Интеллектуализация процессов: внедрение ИИ на производстве
Отечественная промышленность уже адаптировалась к гонке зачастую вынужденной цифровизации. Сейчас наступил период принятия необходимости трансформации в условиях стремительного внедрения технологий и формирования стратегии развития. Мы попросили экспертов рынка рассказать, как происходит реальная интеграция, какие решения уже окупаются, а какие остаются футурологией.
Границы повседневности
Ещё пять лет назад внедрение систем мониторинга многие воспринимали как инновацию. Сегодня для крупных и части средних предприятий это необходимый минимум. Эксперты единодушны: эпоха «цифры ради цифры» уходит, уступая место прагматичному подходу, где технологии решают конкретные производственные задачи. Базовый уровень автоматизации уже пройден.
«Если говорить о крупных и части средних предприятий, то полноценные MES (Manufacturing execution system — системы управления производственными процессами), развитые SCADA (supervisory control and data acquisition — диспетчерское управление и сбор данных) и модернизированные АСУ ТП (автоматизированная система управления технологическим процессом) уже давно не воспринимаются как инновации.
Помимо этого, в металлургии, нефтехимии и энергетике цифровые двойники отдельных агрегатов и продвинутые APC-контуры (Advanced Process Control — дополнительное управление технологическим процессом) стали частью повседневной операционной практики. Они не „внедряются ради галочки”, а решают конкретные производственные задачи», — считает технический директор ООО «ГИТИНСКАЙ» (инженерная ИТ-компания Git in Sky) Максим Федотов.
С этим согласен директор по работе с корпоративным сектором ООО «Аренадата софтвер» (Arenadata) Максим Власюк, говоря, что для промышленных компаний нормой стали технологичные датчики на оборудовании, системы мониторинга, видеоаналитика, предиктивное обслуживание, автоматический контроль качества.
«Если раньше дефект искал человек с фонариком и линейкой, то теперь это делает камера с алгоритмом, причём быстрее и стабильнее», — констатирует он.
В подтверждение он приводит данные исследования Высшей школы экономики (ВШЭ) и Росстата, согласно которым среди компаний, которые применяют искусственный интеллект (ИИ), чаще всего используются решения для обработки визуальных данных — компьютерное зрение (около 66%) и интеллектуальные системы поддержки решений (примерно 50%). Как поясняет г-н Власюк, это логично: визуальный контроль и аналитика — самые понятные и быстроокупаемые сценарии.
«Система мониторинга — это базис. Это „глаза” производства. Без мониторинга предприятие фактически слепо: каким бы сильным ни был персонал, без объективной картины происходящего невозможно принимать качественные решения. Поэтому эффективный многоуровневый мониторинг играет ключевую роль на любом производстве», — уверен руководитель направления проектов энергетики ООО «Прогрессивные информационные технологии» (Simpl) Алексей Игнатьев.
Генеральный директор ООО «Шерпа Роботикс» Константин Артемьев добавляет, что классическая автоматизация бизнес-задач также стала привычной средой. ERP (Enterprise Resource Planning — планирование ресурсов предприятия), электронный документооборот, распознавание сложных документов уже воспринимаются как привычная рабочая среда. Вызов сегодняшнего дня, по мнению эксперта, — внедрение машинного интеллекта в реальные процессы.
«Интеграция точечная, но качественная. ИИ не универсальная краска, которой нужно покрыть всё подряд. Там, где есть чёткая задача и понятный контур, он работает уже сегодня. Главный барьер не технологии, а готовность людей и производственных цепочек. Большинство бизнес-процессов сейчас работают по схеме „алгоритм помогает человеку принять решение”, и это правильный путь. Такая модель надёжнее, особенно в критических производствах», — поясняет г-н Артемьев.
Экономика внедрения
Искусственный интеллект в промышленности перешёл из разряда экспериментальных технологий в категорию стандартного инструментария, однако его внедрение остаётся точечным. Главная причина — требование к измеримому экономическому эффекту. Производство — консервативная область, где цена ошибки крайне высока.
