Ну, нельзя же без введения🙃 Промышленность — основа технологической независимости, экономической устойчивости и конкурентоспособности страны. Именно здесь создаются критически важные материалы, оборудование и технологии, от которых зависят развитие инфраструктуры, энергетики, транспорта и других отраслей. Мировой опыт доказывает, что ИИ действительно повышает эффективность, поэтому сегодня вопрос внедрения ИИ в промышленности выходит за рамки очередного этапа цифровизации: он становится вопросом долгосрочной конкурентоспособности предприятий.
В публичном поле ИИ часто сводят к большим языковым моделям (LLM), чат-ботам и генерации контента, а отдельные пилотные проекты представляют как свидетельство скорой полной автоматизации предприятий. Однако на деле в промышленности всё устроено сложнее: цена ошибки высока, жизненный цикл оборудования измеряется десятилетиями, данные нередко разрозненны или недоступны, а новые решения должны интегрироваться с уже существующими системами и соответствовать жёстким требованиям к надёжности и безопасности.
За последние 2 года в сфере промышленного ИИ в мире произошли значимые изменения. Сейчас особенно важно понимать, какие технологии действительно дают измеримый эффект и какие условия необходимы для их успешного внедрения. Ведь чтобы конкурировать, необходимо как минимум представлять, с чем предстоит конкурировать.
В этой статье рассматриваются особенности внедрения ИИ в промышленности: основные сценарии применения, мировые тренды, ведущие поставщики платформ и примеры реализованных проектов. Отдельное внимание уделено ситуации на российском рынке, регулированию ИИ, распространённым ошибкам пилотных проектов и возможностям отечественной промышленности по созданию и внедрению собственных инновационных решений.
Часть 02 / 13
Раздел 02
Традиционные способы автоматизации промышленности
Для того чтобы, разобраться в специфике применения ИИ в промышленности, надо понимать, как автоматизируют промышленность без ИИ, это позволяет осознать и оценить происходящие в настоящий момент изменения. Сферы автоматизации, а значит и применения ИИ, можно разделить на 3 части:
1
Непосредственно производство;
2
Сопутствующие процессы (проектирование, склады, логистика, и т.д.);
3
Офисные процессы – как у всех – юристы, бухгалтеры, финансисты, менеджеры и т.д.
Разберемся по порядку:
1
Автоматизация производства:
☝
Это главное отличие от любых других отраслей: производство подразумевает дорогое и сложное оборудование, которое работает в некоторой последовательности – технологической цепочке. Соответственно и автоматизация этого оборудования требует не только софта, но и харда. Для этого люди придумали и АСУ ТП (автоматизиованные системы управления технологическим процессом), их основополагающие элементы (упрощенно):
a)
Датчики - измерительные приборы и регуляторы непосредственно в полях (фиксируют давление, температуру, потребление, регулируют задвижки, насосы и т.д.)
b)
Контроллеры –микропроцессорные устройства, которое надо запрограммировать (на специальных языках программирования в специальных средах разработки). Они принимают сигналы от датчиков, обрабатывают и передают уже управляющие команды насосам, двигателям и другим агрегатам. Это «мозги» нашего процесса, которые также работают прямо в полях.
c)
SCADA– программно-аппаратный комплекс, который собирает данные с оборудования в реальном времени, обрабатывает, визуализирует и позволяет человеку (оператору или диспетчеру) управлять технологическим процессом.
d)
MES– система планирования и учета сырья и продукции (как ERP для бухгалтерии, только для производства).
Это фундамент, который может работать без всякого ИИ, и который лежит в основе всей автоматизации именно производственного процесса. Отдельно стоит отметить, что помимо АСУ ТП есть еще параллельное направление развития – внедрение промышленных роботов, но одно не отменяет другого.
2
Сопутствующие системы автоматизации:
Помимо производства, есть масса специфических систем, которые нужны для работы промышленности на этапах исследования, проектирования, строительства, логистики и т.д. и т.п. Разнообразные системы моделирования и проектирования, обработки данных геологоразведки, учета складских запасов и т.д. Они также очень важны и имеют серьезную специфику. Системы моделирования для нефтехимии и машиностроения – это разные системы, которые умеют рассчитывать совершенно разные вещи.
3
Офисное ПО: документооборот, ERP, CRM и пр.
Что важно понимать:
Автоматизация самого технологического процесса приносит максимальную оптимизацию, эффективный процесс дает возможность экономить огромные деньги на энергии и обслуживании, производить сотни тысяч тонн дополнительной продукции и повышать рентабельность. Но и про остальные сферы автоматизации также не стоит забывать, так как эффективность и там нужно повышать и обычно это требует на порядок меньше инвестиций.
Архитектура
От физического сигнала к решению
01Датчикитемпература, давление, расход
→
02ПЛКуправление в реальном времени
→
03SCADAмониторинг и диспетчеризация
→
04MESпланирование и учёт
→
05ИИ / аналитикапрогноз, оптимизация, поддержка решений
ИИ расширяет уже работающий контур автоматизации, а не заменяет его фундамент.
Часть 03 / 13
Раздел 03
Особенности автоматизации промышленности в России и в мире
Важные особенности автоматизации промышленности по всему миру:
1
Промышленность – одна из самых консервативных отраслей, так как любая модернизация производства требует больших затрат на новое оборудование и обучение персонала, а любой простой несет многомиллиардные убытки.
2
В производственных процессах важна высокая скорость обработки данных. Это одна из причин, по которым облака не популярны в автоматизации непосредственно производства по всему миру. Процесс должен работать в реальном времени, задержки на передачу данных по сети не допустимы.
3
Особое внимание к кибербезопасности. Внедрение производственных кейсов происходит в периметре компании. Облака используют для тестов, аналитики или не критичных бэк-офисных процессов. Повторюсь, потому что речь идет не просто об утечках данных, а о возможности злоумышленника устроить техногенную катастрофу!
4
Для внедрения инноваций требуется очень сильная кросс-функциональная команда, которая состоит не просто из разработчиков софта, но и компетентных технологов и инженеров. И тут для каждого производства требуются разные технологи и разные инженеры, одни разбираются в нефтехимии, и совсем другие люди понимают в производстве цемента, металлов или машиностроении.
Отечественная промышленность в настоящий момент имеет дополнительные трудности автоматизации:
5
Низкая доступность современной микроэлектроники - контроллеры, сенсоры. Отсутствие зрелых отечественных производителей.
6
Низкая доступность технологий – аппаратно-программные платформы автоматизации, специализированный промышленный ИИ. Отсутствие отечественных производителей платформ для автоматизации производства.
7
Импортозамещение. Помимо внедрения новых технологий необходимо соблюдать требования регулятора на объектах
КИИ и перевнедрять базовые системы, такие как MES, ERP и пр.
Часть 04 / 13
Раздел 04
Для каких задач используют ИИ в промышленности
Основные сферы применения ИИ и примеры решаемых задач в промышленности можно разделить на три условных кластера в зависимости от доступности технологий и накопленного опыта внедрений по всему миру.
