ГК Softline о зрелости промышленного ИИ
Эксперты ГК Softline разбирают работающие сценарии, барьеры масштабирования и три уровня зрелости промышленного ИИ.
Машинное зрение уже находит брак, алгоритмы предупреждают о возможных поломках, а ИИ-ассистенты анализируют техническую документацию. Сложности начинаются после пилота: модель выдает полезный сигнал, но ремонт, закупки и производственное планирование по-прежнему работают независимо друг от друга. В результате искусственный интеллект улучшает одну операцию, но не меняет процесс принятия решений на предприятии.
Чтобы масштабировать решение, недостаточно повысить точность модели. Нужно связать данные из производственных систем, знания инженеров, технологические ограничения, доступные ресурсы и планы предприятия. По опыту ГК Softline, только тогда ИИ сможет не просто обнаружить проблему, но и помочь определить дальнейшие действия.
Работающие сценарии
Компьютерное зрение и визуальный контроль
Ручной контроль становится ограничением, когда сотруднику нужно осматривать большой поток изделий или следить за участками, к которым трудно получить физический доступ. Чем выше скорость производства, тем меньше времени остается на проверку каждого объекта.
Система компьютерного зрения анализирует изображения с камер и отмечает возможные дефекты или нарушения. Сотруднику не нужно непрерывно просматривать весь поток: он получает конкретный сигнал и проверяет спорный участок. Такой подход ускоряет контроль и снижает зависимость результата от усталости и внимательности человека.
Однако обнаружение дефекта само по себе не решает производственную задачу. После сигнала нужно определить причину отклонения, решить, можно ли продолжать выпуск, и понять, какие настройки оборудования следует изменить. В ГК Softline мы рассматриваем компьютерное зрение как часть более широкого производственного процесса: если система не связана с управлением качеством и производством, она остается автоматизированным средством наблюдения.
Предиктивное обслуживание оборудования
Предиктивное обслуживание позволяет назначать ремонт по фактическому состоянию техники и прогнозу отказа. Система собирает данные датчиков и производственного оборудования, а затем ищет ранние признаки деградации.
Алгоритмы машинного обучения анализируют информацию с оборудования, из систем управления производственными процессами (MES) и других источников, выявляют аномалии и оценивают вероятность поломки.
В этот сценарий постепенно входит и генеративный ИИ. Он извлекает знания из накопленных производственных данных и формирует рекомендации для инженеров.
Управление цепочками поставок
Сбой в поставках быстро отражается на загрузке производства. На предприятии с разветвленной логистикой задержка одного компонента может остановить конвейер, а аналитик физически не успевает одновременно отслеживать поставщиков, сроки доставки, запасы и производственные ограничения. Системы на базе ИИ сопоставляют эти переменные и помогают заранее скорректировать план закупок.
Генеративный ИИ в инженерных и операционных процессах
Главная сложность заключается в отраслевой адаптации. Общедоступные большие языковые модели слабо понимают производственный контекст без дополнительной настройки и доступа к техническим знаниям предприятия. Поэтому промышленные вендоры разрабатывают специализированные модели на производственных и инженерных данных.
На практике генеративный ИИ чаще всего начинает с понятных прикладных задач: помогает операторам, обрабатывает техническую документацию и проверяет соответствие нормативным требованиям.
Специалисты команды Softline связывают переход от пилота к эксплуатации с отраслевой адаптацией модели и ее встраиванием в производственную архитектуру. Многие крупные российские промышленные компании заявляют о готовности применять генеративный ИИ, но для практического использования общую модель приходится дополнять отраслевыми знаниями.
Барьеры масштабирования
Успешный пилот обычно проверяет одну функцию на ограниченном наборе данных. При переходе к промышленной эксплуатации решение приходится подключать к большему числу систем, переносить на новые участки и встраивать в работу сотрудников. Наша практика в ГК Softline показывает, что на этом этапе сроки и стоимость проекта растут, а результат начинает зависеть не столько от самой модели, сколько от готовности данных, команды и производственных процессов.
Разрозненные данные и неформализованные знания
Производственная информация хранится в устаревших системах, MES, системах технического обслуживания и ремонта (ТОиР), автоматизированных системах управления технологическими процессами (АСУ ТП) и других платформах. В них могут различаться форматы, названия оборудования, периодичность обновления и правила учета событий. Перед запуском ИИ команде приходится сопоставлять эти данные и проверять, можно ли использовать их вместе.
Без такой подготовки модель может принять разные обозначения одного агрегата за разные объекты, не учесть задержку в обновлении показателей или построить вывод на неполной истории. Решение работает на тестовом участке, но при переносе в другой цех подготовку и интеграцию приходится повторять. Это замедляет масштабирование и повышает риск ошибок в рекомендациях.
Одних записей из систем недостаточно. Значительная часть производственных знаний существует в виде инструкций, локальных правил и опыта инженеров. Если эту информацию не формализовать, алгоритм сможет найти закономерность, но не учтет технологические ограничения. Его ответ может выглядеть обоснованным, однако не подходить для реальной производственной ситуации.
