23 июня 2025 г.
Искусственный интеллект начал использоваться на производстве более 15 лет назад, задолго до ажиотажа вокруг ChatGPT. В промышленности он помогает прогнозировать поломки оборудования, проектировать и виртуально тестировать детали, ускорять создание технической документации и поиск данных. О том, как ИИ решает задачи на производстве, рассказал Кирилл Левин, сооснователь и директор компании NlabTeam.
Консерваторы из сферы промышленности заработают триллионы
Хотя промышленность исторически отличается консерватизмом, она считается одной из перспективных отраслей для внедрения ИИ-решений. По данным агентства «Яков и Партнеры», к 2028 году ИИ может ежегодно приносить российской экономике от 4,2 до 6,9 трлн рублей, из которых
На это есть причины: на заводах, в шахтах и на других объектах, связанных с промышленным производством, искусственный интеллект уже решает критически значимые задачи и выполняет функции сотен человек, помогая компаниям работать эффективнее и повышать безопасность и стабильность.
Задачи, которые российские заводы делегируют ИИ
-
Автоматизированное проектирование
General Motors использует ИИ с целью разработки деталей для автомобилей. Сотрудники задают параметры, габариты и предельные нагрузки, а ИИ мгновенно генерирует десятки 3D-моделей, сравнивает их между собой и выделяет лучшие. Так компания снижает расход материалов и улучшает топливную эффективность.
Airbus использует аналогичный подход при проектировании деталей самолетов с приоритетом на оптимизацию веса. Исследование McKinsey показало, что технологии искусственного интеллекта снижают затраты, ускоряют вывод продуктов на рынок на 5% и повышают продуктивность менеджеров по продуктам на 40%.
-
Предиктивная диагностика оборудования
Обычно при плановом техобслуживании станки и установки проверяются и заменяются по графику, что вызывает простои и лишние расходы. Вместо этого можно использовать нейросети для прогнозирования реального износа: обслуживать оборудование только по необходимости, всегда зная о состоянии комплектующих по данным с датчиков и вовремя получая сигналы о рисках выхода из строя.
Подход снижает затраты на обслуживание на
«Газпром», например, планировал использовать подобные системы для мониторинга насосного оборудования, а «Газпром Нефть» в 2019 году внедрила предиктивную аналитику (Infrastructure Monitoring Centre, IMC) на заправках.
-
Персонализированное производство
Считается, что массовый выпуск одежды, обуви и украшений экономически выгоднее, чем создание уникальных изделий. Кастомные вещи требуют вовлеченности креативного специалиста.
Но ИИ преобразует и fashion-индустрию: он не только быстро придумывает новые дизайны, но и сразу создает технологические карты, лекала и программы для станков. Так компании оперативно перенастраивают производство, расширяя продуктовую линейку новинками без значительных затрат. Более того, создавая продукты под потребности разных групп потребителей, они видят подъем продаж.
Например, бренд Collina Strada создал коллекцию весна/лето-2024 с использованием ИИ. Модный дом ввел в нейросети образы из прошлых сезонов и текстовые подсказки для генерации новых идей. Так он сократил время разработки с нескольких дней до нескольких часов и расширил продуктовую линейку без привязки к стандартным циклам производства.
-
Упрощение документооборота и маркетинга
Любое промышленное предприятие связано с огромными объемами документации: нормативных актов, пользовательских инструкций по эксплуатации, отчетов для регуляторов. Большие языковые модели (LLM) помогают автоматизировать документооборот: они могут создавать заявки, отвечать на формальные запросы и писать хорошо структурированные документы на примерах инструкций для используемых механизмов. Зачастую машины справляются с этим лучше людей, потому что не могут «забыть» какие-либо детали.
Однако создание описаний для новых станков и изделий — это лишь часть задачи. Предприятия не только прокачивают оборудование и пишут регламенты для собственных нужд, но и создают товары для продажи. Это могут быть как сами станки и инструменты, так и любые другие изделия: от одежды до самолетов. И крайне важно, чтобы продукция находила своих покупателей. Поэтому ИИ используется и в маркетинге.
«Яндекс» внедрил ИИ для улучшения таргетинга и персонализации рекламы в Яндекс Директ. А онлайн-ретейлер Zalando запустил инструмент Algorithmic Fashion Companion на базе ИИ для создания рекомендаций нарядов на основе предпочтений пользователей и увеличил средний чек на 40%, а выручку — на 87%.
-
Разработка новых материалов
В химической промышленности ИИ помогает создавать новые материалы, моделируя химические реакции и предсказывая их результаты. Это ускоряет исследование и открытие энергоэффективных реакций, создание новых аккумуляторов, полимеров и композитов. Например, крупнейший в мире химический концерн BASF использует ИИ для разработки и выпуска новых продуктов.