Tier 1 – сравнительно простые сценарии, с множеством примеров по всему миру:
1
Общекорпоративные процессы – автоматизация бухгалтерских, юридических процеесов, клиентское обслуживание и др.
↳
Цели: экономия трудозатрат, повышение производительности труда бек-офисных работников.
2
Предиктивное обслуживание оборудования – анализ данных с датчиков: прогнозирование поломок для планирования тех. обслуживания.
↳
Цель: сокращение незапланированных простоев производства на 15–30%
↳
Окупаемость: 12 месяцев
↳
Лучше всего подходит для: критически важного вращающегося оборудования (двигателей, насосов, компрессоров). Требуются данные с датчиков за 2–3 года.
3
Контроль качества продукции – анализ изображений с камер: автоматическое обнаружение дефектов; сортировка изделий.
↳
Цель: сокращение брака. Точность 98–99 %.
↳
Окупаемость: 6–18 месяцев.
↳
Лучше всего подходит для: большого количества дискретных деталей, выявления поверхностных дефектов, проверки сборки. Требуется 100–10 000 размеченных изображений.
4
Планирование производства – анализ данных MES, ERP, WMS, ТОиР и др.: ИИ используют для различных прогнозов - брака, простоев, доступности оборудования, что помогает составлять производственные графики; распределять ресурсы; сокращать время переналадки оборудования.
↳
Цель: минимизация простоев.
5
Управление цепочками поставок – анализ данных MES, ERP, TMS, SRM и др.: прогнозирование спроса; управление складскими запасами; оптимизация логистики. Используются прогнозные модели и поиск аномалий, например, для оценки рисков и надежности поставщиков.
↳
Цели: экономия затрат на закупках сырья, хранении и логистике.
Tier 2 – сферы с неопределенными конкретными сценариями, требованиями и показателями эффективности:
6
Охрана труда и промышленная безопасность – анализ данных с камер, анализ документации: контроль соблюдения техники безопасности; обнаружение опасных ситуаций; мониторинг состояния работников.
↳
Цель: минимизация рисков, повышение безопасности.
7
Анализ больших данных и поддержка принятия решений –анализ производственных показателей; выявление скрытых закономерностей; прогнозирование эффективности производства.
↳
Цель: повышение устойчивости бизнеса.
Tier 3 – сферы, требующие серьезного погружения в технологическую спецификупроизводства и больших инвестиций:
8
Оптимизация технологических процессов – анализ режимов работы оборудования (Industrial IoT)+всей технологической цепочки (системы моделирования)+данных MES: подбор оптимальных параметров (температуры, давления и пр.); регулирование скорости конвейеров; оптимизация расхода сырья.
↳
Цель: снижение энергопотребления; повышение производительности.
9
Роботизация производства – управление промышленными роботами: автоматическая сборка изделий, автоматическая упаковка продукции и пр.
↳
Цели: повышение производительности, сокращение издержек.
10
Цифровые двойники – анализ и сбор всего : моделирование работы оборудования; прогнозирование последствий изменений; виртуальные испытания.
↳
Цель: тестирование новых технологических процессов без остановки производства.
Важно оговориться, что для всех этих задач нужен не только ИИ, нужна еще куча всего: производительная архитектура, интеграции, базы данныхи пр. ит-шные штуки, но самое интересное, что нужны еще сложные математические расчеты. Например, моделирование работы промышленной печи или ректификационной колонны – это не гадание на кофейной гуще, это физический процесс, описываемый сложными математическими уравнениями, но дающими весьма точный результат. И чтобы что-то оптимизировать и прогнозировать с помощью ИИ, нужно сначала научиться рассчитывать эти уравнения с помощью вполне конкретных математических алгоритмов. Оптимизационные расчеты – это тоже решение сложных многокритериальных математических задач, просто обучить ML спрогнозировать поломку на исторических данных недостаточно, надо еще уметь рассчитывать и планировать с помощью строгой математики. И для этого всего есть отдельные классы систем: APS (Advanced Planning and Scheduling) для планирования производства, SCM (Supply Chain Management) для управления поставками и т.д., и т.д. То есть ИИ не внедряется в процессы, в которых нет базовой автоматизации.
Карта сценариев
Три уровня зрелости и сложности
Tier 1
Проверенные сценарии
Предиктивное обслуживание, контроль качества, планирование, цепочки поставок.
Быстрее получить измеримый эффектTier 2
Сценарии с вариативной экономикой
Промышленная безопасность, аналитика данных, поддержка принятия решений.
Последние 2 года стали переломными не только в понимании возможностей LLM, но и породили серьезные изменения в ИТ-отрасли в целом. В разрезе автоматизации промышленности можно отметить следующие тренды внедрения технологий ИИ:
1
Компьютерное зрение и прогнозное обслуживание получают статус проверенных технологий.
•
Появились отраслевые бенчмарки: окупаемости за 12 месяцев, точность CV 98-99%. Огромное количество компаний и стартапов по всему миру, которые предоставляют эти технологии.
•
По данным WEF (Всемирный экономический форум) около 70% решений на самых передовых предприятиях внедряют именно такой аналитический ИИ.
2
Развитие микроэлектроники. Теперь ИИ может работать на периферии.
•
В частности, NVIDIA постоянно улучшает свой Jetson AGX Orin Industrial – мощный промышленный вычислительный модуль, который помещается на ладошке. Это решает проблему безопасности и быстродействия, теперь ИИ может работать непосредственно в полях на производстве.
3
Инфраструктурные платформы для гибридных вычислений (использование локальной и облачной инфраструктуры в связке).
•
Используются чтобы снизить задержку на передачу данных и уменьшить объём передаваемой в облако информации: Azure IoT Edge, AWS IoT Greengrass и др. Облачная инфраструктура используется для анализа агрегированных больших данных.
4
Выпуск корпоративныхCopilot, в том числе непосредственно для промышленности
•
Microsoft Copilot для производства, SAP Joule, Siemens Industrial Copilot. Выше мы писали, что ПЛК (программируемые логические контроллеры) надо программировать, так вот Siemens Industrial Copilot это умеет. Плюс во всем мире есть озабоченность по поводу передачи знаний между поколениями сотрудников, особенно это важно для наукоемких отраслей экономики. Copilot-ы рассматриваются как удобный инструмент для работы с информацией и передачи знаний.
5
Коллаборации и создание новых многофункциональных платформ.
•
Технологические лидеры поставляют многофункциональные программно-аппаратные платформы для промышленности, в которых к базовым технологиям обработки данных и моделирования добавляется ИИ:
✎
В 2025 году Siemens приобретает Altair за 10 миллиардов долларов. Altair – поставщик ПО для инженерного моделирования, анализа данных, высокопроизводительных вычислений (HPC) и ИИ. Важно, что помимо модного ИИ в части моделирования и анализа у них есть широкий спектр решателей (или солверов, специальных программных движков, умеющих делать сложные математические расчеты) для задач нелинейной динамики, FSI-задач, задач об ударных и взрывных взаимодействиях, задач статики и NVH-задач, кинематики, гидроаэродинамики, моделирования и расчета композитных структур и др.
