, перекрывают клапан, блокируют доступ, отправляют сигнал тревоги.
Согласно исследованию Массачусетского технологического института, компьютерное зрение обеспечивает в 10–30 раз большую производительность по сравнению с людьми и сокращает количество дефектов производства на 50% и более.
Промышленность, где раньше все решал опытный глаз мастера, сегодня все чаще опирается на точность камер и интеллект алгоритмов. И это не модный тренд, а естественное развитие технологий. 78,7% российских промпредприятий, применяющих ИИ, внедрили компьютерное зрение — это наиболее распространенная технология ИИ в промышленности. И она действительно приносит ощутимые эффекты.
Например, один из вызовов, с которым сталкиваются в металлургии, — это ручные замеры ширины металлической ленты. Чтобы проверить, все ли в норме, оператору приходится останавливать конвейер, брать инструмент и физически измерять ширину с двух сторон. Это приводит простоям на 5-10 минут — и так несколько раз за смену. Часто замеры проводятся не в полном объеме, а ошибки в размерности не видны сразу.
Есть решение, хорошо показавшее себя на практике: поставить камеры над лентой и обучить систему компьютерного зрения автоматически измерять ширину с частотой один раз в секунду. В итоге — никаких остановок. Максимальная точность, человеческий фактор исключен.
Еще один пример. На прокатном производстве выпуск арматуры считали по массе — вроде бы удобно, но из-за разброса в весе прутков часто возникал перерасход стали. Или наоборот, в связке было меньше прутков, чем надо.
Решение оказалось простым и точным: камера над линией и нейросеть, которая «считает» арматуру поштучно. Точность — выше 98%. Расход стали — под контролем. Окупаемость — менее года, а экономия — сотни миллионов рублей.
Отдельной строкой — диагностика оборудования. Камеры позволяют оценивать повреждения агрегатов и загрязнения механизмов остатками сырья. Например, система автоматически определяет площадь и глубину дефекта, формирует прогноз: сколько плавок осталось до критического состояния.
Таким образом, завод не «гадает», когда обслуживать установку — а действует, опираясь на данные. Это экономит время, деньги и, самое главное, снижает риск аварий.
2. Предиктивная аналитика
В промышленности высока цена простоя: незапланированная остановка одного станка может сорвать весь цикл. ИИ меняет подход к техническому обслуживанию. Система непрерывно анализирует данные с датчиков, которые измеряют вибрации, температуру, давление, нагрузки, и на основе поведенческих моделей прогнозирует, где и когда может произойти сбой. Можно заранее планировать ремонт, заказывать детали и минимизировать внеплановые остановки.
К 2030 году 75% промышленных предприятий, по прогнозу, будут использовать предиктивную аналитику — это целевой показатель стратегического направления в области цифровой трансформации обрабатывающей промышленности, утвержденного распоряжением Правительства № 3113-р.
Как показывает практика, применение систем предиктивной аналитики в промышленности помогает сократить время простоя оборудования на 25%, а число поломок оборудования — на 35%. Например, внедрение предиктивной системы обслуживания оборудования позволило «Сибуру» сэкономить ₽1,5 млрд за 3 года.
3. Оптимизация производственного планирования
ИИ все активнее применяется для построения и адаптации производственного графика. Он учитывает сразу множество параметров: доступность оборудования, загрузку смен, наличие комплектующих, погодные и логистические ограничения. На основе исторических данных и текущей обстановки система предлагает эффективный план выпуска. Например, система, позволяющая планировать производство с точностью до конкретного станка и работника, снижает себестоимость продукции до 40% и сокращает производственный цикл на 45%.
Разберем кейс — внедрение сервиса оптимизации крановой логистики. Сервис на основе ИИ разработан специально для оператора мостового крана, который выполняет основную работу в цеху по производству ферросплавов. Крановщику на экран в режиме реального времени транслируется, какие операции необходимо выполнить в течение смены. Последовательность и тип операций могут меняться в зависимости от ситуации в цеху, на которые реагирует сервис оптимизации. Целевая функция модели ИИ — выполнение плана плавок и сокращение времени простоя ковша после выпуска металла из печи. Таким образом, оператор крана видит необходимую последовательность шагов на ближайшее время, что позволяет сократить простои крана и оборудования, вызванные неоптимальной крановой логистикой в цеху.
Другой пример — сервис оптимизации железнодорожной логистики на угольном разрезе. Он обеспечивает поездного и горного диспетчеров оптимальным расписанием движения локомотивов и графиком работы экскаваторов на смену. Цель сервиса — выполнение плана добычи и отгрузки угля и вывоз породы с наименьшими затратами на топливо для локомотивов и электроэнергии для экскаваторов. Сервис оптимизации выполняет расчет за несколько минут до начала смены и выдает сменно-суточный план движения локомотивов и расписание для экскаваторов. При появлении изменений или отклонений от плана сервис оптимизации пересчитывает расписание за две минуты. Результатами расчета оптимизатора пользуются машинисты локомотивов и экскаваторов, поездной диспетчер, дежурный по станции, а также начальник смены и грузовой диспетчер. Это помогает им своевременно принимать решения при появлении отклонений от плана или внештатных ситуациях.
