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. С этим согласен директор по работе с корпоративным сектором Группы 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.
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.
«Здесь ИИ ценен ровно до тех пор, пока он снижает простои, уменьшает брак, экономит энергию, повышает промышленную безопасность. Если бизнес-¬эффект не считается в руб¬лях и KPI (Key Performance Indicators — ключевые показатели эффективности), то проект превращается в красивую картинку, от которой нет эффекта непосредственно в цеху».
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 двой¬ников позволило снизить простои оборудования примерно на 25%. В добыче даже 2–5% роста коэффициента извлечения нефти — это огромные деньги», — делится примером представитель Arenadata.
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», — подчёркивает 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.
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%.
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.
К другим препятствиям специалисты относят организационный и кадровый аспекты. Внедрение ИИ требует тесной работы ИТ-специалистов и производственников.
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.
Источник: Промышленные страницы