✎
Еще в 2022 году Emerson приобрела контрольный пакет (55%) AspenTech и объединила с ней некоторые свои программные активы. В 2025 году Emerson объявила о выкупе оставшихся акций AspenTech. Таким образом традиционный бизнес Emerson, как поставщики решений промышленной автоматизации: датчики, клапаны, DCS/SCADA, измерения, управление процессами, был дополнен мощной программной составляющей Aspen: моделирование процессов, оптимизация, планирование, цифровые двойники, AI/analytics. То есть это опять большое количество солверов для моделирования нефтегазовых и химических процессов, оптимизаторов и предиктивной аналитики.
✎
Аналогичная история с компанией AVEVA — британской компанией, разрабатывающей программное обеспечение для промышленности, цифровизации производства и управления инженерными активами. С 2023 года она полностью принадлежит Schneider Electric.
✎
NVIDIA Omniverse – новая платформа для создания цифровых двойников, моделирования физических процессов и совместной работы над проектами. Первые законченные громкие внедрения. Далее расскажем о ней подробнее.
✎
Партнерство NVIDIA и Siemens началось еще в 2022 году, в 2025–2026 годах партнёрство значительно расширилось – компании объявили о совместной разработке промышленной операционной системы на базе ИИ (Industrial AI Operating System), а завод Siemens Electronics в Эрлангене станет первой в мире «полностью адаптивной производственной площадкой, управляемой искусственным интеллектом». Идея партнёрства заключается в создании единой цифровой среды, где инженерные модели, цифровые двойники, генеративный ИИ и высокопроизводительные вычисления работают вместе.
2022–2026
Как складывается единый промышленный стек
Партнёрства и консолидацияSiemens + NVIDIA; Emerson усиливает программный контур AspenTech.
Промышленные цифровые средыAVEVA полностью переходит Schneider Electric; появляются масштабные виртуальные фабрики.
Платформы становятся ширеSiemens приобретает Altair; Copilot-решения выходят в инженерные и операционные процессы.
Курс на адаптивные площадкиИИ, инженерные модели, высокопроизводительные вычисления и цифровые двойники объединяются.
Часть 06 / 13
Раздел 06
Глобальный рынок поставщиков технологий для автоматизации промышленности
Мировой рынок промышленной автоматизации оценивается аналитиками примерно в $230–240 млрд по итогам 2025 года. При этом 40-50% этого рынка занимает порядка 20 глобальных компаний поставщиков комплексных решений и платформ. Некоторые из них ведут свою историю еще с 19 века, обладают большим штатом сотрудников в десятки и сотни тысяч человек и обладают мощной производственной базой.
Основной фокус: промышленная автоматизация, системы управления технологическими процессами (DCS), интеллектуальные здания, авиационные технологии, промышленное ПО и платформа Honeywell Forge с использованием AI для предиктивной аналитики, оптимизации производства и управления активами.
Siemens (Германия)
•
Год основания: 1847
•
Количество сотрудников: около 312 000
•
Основной фокус: промышленная автоматизация, цифровые производства (Digital Industries), программное обеспечение для промышленности, цифровые двойники, AI, промышленный интернет вещей (IIoT), интеллектуальная инфраструктура и электрификация.
NVIDIA (США)
•
Год основания: 1993
•
Количество сотрудников: около 36 000
•
Основной фокус: разработка графических процессоров (GPU), платформ для искусственного интеллекта и высокопроизводительных вычислений (HPC). Для промышленности NVIDIA поставляет аппаратные и программные решения для обучения и развертывания AI-моделей, цифровых двойников, промышленной робототехники, автономных систем и интеллектуальной автоматизации. Платформы NVIDIA, включая Omniverse и AI Enterprise, широко используются для цифровой трансформации производственных предприятий, моделирования производственных процессов и внедрения промышленного искусственного интеллекта
Schneider Electric (Франция)
•
Год основания: 1836
•
Количество сотрудников: около 168 000
•
Основной фокус: управление энергией и промышленная автоматизация, платформа EcoStruxure, AI-решения для управления производством, энергоэффективности, устойчивого развития и цифровизации предприятий.
ABB (Швейцария)
•
Год основания: 1988 (образована в результате слияния ASEA и Brown, Boveri & Cie)
•
Количество сотрудников: около 110 000
•
Основной фокус: робототехника, промышленная автоматизация, электрификация, цифровые платформы ABB Ability™, AI для оптимизации производственных процессов, энергетики и интеллектуальных производств.
Rockwell Automation (США)
•
Год основания: 1903
•
Количество сотрудников: около 27 000
•
Основной фокус: промышленная автоматизация, системы управления производством, PLC, MES, программная платформа FactoryTalk, AI и аналитика для концепции Connected Enterprise и интеллектуальных производств.
Emerson (США)
•
Год основания: 1890
•
Количество сотрудников: около 74 000
•
Основной фокус: автоматизация технологических процессов, измерительное оборудование, системы управления DeltaV и Ovation, промышленное ПО AspenTech, AI и машинное обучение для оптимизации производительности, надежности и энергоэффективности предприятий.
•
C3.ai — американская компания, основанная в 2009 году, специализируется на платформе для корпоративного искусственного интеллекта (Enterprise AI), которая объединяет данные из ERP, CRM, IoT, SCADA и др. и помогает крупным организациям внедрять ИИ в существующие бизнес-процессы.
•
PTC (ранее Parametric Technology Corporation) — американская компания, основана в 1985 году, разрабатывающая промышленное ПО для проектирования, разработки, производства и обслуживания сложных изделий. Считается одним из ведущих поставщиков CAD, PLM, платформы IIoT, решения для управления сервисным обслуживанием оборудования и др.
•
Cognex— американская технологическая компания, специализирующаяся на системах машинного зрения и промышленной автоматизации. Основана в 1981 год. Основное направление: разработка оборудования и программного обеспечения для контроля качества продукции.
•
o9 Solutions — американская технологическая компания, основана в 2009 году, o9 считается одним из лидеров рынка решений для планирования цепочки поставок (Supply Chain Planning, SCP) и интегрированного планирования и принятия решений (Integrated Business Planning, IBP) с использованием ИИ.
Структура мирового рынка поставщиков
Уровень
Число
Доля рынка
Основная роль
Глобальные платформенные лидеры
Около 20
40–50%
полный технологический стек
Крупные специализированные компании
Порядка 100
15–20%
роботы, приводы, ПО
Средние поставщики
Порядка 1000
20–30%
отраслевые и региональные решения
Малые компании и стартапы
Порядка 10000
5–15%
инновации и узкие приложения
Интеграторы
Порядка 30000
значительная часть сервисов
внедрение и кастомизация
То есть рынок поставщиков решений весьма разнообразен, от гигантов типа Microsoft, предоставляющих инфраструктурные платформы, крупных поставщиков комплексных решений именно для промышленной автоматизации, таких как Siemens, до небольших нишевых вендоров, специализирующихся на определенном классе задач, и стартапов предлагающих новые подходы.
