10 вопросов перед внедрением ИИ на производстве

Первый и самый важный вопрос — не технический, а бизнес-ориентированный.

ИИ — не универсальный инструмент, который «сделает всё лучше». Он решает конкретные задачи: снижение брака, предотвращение простоев, оптимизация логистики, автоматизация рутинных операций, кратное ускорение решения задач с высвобождением ресурсов на важные задачи, сокращение времени, помощь в принятии решений.

Без четкой формулировки задачи проект быстро теряет фокус.

Вы можете потратить бюджет на систему, которая будет красиво работать, но не даст никакого экономического эффекта.

Например, на одном из предприятий по производству графитовых изделий мы начали работу с решения одной конкретной задачи, которая решила бы главную проблему производства: диагностика внутреннего состояния печи. Из-за невозможности внешней диагностики и прогнозирования износа производство регулярно теряло миллионы рублей из-за простоя, когда печь приходилось останавливать. 

Мы решили эту проблему, и когда заказчик увидел реальную практическую пользу от внедрения ИИ на производстве, он попросил нас сделать систему комплексной, чтобы она распространилась и на другие процессы, решая больше прикладных задач.

Подробнее об этом кейсе.

Ключевой урок: начинайте с боли, которую видно. Не с технологий, а с проблемы.

Искусственный интеллект не работает на пустом месте. Он обучается на данных. Чем больше их, тем точнее модель. Но даже небольшого объёма может быть достаточно, если он качественный и релевантный.

Спросите себя: фиксируете ли вы параметры работы оборудования? Сохраняется ли история простоев, ремонтов, замен деталей? Есть ли изображения продукции, показания датчиков, логи SCADA?

Если ответ «нет» — это не приговор. Можно использовать симуляции, синтетические данные или применить transfer learning — подход, при котором модель обучается на похожих процессах, а затем адаптируется под ваш случай.

На одном из производств у клиента не было достаточно цифровых данных. Мы не стали ждать, пока их внесут в систему. Вместо этого запустили параллельный сбор данных: установили дополнительные датчики, настроили автоматическую выгрузку из ERP и начали обучение модели на основе новых записей. Вскоре система уже давала первые предсказания.

Главное — не идеальные данные, а желание их получать.

Даже если данные есть — они часто оказываются «грязными». Пропущенные значения, ошибки ввода, разные форматы, противоречивые записи — всё это мешает эффективному обучению модели.

Плохие данные = плохие предсказания = потеря доверия к системе.

Именно поэтому подготовка данных занимает до 70% времени в любом ИИ-проекте, и это всегда оправданно. Но здесь важно понимать: цель не в том, чтобы сделать данные идеальными, а в том, чтобы они были достаточно хорошими для решения конкретной задачи.

Например, при прогнозировании износа насосов на заводе по переработке полимеров часть показаний датчиков может быть некорректной из-за помех. Вместо того чтобы требовать замены всей системы, можно просто использовать алгоритмы очистки и фильтрации, которые позволят отделить шум от реальных сигналов. Это даст возможность продолжить работу без дорогостоящего переоснащения, и внедрение ИИ не придется откладывать.

Данные редко хранятся в одном месте. Часто они разбросаны по разным системам: ERP, SCADA, MES, Excel-файлы, локальные базы, даже бумажные журналы.

Первый шаг к внедрению ИИ — создать карту данных: где что хранится, кто имеет доступ, как часто обновляется, в каком формате. Без этой карты невозможно наладить поток информации, необходимый для обучения и работы модели.

Также важно заранее продумать архитектуру интеграции: будет ли использоваться централизованное хранилище (data lake), как организован доступ, какие API доступны. Эти вопросы кажутся техническими, но они напрямую влияют на сроки и стоимость внедрения.

Внедрение ИИ — это не задача только IT-отдела. Это трансформация процессов, которая затрагивает цех, инженеров, технологов, руководство. Поэтому критически важно назначить внутреннего лидера проекта — человека, который:

• понимает производственные процессы;
• может принимать оперативные решения;
• координирует между разработчиками, операторами и руководством.

Таким человеком может быть главный инженер, технолог, директор по цифровизации. Главное — чтобы он был вовлечен, имел полномочия и мог отстаивать интересы проекта.

Мы видели случаи, когда проекты проваливались не из-за технологий, а из-за отсутствия такого управляющего. Ответственные менялись, приоритеты смещались, и система так и оставалась невостребованной.