Руководитель по развитию продуктовых решений подразделения «К2 НейроТех» АО «К2 Интеграция» Вячеслав Дегтярёв характеризует текущий уровень внедрения как стадию «осторожной интеграции». По его мнению, большинство крупных игроков уже завершили фазу пилотов и точечно внедряют нейросетевые решения в ключевые процессы.
«Здесь ИИ ценен ровно до тех пор, пока он снижает простои, уменьшает брак, экономит энергию, повышает промышленную безопасность. Если бизнес-эффект не считается в рублях и KPI (Key Performance Indicators — ключевые показатели эффективности), то проект превращается в красивую картинку, от которой нет эффекта непосредственно в цеху», — подчёркивает Максим Власюк.
Максим Федотов подтверждает, что наиболее востребованные направления — контроль качества, превентивное обслуживание, снижение внеплановых простоев.
«По оценкам Siemens, глобальные внеплановые простои обходятся крупнейшим мировым компаниям до 1,4 трлн долларов ежегодно, поэтому даже небольшое снижение аварийности или времени простоя даёт существенный финансовый эффект», — говорит г-н Федотов.
Теорию подтверждает практика. Эксперты приводят конкретные примеры внедрения, где удалось зафиксировать параметры эффективности. По словам Максима Власюка, «Северсталь» внедрила на Череповецком металлургическом комбинате 12 систем компьютерного зрения для контроля качества.
Они распознают десятки типов дефектов, а точность решений за последние два года выросла более чем на 30%. Сейчас цифровой контроль качества охватывает около 60% продукции комбината, и в систему интегрированы десятки тысяч параметров.
«Другой показательный кейс — „Газпром нефть”. Использование прогнозной аналитики и цифровых двойников позволило снизить простои оборудования примерно на 25%. В добыче даже 2–5% роста коэффициента извлечения нефти — это огромные деньги», — делится примером представитель Arenadata.
Максим Федотов вспоминает проект для НЛМК, реализованный Accenture Россия (ныне ООО «АксТим» — Axenix) ещё до 2022 года. Была создана система прогнозной аналитики для «НЛМК-Калуга» и «НЛМК-Урал», которая с использованием ИИ и Big Data (большие данные) контролировала температуру стали в промковше.
Модель обучалась на массиве исторических данных с учётом различий технологических параметров по маркам стали, и в результате удалось стабилизировать процесс разливки, снизить риски остановок и перерасхода энергии.
Также г-н Федотов отмечает успехи в автоматизации управления станом. В качестве примера он приводит проект «Северсталь» в листопрокатном цехе в Колпино. С 2019 года компания внедрила комплекс моделей машинного обучения для управления листопрокатным станом 5000.
Изначально система работала в рекомендательном режиме, а затем — после подтверждения эффекта — перешла в автоматический. В результате средняя скорость проката выросла с 2,3 до 3 м/с, максимальная — с 3,5 до 4,5 м/с, а производительность увеличилась более чем на 5% при ожидании 2‒3%.
Есть и положительный опыт внедрения интеллектуального поиска в документации.
«Хороший кейс из нашей практики: АО „ТяжМаш”, производитель оборудования для АЭС, ГЭС и космодромов, тысячи сотрудников. Информационная система содержит 18 тысяч документов, много лет генерируются тома технической документации. Поиск нужного регламента или документа превращался в отдельную задачу.
C помощью нашей платформы Sherpa AI Server (реестровая запись № 20479 от 14.12.2023 Реестра российского ПО Министерства цифрового развития, связи и массовых коммуникаций Российской Федерации, — прим. редакции) на „ТяжМаш” внедрили интеллектуального робота-оператора прямо во внутренний поисковик предприятия.