Экосистема поставщиков
Пирамида поставщиков индустриальной автоматизации
≈20 ~$50%глобальных платформенных лидеров
≈100крупных специализированных компаний
≈1 000средних отраслевых поставщиков
≈10 000малых компаний и стартапов
≈30 000интеграторов: внедрение и кастомизация
Часть 07 / 13
Раздел 07
Не производством единым – примеры успешных внедрений ИИ в промышленности
Приведу три совершенно разных примера внедрения ИИ в промышленности, чтобы продемонстрировать разнообразие стоящих задач и реализуемость весьма амбициозных целей.
Danfoss — датская промышленная компания, выпускает оборудование и компоненты для систем отопления, вентиляции и кондиционирования (HVAC), холодильной техники, силовой электроники, электроприводов и мобильной гидравлики.
Проблема: обработка большого количества повторяющихся заказов отнимала у сотрудников много времени, но не приносила ощутимой пользы для бизнеса.
Что внедрили: системы Go Autonomous (компания специализируется на разработке ПО с использованием ИИ для автоматизации B2B-коммерции). Это не машинный интеллект на производстве, а именно агентный ИИ в сопутствующих коммерческих операциях. В рамках проекта Go Autonomous агенты прошли обучение логике управления заказами Danfoss, были интегрированы в существующие ERP- и CRM-системы и получили полномочия на автономное выполнение заказов в рамках определенных параметров. Для обработки большого массива данных использовали Google BigQuery (позволяет выполнять SQL-запросы к терабайтам и петабайтам данных за считанные секунды).
Результаты превзошли ожидания:
•
Более 80% решений по заказам теперь принимаются автономно с помощью ИИ-агента
•
Общая экономия трудозатрат около 50%, в организации, обрабатывающей огромное количество ежедневных заказов. При этом до внедрения сотрудники использовали до 5 различных систем, теперь используют 1 интерфейс.
•
Среднее время обработки заказов сократилось с 42 часов до 1-5 минут для стандартных типов заказов
После успешных пилотных проектов в Испании, Франции и Италии (технология зарекомендовала себя примерно за 12 месяцев) компания Danfoss внедряет это решение по всему миру.
На конференции Automate 2025 в Детройте компания Siemens анонсировала агентный ИИ, призванный выйти за рамки модели обычных copilot — систем, отвечающих на запросы, к агентам, которые проактивно выполняют целые процессы без участия человека.
Экосистема Industrial Copilot охватывает четыре уровня производственной цепочки: Design Copilot, Engineering Copilot, Planning Copilot, Operations Copilot.
Компания демонстрирует эффективность на собственных предприятиях: Завод Siemens в Эрлангене (Германия), участок с автоматизированными паяльными машинами.
Проблема: На заводе Siemens в Эрлангене (Германия) операторы и специалисты по обслуживанию оборудования регулярно сталкивались со сложностями при эксплуатации паяльных машин. Поиск причин неисправностей занимал значительное время - техническая документация сложная и объемная, приходилось обращаться к опытным инженерам. Это увеличивало простои и затраты на обслуживание.
Что внедрили: Компания Siemens внедрила своего помощника Operations Copilot на паяльных машинах. При возникновении неисправности паяльной машины ИИ-помощник переводит код ошибки на естественный язык, извлекает соответствующую историю эксплуатации и предлагает рекомендации по устранению.
В результате:
•
сокращение времени поиска технической информации;
•
уменьшение времени диагностики и устранения неисправностей оборудования;
•
снижение простоев паяльных машин;
•
ускорение адаптации и обучения новых сотрудников;
•
снижение нагрузки на опытных инженеров и специалистов технической поддержки;
•
повышение производительности операторов за счет быстрого доступа к необходимым знаниям.
Более 100 компаний уже внедрили систему Siemens Industrial Copilot в свои производственные процессы. По данным Siemens, применение решения позволяет повысить производительность до 50 %. Разработка является частью стратегии, которую компания определяет как «автоматизацию автоматизации». Ее суть заключается в передаче ИИ-агентам выполнения инженерных задач, включая настройку оборудования, оперативный мониторинг производственных процессов и планирование технического обслуживания. В настоящее время эти функции в значительной степени выполняются квалифицированными специалистами, тогда как использование ИИ призвано сократить трудозатраты и ускорить выполнение рутинных операций.
Это один из наиболее цитируемых мировых примеров промышленного ИИ.
Shell —транснациональная нефтегазовая компания (штаб-квартира в Лондоне). Она занимается разведкой, добычей, переработкой нефти и природного газа, а также производством продуктов нефтехимии.
Проблема: Shell управляет тысячами единиц критически важного оборудования (насосы, компрессоры, клапаны, турбины и др.) на добывающих, перерабатывающих и газовых активах по всему миру.
Основные проблемы были типичны для тяжелой промышленности:
•
незапланированные отказы оборудования приводили к многодневным простоям и многомиллионным потерям;
•
традиционное обслуживание по регламенту не позволяло своевременно выявлять скрытые дефекты;
•
данные существовали в разрозненных системах (SCADA, IoT-датчики, CMMS, ERP), что затрудняло комплексный анализ;
•
масштаб компании требовал единого AI-решения, способного работать одновременно на тысячах объектов.
Чтовнедрили: Продукты: C3 AI Reliability, C3 AI Platform, Microsoft Azure. В рамках проекта были реализованы:
•
централизованный сбор данных с миллионов промышленных датчиков;
•
объединение телеметрии, истории ремонтов и эксплуатационных данных в единую модель;
•
машинное обучение для выявления аномалий и прогнозирования отказов оборудования;
•
автоматическая приоритизация рисков для инженеров;
•
рекомендации по профилактическому ремонту до возникновения аварии.
Под мониторинг попали: насосы, компрессоры, регулирующие клапаны, другое критически важное технологическое оборудование.
Результат:
1
Ключевые показатели:
•
более 13 000 единиц оборудования находятся под мониторингом;
•
данные поступают более чем с 3 млн датчиков;
•
еженедельно обрабатывается около 20 млрд строк данных;
•
в промышленной эксплуатации работают 16 000+ ML-моделей;
•
ежедневно выполняется более 15 млн прогнозов.
2
Shell сообщает о следующих бизнес-эффектах:
•
предотвращение незапланированных остановок оборудования благодаря раннему обнаружению деградации;
•
около $28 млн ежегодной экономии за счет предотвращения остановок производства;
•
повышение надежности и доступности производственных активов;
•
снижение рисков для персонала и окружающей среды;
•
масштабирование решения более чем на 14 производственных объектов по всему миру.