ИИ меняет не только процессы — он меняет роль людей.Операторы могут воспринимать его как угрозу своей должности. Инженеры — как лишнюю нагрузку: «Теперь ещё и эту систему учить надо». Сопротивление — нормальная реакция, и ключ в его преодолении заключается в коммуникации и вовлечении.

Например, можно даже запустит серию коротких обучающих встреч (мы в RedKrab практиковали аналогичный подход при работе над одним из проектов). За три встречи специалисты поняли, как система помогает им — освобождает от рутины, выявляет аномалии, которые сложно заметить глазом. В итоге они сами начали предлагать новые точки применения ИИ.

Когда люди видят пользу — они становятся соавторами, а не противниками или пассивными наблюдателями.

Без четких метрик невозможно понять, работает ли система. Для оценки важны конкретные цифры:
— на сколько процентов снизился брак?
— сколько часов простоя удалось избежать?
— на сколько выросла производительность?
— какой экономический эффект принесла система?

Эти KPI должны быть сформулированы до старта проекта. Например, на одном из проектов, где мы внедряли разработанную нами ИИ-систему в процессы строительной компании, главной задачей было — усилить контроль над соблюдением техники безопасности. Но эта задача несколько абстрактна, поэтому мы конкретизировали ее: снизить количество несчастных случаев на 30 %. Именно к этому результату мы стремились, и когда ИИ позволил его достичь, и мы, и клиент поняли, что проект точно удался.

Подробнее об этом кейсе.

ИИ не живёт в изоляции, он должен работать в единой экосистеме: с ERP (например, 1С), SCADA, MES, CRM, системами учёта и отчётности. Если интеграции нет — либо данные придется вводить вручную, а это сводит на нет всю ценность автоматизации, либо дополнительно реализовывать систему учета, журналы, отчеты и прочее внутри контура ИИ.

Убедитесь, что ваша ИИ-система:

• умеет подключаться к API;
• поддерживает стандарты обмена данными;
• может работать в гибридной инфраструктуре (облако + локальные серверы);
• не требует полной замены текущих решений.

На практике мы чаще всего используем модульные решения, которые интегрируются с минимальными изменениями в существующую архитектуру. Это позволяет запускать проект быстрее и с меньшими рисками. Альтернативный подход: разрабатываем нужный модуль с нуля, что позволяет выполнить нетиповые задачи и повысить качество, которое не могут обеспечить существующие модули.

Лучше начать с пилотного проекта — одного участка, одной линии, одного типа оборудования. Цель пилота — проверить гипотезу: действительно ли ИИ решает вашу задачу?

Реалистичные сроки: от 3 до 6 месяцев.

Бюджет: от 1,5 млн рублей, в зависимости от сложности.

Важно: пилот должен быть измеримым. Вы должны знать, что считать успехом и как действовать дальше — масштабировать, дорабатывать или остановиться.

На одном из проектов клиент хотел внедрить ИИ по всему производству сразу. Мы предложили начать с одного процесса. Через три месяца эффект был очевиден — и тогда уже руководство одобрило масштабирование.

Подробнее об этом проекте.

Внедрение — это не конец, а начало. Подумайте заранее также и о других аспектах:

• Поддержке: кто будет следить за работой системы?
• Обновлениях: как будут улучшаться алгоритмы?
• Масштабировании: как проект перейдёт на другие участки?
• Обучении: как новые сотрудники будут осваивать систему?

Лучше закладывать эти процессы еще на этапе подготовки. Мы в Redkrab всегда включаем в проект документацию, инструкции, план обучения и график технической поддержки.

Также важно предусмотреть механизм обратной связи: чтобы пользователи могли сообщать о проблемах, предлагать улучшения, делиться опытом.

Ответы на эти 10 вопросов помогут вам оценить, готово ли производство к внедрению ИИ, избежать перерасхода бюджета и времени, а также — получить реальную пользу уже на первых этапах.

Проведём бесплатную диагностику вашего производства:

• поможем сформулировать задачу;
• оценим качество и доступность данных;
• предложим вариант пилотного проекта;
• рассчитаем сроки и бюджет.

Запустите ИИ с минимальными рисками — вместе с экспертами, которые уже сделали это не раз. Таким образом задача из сложной становиться решаемой благодаря опыту и компетенциям наших специалистов.