Теперь система понимает смысл запроса, раскрывает аббревиатуры, находит нужный фрагмент и отвечает со ссылкой на конкретный документ. Всё работает в закрытом контуре без передачи данных вовне. Это принципиально для большой промышленности и любого другого бизнеса, который серьёзно относится к защите своих данных», — рассказывает Константин Артемьев.
Ещё один из показательных примеров — проект «К2 НейроТех» для ФГАУ «Цифровые индустриальные технологии».
«Мы развернули высокопроизводительный вычислительный кластер для задач искусственного интеллекта всего за месяц — от проектирования до ввода в эксплуатацию. Единая платформа обеспечила централизованное управление, прозрачный мониторинг и контроль загрузки вычислительных ресурсов.
В результате затраты на администрирование сократились в два-три раза, а эффективность работы оборудования выросла в пять-семь раз. Платформа получила интуитивно понятный интерфейс, с которым могут работать не только программисты, но и исследователи без глубокой технической подготовки», — говорит Вячеслав Дегтярёв.
Алексей Игнатьев приводит пример внедрения системы управления генерацией. Автоматизированное ПО «Simpl. Интеллектуальная генерация» (реестровая запись № 31913 от 06.02.2026 Реестра российского ПО Министерства цифрового развития, связи и массовых коммуникаций Российской Федерации, — прим. редакции) внедрили поверх существующих SCADA-систем (систем диспетчерского управления и сбора данных) или в контуре КСПД.
По словам эксперта, продукт объединил технические и экономические данные в модели и начал предлагать оптимальные режимы работы оборудования. Предприятия зафиксировали первые эффекты уже в течение нескольких месяцев: снизилось влияние субъективного фактора, оптимизировались затраты на моточасы и генерацию.
«Важно понимать, что интегрировать нужно не всё подряд. Нет задачи объединять системы. Внедрение должно идти от бизнес-задачи, а не ради самого процесса. Человечество уже выработало подходы и отвечающие им микропроцессорные технологии для решения подобных задач и то, как корректно связать системы между собой, чтобы последовательно повышать надёжность, экономичность, прочие показатели производственной эффективности», — объясняет г-н Игнатьев.
Программная устойчивость и аппаратные риски
Картина с импортозамещением в промышленности сложная и неоднородная. Эксперты проводят чёткую границу между программным обеспечением и «железом». К концу 2025 года на отечественный софт перешли 40–45% субъектов критической информационной инфраструктуры, говорит Максим Власюк.
Но в промышленности темпы импортозамещения ниже и составляют около 25–30%, а по сложному инженерному ПО — 15–20%. То есть импортозамещение движется, но назвать его полностью состоявшимся пока рано, особенно в глубоком производственном контуре.
При этом в инфраструктурных решениях, аналитике данных и видеоаналитике российские разработки вполне конкурентоспособны. Константин Артемьев утверждает, что в ряде сегментов зависимость преодолена. В RPA (Robotic Process Automation — роботизация бизнес-процессов) и корпоративных LLM (Large language model — большая языковая модель) импортозамещение состоялось.
Когда западные платформы ушли с рынка, компании мигрировали на отечественные решения, и все роботы продолжили работу без потери функциональности. Программный стек для автоматизации бизнес-процессов сегодня закрывается отечественными решениями более чем на 90%.
«После 2022 года импортозамещение ускорилось. Полной технологической независимости пока нет, но в программной части позиции достаточно устойчивые. Российские компании сильны в системной интеграции, прикладном ИИ, математическом моделировании, оптимизации процессов, SCADA/MES среднего уровня (системах диспетчерского управления и сбора данных и управления производственными процессами, — прим. ред.), CAD-решениях (Computer-Aided Design — проектирование с помощью компьютерных технологий, — прим. ред.), включая разработки „АСКОН”.
Слабое место — „железо”: высокоточные сервоприводы, специализированные контроллеры и вычислительное оборудование остаются чувствительными зонами», — указывает на сохраняющиеся риски в аппаратной части Максим Федотов.