В 2026 году Shell и C3 AI расширили сотрудничество: система перешла от простого обнаружения аномалий к AI-поддержке анализа первопричин (root cause analysis) и рекомендациям по устранению неисправностей. По оценке C3 AI, программа уже приносит сотни миллионов долларов совокупной экономической ценности.
Три разных масштаба эффекта
От офисной операции до глобальной надёжности активов
Danfoss80%+
решений по заказам принимаются автономно
обработка — минуты вместо днейSiemens100+
компаний используют Industrial Copilot
заявленный потенциал производительности — до 50%Shell13 000+
единиц оборудования под мониторингом
около $28 млн ежегодной экономии
Часть 08 / 13
Раздел 08
Внедряют ли действительно цифровые двойники?
Несмотря на то, что каждый, кто пишет про ИИ в промышленности обязательно где-нибудь и как-нибудь упоминает цифровые двойники, про промышленные внедрения в России никто рассказывать не стремится. И это не случайно. Под цифровым двойником зачастую понимают небольшую цифровую модель какого-то бизнес-процесса или агрегата, но так или иначе цифровые двойники – это наиболее сложные проекты в промышленности, подразумевающие полноценную цифровую модель. Внедрение таких решений требует не только наличия технологий, но и невероятной организованности и готовности бизнес-процессов компании к инновациям.
Цифровой двойник в промышленности — это виртуальная модель реального объекта, процесса или даже целого завода, которая постоянно получает данные от физических устройств (датчиков, контроллеров, IoT-систем) и отражает их текущее состояние. Такой двойник позволяет моделировать поведение объектов (если речь, например, о печи, то система должна уметь рассчитывать режимы работы этой печи), и не просто наблюдать за происходящим, но и прогнозировать поведение системы и тестировать изменения без риска для реального оборудования. Цифровые двойники объединяют несколько технологий, таких как:
•
индустриальный интернет вещей (IIoT);
•
системы автоматизации;
•
математическое моделирование;
•
искусственный интеллект;
•
большие данные (Big Data);
•
гибридные вычисления.
В качестве примера рассмотрим флагманские проекты NVIDIA, как разработчика прошедшего путь от идеи до реальных внедрений, став во многом пионером в области промышленного ИИ благодаря своим революционным решениям: MetropolisforFactories улучшает рабочие процессы, контроль качества и безопасность на производстве за счет использования компьютерного зрения; IsaacSim позволяет производителям виртуально тестировать системы автоматизации и робототехники; Пакет NIM предлагает микросервисы для развертывания моделей генеративного ИИ в гибридной инфраструктуре.
И наконец,NVIDIA Omniverse —платформа для создания общих 3D-сред, цифровых двойников, моделирования физических процессов и совместной работы над проектами. Она позволяет объединять данные из различных CAD-, BIM- и инженерных систем в едином виртуальном пространстве, где можно проводить симуляции в реальном времени и тестировать изменения до их внедрения на реальном объекте. Эта платформа под капотом объединяет несколько технологий: цифровые двойники, физическое моделирование, генеративный ИИ, компьютерное зрение, робототехнику и высокопроизводительные GPU-вычисления.
Публично NVIDIA не раскрывала даты старта проекта, однако известно, что активная разработка Omniverse началась примерно в 2017 году. В 2019-2020 годах она тестировалась с ограниченным числом крупных пользователей. В конце 2021 был анонсирован выход общедоступной корпоративной версии. И только в 2023-2025 годах появились масштабные промышленные внедрения. То есть от идеи и начала разработки до первых больших внедрений прошло порядка 8 лет! И это в компании, которая явно не имела проблем с финансированием данного проекта.
Крупные внедрения платформы:
Что внедрено:
•
Цифровые двойники заводов (Virtual Factory).
•
Планирование производственных линий.
•
Симуляция роботов, логистики и работы персонала.
•
Совместная работа инженеров по всему миру.
Масштаб:
•
Более 30 производственных площадок.
•
Виртуальные фабрики площадью свыше 1 млн м².
•
Используется при проектировании нового производства, в том числе нового завода электромобилей в Дебрецене (Венгрия).
Что внедрено:
•
Цифровые двойники фабрик.
•
Симуляция производственных процессов и роботов.
•
Оптимизация размещения оборудования и потоков материалов.
Масштаб:
•
Десятки производственных комплексов в Китае и других странах переводятся в формат «умных фабрик».
•
Цифровые двойники применяются не только на отдельных станках, а на уровне целых заводов и производственных экосистем.
Цифровой двойник
Замкнутый контур наблюдения, моделирования и улучшения
Физический объект⇄Виртуальная модель
IIoT
АСУ ТП
Математика
ИИ
Big Data
Гибридные вычисления
Ценность возникает, когда модель постоянно получает фактические данные и позволяет безопасно проверять изменения.
Часть 09 / 13
Раздел 09
Мировые маяки – предприятия-лидеры по внедрению технологий
В 2018 году Мировой экономический форум (WEF - международная некоммерческая организация, основанная в 1971 году, основная заявленная цель организации — содействие сотрудничеству между государством, бизнесом, наукой и гражданским обществом для решения глобальных проблем) и McKinsey проанализировали состояние мировой промышленности и пришли к выводу, что более 70% производителей не могли вывести цифровые инициативы за пределы пилотных проектов. Поэтому была создана программа, призванная показать успешные внедрения, – так называемая сеть предприятий-«Маяков» (Global Lighthouse Network), которые демонстрируют доказанный экономический эффект от цифровизации и открыто делятся лучшими практиками. Изначально в этот список «Маяков» вошли 9 предприятий из Китая, Европы и США.
Первые предприятия сети Global Lighthouse Network 2018 года
Практически полностью цифровое производство, высокий уровень автоматизации и качества
Bosch (Wuxi)
Китай
Автомобильные компоненты
IIoT, машинное обучение, предиктивное обслуживание оборудования
Haier (Qingdao)
Китай
Бытовая техника
Массовая кастомизация продукции на основе цифровой платформы COSMOPlat
Johnson & Johnson (DePuy Synthes – Cork)
Ирландия
Медицинские изделия
Сквозная цифровизация процессов и контроль качества
Procter & Gamble (Rakona)
Чехия
Потребительские товары (FMCG)
Аналитика данных в реальном времени, оптимизация производительности
Fast Radius(совместно с UPS) (Chicago)
США
Аддитивное производство
Интеграция 3D-печати с цифровой цепочкой поставок
Foxconn Industrial Internet (Shenzhen)
Китай
Электроника
Масштабное внедрение промышленного IoT и искусственного интеллекта
Tata Steel (IJmuiden)
Нидерланды
Металлургия
AI и продвинутая аналитика для оптимизации выплавки стали и экономии энергопотребления
Распределение предприятий по странам:
3
Китай — безусловный лидер: на его долю приходится примерно треть всех предприятий-«маяков». Это отражает масштаб инвестиций в цифровую трансформацию промышленности. В топ-5 стран также входят США (около 20 предприятий), Германия (порядка15), Индия (порядка 15), Франция (около 10).