Пять способов развития ИИ на предприятии
Чтобы сделать нейросеть полезной для конкретного предприятия, надо дообучить ее на внутренних данных или другим способом подстроить под свои нужды.
Есть несколько подходов к адаптации моделей ИИ, а выбор зависит от доступных ресурсов и целей: обучение своей модели, дообучение (Fine-tuning), LoRA (Low-Rank Adaptation), RAG (Retrieval-Augmented Generation) и промт-инжиниринг. Рассмотрим каждую из них (рис. 1).
Уровень зрелости российских решений в области ИИ для промышленности значительно вырос. Сильный импульс дали события 2022 года, которые заставили предприятия активнее искать пути повышения эффективности бизнес-процессов. Российские компании не просто догоняют зарубежных гигантов, но и формируют свои уникальные подходы к внедрению ИИ.
На конференции ЦИПР в прошлом году много внимания уделялось использованию ИИ в промышленности и нефтегазовой сфере. Один из примеров — применение моделей ИИ для составления планов геологоразведки. ИИ анализирует данные сейсмодатчиков и моделирует взрывы и испытания. Эксперт не создает план вручную с нуля, а взаимодействует с ИИ, который формирует сначала черновой, а затем и чистовой планы.
Риски использования ИИ на производстве и способы их снижения
Модели ИИ неидеальны, поэтому внедрять их может быть рискованно. Ошибки ИИ приводят к производственным дефектам и финансовым потерям, но эти риски можно минимизировать.
Модель может сгенерировать что-то оторванное от реальности. Она создаст выдуманный механизм, нарисует картинку с человеком с шестью пальцами, посчитает, что атомы водорода и кислорода образуют не только воду, и не сможет сама валидировать ответы.
Поэтому за созданием модели должен следовать этап тестирования: либо ручного, либо с помощью средств тестирования. В таком случае подойдет технология GAN (Generative Adversarial Network), когда одна модель генерирует данные, а другая проверяет их.
Нейросети зависимы от данных. Модели хорошо работают только с качественными, чистыми данными. Ошибки, опечатки или некорректное форматирование заставляют их галлюцинировать и выдавать неверные ответы, поэтому нельзя экономить на предобработке данных.
Всегда нужно проверять их на консистентность и инвестировать в оцифровку архивов, аннотирование изображений и схем. После загрузки данных — тестировать модель. Например, сопоставить ответ, данный ИИ на ваш вопрос, с содержанием загруженного ранее документа и проверить, не ошиблась ли она. Так компания выявит ошибки до того, как они всплывут в производстве.
Непонятно, кому принадлежат авторские права. В промышленности этические вопросы прав на интеллектуальную собственность тоже существенны. Модели ИИ проектируют новые детали или устройства и формируют пользовательскую документацию к ним. Поэтому, чтобы избежать проблем с патентами, стоит юридически зафиксировать, кому принадлежат права на созданные моделью решения.
Например, указывать, что создатель нейросети не может претендовать на авторство решений, которые будут разработаны с использованием открытий, сделанных ИИ.
Пользователи нейросети теряют квалификацию. Использование ИИ сначала дает качественный результат и эффективность работы растет, но со временем люди привыкают и начинают зависеть от технологий.
Время от времени нужно возвращаться к самостоятельному обучению и развитию профессиональных навыков: вручную проводить полный цикл исследования, проектирования и производства, и параллельно проверять, как работает модель.
Перспективы ИИ: как может использоваться на заводах будущего
Искусственный интеллект становится умнее и, соответственно, полезнее для решения производственных задач. Рассмотрим некоторые тренды.
Развитие мультимодальных моделей. В будущем ИИ сможет генерировать не только текст, но и изображения, звук, схемы и 3D-модели одновременно, в рамках единого процесса или для решения одной комплексной задачи.
Например, можно будет попросить нейросеть разработать полный комплект документации для умной колонки: он спроектирует схему, подберет компоненты, напишет инструкции и создаст видеогайды.
YandexGPT, DeepSeek и OpenAI уже добавили в модель генерацию текста и изображений. Следующий шаг — объединить и расширить эти возможности.
Интеграция с IoT (интернетом вещей). ИИ будет работать не только с архивными текстовыми данными, но и с данными с тысячи датчиков на производстве, получаемых в реальном времени. Это поможет компаниям управлять процессами эффективнее, потому что ИИ превзойдет возможности человека.
Датчики будут охватывать разные параметры (свет, давление, влажность и вибрацию), а модель — анализировать и составлять точную короткую сводку за секунды.
Способность к интерпретации. ИИ часто не объясняет, почему он принял определенное решение, например, почему нарисовал шестой палец на руке человека. Но в некоторых моделях уже есть режим «глубокого размышления (Deep Thinking)», где ИИ не только выдает результат, но и показывает логику рассуждений и действий.
Источник: Кирилл Левин, сооснователь и директор компании NlabTeam