4. Кастомизация ИИ
Внедрение ИИ в промышленность — это не просто адаптация универсальных решений, а сложный процесс, требующий учета специфики отрасли и компании. Каждое предприятие — это свой мир с множеством нестандартных задач, конфиденциальных данных и строгих правил. Как заставить ИИ, который обучен на общедоступной информации, разбираться в тонкостях конкретной компании?
Для этой задачи разрабатывают дополнительные инструменты кастомизации, например, RAG (Retrieval Augmented Generation). С его помощью модель дообучают на внутренних данных компании. Это позволяет добавить в контекст модели специфическую информацию и, соответственно, выдать более релевантный ответ (при этом оставляя всю дополнительную информацию в контуре компании).
Такой «дополненный» ИИ становится универсальным помощником, решающим многие задачи. Он может, например, построить график изменения производственных показателей за нужный период, отразить детали — от годовых данных до дневных. Скажем, вы хотите узнать среднее производство продукции за 10 лет, учитывая только те годы, когда были ремонты или скачки цен на сырье. Это задача как раз для ИИ. Кроме того, можно сделать несколько интерфейсов, каждый из которых будет работать со своими данными: один для механиков, второй для энергетиков, третий для экономистов и т.д.
Кроме того, ИИ все чаще используется для упрощения доступа к нормативной документации. Этот тренд особенно заметен в крупных предприятиях, где объемы документации растут, а потребность в быстром доступе к актуальным данным становится критической. Системы с RAG извлекают ключевую информацию из тысяч страниц регламентов, предоставляя краткие выжимки с точными ссылками. Таким образом можно быстро найти нужные данные, которые могут содержаться в разных разделах документа и даже в разных документах. Это важно для принятия правильного решения — от этого зависит, сможет ли предприятие предотвратить аварийную ситуацию или вовремя заметить, что оборудование работает некорректно.
Интерес к таким технологиям со стороны промышленных предприятий растет. И это явный тренд, который будет набирать обороты.
5. Агентные системы: переход к автономности
ИИ стал основой для создания агентных систем — цифровых помощников, которые способны самостоятельно принимать решения и взаимодействовать с другими программами. Согласно исследованию Accenture, рост интереса к ИИ-агентам после появления больших языковых моделей увеличился в 41 раз. Такие агенты, как правило, узко специализированы: например, один отвечает за аудит охраны труда, другой — за взаимодействие с ERP-системой.
В компаниях Shell и Equinor ИИ-агенты выступают в качестве ассистентов буровика — они не заменяют человека, но позволяет быстро собрать и систематизировать необходимую информацию, ускорить время и качество принимаемых решений. В энергетической компании AES ИИ-агенты используются для аудита охраны труда — это позволило в 2 раза сократить затраты на аудит, удвоить его скорость и на 20% увеличить точность.
Благодаря развивающимся протоколам вскоре агенты смогут подключаться к различным базам данных и ресурсам без дообучения, а также обмениваться информацией между собой — это откроет новые горизонты для промышленной автоматизации. Например, сейчас система предиктивной аналитики предупреждает об отказе оборудования, а люди планируют ремонтные работы, уточняют наличие ресурсов (людей, оборудования), при необходимости проводят закупочные процедуры, используя ERP и CRM-системы. ИИ-агенты могут взаимодействовать между собой, полностью выполняя этот процесс: после выявления отклонения в работе и прогноза даты отказа они автоматически сформируют заказ на ремонт, проверят наличие ресурсов, при необходимости сделают заявку на недостающие. Человек будет выполнять функции согласования и контроля — вся рутина перейдет к агентам.
Как строятся отношения человека и ИИ
Постепенно ИИ начинает превращаться в универсального помощника для всех уровней управления — от операторов, анализирующих текущие данные, до топ-менеджеров, оценивающих инвестиционные проекты. Благодаря ИИ первые моментально получают инструмент для визуализации и анализа текущих данных, вторые — сводную информацию в виде отчетов и графиков, а также прогнозы.
Например, на заседаниях инвестиционных комиссий часто возникают дополнительные вопросы по поводу того или иного предложения. ИИ способен предоставить нужную информацию за 1–2 минуты, устраняя необходимость долгого сбора данных. Новичков, которым нужно быстро вникнуть в проект, ИИ избавляет от необходимости копаться в огромном количестве файлов или выгружать данные, чтобы сделать график или отчет.
Конечно, в этом процессе достаточно и вызовов, и рисков. Далеко не во всех компаниях налажен процесс управления данными, не все данные упорядочены, нет уверенности в их качестве и полноте. ИИ все еще часто ошибается и «галлюцинирует», что на фоне завышенных ожиданий может привести к разочарованиям и даже отказу от внедрения. Для промышленных предприятий также важна законодательная база, и ее все еще предстоит проработать.
С каждым годом ИИ все ближе к конечному пользователю — появляются автоматизированные платформы и удобные инструменты, не требующие глубокой технической подготовки. Но это не повод расслабляться. Дело в том, что ИИ работает не так, как привычные IT-системы. Он развивается в процессе использования — и учится на практике. Сотрудники тоже учатся — понимать, как работает ИИ, и использовать его в работе. Так возникает петля обучения: человек помогает ИИ становиться точнее, а ИИ помогает человеку работать эффективнее. Этот взаимный процесс обучения становится особенно важным на фоне растущей доступности технологий.
➤ Подписывайтесь на телеграм-канал «РБК Трендов» — будьте в курсе последних тенденций в науке, бизнесе, обществе и технологиях.