4
Индия за последние годы стала одной из самых быстрорастущих стран по числу новых «маяков», особенно в автомобильной, химической, фармацевтической и пищевой промышленности.
5
Европе наиболее широко представлены Германия, Франция и Италия, где много предприятий машиностроения, электроники и автоматизации.
6
С 2023–2026 годов сеть заметно расширилась за счет стран, которые ранее почти не были представлены: Марокко, Вьетнам, Мексика, Бразилия, ОАЭ и Саудовская Аравия.
Опыт «Маяков» показывает, что лидерство достигается не за счет одной технологии, а благодаря созданию единой цифровой производственной системы. Почти все предприятия строят трансформацию по схожей архитектуре: сквозная связь данных – от датчиков до систем поддержки принятия решений – обеспечивает непрерывное улучшение процессов.
Оборудование →
IIoT →
MES →
Платформа данных →
AI/аналитика →
Цифровой двойник →
Поддержка принятия решений →
Непрерывное улучшение
Именно интеграция всех компонентов позволяет добиваться устойчивых улучшений в производительности, качестве, гибкости, устойчивости цепочек поставок и экологической эффективности, а не отдельные внедрения ИИ, роботов или датчиков.
В качестве примера «Маяков» из этого списка приведем компанию SANY Group — одного из крупнейших китайских производителей строительной, горнодобывающей и промышленной техники. Проекты по глобальной трансформации заводов стартовали в 2018-2019 годах.Пекинский завод SANY по производству свайной и буровой техники (Beijing Piling Machinery Factory) стал первым в мире заводом тяжелого машиностроения, получившим статус «Маяка» (Global Lighthouse Factory) в сентябре 2021 года. Это предприятие, с которого фактически началась история «умных заводов» SANY, акцент был сделан на автоматизацию тяжелых технологических операций и сквозную цифровизацию всех процессов: роботизированная сварка крупных конструкций, автоматическая внутризаводская логистика (особенно интересным считается перемещение металлических элементов длиной до 27 метров, что требует высокой точности управления транспортными системами), интеллектуальный склад (в том числе AR-навигация для сотрудников), IIoT и искусственный интеллект. Практически все производственное оборудование подключено к единой цифровой системе. ИИ применяется для контроля качества, управления производством, диагностики оборудования, оптимизации загрузки линий, анализа производственных данных.
Пекинский завод стал своеобразной «лабораторией» цифровой трансформации компании. На нем были отработаны технологии, которые затем масштабировались на другие предприятия SANY. Другое предприятие SANY – завод №18 в Чанша – также получил статус «Маяка» в 2022 году. Общий объем инвестиций в цифровую трансформацию этого предприятия составил 500 млн юаней (около 70 млн долларов США по курсу того периода). Завод доказал, что даже производство тяжелой техники с крупногабаритными деталями, большим количеством модификаций и небольшими сериями можно сделать практически полностью цифровым. Для тяжелого машиностроения это значительно сложнее, чем для автомобильных заводов: заказчики часто требуют индивидуальную комплектацию, большинство деталей имеют большие размеры, весят сотни тонн и требуют сложной логистики. Несмотря на это, после цифровой трансформации предприятие достигло впечатляющих результатов:
•
увеличение производственной мощности на 123%;
•
рост производительности труда на 98%;
•
снижение себестоимости изготовления на 29%;
•
общий уровень автоматизации — около 76%;
•
выпуск до 263 различных моделей техники на одной производственной площадке.
Кроме того, на этом модернизация не закончилась, завод постоянно развивается и продолжает автоматизацию. К сожалению, нет времени слетать Чанша 😜, поэтому приведем комментарии журналиста Finantial Times, который так описывает впечатления от этого завода в 2026 году:
«На огромной фабрике площадью 100 000 кв. м в городе Чанша на юге Китая десятки автоматизированных транспортных средств перемещают тяжелые грузы между множеством гигантских роботизированных сварочных манипуляторов и небольшим количеством людей, которые каждые 45 минут выпускают новый автобетононасос. В центре управления завода менеджер Пэн Юнхуэй может следить за эффективностью и состоянием каждой машины с помощью гигантского экрана, по обе стороны от которого расположены фонтаны с голубой плиткой и пальмы. С помощью нескольких нажатий на сенсорный экран он может контролировать машины и производственные площадки по всему Китаю».
William Langley
География сети
Страны с наибольшим числом предприятий-«Маяков»
Китай≈80
США≈20
Германия≈15
Индия≈15
Франция≈10
Предприятия, получившие статус "Global Lighthouse Factory" WEF.
Часть 10 / 13
Раздел 10
Ситуация с автоматизацией и внедрением ИИ в отечественной промышленности
Так как ИИ не может внедряться в промышленность без базовой автоматизации, и скорее является дополнением и расширением функциональности традиционных систем, необходимо комплексно рассматривать возможности по цифровизации отечественных предприятий.
Хайп вокруг ИИ дает массу инфоповодов, возможность заявлять о разнообразных пилотах и подписывать меморандумы о сотрудничестве, однако о конкретных внедрениях и результатах заявлений мало. Вот типичные заголовки новостных порталов, никаких результатов, только планы на будущее и громкие заявления:
Уход зарубежных производителей – ранее внедренные инновации надо выбросить в корзину
Не стоит забывать, что проекты автоматизации производства наша промышленность развивала и до 2022 года, когда зарубежные компании ушли с рынка РФ.
Практически единственный масштабный проект по внедрению цифровых двойников «Интеллектуальное месторождение» запустил ЛУКОЙЛ. Проект был запущен еще в 2016 году, а пилоты начались с 2010-х годов. В 2011 году компания (с привлечением Accenture) изучила мировой опыт и выработала стратегию автоматизации. В 2015 году за совместный проект по интегрированному моделированию в активе «Каракудукмунай» в Казахстане ЛУКОЙЛ был удостоен престижной награды компании Schlumberger. И затем масштабировал проект на несколько тысяч скважин. Однако технологии (Honeywell, Aspen, Emerson, Simens и др.), используемые в этом проекте в настоящий момент на отечественном рынке не доступны и информации об импортозамещении этих технологий в проекте найти не удалось.
Еще один пример – это компания СИБУР, которая на протяжении многих лет зарабатывала себе репутацию технологического лидера, не спешит заявлять об импортозамещении ключевых технологий автоматизации. Например, в 2022 году Сибур внедрила Aspen ProMV от AspenTech (США), которая в настоящий момент не представлена на рынке РФ. Этот проект в 2024 г. победил в номинации "Лучшее цифровое решение в химической промышленности" от ComNews.
Поэтому многие проекты по цифровизации производства БЫЛИ (к сожалению, сейчас стоит упоминать именно в прошедшем времени), но в реалиях сегодняшнего дня они не могут развиваться и зачастую даже не могут использоваться из-за лицензионных ограничений зарубежных вендоров и отсутствия технического сопровождения и обновлений. При этом отечественных альтернатив просто не существует.