Вячеслав Дегтярёв добавляет, что стратегическим решением для бизнеса становится поиск готовых платформ под ключ, которые обеспечивают безопасность и соответствие регуляторным требованиям. Именно для преодоления этих барьеров предлагаются готовые программно-аппаратные комплексы, позволяющие развернуть полный цикл работы с ИИ внутри собственного защищённого контура.
Алексей Игнатьев уверен, что российские разработчики уже создали достаточное количество платформ и решений, которые можно применять на промышленных предприятиях.
Почему не всё идёт гладко?
Несмотря на успехи, путь к цифровой трансформации усеян препятствиями. Эксперты выделяют несколько ключевых барьеров.
Первый — качество и целостность данных. Максим Власюк объясняет, что проблема редко заключается в выборе лучшей нейросети. Главное, говорит эксперт, что данные для неё не готовы: нет единого контура сбора, нормализованных справочников, контроля качества, чётких правил доступа и ответственности.
Вячеслав Дегтярёв подтверждает, что промышленные данные часто разрозненны, хранятся в несопоставимых форматах, а их сбор и разметка требуют огромных трудозатрат.
К другим препятствиям специалисты относят организационный и кадровый аспекты. Внедрение ИИ требует тесной работы ИТ-специалистов и производственников.
«Сложности связаны не с отсутствием технологий, а с многоуровневостью современного производства и разрозненностью задач на разных уровнях управления. На предприятии одновременно работают системы уровней АСУ ТП, MES (системы управления производственными процессами), ERP (планирование ресурсов предприятия), каждая из которых решает собственные задачи и предъявляет свои требования к надёжности, данным и алгоритмам. Попытка „связать всё со всем” без привязки к бизнес-задачам приводит к функциональной избыточности и снижению управляемости.
Ещё одна проблема — организационная. Решения о внедрении цифровых продуктов часто принимают одни подразделения, а эксплуатируют эти инструменты другие. Производственники нередко подключаются к проекту на поздних этапах, уже после выбора программного обеспечения, что усложняет настройку, пусконаладку и принятие системы в промышленную эксплуатацию.
Существенным подспорьем в таких случаях могло бы стать наличие на предприятии заранее утверждённой политики развития цифровых инструментов, с приоритетами, ролями и требованиями. Это позволило бы выстраивать программу по цифровизации как непрерывный процесс повышения эффективности, а не как разрозненные внедрения отдельных решений», — перечисляет Алексей Игнатьев.
Он делится опытом: проблема решалась через формирование единой проектной команды «заказчик — разработчик». Ключевую роль в ней играли бизнес-заказчик со стороны предприятия и методолог со стороны разработчика. Энергетики при этом становились не пассивными пользователями, а соавторами решения, а методологи переводили их практический опыт и требования на язык алгоритмов и ИТ-архитектуры.
Третий барьер — инфраструктура и безопасность. Максим Власюк указывает на высокую стоимость внедрения. В промышленности это усиливается тем, что часто нужны капитальные вложения: камеры, датчики, модернизация контуров, вычисления, сеть — не только софт, но и реальное «железо». Но даже если бизнес инвестирует в интеграцию нейросетевых продуктов, то возникает другая сложность.
«Согласно исследованию Strategy Partners и ГК „Цифра”, среди ключевых барьеров для использования технологии можно назвать низкий уровень использования данных и недостаток инфраструктуры. Для ИИ это типичная ловушка: датчики стоят, данные собираются, но они разрознены по цехам, не сведены к единому времени, нет нормальных справочников, контроля качества, и модель учится на этом „хаосе”», — говорит г-н Власюк.
Вячеслав Дегтярёв обращает внимание на то, что безопасность обработки данных требует размещения систем в защищённом контуре предприятия, а использование облачных решений зачастую недопустимо, что вынуждает бизнес нести капитальные затраты.
