Всем привет! На связи редакция блога ТЕХНОНИКОЛЬ Диджитал. Если кто забыл или не знает, кто мы такие, то, по настоятельной просьбе коллег из корпоративного центра, напоминаем: мы – ИТ-подразделение промышленной компании ТЕХНОНИКОЛЬ, которая выпускает всё: от строительных материалов до готовых решений, чтобы люди по всему миру жили и работали в комфортных условиях, и делаем всё, чтобы бизнес материнской компании был непрерывным, клиентский сервис – качественным, а стройки – бесперебойными. Как-то так.

Мы тут вам инфоповод принесли. Недавно наш гендир Яков Ильиных зарегистрировался на Хабре, чтобы читать комментарии в нашем блоге (пользуясь случаем, передаём привет Якову Дмитриевичу) дал развёрнутые комментарии порталу «Технологии для бизнеса». Мы перечитали ответы, потом вспомнили про его статью, которая недавно вышла в нашем блоге и поняли (это было неизбежно): нам есть о чём поговорить сегодня.

Дисклеймер: поговорим о том, почему большинство красивых ИИ-пилотов умирает, как только их пытаются вывести за пределы «родного» цеха, в чём реальная цена ошибки ИИ на производстве и как мы в ТЕХНОНИКОЛЬ связываем в единый контур разработку и производство. Поехали!

Погружаем в контекст

Чтобы мы с вами были в одном контексте, вот краткая выжимка комментария Якова: В промышленной повестке ТЕХНОНИКОЛЬ — три главных фокуса: применение ИИ для контроля качества, прогнозирование состояния оборудования и цифровые двойники. Последние помогают моделировать производственные процессы и проверять сценарии изменений без риска остановить реальную линию.

Среди главных тормозов цифровизации — стоимость интеграции и разрозненные данные. Предприятию нужно связать оборудование с информационными системами, сохранив устойчивость производства. А развитая платформа больших данных — это дорого и долго. Для ИИ также нужны понятные правила доступа к моделям и данным.

Разная цена ошибки. Требования безопасности должны учитывать конкретный сценарий. У кадрового помощника и системы управления промышленным оборудованием абсолютно разная цена «галлюцинации» модели.

Кадровый голод и размывание ответственности. На рынке не хватает специалистов, которые одинаково хорошо понимают и технологический процесс, и ИТ. Нужно заранее договориться, кто меняет производственный процесс и кто отвечает за результат внедрения и за цифровую трансформацию. Без этого новый инструмент может добавить ещё один слой согласований.

Пилот – только половина пути

В своём комментарии Яков сформулировал один из главных барьеров, с которым сталкивается промышленность: успешный пилот ещё нужно научить работать за пределами родного цеха (производственной площадки или экспериментальной команды — прим. ред.).

В промышленности легко получить красивый результат на одной площадке и потерять его при попытке переноса на другую площадку или при масштабировании. Поэтому поддерживать нужно весь путь: от промышленного пилота до тиражирования. И вот что нужно обеспечить, чтобы это было возможно (делимся тезисами нашего гендира):

• финансирование, которое покрывает не только разработку, но и подготовку данных, интеграцию с существующими системами и… обучение сотрудников (да-да, о нём все забывают, но это часть проекта, а не дополнительная опция, от которой можно безболезненно отказаться, чтобы не платить больше).

• Стабильный и гарантированный доступ к вычислительным ресурсам и качественным моделям — с понятными условиями защиты данных. Это нужно для развития ИИ. Отраслевые испытательные площадки позволили бы проверять решения на реальном оборудовании. Для промышленности это принципиально: поведение модели на синтетических данных и на работающей производственной линии — не одно и то же.

• Единые стандарты обмена данными между программами и оборудованием. Это помогает уменьшить объём доработок при внедрении. Без стандартов каждый новый завод становится отдельным проектом, а не тиражированием. И здесь очень точно работает сравнение, которое Яков приводил в своей статье:

начинать трансформацию с выбора модели так же странно, как начинать строительство завода с выбора шуруповёрта. Сначала надо понять производственный процесс, контроль качества и экономику. Модель выбирается уже внутри этой системы.

Куда идём

Если объединить последние тезисы Якова о будущем производства, вырисовываются три вектора:

• адаптивное производство. Системы смогут быстрее пересчитывать планы при изменении спроса и сбоях поставок. ИИ-агенты будут выполнять связанные задачи в пределах заданных полномочий — то есть не «делать что хотят», а работать внутри границ, которые определяет человек.

• Data-driven для энергоёмких производств. Управление расходом энергии и сырья на основе данных. Эффект нужно считать на единицу годной продукции — не на валовой выпуск и не на сэкономленные киловатты в отрыве от результата. Data-driven — наше всё.

• Рост значения инженерной экспертизы. Здесь Яков формулирует то, что для нас звучит как принцип: чем больше действий мы поручаем ИИ, тем лучше должны понимать границы применения. Автоматизация связана с ростом производительности труда — высвобожденное время должно помогать выпускать больше продукции и быстрее развивать продукты.

Зачем всё это

Главный вывод, который мы сделали, сопоставив свежие ответы Якова и нашу специфику: важное изменение не в том, что ИИ научился писать код. Дефицитными остались ясные требования, доступный контекст, быстрые проверки, архитектурная дисциплина и способность организации принимать решения без месячного квеста по согласованиям. AI-native-контур делает эти элементы машиночитаемыми, проверяемыми и управляемыми. Поэтому зрелость процессов стоит измерять не долей кода, созданного моделью, и не количеством установленных нейросетей, а тем, какую часть пути от бизнес-задачи до надёжного промышленного результата система проходит быстрее, не теряя контроль.

Вот за этим мы и крутим наш 90-дневный пилот AI-native-разработки, о котором Яков писал ранее: чтобы пересобрать весь производственный контур — требования, контекст, проверки, архитектуру и ответственность. Потому что, если пилот не готов к тиражированию, это просто очень дорогой эксперимент.

А как у вас в компаниях обстоят дела с тиражированием? Удаётся выводить пилоты за пределы одной команды или завода, или всё упирается в интеграцию и стандарты? Делитесь в комментариях — Яков Дмитриевич читает (мы проверяли), да и мы с радостью подискутируем!