2
Необходимость импортозамещения – производства должны тратить ИТ-бюджеты не на инновации, а на замену ПО, которое уже внедрили, но которое нельзя эксплуатировать и развивать
В начале июля 2026 года в Екатеринбурге прошла 16-я Международная промышленная выставка «Иннопром». На пленарном заседании председатель Правительства РФ Михаил Мишустин отметил, что Россия продолжает формировать технологический суверенитет и развивать независимую промышленную базу. Среди анонсированных мер поддержки — компенсация до 50% затрат на закупку и внедрение российского ПО, что должно ускорить переход на отечественный индустриальный софт и обеспечить конкурентоспособность наукоемких секторов (подробнее можно почитать в Ведомостях). Однако, найти необходимый индустриальный отечественный софт не всегда просто:
•
АСУ ТП в промышленности является объектом КИИ. Изначально в марте 2022 года указом Президента РФ №166 был установлен срок полной замены ПО на этих объектах - 1 января 2025 года. Он оказался не выполнимым и его начали сдвигать. Сейчас срок перехода значимых объектов КИИ на российское ПО — 1 января 2028 года. Однако для отдельных сценариев предусмотрены специальные сроки: 1 января 2031 года и 1 января 2036 года.
•
АСУ ТП стоит далеко не на каждом производстве, но если речь о крупных предприятиях, то как правило АСУ ТП есть и его необходимо заместить. По разным оценкам в зависимости от отрасли промышленности доля отечественного ПО на объектах АСУ ТП составляет 5-40%. Проблемы простыми словами:
—
отсутствие или незрелость отечественного ПО – если говорить просто, то либо не на что замещать, либо эта шляпа работает плохо и тебе надо выкинуть то, за что ты заплатил кучу денег до 2022 года и поставить то, что будет сбоить, давать простои оборудования, а значит понижать эффективность.
—
сложность миграции: ПО не работает само, оно работает в связке с оборудованием. Например, в России нет своих чипов и ПЛК (контроллеров). Заменить только ПО в ряде случаев нельзя, надо менять и оборудование.
3
Экспертиза не масштабируется, рынок не развивается – проекты реализуются внутренними ИТ-департаментами
—
В настоящий момент успешные внедрения ИИ – это по большей части внутренние проекты. Экспертиза не накапливается вне контура конкретного предприятия, где автоматизировали конкретный агрегат. Не рождается рыночных продуктов, следовательно невозможно переиспользовать этот опыт. Замкнутый круг – рынок не может предложить готовых продуктов, промышленники, реализовавшие какой-то проект, не могут стать поставщиками для всех по целому ряду причин. Хотя тренд определенно есть – все сейчас стремятся стать ИТ-компанией.
Российский контекст
Три системных ограничения складываются в один инвестиционный разрыв
01
Недоступность технологий
Ограничения на лицензии, обновления, аппаратные платформы и сопровождение.
02
Импортозамещение базы
Бюджеты уходят на повторное внедрение MES, ERP и компонентов АСУ ТП.
03
Немасштабируемая экспертиза
Успешные внутренние проекты редко превращаются в тиражируемые рыночные продукты.
Следствиеменьше ресурсов остаётся на новые технологические сценарии
Часть 11 / 13
Раздел 11
Новое регулирование ИИ – поддержка разработчиков LLM не поможет промышленности
Госдума приняла недавно в 3 чтениях новый закон, который должен поддержать российских разработчиков LLM и обязать отечественные компании покупать их модели. И тут есть ряд проблем:
•
Для промышленного ИИ LLM-модели – это не панацея, они нужны для некоторых задач, но зачастую больший эффект приносит машинное обучение на исторических данных. Просто то, что раньше называли ML-сервисами, теперь называют AI-агентами и уже кажется, что это гораздо инновационнее.
•
Большой круг генеративных задач решается с помощью маленьких, не требующих комнаты железа, open-source LLM, которые можно бесплатно скачать и поставить в свой контур, вопрос умелых специалистов, которые правильно настроят работу этих моделей и обеспечат безопасность системы. С появлением новой регуляторики компании вынуждены будут покупать «суверенные» и «национальные» модели, то есть опять, надо потратить бюджеты не на инновации, а на требования регулятора.
Недавно на РБК вышла рекламная история про ИИ в промышленности, которая доказывает эти утверждения. Не смотря на желание авторов прорекламировать Яндекс, из списка приведенных там кейсов самым значимым и эффективным выглядит «Автотемп 2.0» - внутренняя разработка Северстали. Про этот кейс 2023 года достаточно много публикаций в открытых источниках: оптимизация пауз промышленной печи, не с помощью суперпродвинутых LLM, а с помощью уже кажущегося элементарным градиентного бустинга. В цехе, где стан-2000 был запущен еще в 1975 году, а сегодня является одним из самых производительных агрегатов горячей прокатки в России. Действительно достойно аплодисментов!
Материал РБК тем не менее неплохой, так как комментарии представителей отрасли читать всегда интересно. Если внимательно ознакомиться с примерами, о которых рассказывают наши промышленники, то можно сделать вывод, что реальных внедрений ИИ на производстве в настоящий момент не ведется, речь в основном идет либо о пилотах, что ни к чему не обязывает, либо об общих заявлениях без конкретики, что наводит на мысль о внедрениях до 2022 года, которые сейчас нельзя масштабировать, либо о небольших автоматизациях узких процессов, которые можно решать сравнительно небольшими моделями.
Из позитивного можно отметить, что активно внедряют ИИ на небольшие общекорпоративные бизнесс-процессы (анализ звонков менеджеров, классификация обращений клиентов). А также, что в отрасли ищут сценарии оптимизации и развивают внутреннюю ИИ-экспертизу. Компании стараются действовать прагматично – сопоставляя доступность технологий, потенциальный эффект и требуемые ресурсы, но и демонстрируют готовность к экспериментам. Например, в ОМК запустили экспериментальный проект в сфере пром. безопасности, в котором нейросетевая модель имитирует поведение сотрудника, а руководитель или инспектор должен убедить его соблюдать требования.
Так что, кто ищет, тот всегда найдет, как известно.
Часть 12 / 13
Раздел 12
Распространенные ошибки пилотов и способы их избежать
По подсчетам Gartner в 2024 году 80% пилотных проектов с использованием ИИ не доходят до стадии внедрения. Очевидно, пока внедрение ИИ – это отличный модный инфоповод, чтоб лишний раз заявить о себе в СМИ, но похвастаться значимыми результатами редко получается.