Нехватка специалистов на стыке ИТ и производства
Для промышленного ИИ недостаточно команды разработчиков. Нужны специалисты, которые понимают производственный процесс, знают происхождение показателей и могут объяснить, какое решение должен поддерживать алгоритм. Без них техническая команда не всегда отличает важный сигнал от случайного совпадения, а производственные эксперты не могут перевести свой опыт в требования к модели.
Из-за этого пилот может хорошо показывать возможности технологии, но не учитывать реальный порядок действий, ограничения оборудования и ответственность сотрудников. На этапе внедрения такие пробелы приходится устранять заново: уточнять задачу, пересобирать данные и менять логику решения. Проект затягивается или остается демонстрацией, которую нельзя встроить в работу предприятия.
Неясная экономика масштабирования
Стоимость промышленного ИИ складывается не только из разработки модели. В бюджет входят интеграция с производственными системами, подготовка данных, вычислительная инфраструктура, защита информации, сопровождение и обновление решения. В пилоте часть этих затрат не видна, но при подключении новых площадок и процессов они становятся существенными.
Эффект может распределяться между несколькими показателями: сокращением простоев, снижением брака, экономией рабочего времени и повышением точности планирования. Эксперты ГК Softline рекомендуют до старта проекта зафиксировать исходные значения и способ расчета результата. Иначе компания не сможет отделить вклад ИИ от других изменений. Руководству трудно обосновать следующий этап инвестиций, поэтому масштабирование останавливается даже после технически успешного пилота.
Сопротивление сотрудников
Если сотрудники воспринимают ИИ как угрозу своему месту или профессиональной роли, они неохотно передают команде неформализованные знания и относятся к рекомендациям системы с недоверием. В результате модель не получает важный производственный контекст, а готовое решение используют только формально.
Проблема усиливается, когда в процессе не определено, кто проверяет рекомендацию ИИ, принимает окончательное решение и отвечает за результат. Без новых правил работы система остается дополнительным экраном, к которому сотрудник может не обращаться. По мнению нашей команды Softline, для изменения процесса людям нужно понимать назначение инструмента, границы его полномочий и свою роль после запуска.
Три уровня зрелости промышленного ИИ
Преодоление отдельных барьеров еще не делает искусственный интеллект частью системы управления. Проект может успешно решать одну задачу и при этом не влиять на решения на уровне всего предприятия. В ГК Softline мы выделяем три уровня зрелости по степени влияния ИИ на управленческие решения.
Первый уровень: локальная автоматизация
ИИ работает как надстройка над существующими системами. Он обнаруживает отклонения, прогнозирует отказ оборудования, анализирует документы или забирает рутинные операции у сотрудников. Большинство компаний сейчас находятся именно на этом уровне.
Подход дает быстрый и измеримый эффект в конкретном процессе. Его предел тоже понятен: локальные решения не связывают между собой решения разных подразделений и не учитывают общие производственные цели.
Второй уровень: общая среда данных
Предприятие объединяет информацию из MES, систем технического обслуживания и ремонта, АСУ ТП, инженерных и корпоративных платформ. Так разрозненные данные получают общий отраслевой контекст. До этого уровня пока дошли в основном крупнейшие международные промышленные компании.
Однако единая среда данных сама по себе остается справочником. Система помогает найти информацию и сопоставить факты, но ответ на вопрос «Что делать?» по-прежнему формулирует сотрудник.
Разница между справочником и советником отделяет второй уровень от третьего. Для следующего шага архитектура должна учитывать данные вместе с целями предприятия.
Третий уровень: архитектура вокруг целей
На этом уровне ИИ учитывает связи между событиями, ресурсами, ограничениями и производственными планами. Он поддерживает комплексные решения на уровне предприятия. Например, система может спрогнозировать отказ оборудования и предложить сценарий действий с учетом загрузки производства и доступных ресурсов.
По этой модели построена платформа промышленного искусственного интеллекта OMEGALLIANCE. Она объединяет данные информационных, производственных и инженерных систем в модель знаний предметной области. В нее входят данные заказчика и накопленная отраслевая экспертиза разработчика.
Платформа работает поверх существующей инфраструктуры и связывает через коннекторы MES, системы технического обслуживания и ремонта, АСУ ТП и другие решения. Уже внедренные системы при этом сохраняются.
Производственные данные не передаются во внешние облака: платформа разворачивается в локальной среде предприятия и интегрируется с его инфраструктурой. Такой подход учитывает требования промышленности к безопасности.
Архитектура остается открытой, поскольку предприятия различаются по уровню цифровизации, набору производственных систем и отраслевой специфике. В проект можно включать технологические решения партнеров кластера fabricaONE.AI (акционер — ГК Softline), а также специализированные компетенции с рынка.
Следующий этап развития промышленного ИИ будет зависеть от того, смогут ли компании связать модели с данными, отраслевыми знаниями и производственными целями. Без этой связки предприятия продолжат накапливать полезные, но изолированные пилоты.
По оценке Softline, зрелость технологии стоит измерять по ее роли в принятии решений. Пока система только фиксирует событие или выдает прогноз, она остается инструментом автоматизации. Полноценная управленческая функция появляется тогда, когда ИИ помогает ответить на вопрос «Что делать?» с учетом ситуации на всем предприятии.