ИИ в промышленности: от роботизированных цехов до автономных «темных заводов»

Промышленные заводы, где в цехах темно и нет людей — уже не сценарий фантастического фильма, а логичный итог цифровой эволюции. Как искусственный интеллект уже сегодня меняет российскую промышленность и что ждет ее завтра? Экспертным взглядом на то, куда движется цифровизация в индустриальном секторе, делится Эдуард Шантаев, директор ФГАУ «Цифровые индустриальные технологии» при Минпромторге РФ.

Материал подготовлен в рамках совместного исследования ЦСП «Платформа» и Промышленно-энергетического форума TNF при поддержке ГигаПартнёра компании Сбер.

Лидеры цифровой трансформации и ключевые тренды

Лидерами в сфере внедрения технологий ИИ и цифровизации производства в целом, являются химическая и металлургическая отрасли. Это обусловлено их высокой маржинальностью и исторической развитостью на территории России. Здесь самые смелые эксперименты — от генеративного ИИ для бэк-офиса (кадры, документооборот, маркетинг), до систем видеоаналитики и «компьютерного зрения» для контроля качества и логистики.

Но главный тренд — это автономность. Речь и о роботизированных руках на промышленном предприятии, и о той самой автоматизированной автономной логистике. Конечная точка всего этого тренда мне видится в создании автономных «темных заводов», где нет света, где работают только технологии. И сидит пара операторов в большом мониторинговом центре, где много экранов, и управляют всеми АСУ ТП. Это не фантастика, а логичный итог объединения технологий и человека.

Производительность труда: как ИИ меняет экономику предприятия

Искусственный интеллект — мостик к глобальной трансформации экономики. Промышленность будет работать над повышением производительности труда и объемов производства, то есть внедрение различных цифровых инструментов нацелено именно на это. Приведу конкретный пример из химической промышленности. Предприятиями отрасли синтезируются новые вещества, и для масштабирования производства необходимо писать техническую документацию. Они используют большие языковые модели, то есть генеративный искусственный интеллект, который позволяет ускорить процесс написания технической документации в 10–15 раз. Это колоссальный выигрыш в скорости и эффективности, что в дальнейшем влияет на сроки вывода новых продуктов на рынок.

Но ИИ имеет такую неприятную особенность – «галлюцинировать», выдавать неточные данные за достоверную информацию. Поэтому к внедрению надо подходить точечно. Мы не можем просто взять и полностью перейти на технологии ИИ разом — таких компетенций, чтобы правильно такими системами управлять, пока нет. Но накопленным итогом мы к этому придем.

Финансы, кадры и нормативка: главные барьеры внедрения

Первый и основной барьер — это дороговизна и сложность. Я сейчас вижу замкнутый круг, когда промышленность не может цифровизироваться, потому что у нее нет средств на внедрение, а IT-разработчики не могут производить продукты, потому что у них нет заказов. Не у каждого промпредприятия в штате есть набор специалистов, которые могут интегрировать технологии ИИ.

Государственная поддержка критически важна. Речь идет о проектах, где половину стоимости финансирует государство, а половину — якорный заказчик. Также напрашивается новая модель субсидий со стороны Минпромторга, которая могла бы софинансировать внедрение. Ранее было 529-е постановление, которое поддерживало IT-игроков, сейчас же нужна поддержка именно внедрения технологий на площадках промышленных предприятий.

Второй барьер — кадровый. Тяжело найти высококлассных специалистов на те зарплатные сетки, которые используются в регионах. Огромное количество амбициозных людей нацелены на Москву, где зарплаты значительно выше.

Третий и четвертый барьеры — нормативные. С одной стороны, в России довольно лояльная правовая система по отношению к ИИ. Но есть отрасли с жесткими рамками регулирования. Руководитель завода думает: стоит ли рисковать, если через год могут принять НПА, запрещающий использовать эту технологию? Кроме того, отсутствуют единые отраслевые стандарты внедрения. Если у вас 10 разных информационных систем, которые общаются каждая на своем языке, они не будут работать синхронно, не дадут нужной синергии для достижения цели цифровой зрелости промышленности.

Взгляд изнутри: от «уверенного пользователя ПК» к «уверенному оператору ИИ»

Кадровый барьер следует рассмотреть с еще одной стороны — самого работника. Существует субъективный иррациональный страх у коллег на местах: когда внедрят различные технологии, то откажутся от людей. Но это заблуждение.

Машина никогда не сможет нести полную ответственность, и это главный аргумент против страхов. Всегда потребуется человек-оператор, который будет контролировать работу, проверять настройки и отвечать за сбой. Без инженера-метролога, настраивающего станки, вся партия продукции уйдет в брак — вот яркий пример незаменимости человеческого опыта, экспертизы, управления.

Бороться со страхами и стереотипами можно только методичной работой с персоналом. Менеджер должен понимать, что он руководитель до тех пор, пока есть кем руководить. Его задача — развивать своих сотрудников, направлять их на программы переобучения и повышения квалификации. Нужно знакомить команду с интерфейсами, проводить мастер-классы, показывать, как работают технологии, чтобы слово «компьютер» или «ИИ»

не вызывало страх, а стало понятным инструментом.

В результате будет формироваться уникальный штат специалистов, которые понимают, как процесс работает в ручном режиме и как он может работать с помощью цифровых систем. Именно такие кадры, обладающие гибридным опытом, станут особенно ценны для экономики будущего. Эти навыки взращиваются здесь и сейчас в процессе непрерывного обучения.

On-Prem, облако или гибрид: оптимальный подход к архитектуре

Внедрение ИИ специфично тем. Для использования технологий искусственного интеллекта необходимо провести масштабную работу по оцифровке производства — наладить сбор, обработку и хранение данных. Без этого решения ИИ работать не будет либо будет работать формально.

Следующая развилка — политика информационной безопасности. Готово ли предприятие работать с облачными вычислениями или ему необходимо развертывание на собственной закрытой инфраструктуре? Безопаснее работать в закрытом контуре, но здесь выше капитальные затраты. Облако — быстрее, но это вопросы безопасности передачи данных и постоянной оплаты вычислительных мощностей.

Для объектов критической информационной инфраструктуры, к которым относится и нефтегазовый сектор, с их жесткими требованиями, распространен гибридный подход. Обучение нейронных сетей происходит в облаке, а сами сети потом физически забираются и разворачиваются на внутренней, защищенной инфраструктуре. Периодически, для обновления, модель снова дообучают в облаке, сегментируя данные и снижая риски утечки. На многих предприятиях действуют системы менеджмента качества, куда уже добавляют и качество работы нейронных сетей, отслеживая, когда требуется переобучение.

Кооперация и вызовы для разработчиков

Для IT-разработчиков ключевые вызовы — поиск заказчиков и переход от создания штучных решений к разработке универсальных ядер продуктов для последующего тиражирования. То есть создавать технологию, упаковать ее в коробочный продукт, имея 70% готового решения, и потом дорабатывать под нужды конкретных предприятий. Сложности — работа с «отравленными» данными в сети, требующими глубокой верификации, для обучения и сжатые сроки. Средний инвестиционный цикл проекта сократился с трех лет до полутора, а необходимость выдавать быстрые, но долгоиграющие результаты — это серьезный вызов для подбора команды.

Парадигма простая: если нейросеть обучена на данных только одного предприятия, ее точность будет ниже. Если же она обучена на массиве данных от нескольких компаний со схожим оборудованием, то точность будет лучше, и это развитие для всей отрасли. Сейчас идет работа над регулированием оборота промышленных данных, чтобы создать общую рамку и стимулировать предприятия к обмену.