Успех не всегда требует больших инвестиций и годы работы. Одина из известных компании LandingAI, которая была основана в 2017 году и изначально специализировалась на промышленном компьютерном зрении, а в последние годы активно развивает интеллектуальную обработку сложных документов, продвигает концепцию Data-Centric AI– значительный прирост дает качество обучающих данных. В одном из их кейсов производитель стали уже несколько лет использовал систему компьютерного зрения для обнаружения поверхностных дефектов стального проката. Однако существующая AI-модель демонстрировала точность лишь 70–80%, что было ниже качества ручной инспекции и не позволяло полностью автоматизировать процесс контроля. LandingAI внедрила свою платформу LandingLens, сделав основной акцент не на разработке новой модели, а на улучшении качества обучающих данных. В итоге точность модели выросла с 70–80% до 93%, а разработка заняла две недели. Именно этот кейс LandingAI регулярно использует в своих материалах как демонстрацию эффективности подхода к промышленному визуальному контролю.
Проанализировав рекомендации многих интеграторов и поставщиков технологий, а также публичные примеры внедрения, можно прийти к следующим простым выводам – для достижения результатов достаточно структурировать подход с самого начала, а именно:
Ошибки пилотных проектов и способы их избежать
Ошибка
Влияние
Решение
Отсутствие нужных данных для обучения системы: Недостаточно данных(для автоматизации бек-офиса бывает достаточно 100 или даже 10 примеров документов, но для прогноза поломок и классификации дефектов нужны данные за 2-3 года) Немаркированные данные(сбои и дефекты не фиксируются) Данные низкого качества(пропущенные значения, смещения)
Что посеешь, то и пожнешь: Низкая точность модели, ложные прогнозы Не удается обучить контролируемые ML-модели
Сначала проведите оценку готовности к ИИ, при необходимости отложите реализацию. Проведите аудит и разметку данных.
Отсутствие требуемой инфраструктуры (еще не внедрили MES и т.п.)
Невозможность масштабировать проект
Оцените реализуемость проекта, в том числе в перспективе масштабирования
Увеличение скоупа проекта (расширение требований в ходе пилотного проекта)
Задержки, перерасход бюджета, неразбериха
Строгий контроль области применения, «парковка» идей на будущее
Нет заинтересованных в бизнес-подразделениях или на производстве (продвигается ИТ службой)
Сопротивление, низкий уровень внедрения, неудача
Назначьте ответственного за операционную деятельность, примите административно-организационные решения
Отсутствие критериев успеха (субъективный подход)
Невозможно сделать выводы об успешности или принять решения масштабирования
Определите конкретные количественные и качественные показатели. Рассчитайте требуемую эффективность заранее
Выбор ненадежного исполнителя
На авось надо рассчитывать только в экстренных случаях
Убедитесь на старте проекта, что в проектной команде присутствуют все необходимые компетенций, как по технологическим вопросам, так и по работе с ИИ
Короткий чек-лист для оценки готовности к ИИ:
1
Готовность данных (в зависимости от задачи: от нескольких примеров документов до датасета качественных исторических данных за 2–3 года)
2
Готовность инфраструктуры (IoT, MES, ERP и др.)
3
Организационная готовность (руководство, сторонники на производстве)
4
Приоритизация сценариев использования (окупаемость инвестиций и реализуемость)
5
Компетенции (как со стороны ИТ, так и со стороны производства).
Перед стартом пилота
Пять проверок готовности к ИИ
01Данныеобъём, качество, разметка и история
02ИнфраструктураIoT, MES, ERP и интеграции
03Организациявладелец результата и поддержка производства
04Приоритетэкономика сценария и реализуемость
05КомпетенцииИТ + инженеры + технологи
Часть 13 / 13
Раздел 13
Заключение и прогнозы
ИИ в промышленности постепенно набирает обороты и приносит ощутимые результаты. При этом практика показывает, что успех внедрения определяется не столько выбором модели, алгоритма, сколько качеством данных, зрелостью производственных процессов и готовностью бизнеса менять привычные подходы к работе.
В ближайшие годы развитие промышленного ИИ будет происходить сразу по нескольким направлениям. Небольшие изменения можно внедрять, используя open-source библиотеки и in-house разработку (внутренними силами компании), но огромный пласт решений требует серьезных финансовых инвестиций и времени. И вряд ли будет реализуем без компетентных команд разработки, для которых автоматизация промышленности будет главной задачей, и автоматизировав одно производство они смогут экстраполировать опыт на другие, масштабировать и развивать свои решения. Как это происходит в мире – нужны разные компании большие и маленькие, создающие разные продукты.
С одной стороны, продолжится распространение генеративного ИИ для работы с технической документацией, поддержки инженеров и ускорения офисных процессов.
С другой — в мире будет расти доля автономных производственных систем, способных самостоятельно оптимизировать параметры оборудования, прогнозировать отклонения и адаптироваться к изменяющимся условиям производства. И конкурировать с такими предприятиями в среднесрочной перспективе будет крайне сложно.
Важно осознавать, чтоИИ не является отдельным направлением цифровизации, а частью современной промышленной экосистемы, где данные, автоматизация и аналитика работают как единый механизм. Именно предприятия, которые смогут выстроить такую систему сегодня, получат наиболее существенные конкурентные преимущества в ближайшие годы.
Для российских предприятий в условиях санкций и ограниченного доступа к мировым инновациям – это большой вызов.На отечественном ИТ-рынке отсутствуют или находятся в зачаточном состоянии многие системы, требуемые для автоматизации промышленности. Потому что нельзя за сутки навайбкодить солвер для решения многокритериальных задач оптимизации, нельзя за год научиться делать чипы. Даже традиционные MES-системы в России начали развиваться сравнительно недавно. Однако сильная математическая и инженерная школа на отечественном ИТ-рынке могут уже сейчас помочь промышленности реализовать достаточно интересные и сложные проекты. Пусть это будут не цифровые двойники, а оптимизация одного агрегата, но это возможно. Также большой потенциал есть в офисных процессах, которые не специфичны для промышленности, но от этого не становятся менее эффективными.
Для отечественной ИТ-отрасли с одной стороны – это возможность создать новые направления бизнеса, но вопрос инвестирования в такие проекты пока остается открытым. У небольших ИТ-компаний, которые имеют компетенции в автоматизации промышленности и желание выстраивать эффективную работу без лишней бюрократии, нет требуемых финансовых ресурсов. У крупных разработчиков отечественных LLM, не смотря на их активность в публичном поле по этому вопросу, нет компетенций, и развитие только LLM не закроет дыры в автоматизации промышленности. А у промышленности нет однозначного видения во что инвестировать и гибких инструментов инвестирования в новые проекты, кроме того, есть необходимость инвестировать в импортозамещение. Мер поддержки разработчиков не много и их недостаточно для создания качественных отечественных продуктов. С 2022 года так и не появилось никаких новых серьезных решений в сфере автоматизации производства. Предлагаемая сейчас правительством компенсация производственным компаниям половины расходов на импортозамещение, если и даст какие-то плоды, то через 3-4 года в лучшем случае. Новое регулирование сферы ИИ дополнительно вносит неопределенность и, следовательно, только тормозит любые инвестиции, в том числе в это направление.
Что делать? – почитать одноименный роман Николая Гавриловича Чернышевского 😀 И подождать следующих наших статей, попробуем порассуждать и на эту тему 😉 Как известно, дорогу осилит идущий!