Внедрение ИИ на производстве: примеры, эффект, с чего начать

Промышленность – одна из отраслей, где ИИ уже приносит деньги в отчётности, а не только в презентациях. В открытой базе platforms.su больше 280 кейсов из промышленности и производства, и в лучших из них эффект измеряется сотнями миллионов рублей в год на один процесс. Одновременно много проектов годами остаются в статусе пилота. Для руководителя вопрос в том, как выбрать задачу с понятной экономикой и довести её до эксплуатации.

Советник оператора на технологическом переделе

Задача: сталевар, технолог или оператор фабрики принимает решение по ограниченному набору параметров, отсюда разброс качества и перерасход. Модель анализирует сотню и более параметров процесса и выдаёт рекомендацию в реальном времени: состав шихты, режим, момент вмешательства. Отдельный вариант – прогноз нештатной ситуации за 10–30 минут, пока её ещё можно предотвратить. Это сценарий с самым высоким эффектом: снижение удельного расхода сырья и энергии, возврат потерянного полезного компонента, в крупных компаниях – сотни миллионов рублей в год на одном агрегате.

Предиктивное обслуживание оборудования

Задача: планово-предупредительные ремонты без учёта фактического состояния и внезапные отказы. Модели по вибрации, температуре и токам находят деградацию на ранней стадии и указывают узел. Типичный результат – меньше аварийных остановок, заранее подготовленные запчасти и бригады. В одном из масштабных кейсов удельные затраты на ТОиР снизились примерно на четверть.

Компьютерное зрение для качества и безопасности

Задача: выборочный ручной контроль продукции, тысячи камер, которые никто не смотрит, люди в опасных зонах. Модели находят дефекты на поверхности движущегося полотна, распознают типоразмеры продукции, фиксируют нарушения техники безопасности, выбросы, уровень металла. Точность в зрелых проектах – 95–98%. Эффект – сплошной контроль вместо выборочного, вывод людей из вредных зон, кратное сокращение времени реакции.

Наведение порядка в мастер-данных

Задача: одна и та же деталь числится на складах группы под разными наименованиями, сотни тысяч позиций, лишние закупки. ИИ сопоставляет номенклатуру и классификаторы, предлагает объединения, специалист подтверждает. При точности рекомендаций около 85% эффект от сокращения закупок и складских остатков в холдингах оценивается сотнями миллионов рублей.

Планирование производства и внутренней логистики

Задача: ручное планирование на десятках площадок даёт избыточные остатки и упущенные продажи. Оптимизационные модели строят план за минуты вместо часов и пересчитывают его при изменении заказов. В кейсах фиксируют снижение списаний сырья около 20% и сокращение времени сборки заказов на складе около 30%.

Кроме того, растёт число ассистентов на языковых моделях для поиска по регламентам, инструкциям и кадровым вопросам. Точность ответов по внутренней базе знаний в удачных проектах превышает 95%, но экономический эффект там обычно не раскрывается. Это полезный, но не главный источник денег для производства.

Сколько ждать результата

Сроки в кейсах заметно различаются по сценариям. Компьютерное зрение на одном участке и ассистенты по регламентам запускаются за несколько месяцев. Советники оператора и предиктивное обслуживание требуют сбора истории, проверки на ретроспективе и опытной эксплуатации на смене, поэтому до подтверждённого эффекта проходит от полугода до года. Программы, которые охватывают десятки агрегатов и площадок, выходят на значимый вклад в EBITDA за несколько лет, и эффект растёт по мере тиражирования.

• Эффект привязан к физической величине. Килограммы кокса на тонну чугуна, тонны потерянного металла, часы простоя. Такую величину легко замерить до и после.
• Данные АСУ ТП доступны и чисты. Модели на переделах обучаются на годах истории датчиков. Где датчиков не хватает, сначала решают задачу сбора данных.
• Технолог – соавтор модели. Рекомендации, которые противоречат опыту смены, без объяснения игнорируются. Удачные команды включают технологов в разметку и проверку.
• Есть путь к тиражу. Самый большой эффект дают модели, которые переносят на однотипные агрегаты и площадки. Это закладывают в архитектуру с первого проекта.
• Работа в закрытом контуре. Публичные сервисы на промышленных предприятиях часто запрещены. Инфраструктуру и требования ИБ согласуют до пилота.

1. Запускать десятки пилотов без отбора. Ресурсы распыляются, ни один проект не доходит до эксплуатации. Лучше 2–3 проекта с подтверждённой экономикой.
2. Оценивать проект по точности модели, а не по деньгам. Модель с точностью 95%, которую не используют на смене, не даёт ничего.
3. Недооценивать интеграцию. Подключение к АСУ ТП, MES и ERP занимает больше времени, чем обучение модели. Это нужно закладывать в срок и бюджет.
4. Брать на веру отраслевые цифры. Ссылки на мировую практику не заменяют расчёт на своих данных.
5. Не планировать сопровождение. После смены сырья или ремонта агрегата модель теряет точность. Нужна команда и регламент переобучения.
6. Начинать с сервиса для офиса, ожидая эффекта для производства. Ассистент по регламентам полезен, но деньги лежат на переделах, в ремонтах и запасах.

1. Недели 1–2. Составить список потерь: перерасход сырья и энергии, простои, брак, неликвидные запасы. Оценить каждую потерю в рублях в год.
2. Неделя 3. Для 5 крупнейших потерь проверить данные: какие датчики есть, глубина истории, качество записи, доступ к системам.
3. Неделя 4. Выбрать 1–2 задачи, где есть и деньги, и данные. Назначить владельца со стороны производства, а не ИТ.
4. Недели 5–7. Построить модель на исторических данных и проверить её ретроспективно: что бы она рекомендовала и что было на самом деле.
5. Неделя 8. Решение о пилоте в режиме советника на смене: метрика эффекта, базовый период, порядок сравнения, требования ИБ.

• Какую физическую величину и на сколько изменит решение и как мы это измерим?
• Сколько лет истории нужно, есть ли она у нас и в каком качестве?
• Как модель объясняет рекомендацию технологу?
• Что происходит при смене сырья, ремонте или замене оборудования?
• Сколько займёт интеграция с АСУ ТП и учётными системами и кто за неё отвечает?
• Можно ли перенести модель на однотипные агрегаты и какова стоимость тиража?
• Какие похожие проекты подрядчика работают в эксплуатации больше года?

На производстве ИИ окупается быстрее всего там, где есть измеримая физическая потеря, история данных и технолог, готовый работать с моделью. Начинать стоит с карты потерь, а не с выбора технологии. Ориентиры по отраслевым проектам можно найти в базе кейсов ИИ на platforms.su. Центр компетенций ИИ проводит экспресс-диагностику и независимую оценку пилотов.