04.05.2026 12:40
Главный барьер промышленного ИИ — качество данных и организация процессов Исследование Strategy Partners показывает: по
Главный барьер промышленного ИИ — качество данных и организация процессов
Исследование Strategy Partners показывает: почти 50% крупных промышленных предприятий России обладают достаточным уровнем технологической готовности для внедрения генеративного ИИ в ключевые процессы. 42% уже планируют или используют GenAI в управлении производством, 29% — в проектировании и R&D.
При этом практическое внедрение промышленного ИИ в целом остается ограниченным: большинство компаний не выходят за пределы 1-2 пилотов, тогда как лидеры уже используют сотни ML-моделей (machine learning, машинное обучение) в ежедневной работе. Почему так происходит и где возникает разрыв между пилотами и масштабированием? Об этом в интервью TAdviser рассказал Алексей Акулов, генеральный директор «Индастри софт солюшнс». Собрали ключевые тезисы:
🔹ML становится инструментом выживания. Классические методы оптимизации больше не дают прироста эффективности. В условиях падения маржинальности и износа оборудования компании используют ML, чтобы находить скрытые закономерности в данных и переходить к предиктивному управлению.
🔹Предиктивная аналитика меняет экономику ремонта. ML позволяет прогнозировать поломки за недели вперед. Например, система может оценить вероятность отказа узла на уровне 90% — этого достаточно, чтобы заменить его без остановки производства и избежать аварий.
🔹Эффект сосредоточен в критических точках. Максимальная отдача достигается на оборудовании, где простой стоит десятки миллионов рублей в час. В этих случаях даже небольшое улучшение прогноза напрямую влияет на экономику всего производства.
🔹Рынок уже разделился на лидеров и «экспериментаторов». В металлургии, нефтегазе, энергетике и атомной отрасли компании используют сотни моделей в промышленной эксплуатации. Большинство предприятий ограничивается несколькими пилотами без масштабирования.
🔹Low-code ускоряет старт, собрать модель можно без программирования, но для стабильной работы в цехе нужны data-инженеры и MLOps: модель должна адаптироваться к износу оборудования, смене сырья и условиям конкретной площадки.
🔹До 80% времени уходит на данные. Основная проблема — «болото данных»: пропуски, несинхронизированные временные ряды, разные форматы. В результате команды тратят больше времени на подготовку данных, чем на разработку моделей.
Подписывайтесь на Дело в цифрах
Исследование Strategy Partners показывает: почти 50% крупных промышленных предприятий России обладают достаточным уровнем технологической готовности для внедрения генеративного ИИ в ключевые процессы. 42% уже планируют или используют GenAI в управлении производством, 29% — в проектировании и R&D.
При этом практическое внедрение промышленного ИИ в целом остается ограниченным: большинство компаний не выходят за пределы 1-2 пилотов, тогда как лидеры уже используют сотни ML-моделей (machine learning, машинное обучение) в ежедневной работе. Почему так происходит и где возникает разрыв между пилотами и масштабированием? Об этом в интервью TAdviser рассказал Алексей Акулов, генеральный директор «Индастри софт солюшнс». Собрали ключевые тезисы:
🔹ML становится инструментом выживания. Классические методы оптимизации больше не дают прироста эффективности. В условиях падения маржинальности и износа оборудования компании используют ML, чтобы находить скрытые закономерности в данных и переходить к предиктивному управлению.
🔹Предиктивная аналитика меняет экономику ремонта. ML позволяет прогнозировать поломки за недели вперед. Например, система может оценить вероятность отказа узла на уровне 90% — этого достаточно, чтобы заменить его без остановки производства и избежать аварий.
🔹Эффект сосредоточен в критических точках. Максимальная отдача достигается на оборудовании, где простой стоит десятки миллионов рублей в час. В этих случаях даже небольшое улучшение прогноза напрямую влияет на экономику всего производства.
🔹Рынок уже разделился на лидеров и «экспериментаторов». В металлургии, нефтегазе, энергетике и атомной отрасли компании используют сотни моделей в промышленной эксплуатации. Большинство предприятий ограничивается несколькими пилотами без масштабирования.
🔹Low-code ускоряет старт, собрать модель можно без программирования, но для стабильной работы в цехе нужны data-инженеры и MLOps: модель должна адаптироваться к износу оборудования, смене сырья и условиям конкретной площадки.
🔹До 80% времени уходит на данные. Основная проблема — «болото данных»: пропуски, несинхронизированные временные ряды, разные форматы. В результате команды тратят больше времени на подготовку данных, чем на разработку моделей.
Подписывайтесь на Дело в цифрах