К четвёртому аспекту эксперты относят управленческую зрелость. Как говорит Максим Власюк, в итоге обычно выигрывают предприятия, которые начинают не со слов «давайте обучим модель», а с подготовки данных и контура эксплуатации.
Это единые справочники и терминология, правила качества данных, чёткая ответственность, промышленный контур хранения/обработки, а также MLOps-подход (Machine learning operations — методология машинного обучения), чтобы модель не умерла после пилота, а жила в производстве.
Завод без людей — миф или реальность?
Исходя из ещё непреодолённых барьеров, сделаем вывод, что ожидать появления полностью автоматизированных заводов, управляемых исключительно алгоритмами, в обозримой перспективе нереалистично из-за сложности процессов и цены ошибки.
Максим Власюк считает, что управляемые на основе ИИ предприятия возможны, но только для стабильных и стандартизированных процессов. В промышленности нельзя просто запустить алгоритм и посмотреть, что будет. Поэтому в ближайшие годы нейросети не смогут заменить людей, но позволят автоматизировать рутину. Человек останется инженером, контролёром и архитектором процессов.
Вячеслав Дегтярёв разделяет эту точку зрения. Заводы, управляемые исключительно алгоритмами без участия человека, — это скорее футурология, чем ближайшая перспектива.
«Промышленность — не складское хозяйство, здесь слишком высока цена ошибки и жёстки требования к сертификации. Мы движемся не к заводам без людей, а к производствам, где человек работает в симбиозе с интеллектуальными системами. Алгоритмы берут на себя рутину, мониторинг и прогнозирование, оставляя человеку принятие сложных нестандартных решений, ответственность и стратегический выбор», — считает представитель «К2 НейроТех».
Константин Артемьев добавляет, что большинство бизнес-процессов сейчас работают по схеме «алгоритм помогает человеку принять решение», и это правильный путь. Такая модель надёжнее, особенно в критических производствах.
Эксперты сходятся во мнении, что интеллектуализация производства — это поступательное движение от отдельных пилотов к системной работе.
«Сегодня наибольший спрос сохраняется на машинное зрение, прогнозную аналитику и IIoT-сенсоры (Industrial Internet of Things — промышленный интернет вещей). Это решения с понятным ROI (Return on Investment — коэффициент рентабельности) и относительно быстрой окупаемостью.
В ближайшие пять лет перспективными выглядят Edge-AI (искусственный интеллект на границе) на уровне агрегатов, полноценные цифровые двойники с интеграцией в ERP-контур (планирование ресурсов предприятия), промышленные LLM (большие языковые модели) для поддержки технологов, а также системы с замкнутым контуром автоматической корректировки параметров, где алгоритмы автоматически подстраивают параметры при отклонениях», — прогнозирует Максим Федотов.
Константин Артемьев видит перспективу в мультиагентных системах, когда несколько нейросетей работают в связке и выполняют сложные когнитивные задачи без участия человека.
Вячеслав Дегтярёв прогнозирует взрывной рост интереса к генеративному ИИ в проектировании и R&D (Research and Development — исследование и разработка), а также к созданию интеллектуальных ассистентов для производственных процессов.
Ключевым трендом, по его мнению, станет переход от точечных решений к единым защищённым платформам, которые позволяют безопасно объединять данные, управлять жизненным циклом множества моделей и обеспечивать их соответствие требованиям регуляторов.
«Интеллектуализация производства в России — это уже не эксперимент. Но и не революция „по щелчку”. Это поступательное движение: от отдельных эффектных пилотов к системной работе с данными, производственными процессами и людьми. И выигрывают здесь те, кто считает экономику, смотрит на перспективу, а не гонится за модой», — резюмирует Максим Власюк.
Успех дальнейшей трансформации зависит от сочетания стимулирующих мер, технологической готовности компаний и способности предприятий формировать внутренние компетенции и эффективно управлять жизненным циклом цифровых активов.
Подготовил Артём Щетников. Фото: ru.freepik.com.
